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。     

基于故障可诊断性的齿轮箱传感器优化布置

针对目前在优化传感器布置时对齿轮箱可能发生的故障信号是否能被识别与分离研究较少的情况,将故障可诊断性应用于齿轮箱传感器优化布置中,并运用奇异值比值、故障可诊断性、平均加速度幅值三个评价准则构成的综合指标评价不同布置方案,最终确定最优传感器布置方案。对齿轮箱进行模态分析,提取模态振型;再运用K均值聚类算法根据自由度在重要模态中振型的动力相似性进行分类;利用有效独立平均加速度幅值法初选测点;在这些节点位置处测得可能出现的故障信号,对其进行快速傅里叶变换,得到相应故障的频谱图,利用核密度估计求取对应故障的密度函数,再利用K-L散度判断各位置处的故障可诊断性;运用综合指标评价,确定最优方案。通过ZDH10型齿轮箱故障诊断试验台验证了所提方法的可行性。     

基于小波包的齿轮箱故障诊断

提出了一种齿轮箱故障诊断的方法,这种方法首先利用小波包提取齿轮箱振动信号的故障特征域,然后计算特征域上绝对值信号的频谱,以正常信号的频谱和特征域上绝对值信号的频谱的相似程度作为齿轮箱故障与否的判据,将齿轮箱的特征频率和特征域上绝对值信号的频谱相比较来判断齿轮箱的故障模式.将此方法应用于齿轮箱断齿故障的诊断表明,这种方法能够准确地诊断出齿轮箱中的冲击故障.     

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。     

基于相图相似度的发动机转子系统故障诊断方法研究

针对频谱分析法在判别航空发动机转子系统早期故障时振动信号易被噪声干扰而不能准确识别的问题,提出基于振动相图相似度的故障诊断方法。在分析发动机不同状态时整机振动信号参数在不同范围随机变化导致相轨迹分布不同的基础上,通过计算相图相似度来判别故障类型。实践表明,该方法能有效去除噪声对故障信息的干扰,诊断准确率高,判别速度快,具有实用价值。     

基于最大相关峭度解卷积行星齿轮箱微弱故障诊断#br#

最小熵解卷积(MED)是一种常规的微弱故障特征提取方法,对局部故障脉冲有比较好的提取效果,但是对于含有周期性故障脉冲的振动信号,故障特征识别率比较低。微弱故障时候的行星齿轮箱产生的振动信号通常是周期性的,MED不能取得比较好的识别效果。针对行星齿轮微弱故障特征难以提取的问题,将最大相关峭度解卷积(MCKD)方法应用到行星齿轮箱微弱故障特征提取中。MCKD避免了最小熵解卷积对周期性冲击识别度低的缺点,同时可以有效抑制行星齿轮箱中谐波和噪声分量,准确地识别出行星齿轮箱所处状态。为了验证该方法在行星齿轮箱中的应用价值,将两种方法分别应用在传动系统综合诊断平台收集到的振动信号中,结果表明MCKD算法对于行星齿轮箱微弱故障识别有比较好的效果。     

Hilbert-Huang变换在行星齿轮箱故障诊断中的应用

提出了一种基于Hilbert-Huang变换的行星齿轮箱轴承故障诊断的新方法,叙述了该方法的基本原理.测量了行星齿轮箱轴承的故障振动信号,并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固有模态函数,然后对固有模态函数进行边际谱和能量谱分析,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.     

基于小波包与倒频谱分析的风电机组齿轮箱齿轮裂纹诊断方法

为实现风电机组齿轮箱及时有效地监测和维护,提出基于小波包与倒频谱分析的风电机组齿轮箱齿轮裂纹诊断方法。该方法针对齿轮裂纹振动信号为转速频率对啮合频率及其倍频调制的特点,利用小波包分解来识别振动信号中的故障特征,通过小波包频带能量监测得到故障部位的啮合频率范围;考虑到倒频谱可以分离和提取难以识别的密集调制信号的周期成分,基于倒频谱识别故障部位的转速频率,综合利用两种频谱分析方法得到的啮合频率和转速频率,能诊断故障部位和类型。实验研究表明,该方法能精确地诊断齿轮裂纹故障,并可以实现对风电机组齿轮在复杂环境中退化状态的监测,预防断齿等重大故障的发生。     

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.     

齿轮箱振动信号的分数阶时频谱多重分形特征提取研究

针对齿轮箱振动信号的非线性和非平稳性,提出一种基于Q阶加权矩结构分割函数法的分数阶时频谱多重分形特征提取方法。首先构造时频分辨率较好的分数阶S变换技术获取齿轮箱振动信号的分数阶时频谱;然后针对分数阶时频谱的特点,设计出一种Q阶加权矩结构分割函数法,用于提取分数阶时频谱的多重分形特征参数。对5种状态的齿轮箱振动信号进行了分析和研究,结果表明齿轮箱振动信号的分数阶时频谱具有多重分形特性,Q阶加权矩结构分割函数法提取的多重分形特征参数能有效描述分数阶时频谱的多重分形特征。     

中国标准动车组齿轮箱箱体动态特性分析研究

通过线路试验获取了中国标准动车组齿轮箱箱体振动加速度时间历程。结合车载GPS信号,分析了列车运行速度、轨道结构条件、通过道岔等典型工况下齿轮箱箱体的振动响应及变化规律。采用核密度估计函数分析箱体振动加速度的分布特点,并依据3σ准则给出了不同出现概率下箱体振动加速度的最大幅值。研究结果表明:随着列车运行速度的增大,箱体振动强度呈现增大趋势;列车由有砟轨道进入无砟轨道时,齿轮箱箱体横向、垂向振动加速度有效值分别增大了28%,29%;列车通过道岔时,齿轮箱箱体振动加速度幅值及有效值均有较大的波动。采用核密度估计的加速度概率分布与实测数据更为吻合,350km/h列车运行速度下,出现概率为99.73%时箱体横向、垂向振动加速度幅值分别为10.69g,8.78g。该研究获得的齿轮箱箱体动态特性为高速列车齿轮箱箱体的开发和运用提供参考。     

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。     

振动信号频谱相对幅值的计算方法研究

针对高速列车振动信号因速度变化而导致的谱密度参数幅值不一致问题,提出一种振动信号谱密度相对幅值的计算方法.该方法通过希尔伯特变换对振动信号求取瞬时相位,并对信号相位曲线进行傅里叶谱计算,求取振动信号的归一化谱密度,将列车在不同速度集下的振动谱密度统一起来.通过仿真测试和列车在160,200,250km/h速度集下的实测齿轮箱振动信号频谱相对幅值计算,表明该方法在列车不同速度下结果具有良好的一致性,受噪声影响小,较好反应列车的真实运行状态,具有一定可靠性.     

基于EEMD和Teager能量算子的行星齿轮箱故障特征提取研究

针对行星齿轮箱振动信号故障特征提取困难、幅值和频率调制明显等问题,提出一种基于集合经验模态分解(EEMD)和Teager能量算子的行星齿轮箱故障特征提取方法。新方法首先利用EEMD分解样本信号得到若干本证模量函数(IMF),计算各IMF与原始信号的相关系数和欧式距离,筛选出能够表征原始信号特征的分量。其次,计算筛选后各IMF分量的Teager能量算子,将计算结果进行信号重构。最后,提取重构信号模糊熵及其对应概率密度函数的波形指标,作为基本特征参数进行故障诊断。将所提方法应用于行星齿轮箱实验数据分析,并与常用特征提取方法对比,结果表明:所提出的新方法不仅能有效区分行星齿轮箱故障类型和程度,且识别率优于所对比的方法。     

基于阶次分析技术的行星齿轮箱非平稳振动信号分析

行星齿轮箱启动、停止和负载发生变化时,转速会发生变化并使得行星齿轮箱的振动信号具有明显的非平稳特性。行星齿轮箱复杂的结构特征导致了振动信号的复杂性,使得常规的频谱和解调分析方法难以识别时变工况下的行星齿轮箱故障特征频率。本文在行星齿轮箱故障特征频率的基础上,考虑转速变化特征,总结了行星齿轮箱太阳轮、行星轮及齿圈的故障阶次特征表。通过对行星齿轮箱变转速工况下太阳轮故障实验信号的阶次分析,实现了变转速情况下行星齿轮箱太阳轮故障诊断,并与传统的频域信号分析方法比较,体现了阶次分析技术在行星齿轮箱变工况故障诊断过程中的优势。     

基于同步平均与倒频谱编辑的齿轮箱滚动轴承故障特征量提取

在齿轮箱振动信号中,由于滚动轴承早期故障信号相对较弱,传统的齿轮箱滚动轴承故障诊断方法通常难以有效地提取轴承故障信息。为实现滚动轴承故障特征的准确提取,本文提出了一种基于同步平均和倒频谱编辑的齿轮箱滚动轴承故障分离诊断方法。所提方法首先利用时域同步平均实现齿轮成分增强,并通过倒频谱获得齿轮成分对应的倒频谱线准确位置,然后对原信号的倒频谱进行编辑实现对其中齿轮成分的或削弱以突出信号中的滚动轴承故障特征,提高齿轮箱滚动轴承故障诊断的准确性。仿真和试验结果验证了该方法的有效性。     

齿轮箱断齿特征识别的S变换-SVD降噪组合方法

齿轮箱作为传动结构的核心部件,其断齿故障将直接导致设备损伤,产生巨大经济损失。为了从齿轮箱振动信号中准确识别出断齿故障,把S变换时频谱与奇异值分解(SVD)降噪相结合,通过对比分析奇异值比值谱与差分谱的差异,提出了S变换-奇异值比值谱选取阈值的降噪方法。将信号S变换的时频矩阵作为SVD的构造矩阵,采用奇异值比值谱选取置零阈值位置进行降噪,对降噪后的时频矩阵进行S逆变换,获得信号的时域冲击特征,并结合S变换时频图,从而识别出冲击特征频率。通过仿真信号和实验信号对所提改进方法的有效性进行验证,结果表明,该方法能够更加直观准确地识别出仿真信号的周期性冲击特征与齿轮箱行星齿轮的断齿故障特征。     

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。     

基于变分模式分解的行星齿轮箱齿轮组合故障频率解调分析

行星齿轮箱组合故障振动信号具有多源调制特点,在频域内边带结构复杂,通过常规Fourier频谱分析难以有效提取故障特征;组合故障振动信号的调频部分包含故障信息,且不受传递路径影响。为了准确提取行星齿轮箱组合故障特征,提出基于变分模式分解的频率解调分析方法。根据采样频率和载波频率确定单分量个数,通过变分模式分解将多分量信号自适应地分解为一系列本质模式函数;计算本质模式函数的瞬时频率,根据中心频率和啮合频率的匹配关系选取敏感单分量;通过分析敏感单分量瞬时频率频谱诊断组合故障。通过仿真信号和实验信号分析验证了方法的有效性,诊断了太阳轮与行星轮、太阳轮与齿圈、行星轮与齿圈的组合故障。     

变载荷齿轮箱故障信号智能检测方法

针对变载荷激励下齿轮故障信号检测和故障识别的问题,提出一种基于经验模态分解和深度信念网络的变载荷齿轮箱故障信号智能检测方法。首先通过经验模态分解方法将非平稳的加速度振动信号分解成若干平稳的本征模态函数;选出啮合频率及倍频所在的本征模态函数,重构信号,求出重构信号的频谱,作为深度信念网络的输入;深度信念网络通过对输入频谱进行预训练和特征学习,并建立变载荷激励下齿轮故障识别分类模型;最后,用构建好的深度信念网络对测试样本进行故障诊断。试验结果表明,提出的方法能有效地检测和识别变载荷激励下齿轮故障。