齿轮箱复合故障振动信号的形态分量分析

在改进形态分量分析系数阈值去噪方法的基础上,将其用于齿轮箱复合故障振动信号的分析。齿轮箱中的齿轮出现局部故障时,其振动信号中往往出现调幅调频成分;而滚动轴承出现局部故障时,其振动信号中往往出现周期性瞬态冲击成分。调幅调频成分的幅值变化相对缓慢,可看作信号中的光滑部分;而瞬态冲击成分的幅值变化较快,可看作信号中的细节部分,故可依据此形态差异实现二者的分离。采用形态分量分析方法将齿轮箱复合故障振动信号分解为包含滚动轴承局部故障信息的冲击分量、包含齿轮局部故障信息的谐振分量及残余分量,根据冲击分量和谐振分量的Hilbert包络解调谱分别诊断滚动轴承和齿轮的局部故障。对齿轮箱复合故障振动信号的分析结果表明,该方法可有效分离滚动轴承与齿轮的故障特征,且效果要优于经验模态分解(Empirical mode decomposition,EMD)方法。     

改进经验小波变换在齿轮低频微弱故障特征提取中的应用

齿轮振动信号的经验小波变换频谱分割,可能会将啮合频率及其边频带划分到不同频带上,导致频带划分不合理,分离出的调幅?调频(AM?FM)分量不理想.针对上述主要问题,提出了一种采用频谱趋势进行频谱边界划分的改进经验小波变换方法,将齿轮啮合频率与其相应的边频带划分到同一频带内,得到比较理想的AM?FM分量,实现了依据齿轮振动信号频谱局部特征的自适应分解.同时,对提取的AM?FM分量进行自相关分析以进一步增强改进经验小波变换的低频微弱故障特征提取效果.通过仿真与试验分析,验证了提出方法在齿轮低频微弱故障特征提取中的有效性及优势.     

改进经验小波变换在齿轮低频微弱故障特征提取中的应用

齿轮振动信号的经验小波变换频谱分割,可能会将啮合频率及其边频带划分到不同频带上,导致频带划分不合理,分离出的调幅?调频(AM?FM)分量不理想.针对上述主要问题,提出了一种采用频谱趋势进行频谱边界划分的改进经验小波变换方法,将齿轮啮合频率与其相应的边频带划分到同一频带内,得到比较理想的AM?FM分量,实现了依据齿轮振动信号频谱局部特征的自适应分解.同时,对提取的AM?FM分量进行自相关分析以进一步增强改进经验小波变换的低频微弱故障特征提取效果.通过仿真与试验分析,验证了提出方法在齿轮低频微弱故障特征提取中的有效性及优势.     

复解析最优小波解调法

针对齿轮箱故障信号的多分量多频调制特点,结合基于复解析小波变换的信号分量的包络幅值提取原理,提出了一种基于峭度和平滑指数的最优小波解调技术。首先,采用连续小波变换谱的能量熵作为时间尺度分辨率的度量指标,将其应用到Morlet分析小波的参数优化选择中;其次,对常规小波峭度计算法进行改进,结合平滑指数对最优小波变化尺度进行迭代搜索;最后,针对解调谱线繁杂密集无法分辨的问题,采用频谱细化的方法提高了复解析小波解调谱的频谱精度。应用试验结果表明,该复解析最优小波解调方法较传统的解调方法,可以更加准确有效地提出齿轮箱复杂信号中的微弱故障特征。     

局部特征尺度分解结合局部均值解调的齿轮故障诊断

为了准确地进行故障诊断,根据齿轮故障振动信号的多分量调幅-调频特征,提出了一种新的解调方法--局部均值解调法,将之与局部特征尺度分解相结合进行齿轮故障诊断。该诊断方法首先对齿轮振动信号运用局部特征尺度分解,得到若干个内禀尺度分量,然后应用局部均值解调法求取每个分量的调频分量,最后根据瞬时频率的频谱进行故障诊断。采用仿真信号将局部均值解调法与Hilbert解调法、经验调幅调频分解法进行了对比,结果表明,局部均值解调法的精确性更好。通过齿轮故障振动数据的分析,验证了局部特征尺度分解结合局部均值解调的故障诊断方法的有效性。     

齿轮箱故障诊断中信号解调方法的研究

提出了一种对齿轮箱调制类故障信号进行诊断的综合方法，对于既有调幅成分又有调频成分的齿轮箱故障信号，提出首先利用Hilbert变换解调出包络信息，同时保留剩余信号，然后用三次FFT技术对调频信息进行解调，使得调频信号特征更加清晰，为齿轮箱故障诊断提供了更准确的信息。     

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.     

基于经验小波变换和峭度值的滚动轴承故障检测方法

机械故障信号大多具有复杂多分量和调幅-调频的特点,但目前已有的方法在实际分析中多存在缺陷。为了有效识别故障特征频率,该文提出了一种基于EWT和峭度值的轴承故障检测方法。这种方法通过EWT对滚动轴承的振动信号进行分解,得到多个调频分量(AM-FM),并用文中提出的计算方法得到的各个调频分量的特征指标后进行筛选,得到包含敏感故障信息的分量。将该方法应用于轴承故障信号的解调分析,提高了分析的针对性。将改进方法应用于轴承故障实测信号分析,验证了该方法的准确性。     

基于迭代广义同步压缩变换的时变工况行星齿轮箱故障诊断

同步压缩变换在分析频率恒定的单分量信号时改善时频可读性的效果显著,而在分析多分量频率时变信号时存在时频模糊现象,为了解决这一问题,提出迭代广义同步压缩变换方法。通过迭代广义解调分离出各单分量成分,并将时变频率变换为恒定频率。应用同步压缩变换精确估计瞬时频率和时频分布幅值。将各单分量的时频分布叠加获得信号的时频分布。该方法有效改善了同步压缩变换在分析频率时变信号时的时频可读性,并且将其推广应用于多分量信号。应用该方法有效识别了时变工况下行星齿轮箱振动信号的频率组成及其时变特征,准确诊断了齿轮故障。     

基于MEWT‑ASCS的行星齿轮箱微弱故障特征提取

针对强噪声背景下行星齿轮箱早期微弱故障难以提取以及经验小波变换对信号频率区间边界划分不恰当以及不能有效确定模态数目的问题,提出了一种基于改进经验小波变换（modified empirical wavelet transform, 简称MEWT）和自适应稀疏编码收缩（adaptive sparse coding shrinkage,简称ASCS）的早期微弱故障特征提取方法。根据信号频谱的尺度空间表示,将原始故障信号自适应地分解为一系列的窄频带本征模态分量。利用包络谱峭度（envelope spectrum kurtosis, 简称ESK）值选择敏感分量,为了进一步凸显分量中的故障信息,使用ASCS算法对敏感分量进行稀疏降噪处理,从其包络谱中即可提取到清晰的故障特征频率成分。数值仿真和实际数据分析结果表明,本研究方法能够自适应地实现故障信号的模态分解并增强微弱的故障冲击特征。此外,与经验小波变换（empirical wavelet transform, 简称EWT）,EWT?ASCS和ASCS进行对比,本研究方法可有效提取包含故障信息丰富的分量,经ASCS处理后信号故障特征得到凸显,实现了行星齿轮箱早期微弱故障的准确识别。     

Gearbox fault detection using Hilbert and wavelet packet transform

Demodulation is an important issue in gearbox fault detection. Non-stationary modulating signals increase difficulties of demodulation. Though wavelet packet transform has better time–frequency localisation, because of the existence of meshing frequencies, their harmonics, and coupling frequencies generated by modulation, fault detection results using wavelet packet transform alone are usually unsatisfactory, especially for a multi-stage gearbox which contains close or identical frequency components. This paper proposes a new fault detection method that combines Hilbert transform and wavelet packet transform. Both simulated signals and real vibration signals collected from a gearbox dynamics simulator are used to verify the proposed method. Analysed results show that the proposed method is effective to extract modulating signal and help to detect the early gear fault.     

高速列车转向架区气动噪声分离研究

提出了一种基于快速路径优化的自适应短时傅里叶变换时频分析方法，并将该方法用于行星齿轮箱的故障诊断。该时频分析方法通过使用快速路径优化获得瞬时频率变化规律，在短时傅里叶变换过程中自适应的改变时窗长度，从而获得更恰当的时频分辨率。针对行星齿轮箱运行状态不稳定的特点，通过使用笔者提出的时频分析方法可以有效地提取出行星齿轮箱的转速信息，利用参考转速对故障信号角度域重采样和阶次分析，从而实现变转速情况下的行星齿轮箱故障诊断。仿真分析表明，与传统短时傅里叶变换相比基于快速路径优化的自适应短时傅里叶变换得到的时频分布能量更加集中；试验分析证明了基于快速路径优化的自适应短时傅里叶变换方法在行星齿轮箱故障诊断中的有效性。     

基于时变零相位滤波的变转速滚动轴承故障诊断

针对变转速下齿轮箱中滚动轴承故障调制特征的提取与分离,提出了基于时变零相位滤波的变转速滚动轴承故障诊断方法。该方法先用线调频小波路径追踪(CPP)算法从齿轮箱滚动轴承故障振动信号中估计出齿轮啮合频率,由啮合频率除以齿数得到齿轮箱的转速,同时,采用Hilbert包络解调方法获取轴承故障振动信号的包络信号;然后根据获取的转速信息设计各阶时变零相位滤波器;再采用各时变零相位滤波器对包络信号进行分析,获取各调制信号;最后,利用转速信号对求取的各调制信号进行阶次分析,并根据各阶次谱来诊断滚动轴承故障。算法仿真和应用实例分析表明,该方法可有效提取和分离变速齿轮箱中滚动轴承的各阶故障调制特征。     

基于EEMD的行星齿轮箱齿轮裂纹损伤定位

针对行星齿轮式变速箱的齿轮裂纹损伤难以提取特征频率和定位的问题,提出基于总体平均经验模式分解(ensemble empirical mode decomposition,简称EEMD)的齿轮局部损伤频率解调分析方法。该方法在建立的齿轮局部损伤振动信号模型的基础上,分别对太阳轮、齿圈、行星轮的裂纹损伤信号进行EEMD分解和频率解调分析,通过频谱图提取齿轮的局部损伤特征频率,从而识别变速箱中裂纹损伤齿轮的位置。综合仿真分析和试验结果表明,基于EEMD的齿轮局部损伤频率解调分析方法可以有效地提取太阳轮、齿圈和行星轮的裂纹损伤特征频率,实现行星齿轮式变速箱中齿轮裂纹损伤的定位。     

HYBRID WAVELET PACKET-TEAGER ENERGY OPERATOR ANALYSIS AND ITS APPLICATION FOR GEARBOX FAULT DIAGNOSIS

Based on wavelet packet decomposition (WPD) algorithm and Teager energy operator (TEO), a novel gearbox fault detection and diagnosis method is proposed. Its process is expatiated after the principles of WPD and TEO modulation are introduced respectively. The preprocessed signal is interpolated with the cubic spline function, then expanded over the selected basis wavelets. Grouping its wavelet packet components of the signal based on the minimum entropy criterion, the interpolated signal can be decomposed into its dominant components with nearly distinct fault frequency contents. To extract the demodulation information of each dominant component, TEO is used. The performance of the proposed method is assessed by means of several tests on vibration signals collected from the gearbox mounted on a heavy truck. It is proved that hybrid WPD-TEO method is effective and robust for detecting and diagnosing localized gearbox faults.     

The envelope order spectrum based on generalized demodulation time–frequency analysis and its application to gear fault diagnosis

The generalized demodulation time–frequency analysis is a novel signal processing method, which is particularly suitable for the processing of multi-component amplitude-modulated and frequency-modulated (AM–FM) signals as it can decompose a multi-component signal into a set of single-component signals whose instantaneous frequencies own physical meaning. While fault occurs in gear, the vibration signals measured from gearbox would exactly display AM–FM characteristics. Therefore, targeting the modulation feature of gear vibration signal in run-ups and run-downs, a fault diagnosis method in which generalized demodulation time–frequency analysis and envelope order spectrum technique are combined is put forward and applied to the transient analysis of gear vibration signal. Firstly the multi-component vibration signal of gear is decomposed into some mono-component signals using the generalized demodulation time–frequency analysis approach; secondly the envelope analysis is performed to each single-component signal; thirdly each envelope signal is re-sampled in angle domain; finally the spectrum analysis is applied to each re-sampled signal and the corresponding envelope order spectrum can be obtained. Furthermore, the gear working condition can be identified according to the envelope order spectrum. The analysis results from the simulation and experimental signals show that the proposed algorithm was effective in gear fault diagnosis.     

正弦加载液压泵故障振动信号的阶比多尺度形态滤波方法研究

 液压泵在变载荷作用下会引起转速波动且发生幅值调制现象,振动信号呈现出明显的非平稳性,传统的滤波方法难于进行有效滤波。针对正弦加载液压泵故障振动信号提出一种阶比多尺度形态滤波方法,利用基于EEMD理论的时频阶比分析方法将正弦加载液压泵故障振动非平稳信号转化成角域平稳信号,再用多尺度形态滤波方法对角域平稳信号进行多尺度寻优和解调处理获得多尺度解调信号,并进行阶次谱分析得到振动信号的特征阶次。通过实验证实,该方法能对正弦加载液压泵故障振动信号进行有效滤波,且能提取出更多的有用故障信息。     

基于自适应自相关谱峭度图的滚动轴承故障诊断方法

自相关谱峭度图通过最大重叠离散小波包变换对信号频谱进行分割,并选取最大峭度值所对应频带内的信号进行诊断分析。针对自相关谱峭度图方法在分割频带时因遵循二叉树结构而导致的频带划分区域固定问题,提出一种基于自适应自相关谱峭度图方法的滚动轴承故障诊断方法。自适应自相关谱峭度图方法以改进的经验小波变换为基础,对原始信号傅里叶谱进行包络与平滑处理后再分割,实现了自相关谱峭度图方法自适应分割频带的目的。通过仿真信号与实验数据分析,并将所提方法与快速谱峭度及自相关谱峭度图方法进行对比,结果表明,所提出方法能够准确地检测到合适的解调频带,同时其故障特征更加明显。     

Gearbox fault diagnosis using empirical mode decomposition and Hilbert spectrum

The empirical mode decomposition (EMD) and Hilbert spectrum are a new method for adaptive analysis of non-linear and non-stationary signals. This paper applies this method to vibration signal analysis for localised gearbox fault diagnosis. We first study the properties of the recently developed B-spline EMD as a filter bank, which is helpful in understanding the mechanisms behind EMD. Then we investigate the effectiveness of the original and the B-spline EMD as well as their corresponding Hilbert spectrum in the fault diagnosis. Vibration signals collected from an automobile gearbox with an incipient tooth crack are used in the investigation. The results show that the EMD algorithms and the Hilbert spectrum perform excellently. They are found to be more effective than the often used continuous wavelet transform in detection of the vibration signatures.     

小波包和小波脊线相结合的解调方法在液压泵故障诊断中的应用

针对轴向柱塞泵故障振动信号呈现出的非平稳和非线性特点,提出了一种基于小波包能量法与小波脊线法相结合的信号解调方法,将其用于液压泵故障诊断中的信号解调过程。该方法首先对原始振动信号进行功率谱分析,明确故障振动信号反映出的能量集中频带带宽;根据确定的带宽和原始信号分析频率设定小波包分解的层数,采用小波包能量法提取出分解系数对应频带能量最大的特征信息进行信号重构;利用小波脊线法对重构后的频带信号进行解调处理,通过信号的包络解调谱提取故障的特征频率,利用解调后的时频谱对液压泵单柱塞滑靴磨损、斜盘磨损以及中心弹簧故障进行分析。通过实验结果验证,该方法能有效地对液压泵的故障信号进行解调,并能找出反映故障的敏感特征频率。