基于双谱的滚动轴承局部损伤故障诊断方法研究

针对故障滚动轴承振动信号的耦合特征,将双谱和双相干谱分析方法用于滚动轴承故障特征的提取,给出了外圈、内圈、滚动体局部损伤三种不同状态下轴承振动信号的双谱及双相干谱图,基于双谱形成了故障特征向量。试验表明,对于损伤元件不同的轴承故障,双谱特征图谱存在明显的差异,而且双谱比双相干谱更有利于故障特征的提取,为局部损伤轴承的故障诊断提供有效的方法。     

粗糙表面的双相干谱分析

双谱分析是近年发展的一种随机信号的现代分析方法，它保留了信号的相位信息，可以定量描述信号之间的非线性相位耦合；同时具有很强的消噪能力，可以很好地反映信号的非对称特征．正常的加工条件下，表面轮廓符合高斯型分布，因此其双谱为零．但实际加工中，许多表面表现为非高斯型，其双谱不为零，此时可以用双谱分析定量地描述表面轮廓特征的非对称性．然而，用双谱表示灵敏度高、幅值大、不够直观，为了有效地反映表面轮廓的双谱特征，本文采用了双谱的归一化形式——双相干谱分析．最后还通过对几种典型试件的实验，证明了其有效性，并得出了一些有益的结论．     

双谱分析在往复泵故障诊断中的应用研究

针对当机械系统发生故障时,非线性特征更为突出的特点,提出了基于双谱分析的往复泵故障的振动诊断方法,研究了利用阀箱上振动信号的双谱,尤其是双谱沿f1=f2的切片谱识别泵阀故障,诊断实例表明,采用双谱分析可有效抑制振动信号中的噪声,得出比传统功率谱分析更明显的泵阀故障特征,可有效识别往复泵泵阀的初期故障。由于该方法仅利用阀箱上振动响应信号的双谱分析即可完成对泵阀不同类型故障的正确识别,故更为简单和实用。     

相关熵和双谱分析齿轮故障诊断研究

相关熵为高斯、非高斯噪声处理的一种有效方法,针对强高斯噪声和非高斯噪声干扰下齿轮故障诊断问题,提出了一种基于相关熵和双谱的齿轮故障诊断方法。该方法综合利用高斯核函数和不完全 Cholesky 分解算法计算信号的相关熵,然后再计算相关熵的双谱,根据相关熵的双谱特征识别齿轮故障。通过不完全 Cholesky 分解算法计算信号的相关熵,不仅大大压缩了数据量,突出了齿轮故障特征,而且提高了计算效率。通过仿真和齿轮磨损故障振动信号分析结果表明：强背景噪声会造成传统双谱故障诊断方法失效,而基于相关熵和双谱分析的齿轮故障诊断方法,能在强噪声干扰背景中提取齿轮的故障特征准确识别齿轮故障,其性能优于传统双谱和小波变换域双谱,为一种有效的齿轮故障诊断方法。     

基于不完全Cholesky分解相关熵双谱的轴承故障诊断

针对传统双谱难以有效处理强噪声干扰以及相关熵运算量大的问题,提出了一种基于不完全Cholesky分解相关熵和双谱分析的轴承故障诊断方法。该方法在不求出核矩阵的情况下,首先利用不完全Cholesky分解算法和核函数,计算核矩阵的低秩分解下三角矩阵;其次,利用Gini指数选取下三角矩阵的主分量,利用下三角矩阵的主分量计算核矩阵的低秩近似矩阵,进而计算信号的相关熵;最后,计算振动信号相关熵的双谱,根据相关熵的双谱特征识别轴承故障。通过不完全Cholesky分解算法和Gini指数计算信号的相关熵,不仅压缩了数据量,突出了轴承故障瞬态冲击特征,有效抑制了噪声的影响,而且提高了计算效率,减少了计算机内存占用量。通过仿真和试验轴承故障振动信号分析结果表明：强背景噪声会造成传统双谱故障诊断方法失效,而基于相关熵和双谱分析的轴承故障诊断方法,能在强噪声干扰背景中提取轴承故障瞬态冲击特征,准确识别轴承故障,其性能优于传统双谱和小波变换域双谱,为一种轴承故障诊断的有效方法。     

小波变换域双谱分析及其在滚动轴承故障诊断中的应用

工程信号不仅会受到高斯噪声干扰，而且也会受到非高斯噪声干扰。而传统双谱分析方法从理论上仅能抑制高斯噪声，但对非高斯噪声是无能为力的。针对传统双谱存在的不足，将小波变换和双谱分析结合，提出了一种基于小波变换域非参数化双谱故障诊断方法，并应用到滚动轴承故障诊断中。考虑到滚动轴承信号幅值调制特点，在本方法中，对处理信号采用了希尔伯特变换技术，以进行解调。实验结果表明，小波域双谱优于传统双谱，特别是在非高斯噪声情况下，小波域双谱更有优势；研究为滚动轴承故障诊断提供了一种新的有效方法。     

柴油机加速振动信号的阶比双谱特征提取

针对发动机加速过程振动信号的非平稳性和混有大量噪声的特点,提出计算阶比跟踪和双谱相结合的方法,将振动信号按等角度间隔进行软件重采样,得到阶域内的平稳信号,再进行双谱分析,通过仿真信号验证了该方法优于传统双谱。为了充分利用阶比双谱图中的信息,提出双谱特征阶比面的概念,通过比较阶比平面内的累加能量来反映不同工况的变化。诊断实例表明,该方法能有效提取柴油机曲轴轴承的故障特征。     

基于双谱的齿轮故障特征提取与识别

在引入双谱、双相干谱和人工神经网络的基本理论之后，深入研究了汽车变速箱齿轮振动信号的双谱和双相干谱特征以及频率间的耦合情况，形成故障特征向量，并利用BP人工神经网络，成功地将齿轮正常信号、磨损信号和断齿信号进行了分类。研究表明，对于齿轮振动信号，双谱比双相干谱更利于故障特征提取，不同状态下的齿轮振动信号中均存在二次相位耦合现象，但是耦合的形式不同，同时也表明，基于双谱和人工神经网络的故障诊断方法是有效的。     

特征模态函数双谱分析在叶片裂纹识别中的应用

针对叶片裂纹故障振动信号特征,提出特征模态函数的双谱分析法,首先利用经验模态分解(Empirical Mode Decomposition,EMD)对振动信号进行自适应滤波分解,产生一系列不同时间尺度的特征模态函数(Intrinsic Mode Function,IMF),然后对含有高频信号的高阶IMF分量进行重构,利用双谱提取叶片裂纹的振动信号特征。通过仿真信号和实验分析,验证叶片裂纹产生的高频冲击对叶片振动信号高频部分双谱的影响,证明IMF分量双谱分析的有效性,为风电叶片正常状态监测提供依据。     

基于频谱编辑和调制信号双谱的齿轮裂纹故障诊断

齿轮产生裂纹故障时,其振动信号中的周期性故障冲击成分易被其他旋转部件的谐波信号以及背景噪声淹没,导致故障特征难以提取。针对这一问题,首先用改进的频谱编辑方法对原始信号中谐波分量进行抑制,提高信噪比;然后对编辑后的信号进行双谱分析,采用相邻切片融合平均的方法对双谱进行降噪,从降噪后双谱中选取故障特征频率明显的切片进行组合平均得到复合切片谱,进而提取出齿轮的故障特征。仿真和实验信号表明:在低信噪比条件下,频谱编辑与调制信号双谱相结合的方法能够有效抑制谐波信号以及白噪声的干扰,提取出故障特征,实现齿轮裂纹故障诊断。