基于LMD方法的轉(zhuǎn)子系統(tǒng)故障診斷研究.pdf

1、轉(zhuǎn)子系統(tǒng)的故障診斷過程包括診斷信息的獲取、故障特征信息提取和狀態(tài)識別三部分。其中，故障特征提取是診斷的關鍵。本文將時頻分析的新方法--局部均值分解法(簡稱LMD)應用于轉(zhuǎn)子系統(tǒng)的故障診斷中。該方法的特點是可以獲得一系列瞬時頻率具有物理意義的PF分量。本文對LMD方法在轉(zhuǎn)子系統(tǒng)故障診斷中的應用進行了研究。主要研究工作如下：
　　 1.針對轉(zhuǎn)子系統(tǒng)故障振動信號的非平穩(wěn)特性，提出了一種基于LMD和神經(jīng)網(wǎng)絡相結(jié)合的故障診斷方法。該方法首

2、先對信號進行LMD分解，將其分解為若干個PF分量之和，再選取包含主要故障信息的PF分量做進一步分析，從這些分量中提取時域統(tǒng)計量和能量等特征參數(shù)作為神經(jīng)網(wǎng)絡的輸入?yún)?shù)來識別轉(zhuǎn)子系統(tǒng)的故障類別。結(jié)果表明，基于LMD與神經(jīng)網(wǎng)絡的故障診斷方法能夠準確、有效地對轉(zhuǎn)子系統(tǒng)的工作狀態(tài)和故障類型進行分類。
　　 2.提出了基于LMD和AR模型相結(jié)合的轉(zhuǎn)子系統(tǒng)故障診斷方法。該方法先用LMD方法將轉(zhuǎn)子振動信號分解成若干個瞬時頻率具有物理意義的PF分

3、量之和，然后對每一個PF分量建立AR模型，提取模型參數(shù)和殘差方差作為故障特征向量，并以此作為神經(jīng)網(wǎng)絡分類器的輸入來識別轉(zhuǎn)子的工作狀態(tài)和故障類型。與內(nèi)稟模態(tài)函數(shù)分解法(簡稱EMD方法)的對比研究表明，這兩種方法均能有效地應用于轉(zhuǎn)子系統(tǒng)的故障診斷。但LMD方法在信號分解方面體現(xiàn)了更大的優(yōu)勢。
　　 3.針對LMD分解法的頻率混淆問題，提出了基于改進的LMD和奇異值分解法相結(jié)合的轉(zhuǎn)子系統(tǒng)故障診斷方法。該方法先用小波包分解法將轉(zhuǎn)子振動信

4、號分解成若干個小波包分量，進一步對各小波包分量進行LMD分解，得到一系列PF分量，形成初始特征向量矩陣。然后對初始特征向量矩陣進行奇異值分解得到矩陣的奇異值，將其作為特征向量輸入神經(jīng)網(wǎng)絡來識別轉(zhuǎn)子系統(tǒng)的工作狀態(tài)和故障類型。實驗結(jié)果表明，該方法能有效的用于轉(zhuǎn)子系統(tǒng)故障診斷。
　　 4.提出了基于改進的LMD和時頻熵相結(jié)合的轉(zhuǎn)子系統(tǒng)故障診斷方法，轉(zhuǎn)子系統(tǒng)振動信號進行小波-LMD分解后，能量分布在具有不同時間尺度的PF分量上，轉(zhuǎn)子系統(tǒng)