强噪声背景下机械设备微弱信号的提取与检测技术研究

在实际的机械设备故障诊断中,由于现场环境比较恶劣,所测得的振动信号除包含有用的特征信息外还存在大量的噪声干扰。尤其是机械设备的早期故障,特征信号比较微弱,往往被强噪声所淹没,极大地影响了设备状态信息的准确获取。因此,论文以机械设备为对象,研究了强噪声背景下微弱信号的提取和检测技术。 设备工况的变化以及其自身的非线性使机械设备的动态信号表现出非平稳性。经验模式分解方法是一种处理非线性非平稳信号的有效工具,但是对于强噪声背景下的微弱信号,噪声干扰会加重经验模式分解的边界效应,影响分解的质量和效果。为此,本文提出一种基于级联双稳随机共振降噪的经验模式分解方法,利用随机共振在微弱信号检测方面的优势,实现对微弱非平稳信号的提取。仿真实验以及滚动轴承的故障诊断实例验证了该方法的有效性。 奇异值分解是一种非线性滤波方法,广泛应用于信号的消噪和检测工作中。但是传统的奇异值分解通常是在时域中进行,由于奇异值对噪声比较敏感,因此奇异值分解只适用于弱噪声的情况。针对这个问题,论文提出了基于频域的奇异值分解方法,通过傅立叶变换将时域信号转换到频域进行处理,增强了奇异值分解的抗噪能力。此外,针对单层奇异值分解降噪效果的有限性,论文又提出了级联奇异值分解方法。对于强噪声背景下的微弱信号,通过级联的形式,实现噪声的逐级滤除。仿真实验表明该方法可以有效提高信噪比,实现微弱信号的检测。论文还分析了大信号干扰下的微弱信号识别问题。从剔除大信号干扰、分离微弱信号的角度,提出了基于独立分量分析的信噪分离方法,并通过一个转轴的偏心故障实例表明该方法具有良好的工程应用前景。此外,从减少频率泄露、增强微弱信号的角度,将多窗谱分析成功用于早期油膜涡动的故障诊断中。 为了满足不同厂矿企业的要求,同时作为本课题关键技术的载体,论文设计开发了一款功能完善、价格低廉的便携式数采分析仪,该仪器采用双CPU的硬件构架并以Linux操作系统为平台进行软件设计,可以实现高速多任务的实时采集。此外,仪器还配有多种通信接口,方便与上位机进行测点信息的下载和采集数据的上传。