基于时频融合的转速估计及轴承故障特征提取研究

针对通过齿轮啮合频率与转速间存在的比例关系估计齿轮振动转速,提出基于齿轮啮合振动的时频融合分布估计转速新方法,将Wigner-Ville分布与小波尺度谱进行融合,对融合后的时频分布用峰值搜索法估计转速。与基于时频分布的转速估计方法相比,该方法的估计精度与对噪声的不敏感度更高。用该方法估计齿轮传动装置转速,并对轴承故障进行阶比分析以评估其效果表明,该方法能有效获得轴承故障阶比。     

二阶多重同步挤压变换及其在涡轮泵信号处理中的应用

液体火箭发动机涡轮泵振动信号在变工况情况下表现出非平稳和强噪声特性,为特征频率分量提取带来困难。针对该问题,首先,提出二阶多重同步挤压变换(second-order multisynchrosqueezing transform, SMSST)时频分析方法,完成了数学推导并证明了其收敛性。在此基础上,提出基于自适应带通滤波与脊线提取的转频分量提取方法。用仿真信号对SMSST方法进行验证并与传统方法比较。最后,将基于SMSST的转频特征提取方法应用于发动机转速辨识和故障诊断,并用实际数据进行验证。结果表明,与传统时频分析方法相比,SMSST具有更高的时频分析精度。提出的方法可以提供有效、可靠、冗余的转速测量手段,并且该方法可以支撑故障早期预警。     

基于稀疏信号分解和分段拟合积分逼近的无转速计阶比方法与应用

针对传统无转速阶比存在低阶拟合阶次模糊和高阶拟合频率积分方程难求解的问题,提出了一种基于稀疏信号分解和分段拟合积分逼近的无转速计阶比方法。根据啮合频率的稀疏信号分解动态时间支撑区对瞬时转频分段,并进行低阶多项式拟合,采用积分逼近方法代替求解方程,确定等角度重采样时刻,准确实现无转速计下的阶比分析。仿真和实测信号试验结果表明：基于啮合频率动态时间支撑区对瞬时转频分段,既能保证各段内频率变化简单,又能使分段最少;在各分段内采用2阶多项式就能准确拟合,解决了单个多项式整体拟合精度不高、缺乏自适应性的问题;积分逼近求解等角度重采样时刻,不需要求解方程,有效解决了方程无解、无实数解影响阶比结果的问题;基于稀疏信号分解和分段拟合积分逼近的无转速计阶比方法,为无转速计条件下旋转机械变转速过程信号阶比分析提供了一种新的有效途径。     

基于脊线信息增强与特征融合的瞬时转频估计

转速获取是变工况设备健康诊断的前提。在不便安装速度传感器的情况下,基于振动信号时频分析获取转频是最常用的途径。然而,由于时频分析方法的自身特性和采集的振动信号中往往包含大量的背景噪声,导致得到的时频分布能量聚集性差、部分时段转速信息微弱等问题,很难提取到完整、准确的转频信息。为解决这一问题,提出一种脊线信息增强与特征融合的转速估计方法。采用幅值累加平方策略对时频分布特征进行增强;从信号低频区域和共振频带分别预估计出转频信息;最后,建立基于概率分布和局部波动特性的信息融合准则,以确定脊线融合位置以及融合结果,实现转频的准确估计。轴承故障实验信号验证说明:相比于传统的转频提取方法,提出的方法能够显著地改善能量微弱的转速信息的识别结果。     

稀疏信号分解-分段拟合逼近及其无转速计阶比应用

针对传统无转速阶比存在低阶拟合阶次模糊和高阶拟合频率积分方程难求解的问题,提出了一种基于稀疏信号分解和分段拟合积分逼近的无转速计阶比方法。根据啮合频率的稀疏信号分解动态时间支撑区对瞬时转频分段,并进行低阶多项式拟合,采用积分逼近方法代替求解方程,确定等角度重采样时刻,准确实现无转速计下的阶比分析。仿真和实测信号试验结果表明:基于啮合频率动态时间支撑区对瞬时转频分段,既能保证各段内频率变化简单,又能使分段最少;在各分段内采用2阶多项式就能准确拟合,解决了单个多项式整体拟合精度不高、缺乏自适应性的问题;积分逼近求解等角度重采样时刻,不需要求解方程,有效解决了方程无解、无实数解影响阶比结果的问题;基于稀疏信号分解和分段拟合积分逼近的无转速计阶比方法,为无转速计条件下旋转机械变转速过程信号阶比分析提供了一种新的有效途径。     

时变工况的风电机组齿轮箱无转速计阶次跟踪方法研究

针对时变工况风电机组齿轮箱振动信号受噪声干扰和频率模糊问题,通过研究无转速下风电机组齿轮箱振动信号与转频波动规律间的联系,提出了基于VMD-SET时变工况的风电机组齿轮箱无转速计阶次跟踪方法。该方法利用变分模态分解（VMD）滤波,利用同步提取变换（SET）对齿轮箱振动信号时频分析,分别从轴承故障时域振动信号中初步提取故障特征频率趋势,从正常齿轮啮合调制时域振动信号中提取啮合频率时频脊线,进一步利用精细化时频脊线交叉解耦优化瞬时频率提取效果,再用提取的转速曲线对轴承故障振动信号进行阶次跟踪,从角域阶次谱中得到故障特征阶次的单根谱线。通过仿真及实验验证了所提方法的优越性和有效性。     

基于自适应时频滤波的变转速齿轮故障特征提取

针对变转速下齿轮的故障信号分离与故障特征提取,提出了基于线调频小波路径追踪(Chirplet Path Pursuit,CPP)与S变换的自适应时频滤波方法。该方法先采用CPP算法从原始齿轮振动信号中估计出齿轮啮合频率,同时,对原始振动信号进行S变换获取其时频分布;然后根据齿轮啮合频率设计自适应时频滤波器;再采用时频滤波器对信号的时频分析进行时频滤波,并将时频滤波结果进行S逆变换,即可得到包含齿轮故障信息的滤波信号;最后对滤波信号进行阶次分析,并根据阶次谱中的调制边频带诊断齿轮故障。对变转速下齿轮的局部故障进行了算法仿真和应用实例分析,结果表明,自适应时频滤波器可根据信号的频率变化特点自适应地改变中心频率和带宽,具有较好的信号分析自适应性,且滤取的信号无相位畸变,非常适合于变转速下的非平稳信号分析。     

旋转机械非稳定信号的伪转速跟踪阶比分析

旋转机械非稳定信号阶比分析技术，是旋转机械特征分析的重要内容。本文提出并介绍了用时频分析技术中的瞬时频率估计实现伪转速跟踪阶比分析的方法。和传统方法相比，本方法无需转速计和鉴相装置等辅助硬件手段，简化了阶比分析的实现。介绍了借助本方法实现的阶比谱、阶比谱阵和跟踪阶比谱等阶比分析技术的方法，并通过实际测试验证了其有效性。本方法是对已有方法的有力补充，特别适合虚拟测试仪器发展的要求。     

基于改进阶比的变速器微弱故障特征提取

提出了一种基于转速调整的改进阶比分析方法,并应用于提取变速器齿轮微弱故障特征。从理论上分析了传统阶比方法分析转速波动信号的局限性,提出了基于转速调整的改进阶比分析方法,采用传统和改进阶比方法对实测转速波动信号进行分析,通过对比证实了转速波动对传统阶比分析结果有较大影响,而改进阶比方法能有效克服该影响,明显改善了分析效果,提高了分析精度。分别采用传统阶比和改进阶比方法对变速器加速振动信号进行分析,结果表明,传统阶比谱不能正确区分齿轮正常与轻微故障状态,而改进阶比谱能清晰反映齿轮正常与轻微故障状态的幅值能量变化,说明改进阶比方法能有效分析转速波动信号并正确提取出微弱故障特征。     

基于瞬时故障特征频率趋势线和故障特征阶比模板的变转速滚动轴承故障诊断

针对难以从滚动轴承的时频分布中提取瞬时转频分量的问题,本文利用由轴承包络时频谱中提取的瞬时故障特征频率替代传统瞬时转频实现重采样,进而基于故障特征因子与转频阶比边带构造故障特征阶比模板以实现变转速运行模式下滚动轴承故障诊断。其具体算法由以下四个部分组成：首先,联合应用谱峭度滤波算法与短时傅里叶变换得到能够突出瞬时故障特征频率的包络时频谱;其次,提出基于幅值重调的峰值搜索算法对瞬时故障特征趋势线进行提取;再次,以瞬时故障特征频率趋势线为基础对原信号进行故障相角域重采样并得到故障特征阶比谱;最后,根据被监测轴承的故障特征因子构造故障特征阶比模板对滚动轴承的运行状态与故障类别进行判断。仿真算例和应用实例将对该算法的有效性予以证明。     

基于改进峰值搜索法的旋转机械瞬时频率估计

提出了一种用于提取转子瞬时频率的改进峰值搜索法,并将该方法应用于旋转机械阶比跟踪。改进的峰值搜索法将瞬时频率中相邻两点一阶导数的差值作为搜索峰值是否合理的判别条件,避免了传统峰值搜索法在干扰信号作用下提取到的虚假峰值,提高了瞬时频率的估计精度。仿真实验表明,改进的峰值搜索法能够降低干扰信号对瞬时频率提取的影响,效果优于传统的峰值搜索法。用该方法对实测转子升速振动信号进行阶比分析,取得了良好的效果。     

时变工况行星齿轮箱对数时频脊阶次谱故障特征提取

风电机组齿轮箱工作于强噪声且变转速变载荷的工况下,其振动信号非常复杂。建立了一个时变转速变载荷的行星齿轮箱振动信号模型。提出了时频脊阶次谱故障特征提取方法。对振动信号进行Wigner-Ville时频变换,取对数后进行重排;采用Crazy climber方法提取对数重排时频谱图中的峰值脊线;将脊线转换为时频脊阶次谱。通过仿真信号与转速、载荷连续波动实验数据表明,对数时频脊阶次谱故障特征能够为时变复杂工况行星齿轮箱故障预警提供有效的依据。     

基于同步挤压S变换和集成深层脊波自编码器的轴承故障诊断

针对传统滚动轴承故障诊断算法过度依赖专家经验和故障特征提取困难的问题,提出一种基于同步挤压S变换(SSST)和集成深层脊波自编码器(EDRAE)方法。该方法对轴承振动信号进行SSST变换得到时频图像,并将时频图像进行双向二维主成分分析压缩;利用不同的脊波函数设计不同的脊波自编码器(RAE),并构造相应的深层脊波自编码器(DRAE)且引入"跨层"连接以缓解DRAE的梯度消失现象;将压缩时频图像输入各DRAE网络进行无监督预训练和有监督微调,并通过加权平均法输出识别结果。试验结果表明,基于SSST和EDRAE的轴承故障诊断方法能有效地对轴承进行多种工况和多种故障程度的识别,特征提取能力和识别能力均优于人工神经网络、深度信念网络和深度自编码器等模型。     

基于t-SNE和LSTM的旋转机械剩余寿命预测

针对旋转机械的剩余使用寿命预测问题,提出了一种基于t分布随机近邻嵌入(t-SNE)和长短期记忆网络(LSTM)的预测方法。将t-SNE降维方法引入旋转机械振动信号特征提取,实例验证表明无论针对时频域特征或小波包分解得到的能量特征,经t-SNE降维后特征区分度更加明显,利用降维后的特征进行故障模式识别,正确率接近100%;提出利用样本间散度作为旋转机械退化指标,实验表明样本间散度对旋转机械性能退化趋势的表现相比其他指标更加明显;以不同的训练样本量,利用LSTM方法进行剩余使用寿命预测,为了验证LSTM方法的有效性,将其与BP神经网络、灰色预测模型、支持向量机等方法进行比较,结果表明LSTM方法能够预测旋转机械退化趋势,显著提高剩余使用寿命的预测精度,对旋转机械的健康监测和寿命预测具有一定的理论指导意义。     

RS-LOD方法及其在旋转机械故障特征提取中的应用

局部波动特征分解(LOD)方法是一种新的自适应时频分析方法。该方法通过采用微分、坐标域变换、分段线性变换三种运算,可以高效地将信号自适应分解为一系列的单一波动分量(MOC),非常适合于处理多分量信号。然而,由于分段线性变换的使用,虽可以显著提高算法的计算效率,但会使MOC分量缺乏光滑性,从而导致失真。对此,将样条曲线形状可调可控的有理样条函数引入LOD方法替代分段线性变换,提出了基于有理样条函数的局部波动特征分解(RS-LOD)方法。在详细阐述RS-LOD分解原理的基础上,通过仿真信号将RS-LOD、LOD和经验模态分解(EMD)进行了对比分析,结果表明RS-LOD方法可以明显改善原LOD方法中MOC分量光滑度差的问题。此外,针对旋转机械故障振动信号的多分量调制特点,将RS-LOD方法应用于旋转机械的故障特征提取,对滚动轴承和齿轮箱故障振动信号的分析结果表明,RS-LOD方法可以有效地提取旋转机械振动信号的故障特征。     

离心泵空化下的转速瞬变特性试验研究

通过安装轴编码器获取了离心泵空化过程的转速瞬变信号,利用时域和频域分析手段进一步探索在不同空化程度下转速瞬变的特点和规律。分析结果表明:当离心泵内刚发生空化时,离心泵的转速变化范围最大,以标准差衡量转速的波动程度也最大,严重空化时转速的波动程度高于未空化时的波动程度;在频域上,试验用离心泵—电机系统的转速的固有频率为2.9 Hz,空化条件下泵转速的主频也是轴频,不随流量和空化程度的改变而改变,但是同一流量下,空化初生时主频的幅值最高,严重空化时次之,未空化时最小;而不同流量下空化初生主频处的幅值则随着流量的增加先增大后减小,在设计流量下空化初生时主频处的幅值达到最大;在时频域上,通过小波分析的方法对转速的特征进行了分析,发现在空化下转速的能量主要集中在39~46.9 Hz,并且在空化初生时转速的能量最大。     

基于信号子空间的新型盲解卷积方法

解卷积方法已广泛应用于振动信号的故障冲击提取。然而设备运行工况复杂多变、故障特征周期难以准确预知以及随机冲击干扰,使得当前的解卷积方法难以适应工业现场复杂环境下故障冲击增强的需求。针对该问题,提出了一种基于信号子空间的新型盲解卷积方法。该方法通过奇异值分解(SVD)方法将测试信号空间分解,分离各子空间,在此基础上通过稀疏编码收缩抑制子空间噪声,以脉冲稀疏指数为指标筛选有效子空间,最后迭代实现故障脉冲提取。轴承变转速仿真试验和列车轴承试验结果表明,该方法不仅可以有效消除随机冲击和噪声,避免能量对子空间筛选的影响,而且在缺乏准确的故障特征周期情况下仍能实现故障脉冲的准确提取。     

基于EMD小波阈值去噪和时频分析的齿轮故障模式识别与诊断

建立了齿轮故障系统试验装置,对齿轮传动系统在各种转速与故障状态下进行测试分析,获取了有关振动信号,对齿轮系统的无故障、齿根裂纹、分度圆裂纹、齿面磨损四种状态信号进行特征提取,并对提取的信号进行基于经验模态EMD分解的小波阈值去噪处理,然后对预处理后的信号进行时频分析与诊断。结果表明,采用基于EMD的小波阈值去噪方法比单纯采用小波阈值去噪对测试信号进行预处理,能提高信噪比,并更加有效的提取出故障特征,而在EMD的小波阈值去噪的基础上,再与时频分析方法相结合能够较好的识别不同运转状况下不同种类的故障,如齿根裂纹、分度圆裂纹、齿面磨损等,可用于对实际工程工作的齿轮系统进行故障诊断。     

时频谱相似性度量的故障特征提取方法

针对齿轮或轴承在局部故障损伤状态下的振动信号,提出一种基于时频谱相似性度量的故障特征提取方法,用于齿轮或轴承相关故障的诊断。该方法首先利用比例因子可调的S变换对振动信号进行时频变换;然后在S变换时频谱中,选取一个显著的冲击特征,保持其频率不变,令其沿时间轴方向,从初始时间平移至终了时间,同时计算冲击特征与所遮掩时频区块之间的余弦相似度和相关系数;平移结束后获得余弦相似度和相关系数的曲线。仿真信号和齿轮、轴承故障振动信号的处理结果表明,余弦相似度曲线和相关系数曲线均可展现出故障冲击特征的周期性变化规律,且两者的频谱均能够提取出故障特征频率,实现齿轮或轴承相关故障的识别。