摘要
滚动轴承作为机械设备关键零件之一，任何微小轴承故障都能影响整个系统的运行状态，为保障设备可靠运行，需对滚动轴承的运行状态进行有效识别。轴承振动信号往往是由多个部件振动模态和噪声耦合而成的，而传统信号处理方法对复杂信号的分析结果不尽人意。辛几何模态分解（SymplecticGeometryModeDecomposition，SGMD）具有保持时间序列本质特征不变、抑制模态混淆等优点，能在重构单分量的过程中有效去除噪声。本文在深入研究辛几何模态分解理论的基础上，主要研究噪声背景下滚动轴承故障特征提取与故障程度评估。论文主要研究内容如下： 一、针对SGMD通过计算初始分量的成分相关性来重组辛几何模态分量，其标准模糊、计算量大且缺乏理论依据等问题，研究发现Hamilton矩阵特征值与信号频率个数成两倍的数量规律，并给出理论推导。提出基于SGMD特征值数量规律的信号特征提取方法，首先构造振动信号轨迹矩阵，并进行辛几何相似变换，得到Hamilton矩阵特征值分布谱；再者进行对角平均化，得到振动信号的初始辛几何分量；最后根据需提取频率幅值大小及排序对初始辛几何分量进行重组，以提取相应频率分量。仿真和实验分析结果表明该方法能准确分离谐波信号和提取滚动轴承基频，且相位滞后小，特征波形匹配度和降噪能力更优。 二、针对滚动轴承故障冲击特征受到背景噪声等干扰的影响，难以提取轴承故障特征且提取故障特征不清晰的问题，提出基于倒谱预白化和SGMD特征值数量规律的滚动轴承故障特征提取方法。首先采用倒谱编辑预白化进行降噪预处理；然后对其进行包络谱分析，初步提取故障特征；最后根据SGMD特征值数量规律，重构SGMD分解分量并进行Hilbert包络谱分析，提取故障特征频率。通过仿真和实验分析表明所提方法能有效消除背景噪声和干扰频率成分的影响，计算效率和提取效果优于小波-SVD。 三、针对滚动轴承早期故障特征微弱且容易受背景噪声和其他部件干扰，难以定量检测，造成故障程度误判的问题，提出基于SGMD-MOMEDA和Lempel-Ziv复杂度的滚动轴承故障程度评估方法。首先对轴承振动信号进行SGMD分解，并根据峭度最大准则选出最优辛几何分量，然后使用MOMEDA提取出信号中周期性故障冲击成分并计算其Lempel-Ziv综合指标，并根据其变化规律评估轴承故障程度；最后基于统计学“6?原则”给出不同故障程度下Lempel-Ziv的取值区间。仿真和实验表明该方法能有效抑制噪声对指标的干扰，提高了轴承故障程度评估的准确性和有效性。
NETL