改进经验小波变换在齿轮低频微弱故障特征提取中的应用

齿轮振动信号的经验小波变换频谱分割,可能会将啮合频率及其边频带划分到不同频带上,导致频带划分不合理,分离出的调幅?调频(AM?FM)分量不理想.针对上述主要问题,提出了一种采用频谱趋势进行频谱边界划分的改进经验小波变换方法,将齿轮啮合频率与其相应的边频带划分到同一频带内,得到比较理想的AM?FM分量,实现了依据齿轮振动信号频谱局部特征的自适应分解.同时,对提取的AM?FM分量进行自相关分析以进一步增强改进经验小波变换的低频微弱故障特征提取效果.通过仿真与试验分析,验证了提出方法在齿轮低频微弱故障特征提取中的有效性及优势.     

基于SWT与IEWT的齿轮无转速计阶次跟踪

针对变转速工况下,多级齿轮传动低速级齿轮故障信号易受背景噪声干扰,导致频谱特征模糊,微弱故障特征难以提取的问题,提出一种基于同步压缩小波变换(Synchrosqueezing Wavelet Transform, SWT)与改进经验小波变换(Improved Empirical Wavelet Transform, IEWT)相结合的齿轮无转速计阶次跟踪方法。首先为提高无转速计阶次跟踪瞬时频率估计精度,设计连续小波变换-椭圆时变滤波器(Continue Wavelet Transform-Elliptic Time-Varying Filtering, CWT-ETVF)对齿轮振动信号滤波降噪,依据滤波所得单分量的SWT时频分布进行峰值搜索,以实现高精度的瞬时频率估计,然后对时变故障信号等角度重采样获得角域平稳信号。针对EWT方法频谱分割不合理的问题,提出一种依据频谱包络趋势进行边界划分的改进经验小波变换方法对角域平稳信号自适应分解。最后选择合适分量自相关去噪,并通过阶次解调分析识别故障特征。仿真及实测局部断齿数据分析表明,该方法可以准确提取变转速齿轮时变微弱故障特征。     

采煤机摇臂齿轮传动系统振源定位分析方法

为了研究采煤机摇臂传动齿轮的振动分析方法并进行实机振源定位验证,首先,采用小波分析对采煤机摇臂振动信号进行降噪处理和频谱分析,依据特征频率下的振幅结果确定故障齿轮的啮合频率;然后,通过Morlet小波包络解调分析获取边频带信号频谱特征,依据边频带特征频率下的振幅结果确定故障齿轮的转动频率;最后,对频谱分析和Morlet小波包络解调分析的结果进行综合分析,锁定故障齿轮的准确位置。对一台国产采煤机摇臂齿轮传动系统进行了振动测试与信号分析,结果表明,基于小波分析、频谱分析和Morlet小波包络解调分析相结合的振动分析方法可以实现对采煤机摇臂故障齿轮的准确定位,为强噪声环境下复杂齿轮传动系统的故障快速定位和现场定点维修提供了方法支持。     

基于特征增强倒频谱分析的齿轮故障诊断方法

齿轮发生故障后,由于采集到的振动信号同时包含故障冲击、确定性啮合信号及噪声等多种信号,同时,各种信号还会受传递路径的影响,使得齿轮故障特征提取难度较大。倒频谱分析是常见的齿轮故障诊断方法,能将边频带中的周期成分显示为单根谱线,有助于故障诊断,但当故障特征信号较微弱时,倒频谱中得到的故障特征并不明显。为此,提出一种特征增强倒频谱分析方法,利用最小熵解卷积、自回归线性预测和小波去噪3种特征增强方法,逐步增强齿轮振动信号中的故障冲击特征,再利用倒频谱进行故障特征提取。通过实验,验证了所提方法的有效性。     

基于MEWT‑ASCS的行星齿轮箱微弱故障特征提取

针对强噪声背景下行星齿轮箱早期微弱故障难以提取以及经验小波变换对信号频率区间边界划分不恰当以及不能有效确定模态数目的问题,提出了一种基于改进经验小波变换（modified empirical wavelet transform, 简称MEWT）和自适应稀疏编码收缩（adaptive sparse coding shrinkage,简称ASCS）的早期微弱故障特征提取方法。根据信号频谱的尺度空间表示,将原始故障信号自适应地分解为一系列的窄频带本征模态分量。利用包络谱峭度（envelope spectrum kurtosis, 简称ESK）值选择敏感分量,为了进一步凸显分量中的故障信息,使用ASCS算法对敏感分量进行稀疏降噪处理,从其包络谱中即可提取到清晰的故障特征频率成分。数值仿真和实际数据分析结果表明,本研究方法能够自适应地实现故障信号的模态分解并增强微弱的故障冲击特征。此外,与经验小波变换（empirical wavelet transform, 简称EWT）,EWT?ASCS和ASCS进行对比,本研究方法可有效提取包含故障信息丰富的分量,经ASCS处理后信号故障特征得到凸显,实现了行星齿轮箱早期微弱故障的准确识别。     

基于MODWPT和MCKD的滚动轴承早期故障诊断

针对齿轮啮合强振动干扰下滚动轴承微弱故障特征提取难的问题，提出一种最大重叠离散小波包变换(MODWPT)和最大相关峭度解卷积(MCKD)相结合的滚动轴承早期故障诊断方法。首先采用MODWPT方法将复杂的轴承故障振动信号分解为若干分量，然后依据峭度准则，选取峭度较大的分量进行MCKD滤波，最后对滤波后所得信号做Hilbert包络分析，将包络谱呈现的频率特征与理论故障特征频率相比较，识别故障特征，实现故障诊断。通过轴承故障的仿真及实验研究，并对比单一MCKD方法和EMD-MED方法的提取效果，说明该方法可以在一定程度上抑制齿轮啮合强振动及噪声的干扰，增强并有效提取出滚动轴承早期低频微弱故障特征。     

基于WT与cICA的齿轮箱低频故障特征提取

齿轮箱低频故障信号易受到高频振动及强噪声等因素的干扰,测量信号中隐藏的有效低频故障特征比较微弱,再考虑到源噪声的影响,则约束独立分量分析直接提取低频故障特征的效果很差。为此提出了基于小波变换与约束独立分量分析的齿轮箱低频故障特征提取方法,通过对测量信号的小波多分辨率分解,有针对性地选择小波系数重构,提高了信噪比和非高斯性,从而增强了约束独立分量分析方法提取齿轮箱低频故障特征的效果。而未经小波变换除噪时,约束独立分量分析的效果不佳。断齿与局部断齿的低频故障特征提取试验结果表明,提出的方法能有效降低高频振动及源噪声等因素的干扰,提取出齿轮箱的低频故障特征,尤其是微弱低频故障特征,为齿轮箱低频故障特征提取与故障诊断提供了一种有效方法。     

改进小波去噪Teager算子的齿轮微弱故障提取方法

针对齿轮箱在强噪声背景下齿轮微弱故障振动信号的特征不易被提取的问题,提出将改进小波去噪和Teager能量算子相结合的微弱故障特征提取方法。采用改进小波阈值函数对振动信号进行去噪处理,与形态学滤波和传统小波阈值函数相比能够有效地提高信号的信噪比。对去噪后的信号进行集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)得到若干本征模式函数(intrinsic mode function,简称IMF),计算各IMF分量与原信号的相关系数并结合各IMF分量的频谱剔除虚假分量。对有效的IMF分量计算其Teager能量算子,并重构得到Teager能量谱,对重构信号进行时频分析并将其结果与原信号的希尔伯特黄变换(HilbertHuang transform,简称HHT)得到的边际谱进行对比。实验研究结果表明,本研究方法相比HHT能够对齿轮微弱故障特征进行更为有效地提取,验证了本研究方法在齿轮箱微弱故障诊断中的可行性。     

基于迭代经验小波变换的齿轮故障诊断方法

齿轮故障振动信号具有多分量和调幅-调频等特点,导致振动信号耦合程度高、数据特征提取和识别难度大。提出了一种基于迭代经验小波变换(EWT)和稀疏滤波(SF)的振动信号故障特征提取和诊断方法。首先,利用尺度空间表示将齿轮振动信号的Fourier频谱自适应的划分为若干频带,并利用EWT将输入信号分解为若干本征模态函数(IMF);其次,利用互信息能量熵方法迭代去除振动信号中的噪声干扰成分,并重构振动信号;再次,建立基于稀疏滤波的无监督神经网络模型,将重构的振动信号作为神经网络模型的输入并学习故障特征,利用softmax辨识故障信息;最后,利用建立的故障诊断模型辨识齿轮故障测试数据并验证本文方法的有效性。结果表明,所提方法能够有效辨识故障特征。     

基于改进经验小波变换的行星齿轮箱故障诊断

行星齿轮箱振动信号具有复杂多分量和调幅-调频的特点。幅值解调和频率解调方法能够避免传统Fourier频谱中的复杂边带分析,有效识别故障特征频率。经验小波变换通过对信号Fourier频谱的分割构造一组正交滤波器组,能提取具有紧支撑Fourier频谱的单分量成分,再对单分量成分运用Hilbert变换即可实现信号的解调分析。经验小波变换能够有效分离出调幅-调频成分,不存在模态混叠现象,具有完备的理论基础,自适应性好、算法简单、计算速度快。将改进的经验小波变换应用于行星齿轮箱振动信号的解调分析;提出了一种单分量个数的估算方法,解决了经验小波变换中的Fourier频谱划分问题;给出了对故障敏感的信号分量的选取方法,提高了分析的针对性。将改进方法应用于行星齿轮箱振动仿真信号和实验信号分析,验证了该方法的有效性。