基于LMD和AR模型转子系统故障诊断方法.docVIP

基于LMD和AR模型转子系统故障诊断方法 　　摘要:提出了基于局部均值分解(Local mean decomposition,简称LMD)和AR模型相结合的转子系统故障诊断方法。该方法先用LMD方法将转子振动信号分解成若干个瞬时频率具有物理意义的PF(Product function,简称PF)分量之和,然后对每一个PF分量建立AR模型,提取模型参数和残差方差作为故障特征向量,并以此作为神经网络分类器的输入来识别转子的工作状态和故障类型。与EMD方法的对比研究表明,这两种方法均能有效地应用于转子系统的故障诊断。但LMD方法在信号分解方面体现了更大的优势。 　　关键词:LMD;AR模型;转子系统;故障诊断 　　 　　Fault Diagnosis Approach for Rotor Systems Based on 　　 LMD and AR Model 　　YANGYu, YANG Lixiang, Cheng Junsheng 　　(State key Laboratory of Advanced Design and Manufacture for Vehicle Body, Hunan University, Changsha, 410082) 　　Abstract: A fault diagnosis approach for rotor systems based on Local mean decomposition (LMD) and AR model is proposed. Firstly, by using LMD method, the vibration signal of rotor systems is decomposed into a number of product function (PF) components whose instantaneous frequencies own physical meaning, and then the AR model of each PF component is established. Furthermore, the model parameters and the variance of remnant are regarded as the fault feature and served as input parameter of neural networks to identify the condition and fault pattern of a rotor system. The study results show that both EMD and LMD method could be applied to the rotor systems fault diagnosis effectively. However, the latter has better decomposition results. 　　Key word: Local mean decomposition; AR model; Rotor systems; Fault diagnosis 　　 　　当转子系统发生故障时,由于系统载荷、刚度等多方面的影响,其振动信号多表现为复杂的非平稳信号[1]。如何从非平稳信号中提取特征向量是转子系统故障诊断的关键,传统的故障诊断技术通过分析并提取振动信号时域或频域波形的特征量,建立判别函数来识别转子系统的工作状态。但是,对于非平稳信号,很难仅通过时域或频谱分析来对转子系统的工作状态做出较为准确的评价。 　　AR模型的自回归参数凝聚了系统状态的重要信息,对系统状态变化规律反映较敏感[2],因此可以采用AR模型的自回归参数作为特征向量来分析系统的状态变化。然而,AR模型只能适用于平稳信号的分析,因此需要在建立AR模型之前对信号进行预处理。目前较多的文献采用EMD(Empirical Mode Decomposition)方法对原始信号进行分解,然后对分解得到的各个分量分别建立AR模型,以提取特征向量[3,4]。但是,EMD方法理论上还存在一些问题,如过包络、欠包络、模态混淆、端点效应和由于Hilbert变换产生的无法解释的负频率等,这些问题目前仍在研究当中[5,6]。 　　局部均值分解法(Local mean decomposition,简称LMD)是由Jonathan S.Smith提出的一种新的自适应时频分析方法[7],它能将一个复杂的非平稳信号分解为若干个PF(Product function,简称PF)分量之和。每一个PF分量都由一个包络信号和一个纯调频信号相乘得到,因而