小波分析在齿轮箱故障检测中的应用

本文简要介绍小波分析的原理及工程应用中几种常见的小波,并且对齿轮箱故障信号进行了分解,阐明了其故障信号的组成,指出应用小波变换对其进行有效分析的可能性。最后应用小波变换对故障信号进行了实际检测。     

小波分析在齿轮箱故障检测中的应用

本文简要介绍小波分析的原理及工程应用中几种常见的小波,并且对齿轮箱故障信号进行了分解,阐明了其故障信号的组成,指出应用小波变换对其进行有效分析的可能性.最后应用小波变换对故障信号进行了实际检测.     

耦合双稳系统随机共振的轴承故障检测方法

耦合双稳系统由两个双稳系统经非线性方式耦合而成.分析了影响耦合双稳系统随机共振产生的Kramers逃逸率及平均跃迁频率与耦合系数的关系,提出了通过调节耦合系数大小来产生和增强随机共振的方法,并将该方法应用于轴承故障信号检测中.数值仿真和实验结果表明,在系统参数固定时,调节耦合系数能增强系统输出功率谱在特征频率处的谱值,可检测出单一双稳系统随机共振所不能检测出的微弱轴承故障信号频率,该方法在轴承故障信号检测中的应用是有效的.     

基于Langevin型随机共振的水中目标线谱检测

将Langevin型双稳态随机共振系统应用于水声时变线谱信号的检测，提出了设计水声线谱检测系统可以利用的外在参数。在水听器端建立了时变线谱模型，考查了随机共振系统对水声环境的适应能力。实验发现在信噪比变化、声压起伏、线谱漂移等情况下，系统都能较好的工作，为水声领域新型线谱检测系统的设计提供了依据。     

循环双谱及其在齿轮箱故障识别中的应用研究

基于对循环累积量的分析，提出一种表示信号在一定循环频率集的循环双谱表示方法。齿轮箱振动信号的三阶循环平稳性通过对齿轮的传递误差、齿轮的动力学和振动信号的三阶循环矩的分析来证明。齿轮箱振动信号的循环双谱将齿轮箱的状态特征比较清晰地表示为频率的循环双谱大小分布，验证了该方法在表示齿轮箱状态中的有效性。     

外加周期信号控制下的随机共振及其应用

分析了双稳系统的Kramers逃逸率与外加周期信号参数的关系,揭示了外加周期信号通过调节Kramers逃逸率影响微弱周期信号的随机共振效应,从而人为地产生或增强随机共振,实现随机共振的有效控制.数值仿真和实验结果表明,外加周期信号控制下的随机共振,可以增强双稳系统输出功率谱在微弱周期信号频率处的谱值,检测出强噪声中的微弱信号,在涡街频率检测方面的应用是可行和有效的.     

随机共振液压泵故障特征信号提取

针对强噪声背景下的液压泵故障特征提取问题,提出一种自适应级联单势阱随机共振的特征提取方法。首先验证广义相关系数可作为自适应随机共振优化算法的目标函数,然后采用量子遗传算法优化单势阱随机共振系统的结构参数,再将所得的自适应单势阱随机共振系统进行级联。该方法只需调节每一级随机共振的一个系统结构参数,优化速度快,且采用级联方式能更准确地提取液压泵故障信号的低频成分。数值仿真分析表明:该方法可有效地提取淹没在强噪声背景下的多频信号;实际测试结果证明其能有效地检测液压泵故障信号的特征频率,为液压泵故障预测和诊断奠定基础。     

基于随机共振及图谱理论的齿轮故障特征提取

机车齿轮箱齿轮工作环境恶劣极易出现齿轮损伤。齿轮箱齿根裂纹损伤检测是保证列车安全运行的有效措施。本文提出了一种基于随机共振以及图谱理论相结合的齿根裂纹故障提取方法。基于随机共振以及图谱理论的故障提取方法具体过程如下,首先,运用复Morlet小波梳状滤波器对原始信号进行解调处理;然后,运用图谱理论方法对仿真信号进行处理提取信号中含有的冲击信号成分;最后利用随机共振方法对提取的冲击信号进行处理,达到消除信号中噪声干扰增强信号中冲击成分的目的。运用本文提出方法对仿真数据进行处理,证明了本文提出方法的有效性。     

随机共振技术在探潜中的应用

潜艇在低速航行时,由于辅机的工作和螺旋桨转动,导致了声频在甚低频段(0~100 Hz)内有较强的线谱。在声源较弱时,由于信噪比太低,传统的Demon谱分析方法无法辨别出线谱成分。这在一定程度上限制了声呐在低信噪比情况下的探潜性能。根据随机共振理论的非线性检测目标手段,运用扫频式随机共振技术,对低信噪比情况下的潜艇线谱噪声进行处理,从而增强了线谱能量,以提高检测信噪比。根据该理论,运用扫频随机共振方法对潜艇甚低频段线谱进行了数据处理,使得检测结果提高了8 dB,实际运用的目标检测距离提高1倍以上。充分体现了该理论的工程实用价值。     

基于随机共振及图谱理论的齿轮故障特征提取

机车齿轮箱齿轮工作环境恶劣且极易出现齿轮损伤.齿轮箱齿根裂纹损伤检测是保证列车安全运行的有效措施.本文提出了一种基于随机共振以及图谱理论相结合的齿根裂纹故障提取方法.基于随机共振以及图谱理论的故障提取方法具体过程如下:首先,运用复Morlet小波梳状滤波器对原始信号进行解调处理;然后,运用图谱理论方法对仿真信号进行处理...     

基于时延反馈多稳随机共振的微弱信号检测方法

为了检测噪声背景下的微弱信号,提出了一种基于一次项时延的新型多稳态随机共振模型。分析了各参数对该模型的影响,并与时延反馈随机共振模型进行对比。提出的基于一次项时延的多稳态随机共振模型可以集中增强微弱信号特征频率处的幅值,提高输出信号的信噪比和谱功率放大系数。通过实例验证表明提出的方法可以有效检测出早期微弱信号的特征。     

基于非线性耦合双稳态随机共振的轴承微弱故障信号增强检测方法研究

针对滚动轴承微弱故障信号难以检测的难题,提出一种基于新型非线性耦合双稳态随机共振模型的轴承微弱故障信号增强检测方法。噪声背景下,随机共振可以实现微弱信号的增强输出,提高微弱信号特征的检测。提出的非线性耦合双稳态系统是由两个单一双稳态系统经非线性方式耦合而成,通过分析耦合系数、阻尼系数随着噪声强度改变的信噪改善比响应特性曲线图研究了不同参数对随机共振现象的影响。结果表明,耦合双稳系统比单一双稳态系统具有更强随机共振现象的产生。最后采用模型对轴承故障微弱信号进行了增强检测应用,所提出的非线性耦合双稳态随机共振能够实现在复杂的噪声背景下对微弱故障信号的检测。     

基于包络解调随机共振和CEEMD的机械早期微弱故障诊断方法研究

针对噪声背景下机械振动信号早期故障特征提取难题,提出一种基于包络解调随机共振和互补总体经验模态分解的机械早期微弱故障提取及诊断新方法。首先对含噪声机械故障信号进行包络解调处理,然后对包络信号进行变尺度随机共振输出,使故障特征信号得到增强,最后对处理后的信号进行互补总体经验模态分解(CEEMD),得到机械振动信号故障特征分量,实现故障特征提取及诊断。对机械故障诊断实例表明,该方法不仅能增强信号幅值,同时减少了虚假分量,提高了CEEMD算法的精度,有效提取出被噪声淹没的微弱故障信号,提高了机械早期故障诊断效果。     

Application of the Duffing Chaotic Oscillator Model for Early Fault Diagnosis- Ⅰ.Basic Theory

In this paper, the well-known Duffing equation and the nonlinear equation de-scribing vibration of the human eardrum are introduced from elastic nonlinear system theory. According to the fact that the human ear can distinguish weak sound with small difference , the idea that the Duffing oscillator can be used to detect a weak signal and diagnose early fault of machinery is proposed. In order to obtain a model for weak signal detection via the Duffing oscillator, the first step is to week all forms of solutions of the Duffing equation. The second step is to study global bi furcations of the Duffing equation using qualitative analysis theory of a dynamic system. That is to say, a series of bi furcations thresholds of the Duffing equation can be analyzed by the Melnikov function and a subharmonics Melnikov function. Then the three types of bifurcations thresholds varying with damping and external exciting amplitude are discussed. The analysis concludes that the bi furcation threshold corresponding to the ma     

基于自适应随机共振的齿轮微弱冲击故障信号增强提取方法研究

针对强背景噪声下冲击信号难以检测的问题,提出一种基于自适应随机共振的齿轮微弱冲击故障信号增强提取方法。首先,利用峭度指标和互相关系数构造修正峭度指标作为随机共振检测冲击信号的测度函数;其次,利用滑动窗将多冲击分量信号分割成多个单冲击分量信号作为随机共振的系统输入,并借助遗传算法实现系统参数的自适应选取;最后,将提出的方法应用于电力机车走行部齿轮箱故障诊断,结果显示该方法可有效实现微弱冲击特征的增强提取。     

CS自适应随机共振与ITD相结合的轴承弱故障诊断

为了解决轴承早期弱故障诊断的问题,提出将固有时间尺度分解 (intrinsic time-scale decomposition,ITD) 与布谷鸟自适应随机共振 (cuckoo adaptive stochastic resonance,CASR) 相结合的方法进行滚动轴承早期弱故障特征频率提取。针对采集到的滚动轴承振动信号复杂且信噪比 (SNR) 低、故障特征难以提取的问题,结合ITD能抑制端点效应、运算复杂度低等优势,该方法将信噪比作为随机共振的目标函数,通过仿真信号分析及实例验证,将ITD作为CASR处理信号的前处理,使滚动轴承故障信号显著加强,信噪比提高2.17倍,故障特征得到有效提取。     

Weak Fault Diagnosis of Rolling Bearing Based on Improved Stochastic Resonance

Stochastic resonance can use noise to enhance weak signals, effectively reducing the effect of noise signals on feature extraction. In order to improve the early fault recognition rate of rolling bearings, and to overcome the shortcomings of lack of interaction in the selection of SR (Stochastic Resonance) method parameters and the lack of validation of the extracted features, an adaptive genetic random resonance early fault diagnosis method for rolling bearings was proposed. compared with the existing methods, the AGSR (Adaptive Genetic Stochastic Resonance) method uses genetic algorithms to optimize the system parameters, and further optimizes the parameters while considering the interaction between the parameters. This method can effectively extract the weak fault features of the bearing. In order to verify the effect of feature extraction, the feature signal extracted by AGSR method was input into the Fully connected neural network for fault diagnosis. the practicality of the algorithm is verified by simulation data and rolling bearing experimental data. the results show that the proposed method can effectively detect the early weak features of rolling bearings, and the fault diagnosis effect is better than the existing methods.     

基于改进耦合增强随机共振的滚动轴承故障诊断

针对强背景噪声下经典随机共振方法对滚动轴承故障特征提取效果差的问题,提出了一种基于改进耦合增强随机共振的滚动轴承故障诊断方法。首先,利用一个定参双稳系统和一个变参双稳系统构成耦合随机共振系统,外部输入直接作用于定参双稳系统;然后,通过调节变参双稳系统参数和耦合系数实现耦合系统的随机共振控制,并借助遗传算法实现控制参数的自适应选取。实验和工程应用验证了所提方法的有效性和优越性。     

基于AMD和自适应随机共振的旋转机械故障诊断方法研究

针对强噪声背景下信噪比较低的旋转机械故障诊断问题,提出一种基于解析模态分解(AMD)和随机共振的旋转机械故障诊断方法。若信号的频率成分已知,AMD方法能将多频率成分的信号分解为单频率信号。对于可预知故障特征频率的旋转机械故障诊断,首先利用AMD方法提取振动信号中故障特征频率所在频段的信号,并对每个提取出的信号添加强度较低的噪声;然后利用粒子群算法优化的双稳随机共振对含噪信号进行处理来加强信号;最后求该信号的频谱,若频谱中含有故障特征频率,则说明振动信号中存在该故障。通过对滚动轴承故障信号特征的提取证明了该方法有良好的效果。