论文部分内容阅读
齿轮作为传动机构齿轮箱必不可少的关键部件,运行工况复杂,其状态监测与故障诊断直接影响复杂传动装置的安全正常运行,对企业乃至社会均具有巨大的经济价值和安全价值。传统对于恒定工况的齿轮故障诊断方法已无法满足实际需求,探索基于非平稳信号的变工况齿轮故障诊断方法现已成为国内外学者的研究热点。在变转速工况下,从目标信号中采用适当的非平稳信号处理方法诊断出故障信息是基于振动信号的故障诊断的关键。稀疏分解方法因其具有自适应性好,能反映信号本质等特点,近年来被广泛应用于非平稳信号的分解中。数据驱动时频分析方法(Data-Driven Time-Frequency Analysis,DDTFA)是一种新近提出的稀疏分解方法,该方法把对信号的稀疏分解等同于求解一个最优化问题,同时得到信号的时频分布,具有明确的数学理论基础,可从时变非平稳信号中精确地提取信号中的非平稳分量。论文选题源自国家自然科学基金青年科学基金项目“基于非线性匹配追踪数据驱动时频分析的变工况机械故障诊断方法研究”(51605151),对DDTFA方法进行理论研究的基础上,重点对其初始相位函数选取进行了研究提出了两种初始相位函数选取的DDTFA方法,并将DDTFA方法运用于变工况领域的齿轮故障诊断。本文的主要研究工作如下:(1)对DDTFA方法进行了理论研究,分别从分解精度、抗噪性、抗模态混叠能力等方面与EMD方法进行了对比分析;研究了初始相位函数和带宽控制参数对DDTFA分解能力的影响,仿真验证了初始相位函数趋势是影响DDTFA分解能力的关键因素。(2)针对非平稳信号,初始相位函数趋势直接影响DDTFA的分解能力,而初始相位函数的趋势在物理意义上可转换为信号的瞬时频率,基于此前提,将能精确估计信号瞬时频率的基于多尺度线调频基的稀疏信号分解方法(Multi-Scale Chirplet Sparse Decomposition,MSCSD)用于DDTFA的初始相位函数估计,提出了MSCSD-DDTFA方法,首先仿真验证了MSCSD对于非平稳信号瞬时频率估计的准确性,相对于同步压缩方法(Synchrosqueezing Transform,SST),参数化时频分析方法(General Parameterized Time-Frequency Transform,GPTFT)的优越性,然后仿真分析验证了MSCSD-DDTFA对于非平稳信号分解的准确性,最后运用MSCSD-DDTFA诊断变转速齿轮的断齿故障,验证了方法的有效性。(3)基于MSCSD-DDTFA方法时效性差、而变分模态分解(Variational Mode Decomposition,VMD)方法能快速精确地分解信号各分量的中心频率且抗噪性好的特点,将VMD用于DDTFA的初始相位选取,提出了VMD-DDTFA方法,仿真验证了VMD-DDTFA对于非平稳信号分解的准确性、抗噪性和抗模态混淆能力,并运用VMD-DDTFA诊断变转速齿轮的裂纹故障,验证了方法的有效性。(4)分别从适应性、时效性、抗模态混淆、抗噪性对MSCSD-DDTFA和VMD-DDTFA两种方法进行仿真对比研究,验证方法的有效性;并探讨了MSCSD-DDTFA和VMD-DDTFA方法不同带宽控制参数取值的情况下对非平稳仿真信号的分解结果影响。