基于经验模式分解的旋转机械故障诊断研究及应用开题报告

1. 研究目的与意义（文献综述）

1）研究意义及目的

旋转机械作为工业应用中最常见的机械之一，其所处工作环境往往比较恶劣，加上长时间工作，设备难免发生故障。旋转机械零部件的疲劳、磨损、胶合等缺陷在运行状态下将引发碰撞，产生包含设备运行状态的冲击信号。该类冲击信息可用于旋转设备的状态监测和故障诊断[1]。

传统的信号处理技术，一般用于平稳线性信号分析。然而旋转机械故障振动信号为不平稳、非线性而且信噪比低的多分量信号,故障特征很难提取[2]。而且在信号中也会夹杂瞬态事件，这给信号分析带来了较大难度。为了处理非平稳信号，人们在传统信号处理方式的基础上，研究出了新的信号分析技术，并将其应用于旋转机械故障诊断中。

2. 研究的基本内容与方案

因为传统的emd存在模式混合问题，于是人们引入了eemd，表明emd方法在应用于白噪声时是一种有效的自适应二元滤波器组，噪声有助于emd分解下的数据分析。

eemd算法的原理如下。添加的白噪声将用不同比例的构成成分均匀地填充整个时频空间。当将信号添加到均匀分布的白噪声背景时，信号不同比例的分量会自动投影到背景中白噪声建立的适当参考比例上。因为每个添加噪声的分解都由信号和添加的白噪声组成，所以每个单独的试验肯定会产生非常嘈杂的结果。但是每个试验中的噪音在单独的试验中是不同的。因此，在足够多的试验中，它可以减少甚至完全抵消。

包络分析是目前诊断轴承和齿轮故障的最有效方法。它的实质是，对周期性的冲击故障信号来说，其宽频带特性常引起系统固有频率处的谐振，从而在该频率附近形成以特征故障频率为基频的边带，此边带可被认为是故障信号调制的结果。因此又有人称为解调分析。解调的目的就是得到调制信号，获取包络线，从而分析时频域特征，达到故障诊断的要求[22]。

3. 研究计划与安排

4. 参考文献（12篇以上）

[1].何洋洋, 旋转机械振动故障诊断研究, 2019, 华北电力大学(北京). 第 83页.

[2].许爱华等, 基于vmd和mp算法的旋转机械故障特征提取. 国外电子测量技术, 2017. 36(08): 第11-17页.

[3].huang norden e, shen zheng, long steven r, et al. the empirical modedecomposition and the hilbert spectrum for nonlinear and non-stationary timeseries analysis[j]. proceeding of the royal society: a mathematical physical engineering sciences, 1998,454:903-995