基于解调振动信号特征提取齿轮箱的故障诊断

通过振动信号的可调频率成分研究齿轮裂纹尺寸的故障识别,振动信号分析是基于Hilbert变换和自适应小波.Hilbert变换用于获得振动包络,从而从低信噪比的振动信号中解调载波频率,自适应Morlet小波建立振动信号模型,从而从解调载波频率中提取特征,以鉴定齿轮箱中齿轮的裂纹尺寸.该方法用于分析在不同角速度、不同负载转矩和不同裂纹尺寸下的试验振动信号,结果表明,该方法用于鉴定齿轮箱中齿轮的裂纹尺寸是灵敏和有效的.     

改进型ESMD在齿轮箱轴承故障诊断中的应用

针对如何有效提取齿轮箱滚动轴承故障信息,提出了一种改进型极值点对称模态分解(IESMD)自适应消噪与共振解调技术(DRT)相结合的诊断方法.该方法首先利用IESMD对原始滚动轴承信号进行自适应分解成多个IM F分量;接着通过互相关系数方法对信号进行重构以达到消噪的目的;然后对重构信号进行谱峭度分析,通过冲击成分所在频带范围设计带通滤波器实现对重构信号的滤波处理;最后将滤波后的信号进行Teager能量谱分析,求出其瞬时幅值,并对瞬时幅值进行频谱分析,得到高频共振信号的能量谱,对比故障特征频率进行滚动轴承的故障模式识别.通过动力学仿真和齿轮箱滚动轴承实验对该方法进行了有效性论证,结果表明:该方法可以有效识别齿轮箱中滚动轴承的故障信息.     

基于EMD的时频分析方法的电力故障信号检测

提出电力系统故障信号的经验模态分解(Empirical Mode Decomposition,EMD)时频分析方法.通过对检测点获得的故障电流信号进行EMD分解,得到一系列的本征模态分量(Intrinsic Mode Function,IMF),利用Hilbert变换得到Hilbert谱及边际谱,分析相应瞬时频率及其振幅,对故障信号进行时间-频率-幅值的联合分析.分析发现,通过瞬时频率突变能准确定位故障时刻,Hilbert谱的峰值变化也能反映故障时刻及故障特征信息;通过边际谱分析可以获得故障信号所含的真实频率,为进一步故障检测提供了依据.仿真试验证明了结论的正确性,表明EMD时频分析方法能准确地检测故障时刻,提取故障信息.     

基于VMD与SET的滚动轴承故障诊断

在滚动轴承故障诊断研究中,同步提取变换(SET)在分析单分量信号时能显著提高时频可读性,但在分析多分量信号时存在时频模糊问题.为解决这一问题,首先通过变分模态分解(VMD)解调分离出信号的固有模态函数(IMF)分量;再对IMF分量进行希尔伯特变换,凸显故障特征频率;然后对变换后的IMF分量进行SET处理,实现时频聚焦提高时频分辨率,获得信号的时频解调谱,从而识别故障.经试验验证,该方法能准确提取信号的时频解调谱,识别故障频率及其倍频,诊断轴承故障.     

数字包络的实现

采用Hilbert变换法提取信号的包络.Hilbert变换而得的解析信号实部为信号本身,虚部为其Hilbea变换,解析信号的幅值即为信号的包络.Hilbert法解调出的包络是对信号绝对值的包络,其解调幅值代表真实包络.     

基于脊路跟踪的变分非线性调频模态分解方法

针对多个辐射源信号混合构成的多分量信号分离问题,提出基于脊路跟踪的变分非线性调频模态分解算法. 该方法使用改进的脊路重组算法对时频分布图中各分量瞬时频率进行提取,将提取出的各分量瞬时频率作为变分非线性调频模态分解的预设频率;利用重构后的多分量信号进行瞬时频率提取,更新预设频率后继续模态分解;重复上述过程,直到迭代前、后频率差值小于预设阈值,输出对应的模态分解结果. 实验结果表明,基于脊路跟踪的变分非线性调频模态分解算法比经典变分非线性调频模态分解算法具有更好的多分量信号分离效果.     

基于LCD和Teager能量算子的滚动轴承故障诊断

提出了一种基于局部特征尺度分解和Teager能量算子包络解调的滚动轴承故障诊断方法.首先,在定义具有物理意义瞬时频率的单分量信号——内禀尺度分量(intrinsic scale component,ISC)的基础上介绍了一种全新的信号自适应分解方法——局部特征尺度分解(local characteristic-scale decomposition,LCD).然后,在滚动轴承故障模拟试验台上采集振动信号,并对信号进行局部特征尺度分解,将其分解成为若干个内禀尺度分量,之后对包含故障信息的ISC进行能量算子包络解调,从而得到轴承故障的特征频率.实验和工程实践的轴承故障信号分析结果表明:该方法可以准确识别滚动轴承的故障,可以应用于工程实践.     

基于VMD-HHT方法的水电机组启动过渡过程振动信号分析研究

为了解决水电机组启动过渡过程振动信号特征频率提取困难问题,采用一种较新的处理非线性非平稳信号自适应方法---变分模态分解（VMD）,并用于葛洲坝某台机组启动过渡过程振动信号分析。通过Hilbert-Huang（HHT）变换对VMD分解得到的各固有模态函数（IMF）进行瞬时频率计算,得出相应Hilbert谱图,并将结果与经验模态分解（EMD）方法进行对比。结果表明：经VMD分解后,机组启动过渡过程振动信号各分量频率变化与机组转速时变规律吻合良好,能够有效提取特征频率,较EMD具有更好的自适应性,分析结果更加准确有效,能够更好的揭示水电机组过渡过程信号中的振动规律。     

小波分析与Hilbert分析在滚动轴承故障诊断中的应用

针对滚动轴承故障信号的非平稳和调制特点,使用小波分析技术,对检测的信号进行分解,并对含有故障特征的信号进行重构,实现故障信号的提取.应用Hilbert变换进行解调和细化频谱分析,得出故障信号所对应的频谱,从而判断轴承故障模式.通过Matlab仿真证明了小波分析结合Hilbert分析法在滚动轴承故障诊断中提取特征频率的应用价值.     

基于小波包自相关的能量算子旋转机械故障诊断

针对在强噪声背景下轴承振动信号的非线性,非平稳性以及信号出现的复杂调制现象,提出一种基于小波包熵与自相关函数相结合的能量算子解调故障诊断方法。该方法首先根据信号的小波包熵值对信号小波包降噪,其次用自相关函数分析的方法进一步抑制噪声对提取特征频率的干扰,最后对降噪处理过的信号进行能量算子解调,从而实现提取轴承的故障信号的幅值和频率信息。对机械故障振动信号进行实验分析表明,相对于单纯的小波包分析预处理存在的降噪效果不理想以及普通Hilbert解调法的运算精度满足不了诊断需求的情况,该方法能够有效解调出故障频率信息,实现对故障类别的推断。     

基于EMD和FFT的齿轮箱故障诊断

提出了一种基于小波包分析（WPA）,经验模态分解（EMD）和快速傅里叶变换（FFT）的齿轮箱故障诊断方法,此方法适合于非线性非稳态信号的自适应分析.首先运用WPA对采集的齿轮箱振动信号进行分解可得到不同频率的子频带;然后对各子频带信号进行EMD,从而得到一定数量的本征模态函数（IMF）;最后选取特定的IMF,对其作FFT可得到相应的功率谱,从而提取齿轮箱故障特征频率,进而对齿轮箱故障模式进行识别和诊断.分析结果表明本文所提议的方法能有效地检测出齿轮箱故障特征频率.     

基于EMD和FFT的齿轮箱故障诊断

提出了一种基于小波包分析(WPA),经验模态分解(EMD)和快速傅里叶变换(FFT)的齿轮箱故障诊断方法,此方法适合于非线性非稳态信号的自适应分析.首先运用WPA对采集的齿轮箱振动信号进行分解可得到不同频率的子频带;然后对各子频带信号进行EMD,从而得到一定数量的本征模态函数(IMF);最后选取特定的IMF,对其作FFT可得到相应的功率谱,从而提取齿轮箱故障特征频率,进而对齿轮箱故障模式进行识别和诊断.分析结果表明本文所提议的方法能有效地检测出齿轮箱故障特征频率.     

基于自适应滤波的滚动轴承故障诊断研究

针对固有频率未知的滚动轴承故障诊断问题，提出了一种基于经验模态分解的自适应滤波方法。讨论了经验模态分解方法及其在获取固有模态函数过程中的自适应滤波特性。通过对滚动轴承故障振动信号进行经验模态分解得到固有模态函数，运用希尔伯特变换解调固有模态函数得到包络幅频图，获取滚动轴承故障特征频率，进而确定滚动轴承的故障位置。应用该方法对仿真和实际数据进行了分析，并与冲击脉冲法作了比较。结果表明，基于经验模态分解自适应滤波的滚动轴承振动信号解调方法能够更有效地突出故障特征频率成分，避免误诊断。     

基于LMD与奇异值差分谱的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的非线性非平稳特性及强噪声特性,提出了一种基于局部均值分解(local mean decomposition,LMD)和奇异值差分谱的滚动轴承故障诊断方法.首先对原始信号进行LMD分解,得到若干乘积函数(product function,PF)分量,然后对故障特征明显的分量构建Hankel矩阵并进行奇异值分解,求出奇异值差分谱曲线,找到奇异值差分谱最大突变点来确定奇异值重构分量的个数,进而对包含故障特征频段的分量进行消噪和重构,再对重构信号进行Hilbert包络谱分析,提取故障特征.实验结果和工程应用表明:LMD和奇异值差分谱结合的信号特征提取方法,能准确、有效地提取滚动轴承的故障特征频率,对故障类型作出准确判断.     

基于EMD与ICA的污泥回流泵故障诊断

针对污泥回流泵振动信号易受噪声污染、故障特征提取困难的问题,提出基于经验模态分解(EMD)与独立成分分析(ICA)的故障诊断方法。首先,将振动信号进行EMD分解得到一系列本征模态函数(IMF)。然后,对各个本征模态函数进行主成分分析,选取满足贡献累加值的分量重构信号,并与原信号组成矩阵进行ICA解混处理。最后,将处理后的数据进行Hilbert变换与频谱分析,通过对比处理后的正常信号与故障信号的特征频率差异,实现污泥回流泵的故障诊断。实验结果表明,本文所提出的故障诊断方法能够有效降低噪声干扰,准确提取出故障特征并实现故障诊断的目的。     

一种未知转速下的RV减速器故障诊断方法

随着制造业的快速发展,工业机器人已经成为智能制造的核心执行单元。针对旋转矢量（Rotary vector,RV）减速器在运行过程中转速时变、瞬时转速不易被读取的问题,提出一种基于电流信号和振动信号的RV减速器健康状态评估方法。基于电流信号的瞬时频率获取输入转频信息,计算得出减速器组成部件的故障特征频率;同步截取平稳振动信号,再利用粒子寻优的变分模态分解算法对提取出来的振动特征进行分解,并基于多维评价函数选取故障敏感分量进行包络分析,以挖掘故障信息进而评估其健康状态。最后,通过实验数据集验证该方法的有效性。结果表明,本文所提方法可以获得工业机器人在作业时的关节输入转速,同时,多维评价函数可以从RV减速器信号中提取富含冲击信息的故障敏感分量。     

齿轮裂纹早期故障的完全解调分析

齿轮轮齿发生早期裂纹时,裂纹故障信号十分微弱,为了有效提取早期裂纹故障特征,本文提出完全解调分析方法,即针对实际的齿轮振动信号调幅、调相同时存在的特点,进行幅值包络解调和相位解调相结合的完全解调分析．仿真及实例分析结果表明,本文所提出的方法能将齿轮早期裂纹故障信息从复杂的振动信号中提取出来,幅值包络解调和相位解调相结合的完全解调分析,可以提高故障诊断准确率．     

EMD与同态滤波解调在滚动轴承故障诊断中的应用

根据滚动轴承的振动故障特征,介绍了一种新的基于经验模态分解(Empirical Mode Decomposition,EMD)与同态滤波解调相结合的滚动轴承故障诊断方法.EMD可将轴承故障信号分解成若干个IMFs(Intrinsic Mode Functions),各个IMF突出了原始信号的某些局部特征.再对某些IMFs有针对性地进行同态滤波解调,提取了轴承内圈故障特征频率,诊断出轴承内圈严重磨损故障.同时,为更突出同态滤波解调方法的优越性,与Hilbert包络进行了对比分析.仿真与应用结果表明,同态滤波解调方法要优于Hilbert包络法.     

一种叶片裂纹检测的稀疏共振解调算法

针对强相干噪声干扰下叶片振动信号中裂纹故障微弱特征的提取问题,提出了一种基于稀疏共振解调的诊断方法。首先,利用从中心集化多分辨分析处理机组上取得的原始振动信号进行子空间重构;其次, 对小波子空间信号进行希尔伯特包络解调,选取故障特征频率及其倍频成分能量占优的子空间;再次, 根据周期性故障稀疏模型,采用梳形滤波器分离故障特征频率及其倍频成分,构造故障分量参考信号;最后,结合故障参考信号对子空间重构信号进行小波降噪, 从而提取与叶片裂纹相关的微弱特征。在出现叶片裂纹故障的发电机组增压风机故障诊断案例分析中,仅采用多尺度分解无法在时域上得到周期性冲击故障特征。而采用所提出的基于稀疏共振解调方法进行信号处理后,强相干噪声得到了有效抑制, 从而突出了故障特征。     

多重信号分类法与扩展Prony结合的异步电机转子故障检测

提出了一种基于奇异值分解滤波技术的多重信号分类算法与扩展Prony算法相结合的异步电动机转子断条故障检测的新方法。奇异值分解滤波技术可以高效率地滤除电机定子电流信号中的基频分量与有色噪声,从而凸显转子断条故障特征频率分量;多重信号分类方法可在短时采样数据条件下准确计算故障特征分量的频率;扩展Prony方法则可以精确计算出各特征分量的幅值,弥补了多重信号分类算法无法求解幅值的不足。因此,将三者结合即可在短时采样信号条件下以高频率分辨力准确提取转子断条故障特征频率分量。对一台异步电机进行试验,结果表明:新方法简单、实用,效果理想。