基于POVMD和CAF的低转速齿轮箱故障诊断

针对低转速齿轮箱齿轮故障特征频率低、故障特征频率易被背景噪声淹没,使其难以准确提取的问题,提出了基于参数优化的变分模态分解(parameter optimization variational mode decomposition,简称POVMD)和循环自相关函数(cyclic autocorrelation function,简称CAF)结合的故障诊断方法。首先,通过POVMD对原始信号进行分解,选用余弦相似度度量选取敏感的本征模态函数(intrinsic mode function,简称IMF);其次,计算其循环自相关函数谱,获得包含调制特征的循环自相关函数谱切片;最后,使用Teager能量算子(Teager energy operator,简称TEO)算法对切片解调,提取故障特征频率。同时将本方法与相关方法进行了对比分析,特征频率提取效果更加显著,仿真信号和实验数据分析验证了该方法的有效性和可靠性。     

基于参数优化MCKD的行星齿轮箱微弱故障诊断研究

针对行星齿轮箱在故障早期时振动信号比较微弱,受噪声污染严重、且传递路径复杂多变,实际情况下故障特征难以准确提取与分离的问题,提出了基于参数优化最大相关峭度解卷积(MCKD)的微弱故障特征提取方法。首先通过最大相关峭度解卷积对原始信号进行了降噪处理,设置了峭度和自相关峰态系数作为筛选准则,对算法参数组合进行了优化选取,检测周期性故障冲击特征;然后对降噪后的信号进行了希尔伯特包络谱分析,从而获得了准确故障特征频率。仿真信号和实验数据分析结果表明:该方法对于强背景噪声下的行星齿轮箱微弱故障诊断具有良好的效果,有效抑制了噪声干扰,成功提取了故障特征。     

基于k值优化VMD的滚动轴承故障诊断方法

针对旋转机械中滚动轴承早期信噪比较低的故障特征提取困难问题,提出了一种基于能量的变分模式分解(variational mode decomposition,简称VMD)模态数k优化选取方法,用以提取滚动轴承早期故障特征,同时避免了信号分解过分或不足。首先,对振动信号进行VMD预分解,分别在不同k值条件下计算分量信号能量与原始信号总能量;其次,根据基于能量的模态数k选取准则,确定最佳模态数值对信号进行VMD分解;最后,通过峭度准则选择分量进行信号重构,对其进行包络分析,提取故障特征频率。将该方法运用到实际故障信号中,有效提取出滚动轴承内圈微弱故障特征,实现了早期故障特征判别,具有一定的应用价值和实际意义。     

利用最优小波尺度循环谱的滚动轴承早期故障特征提取

滚动轴承微弱故障信号往往包含在二阶循环平稳信号中,但容易受到噪声干扰。对循环平稳信号进行基于短时傅里叶变换的循环周期谱分析可以提高周期故障的识别能力,但其结果受到窗函数大小的影响且对于微弱故障的诊断效果不佳,提出最优小波尺度循环谱进行滚动轴承的早期故障诊断。首先利用连续小波变换对信号进行处理获得小波系数;接着采用相关峭度方法选择最优的分析尺度;然后沿着时间轴对该尺度范围内的小波系数进行循环谱分析;最后对最优尺度下的循环谱平均进行特征提取。与循环周期谱的分析结果进行对比,验证了该方法在早期故障特征提取方面的有效性。     

基于高阶模糊度函数的内蕴模式分量瞬时频率计算

瞬时频率计算是关系到经验模式分解实用性的关键,但是传统瞬时频率的计算方法对于信号分析的准确性有很大的影响。尽管非平稳信号的频率变化率可以用有限次的多项式表示,而最大似然估计、最小二乘法等相位建模估计方法计算量大,因此对于内蕴模式分量计算得到的瞬时频率仍然存在一些问题,其中边界效应更为明显。提出采用高阶模糊度函数来进行相位参数估计的方法,对内蕴模式分量的瞬时频率进行计算,在此基础上构建Hilbert时频谱进行信号分析。应用高阶模糊度进行瞬时频率计算,可以减小计算量,提高瞬时频率估计的准确性。采用仿真和实际信号验证方法的有效性,研究表明此方法可以有效消除边界效应影响,提高Hilbert时频谱的可靠性。     

基于小波包分析的铣刀状态监测方法研究

应用小波分析方法,通过对声发射信号的处理及分析判别铣刀状态.以三齿牛鼻铣刀为实验对象,分别以铣刀3种状态为例,采用不同的切削参数进行铣削实验,将采集到的AE信号进行小波分解后再进行时频域对比,结果表明:该方法可以比较准确的判断铣刀状态,并且有较好的理论基础、直观性与易操作性.     

基于Cmk分析的加工中心精度稳定性评估

在某柴油发动机缸体柔性生产线的验收和试生产过程中,针对生产线所用关键设备某卧式加工中心,运用Cmk(机器能力指数)分析方法分析其加工能力,量化评估其加工精度的稳定性水平。给出了加工数据的采样方案和注意事项,在此基础上开展案例研究。对一组工件进行了连续试切和精度数据采集试验,通过数据分析得出了加工精度的正态分布直方图和Cmk值。最后对比分析了两组差异较大的结果,为加工中心的精度稳定性评估提供方法参考。     

双树复小波域隐Markov树模型降噪及在机械故障诊断中的应用

提出一种基于双树复小波变换的隐Markov树模型的信号降噪方法,并将其成功应用于机械故障诊断中。机械设备的振动信号中不可避免的存在着噪声,使得微弱故障信息的提取一直是故障诊断的难点和热点。双树复小波变换具有近似平移不变性,而隐Markov树模型能有效刻画小波系数间的相关性和非高斯性,两种优势的结合可以获得比常规软、硬阈值小波降噪法和小波域隐Markov树模型降噪法更好的降噪效果。它不仅能有效抑制高斯白噪声,还能够去除异常冲击干扰,仿真信号验证了这一点。对于实际滚动轴承信号,使用该方法同样可以获得满意的结果     

基于Hankel矩阵与奇异值分解降噪方法的齿轮故障诊断研究

将Hankel矩阵与奇异值分解相结合对齿轮故障信号进行降噪处理,并应用MATLAB软件实现,来降低信号中的噪声,提高信噪比,从而凸显故障的信息特征。首先将含噪的测量信号构成的Hankel矩阵分解成两个互不相关的空间——真实信号空间与噪声空间,采用3种不同的奇异值选择方法,即奇异值差分谱方法、特征均值方法以及奇异值中值方法,对两个空间的奇异值矩阵处理后,再重构信号,实现降低测量信号噪声的目的。利用计算数据和图像说明不同奇异值选择方法的降噪效果,得出奇异值中值方法对齿轮断齿故障信号降噪效果最佳。     

基于单稳态随机共振的冲击信号自适应检测方法研究

针对强背景噪声环境下微弱故障冲击信号特征提取困难等问题,对单稳态随机共振系统和衡量指标等方面进行了研究,对低速回转支承的故障诊断策略进行了分析,提出了一种基于单稳态随机共振的冲击信号自适应检测方法。考虑到系统参数的关联性,利用灰狼优化算法(GWO)对系统的多个参数进行了优化,实现了系统参数间的同步优化过程;并以加权负熵指标作为GWO的适应度函数,对仿真冲击信号和低速回转支承振动信号进行了状态监测与故障分析。研究结果表明:该系统方法简单易行、收敛速度快、参数优化效果理想,能够在强背景噪声环境下,有效地利用噪声能量来增强微弱故障信号,凸显仿真冲击信号的特性;能准确地诊断出低速回转支承故障模式,在工程实际中具有良好的工程应用前景。