強噪聲背景下機械設(shè)備微弱信號的提取與檢測技術(shù)研究.pdf

1、在實際的機械設(shè)備故障診斷中，由于現(xiàn)場環(huán)境比較惡劣，所測得的振動信號除包含有用的特征信息外還存在大量的噪聲干擾。尤其是機械設(shè)備的早期故障，特征信號比較微弱，往往被強噪聲所淹沒，極大地影響了設(shè)備狀態(tài)信息的準(zhǔn)確獲取。因此，論文以機械設(shè)備為對象，研究了強噪聲背景下微弱信號的提取和檢測技術(shù)。
　　 設(shè)備工況的變化以及其自身的非線性使機械設(shè)備的動態(tài)信號表現(xiàn)出非平穩(wěn)性。經(jīng)驗?zāi)Ｊ椒纸夥椒ㄊ且环N處理非線性非平穩(wěn)信號的有效工具，但是對于強噪聲背景下

2、的微弱信號，噪聲干擾會加重經(jīng)驗?zāi)Ｊ椒纸獾倪吔缧?yīng)，影響分解的質(zhì)量和效果。為此，本文提出一種基于級聯(lián)雙穩(wěn)隨機共振降噪的經(jīng)驗?zāi)Ｊ椒纸夥椒ǎ秒S機共振在微弱信號檢測方面的優(yōu)勢，實現(xiàn)對微弱非平穩(wěn)信號的提取。仿真實驗以及滾動軸承的故障診斷實例驗證了該方法的有效性。
　　 奇異值分解是一種非線性濾波方法，廣泛應(yīng)用于信號的消噪和檢測工作中。但是傳統(tǒng)的奇異值分解通常是在時域中進(jìn)行，由于奇異值對噪聲比較敏感，因此奇異值分解只適用于弱噪聲的情況。

3、針對這個問題，論文提出了基于頻域的奇異值分解方法，通過傅立葉變換將時域信號轉(zhuǎn)換到頻域進(jìn)行處理，增強了奇異值分解的抗噪能力。此外，針對單層奇異值分解降噪效果的有限性，論文又提出了級聯(lián)奇異值分解方法。對于強噪聲背景下的微弱信號，通過級聯(lián)的形式，實現(xiàn)噪聲的逐級濾除。仿真實驗表明該方法可以有效提高信噪比，實現(xiàn)微弱信號的檢測。
　　 論文還分析了大信號干擾下的微弱信號識別問題。從剔除大信號干擾、分離微弱信號的角度，提出了基于獨立分量分析的

4、信噪分離方法，并通過一個轉(zhuǎn)軸的偏心故障實例表明該方法具有良好的工程應(yīng)用前景。此外，從減少頻率泄露、增強微弱信號的角度，將多窗譜分析成功用于早期油膜渦動的故障診斷中。
　　 為了滿足不同廠礦企業(yè)的要求，同時作為本課題關(guān)鍵技術(shù)的載體，論文設(shè)計開發(fā)了一款功能完善、價格低廉的便攜式數(shù)采分析儀，該儀器采用雙CPU的硬件構(gòu)架并以Linux操作系統(tǒng)為平臺進(jìn)行軟件設(shè)計，可以實現(xiàn)高速多任務(wù)的實時采集。此外，儀器還配有多種通信接口，方便與上位機進(jìn)行