基于小波多分辨率分析的风力发电机的故障特征提取与识别

利用小波多分辨率分析的方法对风力发电机振动信号进行分析,并运用小波变换对测得的信号进行处理,达到对风力发电机组故障的诊断识别。将提取的振动信号映射到小波基函数上,经平移和伸缩具有正交性的小波函数,然后再经小波变换归一化得到小波分解序列的幅值,以此作为诊断识别的特征值,实现了在多尺度下特征信息的提取与故障识别,说明该方法行之有效。     

基于DSP的风力发电机齿轮箱故障诊断系统的研究与应用

风力发电机齿轮箱是风力发电机组中发生故障频率最多的部件。针对齿轮箱振动信号大多为非平稳的特征,设计了以DSP-TMS320F28335(简称F28335)为核心处理器的风力发电机齿轮箱故障诊断系统,该系统可以脱离上位机独立运行。利用F28335及其丰富的外设模块构建了系统的硬件平台,其中包括对模拟信号采集、频率信号、数字信号采集的相关模块,并具有以太网、CAN总线的通信功能。采集的信号经过DSP嵌入式EMD分解算法将振动信号分解成IMF分量,并对IMF分量进行Hilbert变换,进而获得精确的信号Hilbert边际谱图,依据Hilbert边际谱图得到设备潜在故障信息。经试验表明本系统能够有效的诊断齿轮箱故障。     

基于多尺度线调频基稀疏信号分解的齿轮故障信号阶比分析

针对变转速齿轮箱故障振动信号调制边频带难以识别的问题,提出一种基于多尺度线调频基稀疏信号分解的阶比分析方法.该方法先采用基于多尺度线调频基的稀疏信号分解方法对齿轮箱振动信号进行分解,提取齿轮的啮合分量与调制边频分量,由啮合分量的时频分布曲线得到瞬时转频估计,再基于获得的瞬时转频对啮合分量与调制边频分量之和进行等角度重采样,将非平稳的分量信号转化为平稳信号,对重采样后的信号进行阶比分析,诊断齿轮故障.与传统的直接对齿轮箱故障振动信号进行阶比分析的方法比较,结果表明,提出的基于多尺度线调频基稀疏信号分解的阶比分析方法抗噪性强,调制边频带识别效果好.仿真算例与应用实例验证了本方法的有效性.     

基于WT与cICA的齿轮箱低频故障特征提取

齿轮箱低频故障信号易受到高频振动及强噪声等因素的干扰,测量信号中隐藏的有效低频故障特征比较微弱,再考虑到源噪声的影响,则约束独立分量分析直接提取低频故障特征的效果很差。为此提出了基于小波变换与约束独立分量分析的齿轮箱低频故障特征提取方法,通过对测量信号的小波多分辨率分解,有针对性地选择小波系数重构,提高了信噪比和非高斯性,从而增强了约束独立分量分析方法提取齿轮箱低频故障特征的效果。而未经小波变换除噪时,约束独立分量分析的效果不佳。断齿与局部断齿的低频故障特征提取试验结果表明,提出的方法能有效降低高频振动及源噪声等因素的干扰,提取出齿轮箱的低频故障特征,尤其是微弱低频故障特征,为齿轮箱低频故障特征提取与故障诊断提供了一种有效方法。     

基于MSD-ICA-EA的轴承故障诊断方法

轴承故障诊断时,传感器采集的故障声音信号一般含有多个故障源,且源信号之间统计相关,应用传统的独立分量分析受到限制,本文应用多分辨率子带分解的独立分量分析方法(MSD-ICA),针对小波变换快速独立分量分析分离出的高频子带信号常呈现调制特性,提出进一步结合包络分析(EA)方法分析该子带信号,来判定故障的类型与部位.试验表明,多分辨率子带分解的独立分量分析结合包络分析的分析方法能有效地解决该类问题.     

局部特征尺度分解和局部切空间排列在故障特征频率提取中的应用

为了从非线性、非平稳的振动信号中提取故障特征频率,提出了一种故障特征频率提取新方法。该方法将局部特征尺度分解和流形学习算法局部切空间排列相结合,首先利用局部特征尺度分解将振动信号分解成若干个内禀尺度分量,将其组成多维特征向量;其次采用流形学习算法中的局部切空间排列对多维特征向量进行降维处理,得到低维特征向量,对得到的低维特征向量进行信号重构;最后采用频谱分析方法对重构信号进行故障特征频率的提取。在滚动轴承故障试验中,所提出方法能够准确提取出内圈和外圈故障的特征频率,验证了该方法的有效性。     

基于LCD的齿轮箱混合故障盲源分离研究

盲源分离是一种有效的混合故障诊断方法,而局部特征尺度分解（LCD）是非平稳信号的有效分析处理工具,综合两者的优点,提出了基于LCD的齿轮箱混合故障盲源分离方法。将源信号LCD分解,得到新的多维信号,采用Bayesian信息准则（BIC）估计盲源的数目并对多维信号进行重组。最后进行联合近似对角化处理,实现源信号的盲分离。仿真和实验结果表明,该方法能够有效地实现齿轮箱混合故障盲源分离。     

基于多尺度线调频基稀疏信号分解的广义解调方法及其在齿轮故障诊断中的应用

在基于多尺度线调频基稀疏信号分解的基础上,提出一种基于多尺度线调频基稀疏信号分解的广义解调方法,并将其应用于非平稳转速状态下的齿轮故障诊断.广义解调可以将时频分布呈曲线变化的多分量非平稳信号转化为时频分布平行于时间轴的平稳信号,因此非平稳信号经广义解调后满足傅里叶分析对平稳性的要求,而如何获取多分量信号的广义解调相位函数是广义解调方法的关键和难点.对信号进行基于多尺度线调频基的稀疏信号分解,得到分量信号的相位函数,再对分量信号进行广义解调和频谱分析得到齿轮故障特征频率.该方法非常适合于分析转速波动齿轮的多分量调幅-调频振动信号,仿真算例和应用实例说明了方法对变速齿轮箱故障诊断的有效性.     

基于非平稳时间序列双标度指数特征的齿轮箱故障诊断

齿轮箱振动信号是含噪的多分量非平稳信号,故障模式相近的复杂齿轮箱振动信号的分类是齿轮箱故障诊断的难点。采用去趋势波动分析(Detrended fluctuation analysis,DFA)方法分析齿轮箱振动信号的标度行为,随着时间尺度的增大,标度指数会突然发生改变,形成双标度指数特征,由双标度指数构成的二维矢量具有明确的物理意义,可以作为表征时间序列内部动力学机制的特征参数。提出一种基于非平稳时间序列双标度指数特征的齿轮箱故障诊断方法,对正常状态和含有轻度磨损、中度磨损和断齿故障的齿轮箱故障诊断的结果表明,提出的方法成功地解决了故障模式相近的复杂齿轮箱振动信号的分类问题,很好地克服了傅里叶变换、小波变换和基于单标度指数的方法存在的缺陷,为齿轮箱的故障诊断提供了一种新的方法。     

基于局部特征尺度分解的经验包络解调方法及其在机械故障诊断中的应用

提出一种基于局部特征尺度分解(Local characteristic-scale decomposition, LCD)和经验包络(Empirical envelope method, EE)解调的非平稳信号分析方法。该方法通过局部特征尺度分解将一个复杂信号自适应地分解为若干个内禀尺度分量之和,对得到的各个内禀尺度分量进行经验包络解调,得到各个分量信号的瞬时幅值和瞬时频率信息,从而得到原始信号完整的时频分布。采用仿真信号将基于LCD和EE解调的时频分析方法和希尔伯特黄变换方法进行对比,结果表明,新提出的信号分解和解调方法在抑制端点效应和迭代所需时间,瞬时特征的精确性等方面优于希尔伯特黄变换方法。针对滚动轴承和齿轮故障振动信号的调制特点,将基于LCD和EE的时频分析方法引入机械故障诊断中,对试验信号的分析结果表明,基于LCD和EE的时频分析方法能有效地提取机械故障振动信号的特征。     

基于多尺度Hermitian小波包络谱的轴承故障诊断

提出了一种基于多尺度Hermitian小波包络谱的轴承故障诊断方法。该方法综合利用了Hermitian小波和包络谱分析技术的优点,首先对轴承故障振动信号进行Hermitian连续小波变换,得到小波分解的实部和虚部,然后计算振动信号的多尺度包络谱。对齿轮箱轴承故障振动信号的分析表明,该方法在强噪声环境下能有效识别轴承内圈故障和外圈故障。     

基于小波分解和SVD降噪的齿轮箱特征提取研究

齿轮箱故障诊断的关键是对故障特征的提取。利用小波变换的多分辨特性,将齿轮箱振动信号进行分解及单支重构,获取原信号在不同频段上分布的详细信息,找出对应系统特征频率的尺度,并应用奇异值分解的方法对该尺度下的重构信号进行进一步的降噪处理,从中成功提取出信号的特征分量。     

基于平稳小波变换的相空间重构方法

针对非线性信号特征提取问题,提出一种基于平稳小波变换的相空间重构方法.对信号进行多层平稳小波分解,利用得到的不同尺度小波系数进行相空间重构,通过局部切空间变换方法提取蕴涵在相空间高维数据集中信号的低维形态特征.仿真试验结果表明,非线性信号经过平稳小波变换后,吸引子轨迹与原有轨迹具有相似的结构.利用局部切空间变换可获得带有高斯白噪声的非线性信号的低维形态特征,该低维形态特征与原有非线性信号的吸引子轨迹相似.这种相空间重构方法较传统的方法具有一定的优势,可以用于提取含有噪声的机械振动信号的故障特征.     

基于能量聚集度经验小波变换的齿轮箱早期微弱故障诊断

齿轮箱早期故障的故障特征不明显,振动信号呈现出强烈的非线性、非平稳现象,为此,提出了一种基于能量聚集度经验小波变换（EA-EWT）的齿轮箱故障诊断方法。首先对采集的振动信号进行EA-EWT分解,对分解后的各层信号采用最大峭度-包络谱熵准则进行敏感分量筛选,再利用最小熵解卷积对筛选出的分量信号进行降噪处理,对降噪后信号进行Hilbert包络谱分析,通过包络谱中的频率成分识别出故障类型,实现早期故障诊断。试验结果表明,该方法能够明显增强早期微弱故障特征,提高齿轮箱早期故障诊断性能。     

基于SSWPT汽轮机轴承油膜失稳故障诊断

针对时频分析方法在转子油膜失稳诊断方面的不足,提出采用同步压缩小波包变换（synchro-squeezed wave packet transform,简称SSWPT）对汽轮机运行过程中非平稳多分量信号进行连续小波变换,对不同种类信号选取不同主频率小波,得到信号时频图,通过算法可由时频图对原始信号进行重构,并与现有时频方法的精度进行对比。以某电厂1 000 MW机组为研究对象,针对调试过程中出现的轴系振动大问题,运用SSWPT方法进行了转子油膜振荡故障诊断分析。利用现场汽轮机诊断管理（turbine diagnosis managment,简称TDM）系统采集数据,进行小波包变换得到小波变换系数,以及故障中非平稳信号的瞬时频率,最后在瞬时频率尺度下对小波包变换系数进行压缩,得到更为准确的频率成分组成。结果表明,该方法对现场非平稳信号的特征提取具有优越性,能够精准判断故障发生的位置和类型,为机组后期故障处理提供可靠依据。     

多尺度主元坐标变换在轴承故障声发射信号增强检测中的应用

针对轴承微弱故障声发射信号处理中,故障特征微弱难以有效提取识别的问题,引入多尺度主元坐标变换对故障特征进行增强。首先对信号进行小波包分解并重构各子频带分量,然后通过主成分分析将各分量变换到新的线性空间,实现信号故障特征的增强。通过仿真信号及实验信号对该方法进行验证,结果表明该方法在轴承故障增强检测中效果明显。     

自适应改进双树复小波变换的齿轮箱故障诊断

针对双树复小波变换存在频率混叠以及参数需自定义的缺陷,提出自适应改进双树复小波变换的齿轮箱故障诊断方法。首先,利用双树复小波变换将信号进行分解和单支重构,采用粒子群算法将分解后分量峭度值作为适应度函数,选择双树复小波的最优分解层数;其次,对重构出的低频信号进行频谱分析提取故障特征,将单支重构后的各高频分量进行变分模态分解,通过峭度值获得各高频分量经变分模态分解后的主频率分量信号;最后,分析各主频率分量信号的频谱,识别齿轮箱的故障特征。结果表明,该方法与双树复小波变换和变分模态分解相比,不仅消除了频率混叠现象,提高了信噪比和频带选择的正确性,而且还提高了从强噪声环境中提取瞬态冲击特征的能力。     

基于高密度小波变换的航空发动机滚动轴承故障诊断方法

基于高密度小波变换对原始信号尺度划分更加精细的优势,将高密度小波变换、软阈值降噪和频谱分析相结合,提出了基于高密度小波变换的航空发动机滚动轴承故障诊断方法。该方法通过设定分解层数对信号进行高密度小波变换,得到每一尺度上的低频、中频、高频分量;对各分量软阈值降噪处理后进行频谱分析,进而实现故障特征频率的识别。利用仿真信号验证了高密度小波变换的有效性,通过航空发动机滚动轴承内圈故障和滚子故障工况下的试验信号进一步验证了该方法提取故障特征的能力,与传统小波变换方法的对比证明了该方法在抑制噪声干扰和故障特征频率识别方面的优势。     

变分模态分解与谱峭度法在齿轮箱故障诊断中的应用

针对齿轮箱故障信号为多分量非平稳非线性的振动信号、故障特征提取困难等问题,提出变分模态分解(VMD)结合谱峭度法的齿轮箱故障特征诊断方法。首先对振动信号进行VMD分解得到若干分量信号,根据相关系数法选取相关系数最大的分量作为最优分量,然后对最优分量进行快速谱峭度计算并进行带通滤波,突出故障的冲击成分,最后通过分析滤波信号包络谱中故障频率成分实现故障诊断。实验数据分析结果表明该方法成功地诊断出了齿轮箱齿轮的故障。     

基于改进双树复小波变换的轴承多故障诊断

针对双树复小波变换产生频率混叠的缺陷,提出了改进双树复小波变换的轴承多故障诊断方法,该方法综合利用了双树复小波包变换和经验模态分解技术。首先,利用双树复小波变换将振动信号分解成不同频带的分量;然后,将各小波分量进行经验模态分解,获得各小波分量的主频率分量信号;最后,计算各小波分量的主频率分量信号的包络谱,根据包络谱识别齿轮箱轴承的故障部位和类型。通过仿真信号和齿轮箱轴承多故障振动实验信号的研究结果表明,该方法不仅消除了频率混叠现象,提高了信噪比和频带选择的正确性,而且提高了从强噪声环境中提取瞬态冲击特征的能力,能有效识别轴承的故障类型。