倒频谱分析在故障检测中的应用

倒频谱分析是语音和图象处理中广泛应用的非线性信号处理技术。由于能对周期性异常振动信号进行有效的提取和分离,近年来被广泛运用于化工设备的故障检测中。倒频谱分析分为实倒频谱分析和复倒频谱分析两类。通过对周期性异常振动信号进行有效的提取和分离,结合频谱分析能有效获取异常振动产生的周期性激励信号,并对信号参数进行转换得到故障源的一些特征参数,再与元件的特征参数相比对,精确地得到故障位置并及时作出处理。     

Hilbert解调及倒谱分析在风电机轴承故障诊断中的应用

针对风力发电机组滚动轴承的振动故障,采用Hilbert解调及倒谱分析的方法,寻找故障的特征频率,运用LabVIEW软件编写程序进行信号实例分析,获取了异常振动产生的周期性故障信号。结果表明把倒谱分析与Hilbert解包络分析相结合是一种有效的诊断方法,提高了风力发电机组轴承故障诊断的准确性。     

基于CPW和SCD的行星轴承内圈故障特征提取

行星齿轮箱振动信号传递路径具有时变性,各振动分量间相互耦合和调制,拾取的信号往往比较复杂。此外,行星轴承早期故障对应的振动信号微弱,常湮没于背景噪声和较强的齿轮啮合振动信号中,使得行星轴承故障特征提取较为困难。为此,笔者提出一种基于倒谱预白化（cepstral pre?whitening,简称CPW）和谱相关密度（spectral correlation density,简称SCD）的行星轴承内圈故障特征提取方法。首先,采用CPW削弱具有严格周期特性振动分量的能量幅值,增强轴承故障分量的冲击幅值;其次,基于谱峭度算法获取与轴承故障冲击相关的谱峭度最大值时对应的解调频带参数,并获得带通滤波后复包络信号,进而消除解调频带外成分的干扰;最后,基于轴承故障的随机滑动特性,结合SCD提取行星轴承故障振动分量,进而包络谱分析提取出行星轴承故障特征。利用行星轴承内圈故障实测数据验证了方法的有效性。     

包络直方图与循环谱相结合的旋转轴承故障诊断方法

采用时域包络直方图与频域循环谱相结合的方法,对非平稳状态的轴承振动信号进行故障分析和识别。首先利用包络直方图获取振动信号的能量分布,实时、直观地评估轴承的运行状态;然后对异常状态的振动信号进行循环平稳分析,通过特征频率获取故障的具体部位。二者相结合的方法既可以快速直观地实现故障识别,又可以保证故障诊断的细致和准确。     

基于倒谱预白化和随机共振的轴承故障增强检测

轴承损伤引起的冲击受到离散频率分量和噪声干扰,使轴承故障检测面临困难。结合基于倒谱编辑(Cepstrum editing procedure, CEP)的信号预白化和随机共振(Stochastic resonance, SR)微弱信号检测技术,提出一种轴承故障增强检测的新方法。信号预白化能够提升轴承振动信号的冲击特性,产生包含白噪声和轴承局部故障信号的白化信号。在未知最优共振频带的情况下,对白化后的轴承振动信号进行包络分析,增强故障特征分量的同时引入了较多噪声。通过随机共振的归一化尺度变换,将轴承包络信号作为检测模型的输入,增强轴承故障特征频率分量。提出将轴承故障特征频率处的局部谱峭度和局部信噪比作为对照指标。实测正常和外环植入故障轴承的诊断结果表明,提出的方法优于基于谱峭度优化的包络分析和单纯的信号预白化方法。     

基于双树复小波变换的轴承故障诊断研究

提出了一种基于双树复小波变换解调技术的轴承故障诊断新方法。该方法利用双树复小波变换具有近似平移不变性、避免频率混叠和有效降噪的优点,首先对轴承故障振动信号进行双树复小波分解和重构,将振动信号分解成实部和虚部,然后计算振动信号的双树复小波幅值包络和包络谱。齿轮箱轴承故障振动实验信号的分析表明,该方法能在强噪声环境下准确提取轴承故障产生的周期性瞬态冲击信号,能有效消除频率混叠现象和强噪声的影响,能有效识别轴承内圈和外圈故障。     

基于倒双谱分析的轴承故障诊断研究

将常规的双谱分析与倒谱技术相结合,提出了基于倒双谱的齿轮箱故障诊断方法。首先对齿轮箱振动信号进行双谱分析,以消除噪声的影响,再计算双谱的倒谱,对信号进行倒双谱分析,可有效提高信噪比,提取轴承的故障特征。齿轮箱轴承内外圈故障振动试验信号的研究结果表明,倒双谱分析能有效地诊断轴承的故障。     

基于无量纲指标与波谱分析的滚动轴承故障诊断

鉴于滚动轴承在运转过程中能够产生冲击振动信号,将无量纲指标、频域平均与Hilbert包络分析相结合,实现对滚动轴承的故障诊断。首先将采集到的滚动轴承振动信号进行裕度指标、峭度指标等无量纲指标分析,来定性判断轴承是否存在故障,然后通过频域平均减小噪声等干扰信号的影响。最后通过Hilbert包络谱解调分析,获取能够反映故障频率的振动信号。实例表明,该方法能够简单有效地实现滚动轴承的故障判断。     

驱动桥轴承故障振动诊断

消除干扰信号,提取并综合利用实测信号中各种本质特征是故障诊断的关键环节,通过提取轴承故障的周期性高频冲击信号的包络信号,有效地提高了信噪比;通过利用谱图中振动幅值、轴承故障激振（通过）频率、等间距谱线结构一系列综合特征,可对驱动桥轴承故障进行诊断。     

基于SK-MOMEDA的滚动轴承微弱故障特征提取

针对滚动轴承早期周期性瞬态冲击不明显及谱峭度在低信噪比情况下分析效果差的问题,提出多点优化最小熵解卷积(Multipoint optimal minimum entropy deconvolution adjusted,MOMEDA)和谱峭度相结合的轴承微弱故障特征提取方法.首先,采用MOMEDA作为前置滤波器对含有强噪声的微弱故障冲击信号进行降噪,突显信号中的周期性冲击性成分;然后,通过谱峭度分析,以最佳中心频率和带宽对降噪的信号进行带通滤波;最后,对滤波后的信号进行Hilbert包络谱分析,便可以准确地获得轴承信号的故障特征频率.仿真信号和实验分析结果表明,该方法可有效增强振动信号的周期性瞬态冲击特征,提取出滚动轴承早期微弱故障特征.     

IMF分量的倒频谱分析在滚动轴承故障诊断中的应用

轴承局部损伤故障引起的振动响应往往会被较大的振动信号所掩盖,影响故障的正确诊断。本文提出IMF分量的倒频谱分析方法,首先将复杂的信号分解为有限的内禀模态函数（IMF）之和,对原始振动信号进行降维;再对IMF分量进行倒频谱分析,利用倒频谱方法准确地提取振动信号幅值谱上的周期特征。对EMD分解得到的多个IMF分量同时做倒频谱分析,可以相互验证,从而得到更可靠、更准确、更可信的诊断结果。通过对IMF分量的倒频谱分析法和Hilbert包络谱分析法诊断效果进行比较,结果表明,IMF分量的倒频谱分析方法比Hilbert包络谱分析提取的故障频率特征更精准、可靠。     

基于倒频谱理论的滚动轴承故障检测

探讨了倒频谱技术在滚动轴承故障诊断中的应用。针对滚动轴承振动信号的特征,利用倒频谱技术可简化谱图的特征分析,提高滚动轴承故障诊断的准确性。     

Weak fault feature extraction of rolling bearing under strong poisson noise and variable speed conditions

Fault feature extraction of the rolling bearing under strong background noise is always a difficult problem in bearing fault diagnosis. At present, most of the research focuses on weak signal extraction under Gaussian white noise and has certain practical significance. However, the noise in engineering is often complex and changeable, Gaussian white noise cannot fully simulate the actual strong background noise. Poisson white noise is a type of typical non-Gaussian noise, which widely exists in complex mechanical impact. It is of great significance to study the weak fault feature extraction of a faulty bearing under this type of noise. At the same time, variable speed conditions occupy most rotating machinery speed conditions. Non-stationary vibration signals make it difficult to extract fault features, and the frequency spectrum ambiguity will occur because of speed fluctuation. To solve the above problems, a method of weak feature extraction of a faulty bearing based on computed order analysis (COA) and adaptive stochastic resonance (SR) is proposed. Firstly, by numerical simulation, the non-stationary fault characteristic signal corrupted with strong Poisson noise is transformed into a stationary signal in the angle domain by COA. Secondly, the influence of the parameters of the pulse arrival rate and noise intensity of Poisson white noise on the optimal SR response in the angle domain are studied, and the influence of the parameters of Poisson white noise on the fault feature extraction is given. Then, adaptive SR method is used to extract and enhance fault feature information. Finally, the effectiveness of this method in weak fault characteristic signal extraction under strong Poisson noise is verified by experiments. Numerical simulation and experimental results verify the effectiveness of the proposed method in bearing fault diagnosis under strong Poisson noise and variable speed conditions.

     

小波分析在滚动轴承故障诊断中的应用

滚动轴承是机械系统中非常关键的部件,它的运行好坏直接关系到整个机械系统的性能优劣,因此滚动轴承的故障诊断研究是非常具有实际意义的。本文对轴承早期损伤引起的故障信号进行了分析,通过比较频谱分析和小波分析的特点,采用小波分析技术对检测的信号进行处理,利用小波变换的分解和重构算法,对具有故障特征的信号进行重构,再通过希尔波特变换进行解调和细化频谱分析,有效地提取出噪声掩盖下的滚动轴承故障特征信号,从而实现对滚动轴承的故障诊断。     

基于SVD和MOMEDA的薄壁轴承故障诊断

当柔性薄壁轴承工作时，受长短轴交替产生的冲击成分以及背景噪声的影响，很难从振动信号频谱中提取出故障频率。针对这问题，提出奇异值分解（SVD）与多点最优调整的最小熵解卷积(MOMEDA)相结合的柔性薄壁轴承故障特征提取方法。该方法用SVD算法对原始信号作降噪处理，获得重构信号，应用MOMEDA对重构信号进行增强，突出周期性故障脉冲，通过对处理后的信号进行频谱分析，从而提取出相应的故障频率。通过频谱中的主导频率与柔性薄壁轴承的故障特征频率的对比，可以判断故障位置，实现轴承的故障诊断。试验数据分析结果表明，该方法可以有效提取轴承内、外圈的故障频率。     

基于ITD-形态滤波和Teager能量谱的轴承故障诊断

针对强背景噪声下滚动轴承振动信号故障特征信息难以提取的问题,提出了结合固有时间尺度分解(ITD)-形态滤波和Teager能量谱的滚动轴承故障特征提取与诊断方法。首先对滚动轴承振动信号采用ITD方法分解,得到若干个固有旋转分量;考虑到噪声主要分布在高频段,取前2个高频的固有旋转分量进行形态滤波,并将滤波后的信号与剩余固有旋转分量重构;对重构信号计算Teager能量算子并绘制Teager能量谱,从Teager能量谱中可以识别出故障特征。将本方法应用于滚动轴承的内圈故障和外圈故障诊断,结果表明ITD-形态滤波可以有效去除振动信号中的背景噪声并保留冲击特征,Teager能量谱可以直观并准确显示出故障特征。     

基于余弦调频小波变换的滚动轴承故障研究

针对滚动轴承故障振动信号的特点，构造余玄调频小波，采用连续小波变换的方法来提取滚动轴承故障振动信号的特征，在此基础上提出了一种滚动轴承故障诊断方法：时间一小波能量谱自相关分析法。通过对滚动轴承具有缺陷的情况下振动信号的分析，说明时间一小波能量谱自相关分析法不仅能检测到滚动轴承故障的存在，而且能有效地识别滚动轴承的故障模式。     

Rolling element bearing fault detection based on optimal antisymmetric real Laplace wavelet

The presence of periodical impulses in vibration signals usually indicates the occurrence of rolling element bearing faults. Unfortunately, detecting the impulses of incipient faults is a difficult job because they are rather weak and often interfered by heavy noise and higher-level macro-structural vibrations. Therefore, a proper signal processing method is necessary. We proposed a differential evolution (DE) optimization and antisymmetric real Laplace wavelet (ARLW) filter-based method to extract the impulsive features buried in noisy vibration signals. The wavelet used in paper is developed from the fault characteristic signal model based on the idea of sparse representation in time-frequency domain. We first filter the original vibration signal using DE-optimized ARLW filter to eliminate the interferential vibrations and suppress random noise, then, demodulate the filtered signal and calculate its envelope spectrum. The analysis results of the simulation signals and real fault bearing vibration signals showed that the proposed method can effectively extract weak fault features.     

鲁棒性幅值指数自适应谱幅值调制法

近期提出的谱幅值调制(SAM)法可通过调节幅值指数适应不同故障信号的特征提取,具有较好的应用前景。但该方法目前幅值指数的取值需人工判断,尚无法用其实现对故障特征的自动优化提取,且当故障特征受到复杂干扰时,通过人工选择较难选取较佳的幅值指数。为此,本文研究提出了一种鲁棒性幅值指数自适应谱幅值调制法。该方法首先利用角域重采样将信号转换到角域,再通过多点最优最小熵解卷积(MOMEDA)对故障弱冲击特征进行增强,最后利用2阶循环平稳指标(ICS₂)自适应选取SAM中的倒谱幅值指数,以该优化幅值指数计算倒谱信号,实现故障特征的自动提取。在行星轴承内圈故障特征提取上进行了验证研究,实验结果表明,本文所提方法能够实现复杂干扰下行星轴承内圈故障特征的自适应提取。