1、對(duì)旋轉(zhuǎn)機(jī)械故障診斷技術(shù)的研究具有重要的現(xiàn)實(shí)意義。在機(jī)械故障診斷中故障特征的提取是關(guān)鍵，然而，由于旋轉(zhuǎn)機(jī)械振動(dòng)信號(hào)通常具有非平穩(wěn)、非線性、低信噪比的特點(diǎn)，導(dǎo)致其包含的機(jī)械設(shè)備的狀態(tài)特征信息并不會(huì)直接體現(xiàn)出來(lái)。因此，怎樣運(yùn)用合適的信號(hào)處理與分析方法從振動(dòng)信號(hào)中提取出狀態(tài)特征信息一直是一個(gè)研究的熱點(diǎn)。時(shí)頻分析方法被公認(rèn)為是目前處理與分析非平穩(wěn)、非線性信號(hào)的最有效手段，但常用的時(shí)頻分析方法，如短時(shí)傅里葉變換( Short-time fourie

2、rtransform，STFT)、Wigner分布(Wigner distribution，WD)、小波變換(Wavelettransform，WT)、希爾伯特黃變換(Hilbert-Huang transform，HHT)方法等都具有一定的局限性。最近提出的一種新的自適應(yīng)時(shí)頻分析方法——局部均值分解方法(Local mean decomposition，LMD)，相對(duì)于其它時(shí)頻分析方法，其在理論及一些領(lǐng)域的應(yīng)用上都體現(xiàn)出了一定的優(yōu)越性

3、。由此，針對(duì)目前機(jī)械故障診斷中故障特征提取的問(wèn)題，并在國(guó)家自然科學(xué)基金項(xiàng)目的支持下，本文對(duì)LMD方法的理論以及在旋轉(zhuǎn)機(jī)械故障診斷中的應(yīng)用進(jìn)行了系統(tǒng)深入的研究。論文主要的創(chuàng)新點(diǎn)如下：
　　1．對(duì)LMD方法的理論進(jìn)行了研究，解決了滑動(dòng)平均步長(zhǎng)的選擇、純調(diào)頻信號(hào)的判據(jù)、端點(diǎn)效應(yīng)、模態(tài)混淆以及算法的計(jì)算效率等問(wèn)題。
　　(1)針對(duì)LMD算法中滑動(dòng)平均步長(zhǎng)的選擇問(wèn)題，提出了一種自動(dòng)確定滑動(dòng)平均步長(zhǎng)的方法。該方法兼顧了平滑后信息的完整性

4、以及算法的計(jì)算效率，從而確保了平滑的效果。
　　(2)根據(jù)乘積函數(shù)(Product function，PF)分量具有正交性的特點(diǎn)，提出了正交性判據(jù)作為純調(diào)頻信號(hào)的迭代終止條件。經(jīng)驗(yàn)證采用正交性判據(jù)確定的PF分量不但滿足正交性要求，而且反映了原信號(hào)內(nèi)含的物理信息。
　　(3)在分析LMD方法中端點(diǎn)效應(yīng)產(chǎn)生原因的基礎(chǔ)上，提出了自適應(yīng)波形匹配延拓法對(duì)信號(hào)進(jìn)行延拓。該方法充分考慮了信號(hào)的內(nèi)在規(guī)律與邊緣處的變化趨勢(shì)。因此，使延拓更加合

5、理，且具有自適應(yīng)性。對(duì)仿真信號(hào)與實(shí)驗(yàn)信號(hào)的分析結(jié)果表明，該方法可以將端點(diǎn)效應(yīng)產(chǎn)生的失真轉(zhuǎn)移到信號(hào)的外部，從而有效地抑制LMD的端點(diǎn)效應(yīng)。
　　(4) LMD的分解結(jié)果可能會(huì)產(chǎn)生模態(tài)混淆現(xiàn)象。針對(duì)此問(wèn)題，研究提出了一種基于噪聲輔助分析的改進(jìn)方法——總體局部均值分解方法。對(duì)仿真信號(hào)和實(shí)驗(yàn)信號(hào)的分析結(jié)果表明，總體局部均值分解方法能有效地改善原LMD方法的模態(tài)混淆現(xiàn)象。
　　(5)為了提高LMD算法的計(jì)算效率，減少運(yùn)算時(shí)間，將有理樣

6、條函數(shù)插值的方式取代滑動(dòng)平均平滑的方式，由此提出了基于有理樣條函數(shù)的LMD方法。對(duì)仿真信號(hào)和實(shí)驗(yàn)信號(hào)的分析結(jié)果表明，該方法較原LMD方法的計(jì)算效率有顯著的提高。
　　2．對(duì)LMD方法在旋轉(zhuǎn)機(jī)械故障診斷中的應(yīng)用進(jìn)行了研究，并提出了具體的故障診斷方法。
　　(1)提出了基于LMD的瞬時(shí)頻率譜方法，該方法可以提取齒輪振動(dòng)信號(hào)相位信息的頻率調(diào)制特征。因此，它可以判斷齒輪的工作狀態(tài)。對(duì)齒輪實(shí)驗(yàn)信號(hào)以及實(shí)際風(fēng)機(jī)齒輪箱振動(dòng)信號(hào)的分析結(jié)果表

7、明，基于LMD的瞬時(shí)頻率譜方法可以有效地用于齒輪的故障診斷。
　　(2)針對(duì)齒輪故障振動(dòng)信號(hào)的能量在時(shí)頻平面上呈現(xiàn)出周期性沖擊的特點(diǎn)，提出了基于LMD的局部能量譜方法。對(duì)齒輪實(shí)驗(yàn)信號(hào)以及實(shí)際風(fēng)機(jī)齒輪箱振動(dòng)信號(hào)的分析結(jié)果表明，該方法可以清晰地反映出齒輪振動(dòng)信號(hào)的能量隨時(shí)間和頻率變化的情況。
　　(3)針對(duì)滾動(dòng)軸承故障診斷中傳統(tǒng)包絡(luò)分析方法的不足，提出了基于LMD和譜峭度的包絡(luò)分析方法。該方法采用LMD對(duì)滾動(dòng)軸承振動(dòng)信號(hào)進(jìn)行頻率

8、成分分離以及初步降噪，再通過(guò)譜峭度選擇用于提取故障性沖擊成分的帶通濾波器的最佳參數(shù)。通過(guò)對(duì)滾動(dòng)軸承仿真信號(hào)以及實(shí)驗(yàn)信號(hào)的分析結(jié)果表明，該方法可以有效地提取滾動(dòng)軸承的故障特征信息。
　　(4)提出了基于LMD的形態(tài)譜和形態(tài)譜熵方法，并用于轉(zhuǎn)子系統(tǒng)的故障診斷。該方法首先對(duì)轉(zhuǎn)子原始振動(dòng)信號(hào)進(jìn)行LMD分解，然后對(duì)包含了故障特征的PF分量計(jì)算形態(tài)譜和形態(tài)譜熵。分析結(jié)果表明，從形態(tài)譜中可以準(zhǔn)確地提取出轉(zhuǎn)子振動(dòng)信號(hào)的故障特征，而通過(guò)形態(tài)譜熵則可