形态分量分析方法及其在机械故障诊断中的应用研究

Morphological component analysis(MCA) is a new nonlinear signal processing method proposed by Starck J L et al. Different from the signal processing method based on frequency band, MCA is based on signal morphology. Though building different sparse dictionaries with distinct morphologies, each signal component can be separated from the signal. The mechanical fault vibration signal comprises lots of signal components, and different fault signal component presents distinct signal morphology and reflects different failure part and failure degree of the equipment. From the morphology diversity of the signal component, this project intend to utilize MCA to separate each fault component from single-channel mechanical fault vibration signal. Based on the study of basis theories, MCA is introduced to the mechanical fault diagnosis. A complete and systematic mechanical fault diagnosis method based on MCA will be built so as to provide a new approach and tool for the mechanical fault diagnosis. The research achievements have not only important meanings for improving the accuracy of mechanical fault diagnosis, and also important guiding significance for the further development of mechanical fault diagnosis technology.

形态分量分析方法是由Starck J L等人提出的一种新的非线性信号处理方法。与基于频带分析的信号处理方法不同，形态分量分析方法是一种基于信号形态的信号处理方法，它通过构建不同形态的稀疏表示字典来分离信号中的各信号成分。机械故障振动信号中通常包含了众多的信号成分，不同的故障信号成分呈现出不同的信号形态，反映设备的不同损伤部位及其损伤程度。本项目根据机械故障振动信号中各故障信号成分的形态差异，提出采用形态分量分析方法来分离单通道机械故障振动信号中的各故障成分。在研究形态分量分析方法基本理论的基础上，将其应用于机械故障诊断，以建立起完整、系统的基于形态分量分析的机械故障诊断方法，为机械故障诊断提供新的途径和手段。研究成果将不仅能有效提高机械故障诊断的准确度，而且对机械故障诊断技术的深入发展具有重要的指导意义。

随着科学技术的发展，机械设备日益朝着大型化、高速化、自动化方向发展。为保证机械设备的安全运行，开发有效的设备状态监测与故障诊断技术越来越多的受到人们的重视。从机械振动信号中提取机械故障特征一直是国内外学者研究的重点。在这一背景下，项目进行了相关的探索，提出了一种基于新的信号分析方法——形态分量分析（Morphologic component analysis，MCA）方法，并将其应用于机械故障诊断。项目主要完成了两个方面的工作：一、对MCA方法的理论进行了研究；二、对MCA方法在机械故障诊断中的应用进行了研究，主要研究内容如下：（1）对MCA方法的算法进行了研究，并编制了软件；（2）将MCA方法与小波、EMD等方法进行了对比分析，分析了MCA方法的优势与不足；（3）对稀疏表示字典的自适应优化选取进行研究，提出了一种基于小波能量谱熵最小原则的稀疏字典优化选取方法；（4）对阈值函数与阈值选取进行了研究，提出一种基于模糊贴近度的改进半软阈值去噪算法；（5）将MCA方法与重分配小波尺度谱相结合，提出基于MCA与重分配小波尺度谱的转子早期碰摩故障诊断方法；（6）将小波能量谱熵最小原则和基于模糊贴近度的半软阈值法相结合，提出了一种改进的MCA方法，并将其应用于齿轮箱的复合故障诊断中；（7）针对变转速下机械故障特征的时变特点，提出了基于信号形态分离的变转速滚动轴承故障诊断方法；（8）提出了一种基于CPP与S变换的自适应时频滤波方法，并将其应用于齿轮和滚动轴承的故障诊断中。 通过仿真信号和实际信号的分析表明了MCA方法以及提出的基于MCA的故障诊断方法的有效性。相比于小波、EMD等基于频带分解的信号分析方法，MCA方法可根据信号的形态差异性有效分离信号中的各信号成分，将MCA方法与其他分析方法相结合可有效提取机械故障特征，进而诊断机械故障。项目的实施对丰富信号分析理论和推动机械故障诊断技术的发展具有一定的意义。