快速非平稳信号分析诊断与应用-机械设计及理论专业论文.docx

万方数据 万方数据 Dissertation Submitted to Shanghai Jiao Tong University for the Degree of Master RAPID ANALYSIS DIAGNOSIS AND APPLICATION OF NON-SATIONARY SIGNAL Candidate： ChenKai Student ID: 1120209076 Supervisor： Prof. LI Fucai Academic Degree Applied for： Master of Engineering Speciality： Mechanical Design and Theory Research Interests: Signal processing Fault diagnosis Affiliation： School of Mechanical Engineering Date of Defence： Feb, 2015 Degree-Conferring-Institution： Shanghai Jiao Tong University 感谢国家自然基金、科技部 863 计划(编号： 2012AA040106)、教育部新世纪优秀人才（NCET-13-0363）和 国家重点实验室资助重点课题对本文研究的资助，在此鸣谢。 上海交通大学硕士学位论文 上海交通大学硕士学位论文 快速非平稳信号分析诊断与应用 摘 要 非平稳信号广泛存在于自然界中，比如机械设备一旦出现故障时就 会导致动态信号非平稳现象的出现。传统时频分析方法在不同的角度上 对非平稳信号进行了分解，但是各自的缺陷却很难使其根据信号本身的 特点实现自适应分解，而且很难达到分析所需要的精度。针对非平稳信 号特点后来出现了经验模态分解方法，开辟了一条全新信号分析方法， 通过筛分标准选取不同的尺度分量，然后配合希尔伯特变换提取信号中 的时频信息。经验模态分解方法在使用过程中存在四大弊端问题，很多 学者在这方面提出了各种各样的改进办法，但是仍然无法同时解决这四 个弊端。比如 EEMD 方法的提出，解决了模态混叠效应但是却以牺牲计 算时间为代价，得不偿失。 机械设备的在线状态监测系统经过多年的发展，逐步走向专家化智 能化。随着大型设备的结构、功能、工况、环境日趋复杂，对在线状态 监测系统提出了全新的更高的要求。如何在更加复杂的信号环境中快速 有效的挖掘出故障特征信息，是本文的一个研究重点。 论文在传统 EMD 算法的基础上进行改进并且根据现有的二维快速 自适应经验模态分解方法，提出了一种改进型的方法。因此，本论文主 要研究内容有： 第一，本文提出了改进型的一维快速自适应经验模态分解方法。首 先，采用自适应窗口准则获取信号的峰峰值的统计特性；然后，采用顺 序统计滤波器来获取信号的上下包络线；最后，提出自循环停止准则， 给出信号分解停止的准则。这种算法的最大优点是避免了传统 EMD 算 法的四大弊端，同时具备自适应分析能力。 I 摘要 摘要 第二，将一维快速自适应经验模态分解方法应用到转子故障诊断、 轴承故障诊断、减速箱故障诊断中，与传统 EMD 算法的分析结果对比， 展示出了一维快速自适应经验模态分解方法的优越性能。同时将一维快 速自适应经验模态分解方法和冲击脉冲法结合，提出了一套轴承故障诊 断技术。 最后，论文主要研究了在线状态监测系统基本情况，重点考虑旋转 机械中的监测系统。通过分析冷轧机组和船舶轴系振动的特点，设计了 两套在线状态监测系统。 关键词：快速自适应经验模态分解方法，故障诊断，在线监测，冲击脉 冲法 II 上海交通大学硕士学位论文 上海交通大学硕士学位论文 RAPID ANALYSIS DIAGNOSIS AND APPLICATION OF NON-SATIONARY SIGNAL ABSTRACT A lot of non-stationary signals can be found in nature, such as once mechanical equipment fault appeared it would lead to the dynamic phenomenon of non-stationary signal. Traditional time-frequency analysis methods work in different side to decomposition this signal, but their respective defects are hard to realize adaptive decomposition according t