基于ICA的工作模态参数识别及故障诊断方法研究-信号与信息处理专业论文.docxVIP

基于 ICA 的工作模态参数识别及故障诊断方法研究 摘要 机械结构工作模态参数识别（Operational Model Analysis，简称 OMA）和振动故障 诊断是在工程应用中不可或缺的两个重要技术。独立分量分析（Independent Component Analysis，简称 ICA）作为一种统计信号数据分析工具，在无先验知识的条件下可以有 效地从线性混合的复杂信号中盲分离出各个独立源信号，该技术已经在监测和诊断方向 以新的研究方法被提出。本文以齿轮箱为研究对象，将 ICA 技术应用于齿轮箱工作模态 参数识别和故障诊断中，结合概率神经网络（Probabilistic Neural Network ，简称 PNN） 智能算法进行了齿轮箱典型故障诊断。 本文研究了一种基于 ICA 的工作模态参数识别技术，解决了目前基于振动信号的工 作模态参数识别方法存在抗噪能力低，参数识别主观经验性较强，识别精度差和识别方 法较复杂等问题。通过对 ICA 与 OMA 基本原理分析，发现 ICA 计算模型与结构振动模 态分析模型结果趋向相同，ICA 模态参数识别技术操作简单，能够有效排除噪声干扰， 而且 IPI 作为分量独立性虚假性评价标准的引入为模态选取提供了客观依据。 当结构系统发生故障时，其模态特性也随之变化，本文以 FASTICA 识别出的五种 工况模态频率作为齿轮箱故障诊断特征参量，分析对比各工况下的固有频率的变化，进 行了齿轮箱故障诊断。最后将 FASTICA 频域特征分析应用到复杂齿轮箱微弱故障信息 增强与诊断，将各工况不同转速下测试信号经 FASTICA 盲源分离后，分析并提取出各 信号频域特征参量作为诊断指标，将归一化处理后的信号特征参量作为 PNN 算法的样 本进行诊断分析，FASTICA 和 PNN 算法的结合明显提高了故障诊断精度、可靠性和诊 断效率。 关键词：齿轮箱，ICA，工作模态分析，特征提取，故障诊断 Operational Modal Analysis and Fault Diagnosis Methods Based on ICA Abstract Operational Model Analysis (OMA) of mechanical structure and Fault Diagnosis are the most essential and indispensable techniques in engineering application. As a statistical signal data analysis tool, Independent Component Analysis (ICA) can effectively separate the blind source signals from complicated signals of linear combination without prior knowledge. ICA has been proposed as a new research method in the fields of monitoring and diagnosis. This paper applies ICA to gearbox operational modal parameter identification and fault diagnosis, finally combines Probabilistic Neural Network (PNN) algorithm to realize typical fault diagnosis. Aiming at the major difficulties of OMA method based on vibration signals such as low noise-robust ability, high subjective experience and poor accuracy in identifying parameters and more complex recognition method, the paper presents a new method of OMA on the basis of ICA. According to the analysis of the basic principle of ICA and OMA, the paper finds that the results of ICA calculation model and structure analysis model