机械故障诊断技术中的信号处理方法：时频分析

当机械设备的振动信号为非平稳信号和时变信号这类特殊信号时，时域分析和频域分析因其自身的局限，无法取得很好的分析效果，需要使用时间和频率的联合函数来表示信号，即信号的时频表示。针对常用的时频分析振动信号处理方法，总结多种算法的特征和优缺点。根据常见机械设备关键构件的振动特征，选择不同的信号处理和特征提取算法进行分析，以便提高多种构件、多类故障的特征提取精度和可靠性，从而为有效地实现机械设备的故障提供参考和指导。     

基于多维振动特征的滚动轴承故障诊断方法

单独提取滚动轴承振动信号的时域或频域特征进行故障诊断,是目前常用的轴承诊断方法,诊断精度有待提高。以时域和频域的多维振动特征参量为指标,以历史诊断正确率作为特征参量权值,分别对滚动轴承的无故障和经常出现的滚珠故障、内环故障和外环故障工况进行特征提取和故障识别。多维时频域振动特征是单维特征依据诊断精度权重的集合。运用BP神经网络分别对信号的时域特征(TDF)、IMF能量矩(IEM)、小波包能量矩(WPEM),以及多维时频域特征进行智能故障判别。实验验证用多维时频域振动特征参量综合诊断的方法进行滚动轴承故障诊断,比单维特征的诊断结果精确且效率较高,该方法可以在滚动轴承故障诊断领域展开应用。     

机械故障诊断的信号处理方法： 频域分析

频域分析方法是机械故障诊断中信号处理最重要和最常用的分析方法,其种类繁多且各具特点。因而,对工程实际情况要釆用合理的频域分析方法就十分困难。由此,针对多种的故障类型,根据机械设备关键设备构件的振动特性,为实现机械设备多类不同的故障诊断,在分析和比较了不同的信号处理和特征釆取相应的算法的基础上,再釆用合适的频域分析方法;就能有效地确保诊断分析的精度和可能性。     

遗传算法优化稀疏分解的齿轮箱故障诊断研究

齿轮箱传动结构复杂,其出现故障时的振动信号往往含有强噪声。在强噪声背景下微弱信号的特征提取是振动信号处理领域的难题。稀疏分解方法能够自适应地提取强噪声背景下的微弱信号特征,但其在寻找最优匹配原子时计算量特别大。为加快匹配最优原子的速度,提出利用遗传算法优化匹配追踪的信号稀疏分解算法,优化后的算法大大降低了匹配追踪算法中寻找最优原子参数的计算量。齿轮故障振动信号的主要特征是调制现象,通过稀疏分解对含有噪声的信号进行降噪,然后进行频域分析,根据频域分析结果实现齿轮的故障诊断。对仿真的齿轮调制振动信号和实际采集的齿轮箱振动信号分析表明,该方法能够从含有强噪声的振动信号中快速且准确地提取出故障特征频率。     

利用小波分析和EMD的机械故障特征提取

故障特征提取是机械设备故障诊断的关键所在。利用小波变换多分辨率分析和经验模式分解的时频特性,将某机械运转机构的振动信号进行分解及重构,得到原始信号在不同频段上分布的详细信息,进而对不同尺度下的细节信号进行频谱分析,通过对比提取出运转过程中的失步故障特征。     

基于自适应多尺度形态学AVG-Hat滤波的滚动轴承故障特征提取方法

针对机械设备故障信号中故障特征微弱,容易被背景噪声淹没而不能准确提取的问题,提出了一种新的自适应多尺度形态学AVG-Hat滤波方法,并将其用于强背景噪声下滚动轴承故障信号的特征提取中。首先,在分析传统形态学滤波器滤波特点的基础上,提出了形态学AVG-Hat滤波器的构造方法;然后,提出采用改进包络谱稀疏度作为选择滤波后最优信号的评价标准,通过粒子群优化算法自适应确定了多尺度滤波器中不同尺度结构元素的权重系数,进而构建了最优的多尺度形态学AVG-Hat滤波器;最后,将该滤波器用于处理故障振动信号,经过包络解调分析准确提取出了信号中的故障特征信息。通过对实测轴承故障信号进行分析,结果表明:该方法在信号降噪的基础上具有较强的故障特征提取能力,能有效用于滚动轴承故障的诊断,具有较高的工程应用价值。     

基于振动信号时频分解-样本熵的受电弓裂纹故障诊断

构建了基于时频分解-样本熵测度的受电弓振动信号故障特征提取模型。对振动信号进行聚合经验模态分解,接着对分解得到的本征模态函数计算参数优化后的样本熵特征。将获取的故障特征输入基于粒子群参数优化的支持向量机(PSO-SVM)进行受电弓故障识别分析。结果发现,基于受电弓顶管振动信号的EEMD样本熵故障诊断效果较好,而碳滑板振动信号诊断效果较差。针对这一特点,利用二代小波样本熵进行优化,进一步提高了碳滑板振动信号故障诊断结果,验证了现代时频分析算法与信息熵联合的诊断方法在受电弓振动信号特征提取与故障诊断的可行性与有效性。     

基于FFT算法的轧钢机振动故障诊断系统

大型机械设备的正常运行的重要性逐渐被大家所认识,基于FFT频谱分析与频谱图显示的原理对轧钢机的振动信号分析,FFT是计算离散傅里叶变换的一种重要的计算公式,频域分析的编程中以FFT算法为基础,在对时域波形进行采样后,经过FFT处理离散数据,最终得到相关量的频谱图,经过频谱分析后,提出机械零部件出现故障时的信号特征,并成功诊断故障所在。     

基于振动信号分离的行星轴承故障特征提取

由于行星轴承振动信号传递路径的时变性,且行星齿轮箱中齿轮啮合振动信号较强,导致行星轴承故障特征提取较为困难。为此,提出了一种基于振动信号分离的行星轴承故障特征提取方法。该方法首先采用阶比分析技术将原始振动信号进行等角度采样;每当行星架旋转一周,采用Tukey窗进行加窗截取,按照啮合齿序重新拼接,构造振动分离信号。再采用离散随机分离从振动分离信号中提取行星轴承故障分量;最后进行包络谱分析提取故障特征。行星轴承内圈故障实测信号分析表明,该方法能有效提取行星轴承故障特征。     

改进 TSA 降噪与平方包络谱分析的故障特征提取

为实现旋转机械设备故障诊断,提出基于相关性检测的振动信号改进时域同步平均(Time Synchronous Averaging,TSA)降噪方法,并利用平方包络谱提取故障特征。在采样振动信号中任取一段参考子信号,令参考子信号从振动信号初始时间开始,沿时间轴逐点滑动至终了时间,同时计算参考子信号与其在振动信号中遮掩子信号之间的相关系数;利用步长迭代算法获取相关系数最优阈值,选择与参考子信号相关系数大于最优阈值的所有遮掩子信号作为总体同步信号,平均计算后获得降噪的目标信号;对目标信号进行平方包络谱分析。仿真信号、齿轮和轴承振动信号的分析结果表明,所提出的方法能够有效用于旋转机械设备的振动信号降噪与故障特征提取。