基于弱信號特征提取的早期診斷方法及其應用研究.pdf

1、工業(yè)自動化水平的提高對設備提出了早期故障診斷的需求。由于復雜的工作環(huán)境和現(xiàn)場噪聲的干擾，設備的故障信號容易被噪聲污染，如何有效的從低信噪比監(jiān)測信號中提取弱故障特征成為故障診斷領域迫切需要解決的問題。結合故障信號自身的特點，運用弱信號特征提取方法和早期故障診斷理論解決機械故障診斷中信號降噪和弱特征加強等問題以及進行設備的早期故障診斷是當前機械故障診斷領域迫切需要研究的重要課題之一。本文研究了信號的降噪方法、設備故障的弱特征提取、早期故障診

2、斷理論及其在軸承故障診斷中的應用。
　?。?）采用小波分析的多分辨率算法，信號被分解為不同尺度上的低頻分量和高頻分量，信號中的微弱特征隨著尺度因子的遞進變化逐漸被放大。在每個分解尺度上，將變換系數(shù)與通過閾值規(guī)則設置的門限因子進行比較處理，實現(xiàn)了信號的降噪處理，提高了信噪比和加強了信號中弱特征。
　?。?）基于信號的局部特征分析，經驗模態(tài)分解采用包絡分析理論將故障信號分解為頻率從高到低變化的固有模態(tài)分量。針對經驗模態(tài)分解過程的

3、邊界效應問題和傳統(tǒng)延拓方法的缺陷，本文采用了基于奇異值分解和支持向量回歸機的端點預測延拓方法。奇異譜分析方法能夠有效地檢測信號中的周期特征，為確定支持向量回歸機延拓點的數(shù)目提供了一種可行的方法。通過閾值掃描法剔除了分解產生的“偽”分量，分析表明該方法能夠有效地抑制邊界效應和提取信號中的弱特征分量。
　　（3）針對設備早期故障特征不明顯、可分性差的特點，采用支持向量機建立最優(yōu)分類決策模型。采用高斯核函數(shù)增加樣本的可分性，實現(xiàn)了故障特