基于双谱的齿轮故障特征提取与识别

在引入双谱、双相干谱和人工神经网络的基本理论之后，深入研究了汽车变速箱齿轮振动信号的双谱和双相干谱特征以及频率间的耦合情况，形成故障特征向量，并利用BP人工神经网络，成功地将齿轮正常信号、磨损信号和断齿信号进行了分类。研究表明，对于齿轮振动信号，双谱比双相干谱更利于故障特征提取，不同状态下的齿轮振动信号中均存在二次相位耦合现象，但是耦合的形式不同，同时也表明，基于双谱和人工神经网络的故障诊断方法是有效的。     

循环双谱及在周期平稳类故障中的应用

论述了未知循环频率的周期平稳信号循环双谱的估计方法；研究了在循环双谱的循环累积量计算中涉及变量的简化存储方法，提出了该变量矩阵是对称阵，通过算法可以三角阵的元素来表述，克服了循环双谱传统估计方法计算量较大的缺陷，提高了运算效率；提出了循环双谱对调相故障信号的分析能力，以及对加性噪声的处理能力，仿真并验证了该方法的有效性，并将其应用于旋转机械状态分析。     

基于小波包与倒频谱分析的风电机组齿轮箱齿轮裂纹诊断方法

为实现风电机组齿轮箱及时有效地监测和维护,提出基于小波包与倒频谱分析的风电机组齿轮箱齿轮裂纹诊断方法。该方法针对齿轮裂纹振动信号为转速频率对啮合频率及其倍频调制的特点,利用小波包分解来识别振动信号中的故障特征,通过小波包频带能量监测得到故障部位的啮合频率范围;考虑到倒频谱可以分离和提取难以识别的密集调制信号的周期成分,基于倒频谱识别故障部位的转速频率,综合利用两种频谱分析方法得到的啮合频率和转速频率,能诊断故障部位和类型。实验研究表明,该方法能精确地诊断齿轮裂纹故障,并可以实现对风电机组齿轮在复杂环境中退化状态的监测,预防断齿等重大故障的发生。     

振动调频信号的循环平稳解调原理与实现方法

含有齿轮、滚动轴承等零部件的机械故障振动信号中，有一类信号称为频率调制信号（或称调相信号）。运用循环平稳分析理论，推导调频信号的循环自相关函数结果，并从理论上推导和分析了运用平方解调（或广义检波滤波解调）的方法实现对循环自相关函数的低频切片函数和高频切片函数进行解调的原理和方法，仿真验证理论推导正确，解调效果很好。最后通过对齿轮箱实测故障信号进行分析，验证该方法有很好的解调效果。     

信号的小波尺度-频率表示及其在机械故障诊断中的应用

基于对信号的连续小波变换特点的分析，提出信号特征的小波尺度一频率表示方法。该方法对污染的脉冲信号和正弦信号的应用结果表明该方法能有效提取强噪声背景下的周期成分。以变速器齿轮的故障诊断为例，用该方法对变速箱齿轮振动信号的尺度-频率表示进行分析，结果表明该方法能非常有效地将不同磨损状况的齿轮振动信号的特征表现出来。     

基于循环双谱的滚动轴承故障诊断

当滚动轴承发生早期点蚀故障时,其振动信号表现出循环平稳特性。由于故障特征频率处能量比较小,特征信息容易被噪声淹没,仅仅利用二阶循环平稳已经不能有效提取故障特征。而循环双谱（即三阶循环累积量谱）这一最低阶的高阶统计量谱对噪声具有较好的免疫力,且计算量也相对来说比较其它高阶统计量分析方法来说最小。本文将尝试用循环双谱的中心频率切片谱,对滚动轴承早期故障做特征提取。仿真和实验结果证明了方法的有效性。     

基于窄带解调的行星齿轮箱故障特征提取

行星齿轮箱由于振动传递路径的时变性导致行星齿轮箱振动信号频谱具有复杂的调制边带,其包含了齿轮的故障信息。结合行星齿轮箱振动分离信号的同步平均和窄带解调法,提出了针对行星齿轮箱的窄带解调方法。对行星齿轮箱振动信号加窗截取,根据行星齿轮箱齿轮啮合齿序特征,将加窗截取信号拼接重构单个齿轮的振动分离信号,克服传递路径时变性的影响;对振动分离信号进行时域同步平均,提高信噪比;最后,对平均后的信号进行窄带解调,提取行星齿轮箱齿轮故障特征和故障位置。通过行星齿轮箱故障实验分析,验证该方法能有效的提取行星齿轮箱故障特征。     

一种基于行星齿轮箱复合运动的故障诊断指标

行星齿轮箱广泛应用于风力发电、航空、船舶等大型工程机械中,恶劣的工作环境使得其中的关键部件容易出现严重的磨损或疲劳断裂等故障。现有的故障诊断方法大多在时、频域中对信号进行处理,然而由于行星齿轮箱振动响应信号频率成分的复杂性和故障传递路径的时变特性,使得传统的针对定轴转动齿轮系统的故障诊断方法很难有效的对行星齿轮箱进行故障诊断;抓住行星齿轮系统复合运动的突出特征,结合故障振动传递路径的时变特性,提出了一种基于故障运动特征的潮汐频率特征指标对行星齿轮箱进行故障诊断。通过对行星齿轮箱太阳轮局部故障的振动数据分析,验证了潮汐频率指标的存在,分析了潮汐频率作为行星齿轮箱故障诊断指标的优势和前景。     

基于时间-小波能量谱的齿轮故障诊断

振动信号中的冲击现象及其频率特征是诊断齿轮局部损伤故障的重要依据之一。针对齿轮故障特征提出了一种时间-小波能量谱信号处理方法,它能够有效提取振动信号中冲击成分的时域和频域特征。利用时间-小波能量谱方法分析了正常、磨损、断齿等三种状态的齿轮箱振动信号,并与传统频谱分析方法进行相比。结果表明：时间-小波能量谱不仅可以有效提取故障特征,识别出齿轮箱的故障存在,而且可以清晰地分辨出故障类型及故障元件。     

嵌入式传感器的齿轮裂纹故障诊断

针对传统的齿轮箱体振动信号的故障诊断,提出了一种新的测试方法,即把传感器直接安装在齿轮箱体内的齿轮体上,缩短了振动信号的传递路径,有效降低了振动信号在传递过程中幅值衰减,能诊断出齿轮传动系统的早期故障。为验证该方法的有效性,对齿根2 mm裂纹的故障齿轮传动系统进行了动力学仿真和实验验证,结果发现从齿轮体上的振动信号中能成功诊断出齿轮裂纹的早期故障,而箱体上的振动信号则不能体现故障特征。这充分说明了振动信号在经过复杂的传递路径后导致幅值衰减和频率成分丢失,微弱的故障信息被削弱。这为齿轮箱的早期微弱故障的诊断提供了一种有效的方法。     

基于三阶累积量及自适应滤波时延估计的管道定位方法

针对直接互相关被动时延估计法定位管道异常振动事件存在噪声干扰影响定位精度的问题,提出了基于三阶累积量及自适应滤波时延估计的管道异常事件定位方法。该方法对顺、反两路异常振动信号进行三阶自累积量和互累积量估计,抑制高斯相关噪声和对称分布噪声。然后利用自适应滤波时延估计算法对三阶自累积量和互累积量信号的时延进行迭代计算,在不依赖先验知识的情况下抑制非高斯相关噪声。经现场实验证明,该方法可以准确地对管道异常事件进行定位,对噪声具有很好的抑制作用,改善了直接互相关时延估计的性能。相对于直接互相关时延估计方法,相对定位误差由2.7%降低到0.6%,定位一致性提高了三倍,平均定位精度可达14m。     

时变工况行星齿轮箱对数时频脊阶次谱故障特征提取

风电机组齿轮箱工作于强噪声且变转速变载荷的工况下,其振动信号非常复杂。建立了一个时变转速变载荷的行星齿轮箱振动信号模型。提出了时频脊阶次谱故障特征提取方法。对振动信号进行Wigner-Ville时频变换,取对数后进行重排;采用Crazy climber方法提取对数重排时频谱图中的峰值脊线;将脊线转换为时频脊阶次谱。通过仿真信号与转速、载荷连续波动实验数据表明,对数时频脊阶次谱故障特征能够为时变复杂工况行星齿轮箱故障预警提供有效的依据。     

基于双谱分布区域的齿轮聚类分析与故障诊断

齿轮(尤其是故障齿轮)振动信号具有明显的非高斯性,双谱是分析非高斯信号的有效方法.齿轮不同故障模式振动信号双谱分析表明齿轮双谱分布区域与故障模式间存在映射关系,可作为分类特征.采用阈值化的双谱二值图作为特征向量,基于目标函数的聚类法实现分类与故障诊断.聚类过程以训练样本双谱二值图的逻辑与运算表征类间分布共性,逻辑或运算表征类间分布范围,构成类模板,测试样本与类模板距离最小值构造最近邻模板分类器,实现聚类,整个过程只是计算1的个数,简单、实用.齿轮故障诊断实例验证了该方法的有效性.     

基于局部切空间排列与MSVM的齿轮箱故障诊断

针对齿轮箱故障特征重叠难以有效分离问题,提出基于局部切空间排列与多核支持向量机的齿轮箱故障诊断模型。在由振动信号时域统计指标及内禀模态分量能量构造的多元特征空间中,据局部切空间排列算法对多元特征进行非线性降维处理,得到初始低维流形结构,获取最优敏感特征向量;将该特征向量输入至多核支持向量机进行学习训练与故障辨识。局部切空间排列能克服传统降维方法的不足,多核支持向量机可实现复杂故障高精度、自动化智能诊断。通过齿轮箱故障模拟实验验证该方法的有效性。     

改进多尺度符号动力学信息熵及其在行星变速箱特征提取中的应用

针对行星变速箱在运行时产生的非线性非平稳振动,且故障特征信号微弱等问题,提出一种新的特征提取方法——改进多尺度符号动力学信息熵。在传统的符号动力学信息熵原理的基础上,通过改进传统方法的符号化过程,在考虑条件概率情况下计算信息熵,并引入多尺度概念,使得所提特征具有更大优势。最后求解行星变速箱故障模拟试验台采集到的三种状态下的振动信号改进多尺度符号动力学信息熵,并基于提出的特征评价指标对改进多尺度符号动力学信息熵、时频熵、排列熵、样本熵等特征的计算结果进行了对比。结果表明,该方法能够有效的提取行星变速箱运行状态特征,具有更高的敏感度。     

基于滤波器组和高阶累积量的信号特征检测

结合高阶累积具有对加性高斯和对称非高斯噪声不敏感的特性，提出了一种基于滤波器组和高阶累积量的特征检测方法。该方法既不需待检信号做高斯和平稳的假设，也不需要有信号的先验知识。其原理是首先通过滤波器组将检测信号在频域上进行分离，选取输出能量较大的一组子频带信号近似给出信号的时频描述；然后在各个选中的子频带内分别计算三阶累积量的短时估计，从而抑制有色噪声，将信号的特征检测出来。仿真信号和实验信号验证了该方法的有效性和适应性，即使信号特征完全淹没在噪声中，也能检测出来。     

基于DSmT与小波网络的齿轮箱早期故障融合诊断

针对齿轮箱早期故障特征十分微弱难以有效辨识问题,提出基于DSmT理论与小波神经网络的齿轮箱早期故障融合诊断模型。利用多个振动传感器合理布置在齿轮箱的多个关键部位采集多源振动信息并进行特征提取;利用多个并联小波神经网络实现齿轮箱早期故障的初级诊断获得彼此独立的多个证据;利用DSmT理论对多个独立证据进行融合决策得出齿轮箱的最终诊断结论。DSmT理论克服了传统DST证据理论的局限性,小波神经网络实现多源证据信度分配的客观化。诊断实验结果表明,该方法能有效提高齿轮箱早期故障特征的辨识精度、降低诊断的不确定性。     

基于MOMEDA和增强倒频谱的风电机组齿轮箱多故障诊断方法

风电机组齿轮箱结构复杂,当齿轮、轴承存在多故障时,由于各故障强弱不同、故障间相互耦合及噪声干扰,造成故障诊断准确率低及漏诊问题。提出了一种基于多点最优最小熵解卷积(multipoint optimal minimum entropy deconvolution adjusted,MOMEDA)和增强倒频谱的风电机组齿轮箱多故障诊断方法。依据齿轮和轴承不同部位的故障特征频率设置合理的解卷积周期,利用MOMEDA对原始信号进行预处理;再通过增强倒频谱进一步抑制噪声干扰和增强故障特征;将增强倒频谱中的突出成分与齿轮箱故障特征频率对比,判断故障类型。实际风电机组齿轮箱多故障振动试验数据分析结果表明,该方法可以有效地提取出齿轮箱多故障特征信息。     

基于多重分形去趋势波动分析的齿轮箱故障特征提取方法

齿轮箱故障信号通常是具有多标度行为的非平稳信号,去趋势波动分析(Detrended Fluctuation Analysis, DFA)不能准确揭示隐藏在这类信号中的动力学行为。多重分形去趋势波动分析(Multifractal Detrended Fluctuation Analysis, MF-DFA)是DFA方法的拓展,能够有效地揭示隐藏在多标度非平稳信号中的动力学行为。利用MF-DFA计算齿轮箱故障信号的多重分形奇异谱,而多重分形奇异谱的宽度、最大奇异指数、最小奇异指数和极值点对应的奇异指数都具有明确的物理意义,能够表征齿轮箱故障信号的内在动力学机制,适合作为齿轮箱振动信号的故障特征。提出一种基于MF-DFA的齿轮箱故障特征提取方法,将该方法用于包含正常、轻度磨损、中度磨损和断齿故障齿轮箱的故障诊断,并与DFA方法的结果进行了对比。结果表明,提出的方法对齿轮箱故障状态的变化非常敏感,能够完全分离相近的故障模式,有效地克服了传统DFA方法存在的缺陷,为齿轮箱的故障特征提取提供了一种新方法。