基于CITD和同态滤波解调的滚动轴承故障诊断方法

针对轴承故障振动信号的非平稳特征和本征时间尺度分解(intrinsic time-scale decomposition,ITD)方法的缺点,提出了基于三次多项式的本征时间尺度分解方法(cubic polynomial-based intrinsic time-scale decomposition,CITD)和同态滤波的解调方法。首先采用CITD方法对轴承振动信号进行分解,将其分解为若干个合理旋转(proper rotation,PR)分量之和,然后用相关系数筛选出最能表征故障信息的PR分量进行重构,最后对重构信号运用同态滤波解调来提取故障特征。仿真信号与轴承故障诊断工程实例的分析验证了该方法的有效性。     

基于CITD和同态滤波解调的滚动轴承故障诊断方法

针对轴承故障振动信号的非平稳特征和本征时间尺度分解(intrinsic time-scale decomposition,ITD)方法的缺点,提出了基于三次多项式的本征时间尺度分解方法(cubic polynomial-based intrinsic time-scale decomposition,CITD)和同态滤波的解调方法。首先采用CITD方法对轴承振动信号进行分解,将其分解为若干个合理旋转(proper rotation,PR)分量之和,然后用相关系数筛选出最能表征故障信息的PR分量进行重构,最后对重构信号运用同态滤波解调来提取故障特征。仿真信号与轴承故障诊断工程实例的分析验证了该方法的有效性。     

基于EMD与同态滤波解调的矿用齿轮箱故障诊断

针对矿用齿轮箱振动信号的特点,提出了一种基于经验模态分解(empirical mode decomposition,简称EMD)与同态滤波相结合的故障解调方法.利用EMD对某矿用皮带机齿轮箱故障信号进行分解,得到若干个本征模态函数(intrinsic mode functions,简称IMFs)分量,然后对其中较突出的IMFs进行同态滤波解调分析,提取出了频率为7.0Hz的调制故障信号.研究表明,EMD与同态滤波解调相结合是一种有效的齿轮箱故障诊断方法.     

时延自相关和ITD相结合的故障诊断方法

根据自相关函数与本征时间尺度分解理论及各自优点,提出了时延自相关和本征时间尺度分解相结合的故障诊断方法。该方法首先利用振动信号的自相关函数进行降噪处理,然后对降噪后自相关信号进行本征时间尺度分解,得到若干个相互独立的固有旋转分量和一个趋势项之和,从这些分量中选取表征故障特征信息的固有旋转分量进行重构,在重构信号频域中提取出故障特征频率。工程实例结果表明,该方法能抑制噪声,有效地提取故障特征信息,从而准确判别故障类型,在旋转机械故障诊断领域将有广泛的应用前景。     

局部特征尺度分解结合局部均值解调的齿轮故障诊断

为了准确地进行故障诊断,根据齿轮故障振动信号的多分量调幅-调频特征,提出了一种新的解调方法--局部均值解调法,将之与局部特征尺度分解相结合进行齿轮故障诊断。该诊断方法首先对齿轮振动信号运用局部特征尺度分解,得到若干个内禀尺度分量,然后应用局部均值解调法求取每个分量的调频分量,最后根据瞬时频率的频谱进行故障诊断。采用仿真信号将局部均值解调法与Hilbert解调法、经验调幅调频分解法进行了对比,结果表明,局部均值解调法的精确性更好。通过齿轮故障振动数据的分析,验证了局部特征尺度分解结合局部均值解调的故障诊断方法的有效性。     

基于ITD和切片双谱的滚动轴承局部损伤故障诊断

针对滚动轴承局部损伤故障诊断问题,提出一种基于本征时间尺度分解(ITD)和切片双谱的故障诊断方法。首先利用ITD方法将轴承故障信号分解为若干个合理旋转(PR)分量,然后对PR分量进行包络解调,并计算其切片双谱,提取轴承故障信号由于二次相位耦合产生的非线性特征,确定轴承故障类型。为加快分解速度并减少分解运算量,对ITD方法迭代终止条件进行改进。对仿真信号的分析表明,ITD方法对信噪比较低的信号具有很好的分解效果,并验证了切片双谱在抑制噪声和剔除非二次相位耦合谐波方面的优势。     

基于IITD和包络信号1.5维谱的轴承故障诊断

为了有效识别轴承的早期故障特征,提出了一种基于改进的本征时间尺度分解(IITD)结合包络信号1.5维谱的轴承故障诊断方法。IITD方法是将端点延拓引入到传统的本征时间尺度分解(ITD)当中,用于改善其端点效应。轴承振动信号经IITD分解后得到一组PR分量和一趋势项,对PR分量的包络信号进行1.5维谱分析。结果表明,IITD分解得到的PR分量包络信号的1.5维谱,可以准确提取轴的转动频率、内圈故障特征频率和外圈故障特征频率,从而实现了轴承故障的有效诊断,证明了该方法的有效性和实用性。     

基于VMD和FSK的齿轮箱早期故障诊断

针对齿轮箱齿轮早期故障特征信号微弱且受环境噪声影响严重,故障特征频率难以提取以及传统共振解调方法中带通滤波器参数不易确定的问题,提出了基于变分模态分解(Variational Mode Decomposition,VMD)和快速谱峭度(Fast Spectral Kurtosis,FSK)的故障诊断方法。利用VMD对采集到的齿轮故障振动信号进行分解,得到一系列窄带本征模态分量(Band-limited Intrinsic Mode Functions,BLIMFS);依据相关系数准则,选取与原始信号相关系数较大的分量进行快速谱峭度计算,用谱峭度图确定最佳的中心频率和带宽进行相应带通滤波处理。最后对滤波后的信号进行能量算子包络解调分析,即可从包络谱中准确地识别齿轮故障特征频率。通过仿真信号和齿轮故障实验数据对所提方法进行了验证,结果表明,该方法能够有效地降低噪声的影响,准确地提取齿轮早期故障信号中的微弱特征信息。     

基于AEEMD和峭度-相关系数联合准则的轴承故障诊断

针对经验模态分解(EMD)和总体集成经验模态分解(EEMD)算法在轴承故障诊断中的缺陷,提出了一种基于自适应总体集成经验模态分解(AEEMD)与峭度和相关系数联合准则的滚动轴承故障诊断方法。首先,通过AEEMD将振动信号分解成具有不同特征时间尺度的本征模态分量,然后利用峭度和相关系数联合准则选取包含故障信息最丰富的IMF,最后对选取的特征IMF做包络解调,进行故障诊断。并将AEEMD与EMD算法进行对比,证明了AEEMD算法的有效性和自适应性。     

基于变分模态分解和符号熵的齿轮故障诊断方法

为提高齿轮的故障诊断效果,提出了基于变分模态分解(Variational Modal Decomposition,VMD)和符号熵(Symbol Entropy, SE)的齿轮故障诊断方法。首先,利用VMD对齿轮故障振动信号进行分解,得到若干个本征模态分量(Intrinsic Mode Function,IMF);然后,计算IMF分量的符号熵,并将IMF符号熵组成齿轮故障特征向量;最后,将特征向量输入SVM进行故障诊断。齿轮故障诊断实测结果验证了该方法的有效性和优势。     

Gear fault diagnosis under variable conditions with intrinsic time-scale decomposition-singular value decomposition and support vector machine

The gear vibration signal is nonlinear and non-stationary, gear fault diagnosis under variable conditions has always been unsatisfactory. To solve this problem, an intelligent fault diagnosis method based on Intrinsic time-scale decomposition (ITD)-Singular value decomposition (SVD) and Support vector machine (SVM) is proposed in this paper. The ITD method is adopted to decompose the vibration signal of gearbox into several Proper rotation components (PRCs). Subsequently, the singular value decomposition is proposed to obtain the singular value vectors of the proper rotation components and improve the robustness of feature extraction under variable conditions. Finally, the Support vector machine is applied to classify the fault type of gear. According to the experimental results, the performance of ITD-SVD exceeds those of the time-frequency analysis methods with EMD and WPT combined with SVD for feature extraction, and the classifier of SVM outperforms those for K-nearest neighbors (K-NN) and Back propagation (BP). Moreover, the proposed approach can accurately diagnose and identify different fault types of gear under variable conditions.     

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.     

基于全矢谱时间固有尺度分解和独立分量分析盲源分离降噪的滚动轴承故障特征提取

结合盲源分离技术和全矢谱技术的各自优势,提出一种同源双通道信噪盲源分离法。首先采用时间固有尺度分解（ITD）和独立分量分析（ICA）相结合的分析法降噪,对同源双通道的轴承信号进行ITD分解,根据相关系数准则将分解得到的PRC分量进行重组作为ICA输入矩阵,再采用FastICA解混,实现故障信号与噪声信号的分离;其次采用全矢谱技术对信噪分离降噪后的双通道有效分量信号进行全矢信息融合,做全矢谱分析。滚动轴承故障实验对比分析表明了该方法的有效性。     

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。     

基于形态分量分析与能量算子解调的齿轮箱复合故障诊断方法

针对齿轮箱复合故障的故障特征分离,提出了一种基于形态分量分析与能量算子解调的齿轮箱复合故障诊断方法。该方法先根据振动信号中各组成成分形态的差异,采用形态分量分析方法构建不同形态的稀疏表示字典进行故障成分分离,将齿轮箱复合故障信号分解为包含齿轮故障信息的谐振分量、包含轴承故障信息的冲击分量和噪声分量,然后分别对谐振分量和冲击分量进行能量算子解调分析,最后根据各解调谱诊断齿轮和轴承故障。算法仿真和应用实例表明该方法能有效地分离齿轮箱复合故障振动信号中齿轮与轴承的故障特征。     

基于形态分量分析和包络谱的轴承故障诊断

滚动轴承出现局部损伤时,其振动信号往往由包含轴承自身振动的谐振分量、包含轴承故障信息的冲击分量及随机噪声分量构成。提出了基于形态分量分析和包络谱的滚动轴承故障诊断方法。该方法根据轴承振动信号中各组成成分的形态差异,利用改进的形态分量分析对滚动轴承故障振动信号中的谐振分量、冲击分量和噪声分量进行分离,然后对冲击分量进行Hilbert包络解调分析,根据包络谱诊断滚动轴承故障。算法仿真和应用实例表明,该方法能有效提取滚动轴承故障特征。     

基于时变零相位滤波的变转速滚动轴承故障诊断

针对变转速下齿轮箱中滚动轴承故障调制特征的提取与分离,提出了基于时变零相位滤波的变转速滚动轴承故障诊断方法。该方法先用线调频小波路径追踪(CPP)算法从齿轮箱滚动轴承故障振动信号中估计出齿轮啮合频率,由啮合频率除以齿数得到齿轮箱的转速,同时,采用Hilbert包络解调方法获取轴承故障振动信号的包络信号;然后根据获取的转速信息设计各阶时变零相位滤波器;再采用各时变零相位滤波器对包络信号进行分析,获取各调制信号;最后,利用转速信号对求取的各调制信号进行阶次分析,并根据各阶次谱来诊断滚动轴承故障。算法仿真和应用实例分析表明,该方法可有效提取和分离变速齿轮箱中滚动轴承的各阶故障调制特征。     

基于倒谱和包络解调的齿轮箱故障诊断

齿轮箱是设备上重要的传动部件,齿轮故障诊断对设备的长期安全运行起着至关重要的作用.根据齿轮振动机理及谱分析来进行振动信息处理和特征提取,是目前齿轮故障诊断中的一种有效方法.分析了齿轮箱的振动故障特性,提出了用解调谱和倒谱两种分析法相结合来对系统的输出信号进行故障诊断的方法.最后在齿轮故障模拟实验台上采集了故障下的振动信...