论文总字数：29495字

摘 要

随着工业化进程的提高，旋转机械正向着集成重载，高度复杂的方向发展。当旋转机械设备发生故障时，很容易对人身和财产安全造成重大安全隐患。并且由于早期微弱故障阶段的特征提取相对来说比较困难，且其他运动部件的振动信息以及环境干扰也会被引入到机械设备中形成背景噪声，从而使得早期故障难以监测和诊断。为了有效避免灾难性事故和人员伤亡事件的发生，对机械设备进行早期微弱故障特征提取和故障诊断变得越来越重要。

针对早期微弱故障特征幅值小，且易淹没在背景噪声中的特点，本文采用基于形态分量分析（Morphological Component Analysis，MCA）的方法，完成对滚动轴承故障特征的提取。主要思路是通过构建提取信号中谐振成分以及冲击成分的稀疏表示字典，从而实现信号中这两种形态分量的提取和分离。考虑到噪声对早期故障有着极大影响，本文采用的MCA方法也会致力解决这一问题，从而提取到明显有效的故障特征。

论文的主要工作是编写基于形态分量的故障特征提取算法。根据信号中各组成成分的形态差异构建相对应的字典来表征信号中的谐振分量和冲击分量，从而对模拟信号进行故障特征提取，再采用西储大学中微弱的早期故障轴承振动数据进行分析，对提取到的冲击成分进行包络变化，提取轴承故障频率。实验结果表明这一算法法能够在噪声较大的环境下有效提取到的故障信号中的故障特征。

本文主要创新点是结合了小波包变换以及小波熵理论，提出了一种形态分量分析（MCA）的改进算法，极大地提高了早期故障信号的信噪比，利于故障信号特征的提取，并通过仿真数据以及实验数据的处理证明了改进算法的可行性和有效性。

关键词：早期故障诊断；特征提取；形态分量分析；滚动轴承

Feature extraction of rotating machinery in weak fault based on morphological component analysis

02012311 Wang Chang

Supervised by Jia Minping

Abstract：With the industrialization process, rotating machinery is toward integration overloaded, highly complex direction. When rotating machinery failure, it is likely to cause a major security risk to persons and property. since the early stages of weak fault feature extraction is relatively difficult,vibration information and environmental interference from other moving parts of machinery will also be introduced into the formation of the background noise, making it difficult to monitor and early fault diagnosis. In order to effectively prevent catastrophic accidents and casualties event, mechanical equipment’s early weak fault feature extraction and fault diagnosis is becoming increasingly important.

For early weak fault feature amplitude is small and easy to drown in the background noise characteristics, in this paper, we complete the extraction of the rolling bearing fault feature based on morphological component analysis (MCA) method. The main idea is to build a sparse dictionary for extracting the resonant signal component and impact component, enabling the extraction and separation of signal components in these two forms. Taking into account the noise of early failure has a great impact, MCA method used in this paper will be to address this issue, thereby extracting obvious fault features effectively.

The main work is that prepare extraction algorithm based on morphological component analysis,and build a dictionary according to morphological differences in the various components of the signal to characterize the resonance signal component and impact component. So that we can do the analog signals Fault Feature Extraction. Then using Western Reserve University’s early weak fault bearing vibration data, we extracte the impact components and extracted bearing fault frequencies. Experimental results show that this algorithm can extract fault signal effectively in noisy environment.

The main innovation of this article is a combination of wavelet packet transform and wavelet entropy theory,and proposed a form component analysis (MCA) improved algorithm. The algorithm greatly improves the signal in noise ratio of early failure, and is conducive to fault signal feature extraction. We demonstrate the feasibility and effectiveness of the improved algorithm by simulation data and experimental data processing.

Key words: Early fault diagnosis; feature extraction; morphological component analysis; rolling bearing

目录

第1章 绪论 1

1.1 研究背景和意义 1

1.2旋转机械故障诊断综述 1

1.2.1故障诊断背景 1

1.2.2时域、频域以及时频分析方法 1

1.2.3旋转机械早期故障诊断 2

1.2.4基于形态分量分析的诊断方法 3

1.3论文主要内容与章节组成 3

第2章 滚动轴承故障机理 5

2.1 滚动轴承结构 5

2.2滚动轴承故障类型 6

2.3滚动轴承各零件故障频率 6

2.4滚动轴承点蚀故障特特征 7

2.4.1滚动轴承点蚀故障模型 7

2.4.2滚动轴承点蚀信号特征 8

2.5本章小结 9

第3章 基于形态分量分析的故障特征提取 10

3.1形态分量分析理论 10

3.1.1形态分量分析原理 10

3.1.2形态分量分析算法步骤 11

3.2 本文MCA算法 12

3.2.1滚动轴承故障信号提取问题数学模型 12

3.2.2字典的选择 12

3.2.3软阈值函数 13

3.3模拟信号分析 14

3.3.1模拟信号模型 14

3.3.2仿真信号故障特征提取 15

3.4实验数据故障特征提取 17

3.4.1实验数据简介 17

3.4.2实验数据故障特征提取 18

3.5本章小结 22

第4章 结合小波熵理论的改进MCA 23

4.1基于小波熵的信号预处理 23

4.1.1小波熵理论 23

4.1.2基于小波熵的频带重构 23

4.2结合小波熵信号重构的MCA 24

4.3模拟信号分析 25

4.4实验信号分析 27

4.5本章小结 31

第5章 本文总结 32

致 谢 33

参考文献 34

基于形态分量分析的旋转机械微弱故障特征提取方法研究

第1章 绪论

1.1 研究背景和意义

当代科学技术突飞猛进，工业也逐渐趋于现代化，机械装备广泛应用于国民经济的各个领域中，在这同时机械装备也不断向集成重载，高度自动复杂化的方向发展，为了提高对关键设备运行的可靠性保障，进行早期的状态监测和故障诊断也变得越来越重要。

目前旋转机械已经成为各行各业应用广泛的机械设备，随着工业化的发展，旋转机械的机械结构也日趋复杂^[1]，当机械系统中轴承或者齿轮发生故障时，极有可能会引起链式反应，造成整个机械设备和传动系统的瘫痪。不仅容易对企业造成巨大的经济损失，并且还可能带来极大的安全隐患，，对于企业良性发展以及个人的安全保障都会有着很大的威胁。

剩余内容已隐藏，请支付后下载全文，论文总字数：29495字