轴承故障诊断中的信号处理技术研究与展望

讨论了各种信号处理技术在滚动轴承故障诊断中的应用，如平稳信号处理技术、非平稳信号处理技术，非高斯和非白色噪声信号处理技术、非线性信号处理技术、奇异值分解技术以及各种智能诊断技术。详细比较了各种信号处理技术的特点、应用范围和研究进展，并指出了今后的若干研究方向，为轴承的故障诊断和在线监测提供了依据。     

基于HOC的故障诊断虚拟仪器系统研究

机械故障诊断仍是当今研究的一个热点,虚拟仪器技术的迅速发展,将故障诊断与电子测试技术结合起来,这是现代故障诊断技术发展的重要趋势.本文介绍了现代信号处理理论高阶累积量(HOC),并将其引入到虚拟仪器的信号分析处理之中,对机械齿轮传动系统的故障进行了特征提取和分析,以VC 软件开发平台为基础,结合MATLAB语言研制和开发出了机械故障诊断的虚拟仪器系统,设计了各种功能模块,包括机械振动信号的采集、分析处理和机械系统故障诊断等,实现了基于HOC故障诊断的虚拟仪器系统.     

基于Morlet小波的时频图在齿轮断齿故障诊断中的应用

齿轮传动系统振动信号带有明显的非平稳性,齿轮断齿故障使非平稳特征更加明显,并伴有明显的脉冲冲击特性。利用小波分析处理非平稳的优势,结合齿轮传动系统的振动特性和Morlet小波能够处理脉冲信号的特点,建立了基于Morlet小波的时频分析方法,通过对某齿轮增速箱齿轮断齿故障的诊断,证明本方法不但能够准确诊断出断齿故障,而且能够评估断齿数量,较好地弥补了传统频谱分析的不足。研究结果对于齿轮断齿等具有脉冲信号特征的故障诊断具有一定的指导意义。     

小波分析用于提升机振动故障诊断的研究

介绍了小波分析用于信号处理的基本思想及在机械故障诊断中的研究现状;针对提升机出现的非平稳振动故障,应用小波分析理论通过正交小波包变换,将信号分解到不同的频带内,实现了信噪分离,提取了提升机的振动故障信息。研究证明采用小波分析对提升机的非平稳振动进行深层次分析,可有效诊断出设备的故障,是处理非平稳信号的有力工具。     

新书介绍

1．《齿轮及齿轮箱故障诊断实用技术》一书系统论述了齿轮、滚动轴承和轴的常见失效形式，振动噪声产生的机理和故障的主要形式，调制现象和边频带分布特点，齿轮及齿轮箱振动信号的时域、频域和现代解调分析的各种处理方法，提取了十种典型故障振动信号特征。从现场诊断技术需要的角度出发介绍了齿轮箱故障诊断常用的振动噪声故障诊断方法、扭振故障诊断方法和润滑油分析技术，以及使用这屿方法和技术进行齿轮箱故障诊断的常用仪器和系统，判别标准建立方法和一些典型标准，最后分类介绍了齿轮箱故障诊断的工业应用实例。定价31元（含邮资）。     

用形态梯度法与非负矩阵分解的齿轮故障诊断

振动信号处理与特征参数提取是实现齿轮智能故障诊断的关键。提出采用形态梯度算法对齿轮振动信号进行处理,既可以抑制噪声又可充分突出故障信号的冲击特征,能够在强噪声背景下有效地提取振动信号中反映齿轮工作状态的有用分量;在此基础上提出采用非负矩阵分解的特征提取方法对信号进行压缩,计算用于齿轮故障诊断的特征参量。结果表明,与传统的信号处理与特征参量提取方法相比,笔者提出的方法能够具有更高的分类精度,为准确判断齿轮工作状态提供了一种行之有效的新方法。     

基于小波包和SOM神经网络的齿轮故障诊断仿真研究

鉴于齿轮振动信号非平稳的特征,提出用小波包分析和SOM神经网络相结合的新诊断方法。首先运用虚拟样机技术建立齿轮模型,模拟出各种故障,并提取出振动信号;然后用小波包分析提取能量特征,再用SOM网络对数据进行分类得到各种故障类型的标准样本,最后通过用待检测样本与标准样本进行对比分析得出诊断结果。仿真结果表明该方法对齿轮的故障诊断十分有效,对其他旋转机械的故障诊断和维修保养具有指导意义。     

基于现代信号处理方法的动态测量误差分析

动态测量误差信号是包含多分量的非平稳信号,成分的复杂性决定了对动态测量误差的分析和处理需要结合多种信号处理方法.如傅里叶变换、小波变换和神经网络等.分析了各种信号处理方法的原理及其在非平稳信号处理中的应用,建立了一个动态测量误差分析仿真系统,对系统输出的动态测量误差进行分析,将总误差进行分解,找出引起此总误差的各组成单元带来的单项误差,为进一步更精确的进行动态精度评定、动态误差诊断与控制,提供了科学的理论依据.     

新书介绍

1．《齿轮及齿轮箱故障诊断实用技术》一书系统论述了齿轮箱中的三大零部件——齿轮、滚动轴承和轴的常见失效形式，振动噪声产生的机理和故障的主要形式，调制现象和边频带分布特点，齿轮及齿轮箱振动信号的时域、频域和现代解调分析的各种处理方法，提取了十种典型故障振动信号特征。从现场诊断技术需要的角度出发介绍了齿轮箱故障诊断常用的振动噪声故障诊断方法、     

基于小波包变换与神经网络的齿轮故障诊断方法

对齿轮箱故障诊断问题进行研究,由于齿轮的振动信号是非平稳信号,常规的齿轮特征提取方法难以从振动信号中提取有效故障特征信息。笔者采用小波包理论对齿轮振动信号应用db12小波进行多层分解后,从而对信号进行消噪,并对消噪后的信号进行小波包3层分解及系数重构,再次对各频段能量进行处理分析从而得到特征向量。最终应用归一化方法对特征向量处理后再结合RBF神经网络进行故障诊断,并且取得了良好的诊断效果。     

船用机械设备故障诊断系统研究与开发

为了解决船用设备运行的可靠性这一问题,在工控机等硬件设备上开发了基于C#平台的船用机械故障诊断系统。首先,构建了工控机、信号调理器等硬件组成部分;在此基础上,采用C#编制了采集卡接口、信号处理方法、图形绘制等程序;最后进行了调试并应用于船用现场试验。结合齿轮故障设备模拟试验台,运用故障诊断系统采集信号,利用信号处理软件分析了正常齿轮与磨损齿轮的时域波形和频谱波形,分析了断裂齿轮的细化频谱的边频带,以此识别出了各类齿轮失效所在位置和原因。研究结果表明,船用机械设备故障诊断系统对于故障齿轮的检测具有有效性和可行性,同时该结果为利用故障诊断系统对轴承、柴油机等其他故障设备的诊断开发过程奠定了基础。     

The envelope order spectrum based on generalized demodulation time–frequency analysis and its application to gear fault diagnosis

The generalized demodulation time–frequency analysis is a novel signal processing method, which is particularly suitable for the processing of multi-component amplitude-modulated and frequency-modulated (AM–FM) signals as it can decompose a multi-component signal into a set of single-component signals whose instantaneous frequencies own physical meaning. While fault occurs in gear, the vibration signals measured from gearbox would exactly display AM–FM characteristics. Therefore, targeting the modulation feature of gear vibration signal in run-ups and run-downs, a fault diagnosis method in which generalized demodulation time–frequency analysis and envelope order spectrum technique are combined is put forward and applied to the transient analysis of gear vibration signal. Firstly the multi-component vibration signal of gear is decomposed into some mono-component signals using the generalized demodulation time–frequency analysis approach; secondly the envelope analysis is performed to each single-component signal; thirdly each envelope signal is re-sampled in angle domain; finally the spectrum analysis is applied to each re-sampled signal and the corresponding envelope order spectrum can be obtained. Furthermore, the gear working condition can be identified according to the envelope order spectrum. The analysis results from the simulation and experimental signals show that the proposed algorithm was effective in gear fault diagnosis.     

Hilbert-Huang变换在齿轮故障诊断中的应用

为齿轮故障诊断提供了一种新的途径,将Hilbert-Huang变换引入齿轮故障诊断,提出了局部Hilbert能量谱的概念,同时根据齿轮故障振动信号的特点建立了两种基于Hilbert-Huang变换的齿轮故障诊断方法:基于EMD的频率族分离法和Hilbert能量谱方法。采用EMD(Empiricalmodedecomposition)方法对齿轮振动信号能有效地将各个频率族分离;局部Hilbert能量谱可以反映齿轮振动信号的能量随时间和频率的分布情况,从而可以提取齿轮振动信号的故障信息。将这两种方法应用于齿轮故障诊断中,结果表明,基于EMD的频率族分离法和Hilbert能量谱方法都能有效地提取齿轮故障特征信息。     

机车走行部故障在线诊断的特征分析方法研究

在讨论特征分析方法原理的基础上，针对机车走行部故障在线监测过程中存在的信号分析与处理问题，运用整周期等角度采样方法将时域振动信号转换为角域信号，采用FFT变换将角域信号变换为对应的特征频谱，通过谱估计、谱图分析得到机车走行部各零部件的故障特征谱值，再根据该特征谱值识别机车走行部各零部件的故障。然后，根据机车走行部故障诊断的实际需要，设计了一套基于特征分析方法的机车走行部故障在线诊断系统。实验结果表明，该方法能准确、可靠地识别机车走行部故障。     

Wear detection in gear system using Hilbert-Huang transform

Fourier methods are not generally an appropriate approach in the investigation of faults signals with transient components. This work presents the application of a new signal processing technique, the Hilbert-Huang transform and its marginal spectrum, in analysis of vibration signals and faults diagnosis of gear. The Empirical mode decomposition (EMD), Hilbert-Huang transform (HHT) and marginal spectrum are introduced. Firstly, the vibration signals are separated into several intrinsic mode functions (IMFs) using EMD. Then the marginal spectrum of each IMF can be obtained. According to the marginal spectrum, the wear fault of the gear can be detected and faults patterns can be identified. The results show that the proposed method may provide not only an increase in the spectral resolution but also reliability for the faults diagnosis of the gear.     

局部特征尺度分解方法及其在齿轮故障诊断中的应用

在定义瞬时频率具有物理意义的单分量信号——内禀尺度分量(Intrinsic scale component,ISC)的基础上,提出一种新的自适应信号分解方法——局部特征尺度分解(Local characteristic-scale decomposition,LCD)。LCD方法可以自适应地将任何一个复杂信号分解为若干个瞬时频率具有物理意义的ISC分量之和,非常适合于处理多分量的调幅—调频信号。当齿轮发生故障时,其振动信号一般为多分量的调幅—调频信号,因此局部特征尺度分解方法可以有效地应用于齿轮故障诊断。对LCD和经验模态分解(Empirical mode decomposition,EMD)、局部均值分解(Local mean decomposition,LMD)方法进行对比,结果表明了LCD方法的优越性。同时,针对齿轮故障振动信号的调制特征,将LCD方法和包络分析法相结合应用于齿轮故障诊断,对实际的齿轮故障振动信号进行分析,结果表明LCD方法可以有效地应用于齿轮故障诊断。     

基于LabVIEW的罗茨真空泵故障诊断软件的开发

以LabVIEW软件为开发平台,针对罗茨真空泵振动信号的振动机理和振动特点,结合故障诊断技术,开发了一套向导式振动信号采集与分析处理系统。并采用美国NI公司USB 4431数据采集卡对某公司生产的罗茨真空泵的上泵体和齿轮箱等部位进行振动信号采集和故障分析,实践证明,软件的各项功能很好地满足了状态监测和故障诊断的要求,进而验证了该软件系统的可靠性和实用性。     

The fault feature extraction and classification of gear using principal component analysis and kernel principal component analysis based on the wavelet packet transform

The vibration signal of a gear system is selected as the original information of fault diagnosis and the gear system vibration equipment is established. The vibration acceleration signals of the normal gear, gear with tooth root crack fault, gear with pitch crack fault, gear with tooth wear fault and gear with multi-fault (tooth root crack & tooth wear fault) is collected in four kinds of speed conditions such as 300 rpm, 900 rpm, 1200 rpm and 1500 rpm. Using the method of wavelet threshold de-noising to denoise the original signal and decomposing the denoising signal utilizing the wavelet packet transform, then 16 frequency bands of decomposed signal are got. After restructuring the decomposing signal and obtaining the signal energy in each frequency band, the signal energy of the 16 bands is as the shortlisted fault characteristic data. Based on this, using the methods of principal component analysis (short for PCA) and kernel principal component analysis (short for KPCA) to extract the feature from the fault features of shortlisted 16-dimensional data feature, then the effect of reducing dimension analysis are compared. The fault classifications are displayed through the information that got from the first and the second principal component and kernel principal component, and these demonstrate they have a different and good effect of classification. Meanwhile, the article discusses the effect of feature extraction and classification that caused by the kernel function and the different options of its parameters. These provide a new method for a gear system fault feature extraction and classification.