低速重载机械的状态监测与故障诊断探索

设备故障诊断技术是以研究设备的故障机理为基础,通过准确采集和检测反映设备状态的各种信号,并利用现代信号处理技术将现场采集的各种信号经过相应变换,提取真正反映设备状态的信息,然后根据已掌握的故障特征信息和状态参数判断故障及原因,并预测故障的发展和设备的寿命。简单对低速重载机械的状态监测与故障诊断进行探索。     

声发射检测技术用于滚动轴承故障诊断的研究综述

声发射是材料受力变形产生弹性波的现象,故障滚动轴承在运转过程中会产生声发射.从几个方面综合阐述了国内外轴承故障声发射检测技术的研究和发展现状,即轴承故障声发射信号的产生机理,故障声发射信号的传播衰减特性,声发射信号的参数分析法和波形分析法对故障特征的描述,轴承故障声发射源的定位问题,根据信号特征进行故障模式识别以及声发射检测和振动检测的比较问题.通过分析总结出滚动轴承声发射检测技术下一步的研究方向,并指出滚动轴承故障的声发射检测是振动检测的有力补充工具,特别是在轴承低转速和故障早期的检测中更能发挥作用.     

小波变换和EEMD-马氏距离的轴承故障诊断

机械故障的声发射信号中往往掺杂着各种干扰和噪声,为解决这一问题,提出了小波变换、集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)和马氏距离相结合的滚动轴承故障诊断方法;首次将马氏距离引入到轴承声发射信号的故障诊断中。该方法首先对故障轴承的声发射信号进行小波去噪处理,再对去噪后的信号进行EEMD分解,将其分解为多个固有模式函数(简称IMF)。其次采用马氏距离的方法消除EEMD分解结果中的虚假分量,提取能够反映轴承故障特征的IMF分量,突出高频共振成分。最后,通过瞬时Teager能量的Fourier频谱识别轴承故障的特征频率。仿真信号和滚动轴承外圈声发射信号的实例分析表明:此方法能很好地去除混杂在轴承声发射信号中的噪声,准确地识别出轴承故障的部位。     

基于字典学习的轴承早期故障稀疏特征提取

针对低速重载机械滚动轴承早期故障的振动信号中故障特征冲击成分微弱易被噪声覆盖难以识别,而利用稀疏表示方法提取冲击成分时因轴承工况非平稳性,准确匹配冲击成分字典难以构造问题,提出基于字典学习的轴承早期故障稀疏特征提取方法。利用改进型K-SVD字典学习算法构造自适应字典;采用正交匹配追踪算法(Orthogonal Matching Pursuit,OMP)对振动信号进行稀疏分解,计算每次迭代逼近信号的峭度值,找出最大峭度值对应的逼近信号;重构特征成分并进行包络谱分析,获得故障类型。仿真及轴承振动数据测试结果表明,所提方法能更好匹配早期故障特征成分、满足轴承实时故障监测需求。     

基于声发射衰减特性的故障行星轮定位研究

行星齿轮箱是风力机传动装置的重要组成部分,行星轮在低速重载、既自转又公转的复杂环境下容易诱发故障,其故障诊断特别是故障行星轮定位一直是研究重点和难点。建立了行星轮齿轮箱实验装置,模拟了行星轮故障,并利用声发射信号进行故障行星轮定位。实验研究了声发射信号在齿轮内部、齿轮与齿轮之间的传播特性,利用信号的幅值衰减特性简化了故障定位模型。利用信号幅度随信号传播距离增加而呈指数衰减的关系,建立了故障源定位方程组,从而获得故障齿的啮合位置,进一步确定故障行星轮的位置。实验结果表明:利用声发射信号的幅值衰减特性能够较为精确的确定故障行星轮的位置。     

改进小波阈值函数和ACEWT方法的滚动轴承故障声发射信号特征提取EI北大核心CSCD

针对滚动轴承早期故障声发射信号受复杂传递路径和噪声的干扰,声发射信号信噪比较低,导致轴承故障特征难以提取的问题,提出了改进小波阈值函数-ACEWT的轴承故障特征提取方法。由于声发射信号呈冲击性与快速衰减的特点,构建一种衰减正弦型与指数型的小波阈值函数对低信噪比的声发射信号进行降噪。研究自相关运算与经验小波变换结合的方法(autocorrelation and empirical wavelet transform,ACEWT),用于滚动轴承故障声发射信号特征提取,解决了在低信噪比下经验小波变换对轴承故障特征提取的不足;引入经验小波能量比-熵指标,选取最优经验小波系数。通过与经验小波变换、改进小波阈值函数-EWT和MCKD-EWT方法进行对比研究,并试验验证。仿真和试验结果表明,所提方法明显优于经验小波变换、改进小波阈值函数-EWT和MCKD-EWT方法,可准确提取轴承故障声发射信号的频率特征。     

基于声发射的滚动轴承损伤定位方法研究

低速重载轴承故障特征频率低,受转速波动影响大,难以使用频谱分析进行故障源定位。将基于到达时间差的声发射定位方法应用于轴承故障定中,找出损伤的确切位置。针对轴承的环形结构,建立了不依赖于声发射传播速度的定位计算模型。同时提出了基于小波包分解的最优时差计算方法来提高定位精度。推力轴承座圈上的断铅实验和模拟损伤定位实验均表明该方法具有很高的定位精度。该定位方法不依赖于转速和频率分析,对变速大型轴承的故障定位具有应用潜力。     

基于小波包能量矩阵的轴承信号特征提取

为通过振动信号识别轴承的工作状态,结合小波包变换和矩阵特征值理论,提出了一种新的轴承信号特征提取方法。引入了能量值方法,对小波包分解信号进行分层分段能量计算,组成能量特征矩阵,求得矩阵特征值;定义基于特征值的振动信号特征参数,并探讨了特征参数与轴承运行状态间的联系。最后在特征提取基础上,提出了故障早期模式识别的对应系数相乘方法。结果表明：最大值特征参数能够敏感的反映轴承工作性能的变化,可作为轴承状态监测特征量;对应系数相乘法可以作为故障部位诊断的有效方法。     

基于角域四阶累积量切片谱的柴油机连杆轴承故障特征提取

提出了一种角域四阶累积量切片谱方法,应用于提取连杆轴承微弱故障特征。首先,对升速过程振动信号进行阶比重采样得到角域平稳信号,再计算其四阶累积量对角切片谱,构成角域四阶累积量切片谱,用于分析不同转速区间、不同测试位置下的非稳态信号,提取连杆轴承微弱故障特征。试验结果表明:角域重采样与四阶累积量对角切片谱相结合,既能分析非稳态信号,又能抑制噪声干扰;特定阶比带内的角域四阶累积量对角切片谱的能量和峰值,能有效识别连杆轴承各种技术状态,可以作为连杆轴承磨损故障的特征参数;并得出了敏感测试位置、敏感转速区间和特征阶比带。     

基于VMD-PE-MCKD低速重载滚动轴承故障特征提取

针对低速重载滚动轴承故障特征频率低、难提取的问题,提出一种基于变分模态分解和最大相关峭度解卷积并且结合利用排列熵筛选分量的方法。首先对原始振动信号进行变分模态分解,得到若干个本征模态分量;其次,根据利用排列熵筛选分量的原则,将筛选出的分量利用最大相关峭度解卷积方法进行去噪;最后对处理后的分量进行包络谱分析,从而提取故障特征频率,实现故障诊断。通过分析低速轴承仿真信号以及工程实测所得低速重载轴承振动信号,验证了该方法的有效性。     

EEMD和优化的频带熵应用于轴承故障特征提取

针对滚动轴承早期故障特征提取困难的问题,提出了将集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)和优化的频带熵(OFBE)相结合的轴承故障特征提取方法。针对EEMD的多个本征模态分量(Intrinsic Mode Function,IMF),如何选出更能反映故障特征的敏感IMF的问题,提出一种基于频带熵的敏感IMF的选取方法。首先,对原始振动信号进行EEMD分解,获得一系列IMFs;然后,对原信号和各个IMF分量求频带熵,在熵值最小处设计带通滤波器带宽作为特征频带,比较各个IMF的特征频带与原信号熵最小值所处频带之间的从属关系,进而选出反映故障特征的敏感IMF。由于背景噪声的影响,从选取的IMF中难以准确地得到故障频率。因此,利用FBE在选取IMF的基础上设计的带通滤波器,并提出利用包络峭度最大值原则优化带宽,然后对其进行带通滤波,并进行包络功率谱分析以提取故障特征频率。将该方法应用到轴承仿真数据和实际数据中,能够实现轴承故障特征的精确诊断,证明了该方法的有效性和优势。     

基于EMD分形技术提取变速器轴承故障特征

故障轴承振动信号具有分形特征,可以利用分形维数有效识别变速器轴承的故障模式.噪声的存在对分形维数的计算结果影响较大,为此采用经验模态分解（EMD）方法,对变速器轴承振动信号进行EMD分解,计算分解后的IMF分量的分形维数,提取出变速器轴承不同技术状态下的故障特征。对实测变速器轴承振动信号分析,结果表明：EMD能对不同频带信号进行有效分离;特定IMF分量的分形维数能敏感反应变速器轴承技术状态,可以作为变速器轴承故障诊断的特征参数;EMD与分形维数相结合是提取变速器轴承故障特征的一种有效方法。     

基于改进CRITIC法的TBM刀具声发射信号研究

针对地下施工中TBM(Tunnel Boring Machine)刀具磨损更换频繁且缺乏有效方法对其状态进行评估问题,将声发射技术用于TBM刀具检测,以TBM模态掘进试验台为对象,采集不同磨损程度的滚刀声发射信号研究声发射单特征参量及多特征参量对滚刀磨损状态趋势评估影响,提出基于改进CRITIC声发射多特征融合刀具状态评估新方法。滚刀磨损量测试表明,改进CRITIC声发射多特征融合后所得评估值对刀具磨损信息更敏感,能有效评估及预测刀具磨损状态,可为TBM刀具现场检修、保养提供指导。     

光纤光栅声发射检测新技术用于轴承状态监测的研究

轴承的健康状况对旋转机械的工作状况有极大的影响。航空器中的故障轴承会间接造成事故,给飞行安全带来灾难性的后果,需要进行早期故障的有效检测判别或状态监测。与振动等传统的检测手段相比,声发射可有效检测到故障的早期状态,准确判断故障类别和严重程度。介绍了滚动轴承故障声发射检测原理以及光纤光栅声发射检测新技术。以预制外圈缺陷的轴承为例,进行了压电式声发射传感系统和光纤光栅声发射传感系统检测的对比实验,实验和分析结果表明光纤光栅声发射方法检测到的信号谱底噪声小,谱线清晰、干净,更容易分辨故障频率和分析故障的严重程度,优于振动和压电式声发射传感方法。最后介绍该技术在直升机维修保障中的应用情况。     

基于ICA和SVM的滚动轴承声发射故障诊断技术

以滚动轴承为研究对象,提出了应用独立分量分析(ICA)和支持向量机(SVM)相结合进行滚动轴承故障诊断的方法.首先,对声发射信号(AE)进行自相关预处理,突出声发射信号的非高斯成分,使AE信号较好地满足独立分量分析的前提条件.然后,应用独立分量快速算法分离故障轴承的声发射信号,提取其状态特征向量,利用支持向量机的模式识别和非线性回归功能来完成滚动轴承故障的识别.试验结果表明,利用独立分量分析方法提取的故障状态特征向量与支持向量机相结合可以有效、准确地识别滚动轴承的故障模式,为滚动轴承故障诊断提供了一种新型的方法.     

最小周期相关熵解卷积结合窄带解调的轴承复合故障诊断研究EI北大核心CSCD

声发射检测齿轮箱故障灵敏度高,但故障信号具有高频宽带且噪声干扰严重的特点,针对齿轮箱轴承复合故障声发射信号处理问题,提出最小周期相关熵解卷积与窄带解调相结合的复合故障诊断方法,基于故障出现的周期信息,利用最小周期相关熵解卷积实现故障信号分离,通过窄带解调方法获得最优解调中心频率,抑制宽频带解调引入的噪声干扰,仿真和实验数据处理结果表明:此方法适宜处理轴承复合故障声发射信号,成功实现了复合故障诊断。     

模态声发射技术在构件疲劳裂纹检测中的应用

疲劳裂纹的萌生和扩展是机械零件在变载荷作用下的主要失效形式,在变载荷下出现疲劳裂纹的同时往往伴随着弹性波的扩散,以迅速释放其内部积累的应变能。使用近几年来得到迅速发展的模态声发射技术真实地获取疲劳裂纹的声发射波形,使接收到的声发射信号较完整地反映了声发射源的物理状态。在波形分析中采用参数分析法提取声发射波形特征,建立模态声发射参数和裂纹扩展速度之间的数学关系。由于综合采用了多种技术的优点进行信号分析、处理,因此根据声发射信号特征得到的结果将更加逼近实际状态。     

基于多尺度局部保持投影的轴承故障特征增强方法

针对轴承故障声发射信号的非线性特性,及易受背景噪声干扰的特点,提出一种多尺度局部保持投影方法。通过小波包分解实现一维信号的多尺度构造,利用近邻图保持信号局部流形信息,通过局部保持投影将信号变换到新的坐标空间下,实现故障特征增强。仿真和实验信号处理结果表明,多尺度局部保持投影方法在轴承故障增强检测中效果显著。     

滚动轴承故障非接触多传感器声信号融合方法

摘　要：针对移动滚动轴承非接触声发射检测中,一个故障源信号可能被多个传感器采集,致使这些声信号包含故障信息不完整且存在重叠的问题,综合考虑声波传播理论、多传感器声信号时差关系、滚动轴承典型故障撞击频率等,建立滚动轴承故障非接触多传感器声信号融合方法。建立滚动轴承故障非接触多传感器声发射检测试验台,分别采集移动滚动轴承滚动体、外圈和内圈故障声信号。采用融合方法对同声源信号进行处理,利用信号相似理论证明了融合信号与故障源信号的相似程度高于各传感器声信号。采用声发射累计撞击计数法对融合处理后的滚动轴承不同故障声信号进行分析。结果表明,该融合算法能有效地处理多传感器接收的同声源信号,可利用融合后信号进行准确的故障识别。     

基于改进HHT和SVM的滚动轴承故障状态识别

针对滚动轴承故障信号特征难以提取与故障诊断效率较低问题,引入集合经验模态分解(EEMD)对Hilbert-Huang变换(HHT)进行改进,将改进的HHT结合拉普拉斯得分(Laplacian score,LS)进行轴承故障特征提取,并利用遗传算法(GA)优化支持向量机(SVM)分类参数,将其应用于滚动轴承振动信号故障状态识别中。首先,利用相关系数筛选EEMD分解后的IMF分量,计算IMF分量的Hilbert边际谱能量与Lempel-Ziv复杂度构成轴承高维特征向量;其次,运用LS得分对高维特征向量进行数据降维;最后,用GA-SVM对轴承不同故障状态进行识别。通过轴承不同状态下的试验数据验证本文方法,结果表明所提方法能够有效识别轴承不同故障状态。