基于谐波小波分析的故障诊断方法研究

谐波小波分析可有效提取非平稳信号中的奇异成分。但当信号中存在噪声时，谐波小波分解的时频等高线图无法凸显其奇异成分。本文采用谐波小波时频剖面图，对仿真信号和齿轮故障信号进行分析，成功提取出信号中的奇异成分。诊断实例证明，该方法可有效用于设备故障诊断。     

改进增强峭度图和增强包络谱在滚动轴承故障诊断上的应用

针对滚动轴承故障诊断问题,在分析了基于二进制小波包分解的增强峭度图方法的不足后,提出了基于谐波小波包分解的改进增强峭度图方法。通过计算故障信号的改进增强峭度图,筛选出峭度值最大的最优节点,利用最优节点处的谐波小波包系数进行信号重构,并对重构信号做增强包络谱分析,利用故障特征频率的理论计算值与增强包络谱中峰值明显的谱线进行对比,从而对轴承故障类型做出判断。运用所提出的诊断方法分别对滚动轴承内圈故障模拟、实测信号进行分析,结果表明,该方法具有一定的可靠性,能够满足实际的工程需要。     

基于SSWPT边际谱特征信息提取的齿轮故障诊断EI北大核心CSCD

在噪声的影响下,齿轮的故障信息不易被识别。同步压缩小波包变换(synchrosqueezed wave packet transform,SSWPT)作为一种新的时频分析方法,具有良好的抗噪声能力。在其基础上提出基于SSWPT边际谱特征信息提取的齿轮故障诊断方法。首先,对故障齿轮的振动信号进行SSWPT得到信号的能量矩阵,并对能量矩阵进行积分变换求取齿轮振动信号的边际谱;然后,根据边际谱提取啮合频率及其倍频,并选择对应的啮合调制频带对能量矩阵运用同步压缩小波包逆变换(synchrosqueezed wave packet inverse transformation,ISSWPT)进行信号重构;最后,对重构信号进行解调分析,从而可以有效提取齿轮故障特征频率。仿真及试验分析结果表明,该方法可以准确地提取齿轮故障特征信息,且分析效果优于包络谱和基于快速谱峭度的共振解调方法,为齿轮的故障特征提取提供一种有效的方法。     

谐波小波时频图在齿轮故障诊断中的应用

谐波小波具有简单的时频表达式和更加普遍意义上的正交性，在频域具有良好的盒形谱特性，以及简单快速的FFT分解算法。根据其FFT分解算法构造出谐波小波的时频网格图、时频等高线图与时频剖面图，并用它们成功提取出某试验台齿轮箱的周期性断齿冲击信号，说明谐波小波具有较大的工程应用价值。     

基于时间-小波能量谱的齿轮故障诊断

振动信号中的冲击现象及其频率特征是诊断齿轮局部损伤故障的重要依据之一。针对齿轮故障特征提出了一种时间-小波能量谱信号处理方法,它能够有效提取振动信号中冲击成分的时域和频域特征。利用时间-小波能量谱方法分析了正常、磨损、断齿等三种状态的齿轮箱振动信号,并与传统频谱分析方法进行相比。结果表明：时间-小波能量谱不仅可以有效提取故障特征,识别出齿轮箱的故障存在,而且可以清晰地分辨出故障类型及故障元件。     

谐波小波滤波在旋转机械信号分析中的应用

由于谐波小波具有良好的盒形频谱特性,应用谐波小波可以将非平稳振动信号既不交叠又无遗漏地分解到相互独立的频带上去,特定频段的成分与信号的其它频率成分通过谐波小波分解被分离了,再进行重构就可将特定频段的成分提取出来,实现谐波小波滤波.     

基于小波-倒频谱的齿轮故障诊断方法及应用

利用振动信号采集到的齿轮故障信息,依据点蚀的故障机理和频谱特征,采用小波分解将信号分解在不同频带,有效抑制了背景噪声,从而得到故障特征频带,获得周期性突变的故障信息。选择故障所处频带重构信号,对故障进行诊断。结合倒频谱方法可以有效地识别故障特征频率。结果表明小波分析与倒频谱相结合是齿轮故障检测中一种有效的诊断方法。     

基于小波-倒频谱的齿轮故障诊断方法及应用

利用振动信号采集到的齿轮故障信息,依据点蚀的故障机理和频谱特征,采用小波分解将信号分解在不同频带,有效抑制了背景噪声,从而得到故障特征频带,获得周期性突变的故障信息.选择故障所处频带重构信号,对故障进行诊断.结合倒频谱方法可以有效地识别故障特征频率.结果表明小波分析与倒频谱相结合是齿轮故障检测中一种有效的诊断方法.     

奇异值分解结合频率切片小波的齿轮故障特征提取

频率切片小波变换是一种有力的时频分析方法,但在强背景噪声条件下其故障特征识别能力不足,故提出奇异值分解结合频率切片小波的故障特征提取方法。首先利用原始信号构造Hankel矩阵,根据奇异值差分谱单边极大值原则确定阶次并进行降噪处理,继而利用频率切片小波对降噪信号进行全频分析,确定信号分量分布区间之后,对能量集中的信号进行频率切片细化分析,用时频图及重构信号提取齿轮故障特征。通过仿真及实测齿轮的点蚀信号分析,表明该方法能够实现齿轮运行状态的准确判别,有一定的工程实际意义。     

基于有效奇异值数量规律的滑动轴承转子轴心轨迹提纯研究

针对实测的主轴位移信号存在噪声污染的问题,提出基于有效奇异值数量规律的轴心轨迹提纯方法,并将其应用于大型滑动轴承试验台转子的轴心轨迹提纯,效果优于传统算法(EMD、谐波小波)及其改进算法(基于EMD的改进谐波小波算法),成功识别了转子的不对中故障。此外发现,当奇异值差分谱的首个峰值和紧随其后的差分谱幅值很接近(≥97.16%)时,根据差分谱方法提纯的轴心轨迹会发生畸变,并从能量损失的角度对这种现象进行了分析,分析指出,在这种情况下应该以第2个差分谱峰值对应的分量个数重构信号才能提纯到正确的轴心轨迹,从而进一步完善了差分谱理论。研究结果表明,利用改进的差分谱法的轴心轨迹提纯效果与该研究提出的有效值法的效果相当。     

级联双稳随机共振和基于hermite插值的局部均值分解方法在齿轮故障诊断中应用

针对于弱信号在齿轮故障中难以提取问题,提出了一种基于级联双稳随机共振 (Cascaded Bistable Stochastic Resonance,简称CBSR)降噪和局部均值分解（Local Mean Decomposition,简称LMD）齿轮故障的诊断方法。随机共振可有效削弱信号中的噪声,利用噪声增强故障信号的微弱特征;LMD方法可自适应将复杂信号分解为若干个具有一定物理意义上PF分量之和,适合处理多分量调幅调频信号。首先将振动信号进行CBSR消噪处理,然后对消噪信号进行LMD分解,通过PF分量的幅值谱找到齿轮的故障频率。通过齿轮磨损故障诊断的工程应用,表明该方法可以有效提取齿轮故障微弱特征,实现齿轮箱的早期故障诊断。       

基于EMD的时频熵在齿轮故障诊断中的应用

提出了一种基于EMD(EmpiricalModeDecomposition)方法的时频熵齿轮故障诊断方法。首先利用EMD方法分解齿轮振动信号,然后将得到的内禀模态分量进行Hilbert变换,以得到振动信号的时频分布,将信息熵理论引入时频分布,定量描述时频平面上不同时频段的能量分布,各时频段能量分布的均匀性可以反应齿轮的运行状态的差别,从而可以通过时频熵的大小判断齿轮的工作状态和故障类型。实验证明该方法能有效的判断齿轮故障特征,为齿轮故障诊断提供了新的思路。     

A Method for Gear Fault Diagnosis Based on the Empirical Mode Decomposition

According to the characteristics of gear fault vibration signals, a method for gear fault diagnosis based upon the empirical mode decomposition (EMD) is proposed in this paper. By using EMD, any complicated signal can be decomposed into a finite and often small number of intrinsic mode functions ( IMFs) , which are based upon the local characteristic time scale of the signal. Thus, EMD is perfectly suitable for non-stationary signal processing and fault characteristics extracting. It is well known that a gear vibration signal consists of a number of frequency family components, each of which is a modulated signal. Thus, we can use EMD to decompose a gear fault vibration signal into a number of lMF components, some of which correspond to the frequency families, and the others are noises. Therefore, the frequency families can be separated and the noise can be decreased at the same time. The proposed method has been applied to gear fault diagnosis. The results show that both the sensitivity and the reliability of this method are satisfactory.     

齿轮传动系统损伤检测与多故障分类研究

研究了数据挖掘的支持向量机的智能故障检测与诊断方法。通过对齿轮系统在不同的运转状态下的工作状况进行试验测试分析,获取了有关的测试信号,并对不同的故障振动特征信号进行了特征提取与分析研究。在此基础上将支持向量机引入到齿轮传动的损伤检测与诊断之中,建立了两分类和多分类分类器,研究了支持向量机的两分类和多类分类算法。通过分析处理、训练和测试仿真数据以及齿轮振动特征信号,对齿轮系统在各种不同转速下不同故障进行了预测、分类和诊断。研究表明, 支持向量机能够很好的区分不同运转状况下各种典型齿轮损伤与故障,低转速下识别率更高,为95%,特别是对各种复合类故障具有较高的识别精度、识别率在81%以上。它在齿轮故障诊断中具有较好诊断识别能力与发展前景,是一种有效地损伤检测与诊断新方法。     

一种增量式半监督VPMCD齿轮故障在线诊断方法

针对齿轮故障诊断中难以获得大量故障样本的问题及实时在线诊断的需求,提出了一种基于增量式半监督多变量预测模型(Incremental Semi-supervised Variable Predictive Model based Class Discriminate,ISVPMCD)的齿轮故障在线检测方法。首先使用VPMCD方法给少量的已知样本建立初始预测模型,接着利用VPMCD方法中的判据给未标识样本赋予初始伪标识,然后通过互相关准则筛选出伪标识样本,最后利用伪标识样本和已知样本作为训练样本更新初始预测模型,使得更新的预测模型能兼顾整个样本集的信息,从而可以有效地解决小样本的故障诊断问题,另外,由于该方法在实时更新新样本的过程中不需要再次建立判别模型,从而缩短了分类时间,为实时在线诊断提供了新的思路。对UCI标准数据以及齿轮实测数据的分析结果表明,适合于小样本的ISVPMCD模式识别方法可以更快更准确地识别齿轮工作状态和故障类型。     

基于MODWPT的Hilbert谱及其在齿轮故障诊断中的应用

在对基于最大重叠离散小波包变换(Maximal overlap discrete wavelet packet transform,简称MODWPT)的Hilbert谱方法进行介绍的基础上,将基于MODWPT的Hilbert谱应用于齿轮故障诊断当中。采用MOWDWPT可将多分量的复杂信号分解为若干个瞬时频率和瞬时幅值具有经典物理意义的单分量之和,然后求出各个单分量信号的瞬时频率和瞬时幅值,再进行组合便可以得到原始复杂信号完整的时频分布。对具有裂纹和断齿的齿轮故障振动信号的分析结果表明,基于MODWPT的Hilbert谱可以有效地提取齿轮振动信号的故障特征。     

基于SVDD和距离测度的齿轮泵故障诊断方法研究

提出了一种基于支持向量域描述和距离测度的齿轮泵故障诊断方法。该方法首先对齿轮泵各种工况下的振动信号进行小波包分解,提取各频带能量百分比作为特征向量;然后仅利用正常工况下的特征向量训练SVDD超球模型,通过定义绝对距离测度检测齿轮泵状态是否出现异常;最后针对每类工况下的特征向量单独训练SVDD超球模型,通过定义相对距离测度准确定位齿轮泵的不同故障工况。试验结果表明,采用小波包频带能量降低了数据维数,有效浓缩了故障信息;基于绝对距离测度和相对距离测度的SVDD故障诊断方法既能检测异常状态,又能区分各种故障工况,达到了状态监测和故障分类识别的目的。     

行星齿轮箱太阳轮故障动态啮合周期特性

与定轴齿轮箱相比,行星齿轮箱内部齿轮副复杂的相对运动所引发的振动响应更加复杂多样,因而对其关键部件进行故障诊断颇具挑战。当内部轮齿发生故障时,由于故障啮合位置的动态性引起传递路径的时变性,固定在系统箱体上的单个传感器观测到的故障信息强度亦将呈现不规则变化的独特性。若想恰如其分的利用这些故障信息实现简单而有效的诊断,需重点关注故障啮合位置的周期特性,而后基于该周期所观测的信号进行“统筹兼顾”的分析,便可突显出各类故障的差异性。该研究在深入研究行星齿轮系统内部齿轮副的运行规律的基础上,创新性的提出了确定太阳轮故障动态啮合位置周期的方法,并考虑了以下两种情况:行星轮各不相同;行星轮完全相同。基于上述两种情况分别推导出太阳轮和行星架所需的最小旋转圈数的一般性表达式,该表达式可用于计算齿圈固定型的行星齿轮箱中的太阳轮故障啮合位置的运动周期。最后通过实验提出并验证了基于上述周期的故障诊断最小数据长度。     

齿轮故障振动信号非高斯性特征趋势分析

以齿轮箱实测振动信号为对象,对齿轮点蚀故障发展过程深入研究。通过Gabor滤波仅保留振动信号的边带成分与随机成分;据双谱分析结果研究信号非线性、非高斯性变化,并提取非高斯性强度特征值;在故障趋势分析中利用“3σ准则”设定故障阈值。结果表明,非高斯性强度特征值对齿轮点蚀故障较敏感,可揭示故障发展变化趋势,有利于齿轮故障报警及寿命预测,对齿轮传动系统状态监测与故障诊断具有实际意义。