希尔伯特振动分解在滚动轴承故障诊断中应用

将希尔伯特振动分解(HVD)应用于滚动轴承故障诊断。在介绍HVD方法原理基础上,与经验模式分解(EMD)进行对比表明,通过仿真信号可分析HVD更高频率分辨率,HVD能有效分解引起EMD模态混叠的含异常事件信号;将HVD用于滚动轴承故障信号分解,选含丰富故障信息分量进行包络分析,利用相应包络谱图识别轴承故障特征频率,进而识别故障模式,并实验验证该方法的有效性。     

基于生成微分方程的行星齿轮箱故障振动信号解调分析

行星齿轮箱振动信号具有明显的调制特点,幅值解调和频率解调分析能够有效提取其中的故障信息。生成微分方程(GDE)方法可以估计调制信号的幅值包络和瞬时频率,实现解调分析,但该方法需要信号满足单分量要求。实际行星齿轮箱振动信号通常由复杂多分量成分组成,为实现信号的幅值解调和频率解调分析,应用经验模式分解(EMD)将信号分解为单分量本质模式函数,基于生成微分方程计算瞬时频率和幅值包络,根据瞬时频率的波动特点选择本质模式函数作为敏感分量,由敏感分量的包络谱和瞬时频率的Fourier频谱识别故障特征频率。通过行星齿轮箱故障模拟实验数据分析验证了解调分析方法的效果。     

基于信号共振稀疏分解的包络解调方法及其在轴承故障诊断中的应用

提出了基于信号共振稀疏分解的包络解调方法,并将其应用到轴承故障诊断中.与常规的基于频带划分的信号分解方法不同,信号共振稀疏分解方法根据信号中各成分品质因子的不同,将信号分解成高共振分量和低共振分量.当轴承出现损伤时,振动信号由以包含轴承自身振动的谐振信号、包含轴承故障信息的瞬态冲击信号以及噪声组成.谐振信号为窄带信号,具有高的品质因子,可分解为高共振分量;而瞬态冲击信号为宽带信号,具有低的品质因子,可分解为低共振分量.基于信号共振稀疏分解的包络解调方法首先利用信号共振稀疏分解方法将信号分解成高共振分量、低共振分量及残余分量,再对低共振分量进行包络解调分析,根据包络解调谱进行轴承故障诊断.算法仿真和应用实例表明该方法能有效地提取轴承故障信号中的冲击成分,凸显故障特征.     

基于Hilbert振动分解和高阶能量算子的行星齿轮箱故障诊断研究

行星齿轮箱广泛应用于各种机械设备中,其故障诊断问题是近年来的研究热点之一。提出了基于Hilbert振动分解和高阶微分能量算子的故障诊断方法。Hilbert振动分解计算复杂性低,能够将复杂信号分解为单分量,应用该方法对信号进行分解,满足高阶微分能量算子的要求。高阶微分能量算子的时间分辨率高,对信号的瞬态变化具有良好的自适应性,应用该方法检测故障引起的瞬态冲击,估计信号的幅值包络和瞬时频率。对高阶微分能量算子输出以及幅值包络和瞬时频率进行Fourier变换,通过频谱识别特征频率,从而诊断行星齿轮箱故障。分析了行星齿轮箱的仿真信号和实验信号,准确地诊断了太阳轮、行星轮和齿圈的故障,验证了该方法的有效性。     

基于MEEMD和GA-SVM的列车车轮多边形故障识别方法

根据列车车轮振动信号的非平稳特性,提出一种基于改进的集合经验模态分解(MEEMD)和遗传算法支持向量机(GA-SVM)的诊断方法,用于识别车轮多边形故障。该方法对车轮轴箱垂向振动信号进行MEEMD分解,依据各固有模态函数(IMF)分量的峭度值和能量值选取出主要IMF分量。利用希尔伯特变换求取主要IMF分量的包络谱,并计算包络谱熵。将包络谱熵值归一化后作为特征向量输入GA-SVM中进行训练和识别。对实测信号进行分析的结果表明该方法能有效识别出车轮多边形故障,识别准确率可达到95%。     

一种改进HVD信号特征提取方法及应用研究

希尔伯特振动分解(HVD)广泛应用于风电机组、齿轮箱等旋转机械的故障诊断,然而,它有2个亟待解决的问题:一是算法的参数需要经验设置或人工试定;二是如何避免模态混叠选择敏感的本征模态函数分量。针对上述2个问题,提出一种优化的HVD改进算法,有效解决了希尔伯特振动分解的参数设置和模态混叠问题。首先用粒子群优化算法(PSO)对HVD算法的2个参数进行优化。其次,提出了一种新的评估指标—最大包络峰度均值作为PSO优化算法的目标函数,并提出采用最大包络峰度自适应地选择敏感的IMF分量。最后,对选定的重构信号进行平方包络谱分析并提取故障特征频率,以识别风电机组设备故障类型。通过模拟信号、实验信号和风电机组应用实例分析,验证了所提改进HVD方法的有效性。     

基于广义解调时频分析的包络阶次谱在齿轮故障诊断中的应用

提出了基于广义解调时频分析的包络阶次谱方法,并将它应用于齿轮瞬态信号的分析.广义解调时频分析是一种新的时频分析方法,它可以将多分量的信号分解为若干个具有物理意义的单分量信号的瞬时频率,每个单分量信号可以是调幅-调频信号,因此非常适合处理多分量的调幅-调频信号.而当齿轮发生故障时,其启停过程中的振动信号恰巧表现为多分量的调幅-调频特征,在基于广义解调时频分析的包络阶次谱方法中,首先采用广义解调时频分析方法将多分量的齿轮振动信号分解为若干个单分量信号,其次对各个单分量信号进行包络分析,然后对包络信号进行角域重采样,最后对重采样后的信号进行频谱分析,得到包络阶次谱,从而判断齿轮的工作状态.采用该方法分别对仿真和实验信号进行了分析,结果表明了该方法的有效性.     

MCKD和RSSD在滚动轴承早期故障诊断中的应用

由于干扰噪声较强,共振稀疏分解在滚动轴承早期故障阶段并不能有效提取瞬态冲击成分。针对此问题提出基于最大相关峭度解卷积（Maxim Correlated Kurtosis Deconvolution,MCKD）和共振稀疏分解(Resonance Sparse Signal Decomposition,RSSD)相结合的故障特征提取方法。该方法首先利用MCKD对振动冲击信号进行处理,有效降噪并突出故障信号尖脉冲,然后使用共振稀疏分解将信号分解成包含谐波信号的高共振分量与包含瞬态冲击信号的低共振分量,最后利用包络功率谱根据低共振分量提取故障特征频率。通过仿真和试验验证了该方法可以准确提取故障特征频率,凸显故障特征。     

基于EMD和Teager能量算子的轴承故障诊断研究

提出了一种基于EMD和Teager能量算子的齿轮箱轴承故障诊断的新方法,该方法综合利用了经验模态分解和Teager能量算子分析技术.首先利用经验模态分解方法,将振动信号分解成不同特征时间尺度的单分量固有模态函数,然后用Teager能量算子计算各固有模态函数的瞬时幅值,最后对感兴趣固有模态函数瞬时幅值的包络谱进行分析,就可识别齿轮箱轴承的故障部位和类型.齿轮箱轴承故障振动实验信号的研究结果表明:该方法能有效地识别轴承的故障.     

基于双树复小波包峭度图的轴承故障诊断研究

针对传统包络谱和峭度图分析技术的缺陷,提出了一种基于双树复小波包峭度图的轴承故障诊断方法。该方法综合利用了双树复小波包变换和峭度图分析技术,克服了原峭度图方法只采用FIR和短时傅立叶变换滤波器的缺点,提高了从强噪声环境中提取瞬态冲击特征的能力。首先利用双树复小波包变换,将振动信号分解成不同频带的分量,然后计算各小波分量的谱峭度,再利用谱峭度的滤波器作用,计算最大峭度值对应分量信号的包络谱,根据包络谱就可识别齿轮箱轴承的故障部位和类型。齿轮箱轴承故障振动实验信号的研究结果表明：该方法不仅提高了信噪比和频带选择的正确性,而且能有效地识别轴承的故障。     

基于改进的希尔伯特振动分解的机械故障诊断方法研究

针对多分量机械故障振动信号的特征提取问题,介绍一种基于希尔伯特振动分解(HVD)的时频分析方法。该方法首先利用Hilbert变换得到原始振动信号的解析信号,然后通过对解析信号的瞬时频率低通滤波获得信号中幅值最大分量的瞬时频率,同时经同步检测获得相应的瞬时幅值和初相位,最后经过迭代运算自适应地检测出原信号各分量的时频信息。针对HVD方法的边界效应问题,提出一种基于相关系数准则的波形匹配边界延拓法对其进行改进。通过两组仿真信号分析验证了HVD方法对多分量非平稳信号的分解能力,同时表明改进的HVD方法能很好地抑制边界效应。给出转子系统油膜涡动故障诊断实例,验证了该方法的工程实用性。     

基于Teager能量算子的滚动轴承故障诊断研究

周期性冲击是判断滚动轴承局部损伤故障的关键特征,如何提取周期性冲击及其重复频率是轴承故障诊断中的关键问题。Teager能量算子能够估计产生信号所需的总机械能,对信号的瞬态变化具有良好的时间分辨率和自适应能力,在检测信号冲击特征方面具有独特优势。为了提取滚动轴承故障的特征频率,针对滚动轴承故障振动信号中的瞬态冲击特点,提出了基于Teager能量算子的频谱分析方法,利用Teager能量算子提取轴承故障引起的周期性冲击,通过瞬时Teager能量的Fourier频谱识别轴承的故障特征频率。分析了滚动轴承故障仿真信号和实验测试信号,并和包络谱方法进行了对比分析,准确诊断了滚动轴承元件故障,验证了该方法的有效性     

结构损伤诊断的轴向振动原理及模态实验

在理论推导梁轴向振动微分方程基础上,提出一种以轴向振动低阶模态振型二阶导数为损伤指标的结构损伤识别方法。在方钢管构件上布置加速度传感器进行轴向振动模态试验,测试时由信号发生器发出正弦波信号,经功率放大器放大后通过电磁激振器对结构进行激励,同时采集各测点的加速度反应信号。在确定结构共振点后,根据共振点处加速度值,编制轴向振动损伤指标的计算程序,分析结果表明该指标对结构损伤的位置和程度均很敏感,既能精确定位损伤,又能标定损伤程度,即在损伤位置将发生相反方向的突变,且突变幅度随损伤程度增大而增大。     

基于改进自适应变分模态分解的滚动轴承微弱故障诊断

滚动轴承早期故障信息微弱,且混有大量背景噪声,难以提取其故障特征。提出了一种改进的自适应变分模态分解(AVMD)与Teager能量谱的微弱故障诊断方法。将最小平均包络熵(MMEE)作为目标函数,自动搜寻影响参数最佳值,确保变分模态分解(VMD)实现最优分解,并提出加权峭度指标(WK)用于选择有效模态分量进行信号重构,对重构信号进行Teager能量谱分析,从而识别故障特征频率。对轴承微弱故障振动信号的研究表明,所提方法改进了传统VMD算法分解精度受参数影响较大,导致信号出现过分解或欠分解的问题;与集合经验模态分解和局部均值分解算法相比所提方法具有更强的噪声鲁棒性和故障信息提取能力。     

基于EMD和MKD的滚动轴承故障诊断方法

针对滚动轴承早期微弱故障特征难以提取的问题,提出基于经验模态分解(Empirical Mode Decomposition,EMD)与最大峭度解卷积(Maximum Kurtosis Deconvolution, MKD)的滚动轴承故障特征提取方法。利用EMD方法分解振动信号得到一组固有模态分量(Intrinsic Mode Function,IMF),然后根据时域峭度和包络谱峭度,筛选出敏感IMF分量进行信号重构。然后对重构信号进行最大峭度解卷积处理以增强故障信息,最后得到包络功率谱,从而获得轴承故障特征频率信息。通过实验台信号验证了所述方法的有效性及优点。     

基于小波包能量曲率差的古木结构损伤识别

本文以西安钟楼为工程依托,对随机激励作用下古木结构的损伤进行有限元模拟,把古木结构梁上各节点的加速度响应信号进行小波包分解,通过小波包能量曲率差对古木结构进行损伤定位。在无噪声干扰时,该指标对于古木结构的损伤定位比较敏感,可准确判定古木结构的损伤位置,该指标随损伤程度的加大而增大。该指标在高斯白噪声干扰下,当信噪比SNR大于或等于40db时,能对古木结构的损伤进行准确定位,该指标具有一定的抗噪声干扰能力。随后得出了损伤指标和损伤程度之间的函数关系式,用其进行损伤程度的判断并验算其适用性,为研究环境激励下西安钟楼的损伤预警提供了理论依据。     

广义解调算法中能量因子的引入与配置原理的研究

广义解调算法在振动信号时频谱应用中效果显著,而在分析解调频谱时对频率的初始值非常敏感。提出了能量因子可调的广义解调算法,将其应用到轴承振动信号的处理中并进行有效性评估。为获得轴承信号的相位函数,使用峰值搜索算法在包络信号中检测瞬时故障特征频率,估计拟合函数;引入了能量因子的概念,根据拟合函数配置能量因子,按照提出方法对原始信号进行重构;参考能量因子对重构信号的相位函数进行估计;对重构信号进行解调,得到关于能量因子的解调信号。根据特征频率的解调值与通过测得转速计算的理论值进行对比,评价能量因子配置的合理性。仿真和实测信号的处理,证明了算法的有效性。     

一种新的差分奇异值比谱及其在轮对轴承故障诊断中的应用

因滚动体和保持架的随机滑动,轴承故障信号多为伪循环平稳信号。针对这种情况,提出了应用周期截断矩阵的奇异值分解的轮对轴承故障诊断方法。研究了轴承故障伪循环平稳信号的奇异值分布,结合奇异值能量差分和奇异值比,提出了一种新的能量差分奇异值比谱作为周期截断矩阵的嵌入维度计算方法;利用能量差分奇异值比谱计算嵌入维度并利用轮对轴承振动信号构造周期截断矩阵,对矩阵进行奇异值分解,并提出利用差分能量谱确定奇异值有效秩阶次并重构矩阵从而分离出周期信号;对该信号做包络分析以实现轮对轴承的故障诊断。应用轮对实验台的复合故障轴承振动数据对该方法进行验证,结果表明,所提方法能够有效提取轴承外圈、滚动体及保持架的特征频率的基频及其倍频,与传统应用Hankel矩阵进行奇异值分解降噪方法相比,该方法抗干扰能力显著,能够分离同频带的不同故障周期信号,且得到的包络谱谱线清晰,谐波丰富,使故障诊断的可靠性得到了显著提高。     

大跨斜拉桥扁平钢箱梁的多尺度损伤分析研究

以润扬大桥斜拉桥为分析对象,提出了扁平钢箱梁结构的多尺度损伤分析方法。采用子结构方法将钢箱梁结构全尺度动力响应和细节尺度构件损伤相互衔接实现多尺度损伤分析。在此基础上对模态曲率、模态应变能、模态柔度和斜拉索索力指标的损伤识别效果进行了比较研究。分析结果表明:(1)无噪声情况下,除了模态柔度指标不能够正确识别钢箱梁腹板损伤以外,各损伤指标均能正确识别其余所有损伤工况。(2)对大多数情况,柔度指标的抗噪性最好,曲率指标和应变能指标次之,索力指标最差;(3)应变能指标和柔度指标在钢箱梁结构损伤定位上具有一定的互补性。