基于EEMD对称差分能量谱的行星齿轮箱故障诊断

为了准确地获得故障特征频率在行星齿轮箱复杂频率中的耦合情况,提出了基于集合经验模态(EEMD)和对称差分能量算子相结合的故障诊断方法。搭建了针对行星齿轮箱齿面磨损实验台,获得了行星齿轮箱全生命周期的实验数据。利用该方法分析了行星齿轮箱故障数据,得到了行星轮故障特征频率在啮合频率和倍频处的耦合规律,实现了行星轮齿轮箱的故障诊断。     

基于双谱特征的行星齿轮箱故障诊断方法

为了研究行星齿轮箱齿面磨损全生命周期实验的退化过程,使用了可以抑制高斯噪声和对信号中产生的频率耦合进行解耦的双谱方法去进行故障特征提取,提出了两个基于双谱的特征指标,双谱熵以及非高斯强度,并通过特征指标评价方法去检验其指标性能。结果表明基于双谱熵具有良好的指标性能,而且对于行星齿轮箱齿面磨损的早期微弱故障十分敏感,适用于行星齿轮箱齿面磨损的故障诊断。     

风电齿轮箱磨损故障建模与分析

为获得磨损故障状态下风电齿轮箱的传动特性,开展仿真实验研究。以MW级风电齿轮箱为研究对象,基于SolidWorks与ADAMS建立相应的虚拟样机,在合理设置仿真参数的基础上,进行健康和两种中间级行星轮磨损状态的动力学仿真。结果表明：通过监测风电齿轮箱高速级小齿轮的角加速度信号,可以判定中间级行星轮是否存在磨损故障;中间级行星轮磨损故障状态下,高速级小齿轮角加速度信号的故障频率幅值随着磨损程度的增大而增大,啮合频率的幅值随着磨损程度的增大而减小;高速级小齿轮角加速度信号的边带啮合频率幅值比可以作为中间级行星轮磨损故障的判别依据,通过该值可以监测磨损故障的变化趋势。     

基于改进的共振稀疏分解的滚动轴承故障诊断

针对滚动轴承早期微弱故障湮没在高强背景噪声中、造成故障特征信息提取困难的特点,提出一种改进的共振稀疏分解方法。首先采用变分模态对信号去噪,根据峭度-相关系数准则选取包含故障特征信息量多的分量进行信号重构;然后对重构后的信号进行粒子群优化的共振稀疏分解;最后对分解得到的低共振分量进行包络分析,提取故障特征频率。实验结果证明了该方法比传统共振稀疏分解更能有效地提取故障特征频率,有效地减少了干扰成分。     

基于包络谱分析的滚动轴承内圈故障声发射诊断研究

滚动轴承的早期故障信号很微弱,常规的振动法很难检测。声发射检测法具有采集较宽频率范围信号的特点,采用声发射法对内圈缺陷滚动轴承进行检测,采集宽频的声发射信号,利用小波分析方法把信号分解在不同频带,对低频信号进行重构,将重构后的包络谱特征频带与内圈故障理论特征频率相比较,结果表明:在包络谱图上可以找到理论的故障特征频率范围,这说明包络谱分析法对滚动轴承内圈故障声发射诊断是有效的。     

基于扭振信号的行星齿轮箱故障诊断

行星齿轮箱具有传动比大、传动效率高等优点,但比定轴齿轮有更复杂的结构,因常工作在恶劣的条件下,容易出现磨损或疲劳裂纹等故障。为有效诊断行星齿轮传动故障,本文采用基于扭振信号的故障诊断方法,并利用增量式编码器采集扭振信号。通过与横向振动信号相比,发现扭振信号频谱结构简单、对故障特征更加敏感。通过对行星轮故障实验扭振信号的分析,故障下的故障特征频率幅值有2倍的提升。角速度形式的扭振信号能准确诊断故障,为行星齿轮箱故障诊断提供了简明有效的途径。     

基于EMD和改进Teager能量算子的轴承故障诊断

为实现在非线性非平稳的轴承振动信号中提取出故障特征频率,提出了一种经验模态分解(EMD)和改进的Teager能量算子(NTEO)相结合的故障诊断方法。首先通过EMD将振动信号分解为若干阶本征模态分量(IMF),计算各阶IMF的峭度和与原信号的相关系数,利用峭度和相关系数均较大的IMF进行信号的重构,然后利用NTEO计算重构信号的瞬时Teager能量序列,最后对能量序列进行FFT变换,提取轴承的故障特征频率。分别对轴承内圈和外圈故障的振动信号进行分析,清晰地提取出了故障特征频率,并通过与传统Hilbert包络谱和Teager能量谱进行对比,验证了方法的有效性。     

基于WATVFEMD-SAM的轴承声信号故障诊断

滚动轴承声信号与振动信号相比其信噪比更低,此外还会受到强脉冲噪声的影响。频谱幅度调制(SAM)是一种新的故障特征提取方法,该方法能够有效识别脉冲噪声并对信号进行非线性滤波。然而尽管其可抑制脉冲噪声,但依然会受到其他背景噪声的干扰导致其滤波效果受到影响。针对上述问题,提出一种加权平均时变滤波经验模态分解WATVFEMD及SAM的滚动轴承声信号特征提取方法。首先对声信号进行TVFEMD分解;其次,提出了一种强调敏感分量的新型指标,利用该指标对各个IMFs加权并重构为WATVFEMD信号;最后,对重构信号进行SAM并提取故障特征频率。仿真研究及实验表明,相比常用的快速谱峭度方法,所提出的WATVFEMD-SAM能够更加有效地提取声信号故障特征频率,该方法的有效性得以验证。     

基于频率耦合的1.5维能量谱的轴承故障诊断方法

针对滚动轴承由于振动传递路径复杂以及强背景噪声而导致早期故障特征难以提取的问题,提出了基于频率耦合的1.5维能量谱的故障特征提取方法。用公式推导验证了1.5维谱不需要同时满足相位与频率耦合,能在只满足二次频率耦合的情况下使用,这对实际信号直接进行1.5维谱分析有很大的帮助。该方法是在信号经过预处理后对信号进行对称差分能量算子解调,获得解调信号,再对解调信号进行1.5维谱分析,最后获得1.5维能量谱。通过对实验数据的分析,验证了1.5维能量谱在滚动轴承故障诊断中的有效性。     

基于WTD和CEEMD的轴承故障特征提取方法

针对轴承故障信号常混有噪声干扰且故障特征难以准确提取问题,提出一种基于小波阈值去噪(WTD)和互补集合经验模态分解(CEEMD)的轴承故障特征提取方法。采用WTD对原始信号进行降噪预处理;对去噪信号进行CEEMD分解得到一系列本征模态函数(IMF);然后计算各个IMF和去噪信号的互相关系数,通过设定互相关系数阈值筛选有用IMF;最后将有用IMF重构并利用包络谱对重构信号提取故障特征频率。实测信号表明：所提出的方法能降低噪声干扰并有效提取故障特征信息,证明该方法在噪声环境下具有较高的可行性和较强的实用性。     

基于SVMD和自适应MOMEDA的齿轮箱故障诊断

受背景噪声和传输路径的影响，故障信号往往被淹没，故障特征难以提取。基于此，提出一种连续变分模态分解(SVMD)和自适应MOMEDA相结合的故障诊断方法，通过SVMD前处理得到重构信号，然后以平均谱负熵为适应函数，通过人工鱼群优化算法自适应选择MOMEDA的最优参数。利用所得参数对重构信号进行MOMEDA滤波，最后进行包络谱分析，做出故障类型诊断。将所提方法应用于齿轮箱主动轮断齿故障的仿真信号和实验信号中，在包络频谱中可以清楚地分辨出小齿轮转频及其倍频， 同时所提方法相对其他方法具有更好的表现效果。     

基于VMD能量熵和HMM的行星齿轮箱故障识别方法

针对行星齿轮箱振动信号成分复杂、非平稳、非线性的特点，提出一种基于变分模态分解(VMD)能量熵和隐马尔科夫模型(HMM)的故障识别方法。利用VMD算法对不同故障类型的齿轮振动信号进行分解，提取经信号分解得到的各阶本征模态函数(IMF)的能量熵。基于不同故障类型的各IMF分量能量熵在分布上的各异性，将其集合作为故障识别的特征向量。利用不同故障类型的特征向量组成的训练集训练HMM，计算最大对数似然概率值，用于判断测试样本的故障类型。利用该方法对一定转速下行星轮的3种故障进行识别，结果表明：当载荷不同时，它对行星轮齿根裂纹、断齿和齿面磨损3种故障的平均识别率可达到95.83%     

基于时间序列分析的行星齿轮箱故障诊断

齿轮箱运转的环境会导致信号采集时产生强大的噪声干扰,提出时间序列的方法对齿轮箱进行故障诊断。采用时间序列分析对行星齿轮箱进行谱分析,通过与传统频谱分析比较可以看出,该方法具有较好的识别能力。通过Labview虚拟仪器设计的数据采集系统进行数据的采集提取特征信号,确定模型阶次为5阶,最后利用AR模型参数算法来确定其正常状态下齿轮参数容差范围,在阶次不变的情况下分析出故障信号的模型参数,与正常信号参数容差范围进行对比,从而对齿轮箱故障进行诊断,该方法在齿轮诊断方面效果较为显著。     

基于最大相关峭度反褶积法的行星齿轮故障诊断

针对行星轮系结构复杂,故障信号特征提取困难,提出使用扭振信号对行星齿轮箱故障进行诊断。通过对行星齿轮箱横向振动信号与扭振信号的频谱分析发现,扭振信号相对于往复振动信号更适合行星轮系的故障诊断。针对扭振信号微弱,冲击特性不明显,提出基于最大相关峭度反褶积处理扭振信号。首先对采集的行星齿轮扭振信号先进行零均值化预处理,然后使用MCKD方法增强扭振信号的冲击特性。以故障冲击特性的峭度值作为选择FIR滤波器长度的选择依据,最终使得行星齿轮箱扭振信号的故障冲击特征得到显著提升。该方法对于扭振信号的降噪与提高周期故障冲击特征有效,适用于行星齿轮箱扭振信号的故障诊断。     

自回归HVD算法在频耦复合故障诊断中的应用

HVD（希尔伯特振动分解）算法以其强烈的抗模态混叠性能,常用于频率耦合下的信号分解,但起始端点的选择是制约其工程应用的关键。针对此,提出一种自回归HVD算法确保抑制边界效应的同时解决频耦信号精准分解难题。此方法以HVD为分解基函数,结合自回归模型具备的自适应边界延拓的能力完成对HVD算法的优化,最终完成复合故障中具有频率耦合特性的信号精准分解。以风力机实验系统的二级平行轴齿轮箱为验证对象,分析不同转速下的复合信息,辨识效果证明自回归HVD在具有频耦特性的复合故障诊断中具有显著优势。     

基于短时傅里叶变换和深度卷积神经网络的直升机齿轮箱故障诊断方法

齿轮箱作为直升机重要的传动机构,其运转的可靠性对保障直升机系统安全具有重要的作用.针对传统信号处理需要大量专家经验来识别故障类型的不便性和复杂性,为了实现直升机齿轮箱故障诊断,本研究提出一种基于短时傅里叶变换和深度卷积神经网络的故障诊断方法.首先,将采集到的直升机齿轮箱振动信号利用短时傅里叶变换绘制时频图,以提取振动信...