基于局部均值分解的阶次跟踪分析及其在齿轮故障诊断中的应用

针对齿轮升降速过程中故障振动信号为多分量的调制信号以及故障特征频率随转速变化的特点,将局部均值分解（LMD）与阶次跟踪分析相结合,提出了一种新的齿轮故障诊断方法。首先采用阶次重采样将齿轮的时域振动信号转换为角域平稳信号,然后对角域信号进行LMD分解,得到若干个乘积函数（PF）分量,最后对各个PF分量的瞬时幅值进行频谱分析来提取齿轮的故障特征。通过对齿轮齿根裂纹故障试验振动信号的分析可知,该方法能有效地提取齿轮故障特征。     

基于平滑伪维格纳分布与阶次跟踪的汽车变速器啸叫噪声分析

运用平滑伪维格纳分布,结合阶次跟踪方法,进行汽车变速器啸叫噪声分析。首先,针对计算机运算的实现,提出平滑伪维格纳分布算法;然后基于瞬时频率估计,运用平滑伪维格纳分布,进行发动机转速信号的提取;结合分段三次埃尔米特插值多项式,在角域内进行信号的等角间隔重采样;运用平滑伪维格纳分布,进行变速器二挡噪声的时频分析与阶次跟踪分析,对啸叫噪声进行定性、定量分析。为变速器啸叫分析提出了新的方法。     

运用阶次跟踪和奇异谱降噪诊断齿轮早期故障

针对齿轮箱升降速过程中振动信号非平稳的特点,将阶次跟踪分析与奇异谱降噪技术相结合,提出了一种针对齿轮早期故障的诊断方法。首先对齿轮箱加速时测得的瞬态信号进行时域采样,再对时域信号进行等角域重采样,转化为角域伪稳态信号;然后对角域信号进行奇异谱降噪处理,以减小背景噪声的影响;最后对降噪后的信号进行阶次谱分析。通过对齿轮箱早期故障信号的分析表明,该方法能准确地识别出齿轮的故障特征。     

基于LMD和阶次跟踪分析的滚动轴承故障诊断

变转速工况下的滚动轴承故障振动信号具有多分量调制以及故障特征频率受到转频调制的特点,从而导致故障特征提取困难。对此,将局部均值分解(local mean decomposition,简称LMD)与阶次跟踪分析相结合,提出了一种变转速工况下的滚动轴承故障诊断方法。首先,采用阶次跟踪采样将时域滚动轴承故障振动信号转换到角域;然后,对角域信号进行LMD分解得到若干个乘积函数(product function,简称PF)分量;最后,对各个PF分量的瞬时幅值进行频谱分析,判断滚动轴承的故障部位和类型。通过对滚动轴承实验故障振动信号的分析,结果表明该方法能有效地应用于变转速工况下的滚动轴承故障诊断。     

旋转机械故障诊断阶次自相关跟踪算法设计

针对传统阶次跟踪方法应用范围的局限性,提出一种新型阶次计算方法—阶次自相关跟踪算法。该算法改变了传统阶次跟踪方法的转速信号采集方式、故障信号获取方式及角域重采样方式,从而使蕴藏于转速变化规律中的故障信息得以凸显。该方法仅凭旋转部件转速信号便可实现故障诊断,可与传统阶次跟踪法相结合,拓展阶次跟踪技术应用范围。对不同形式的故障信号进行仿真分析,结果表明阶次自相关跟踪计算结果准确可靠,在旋转机械故障诊断领域有一定应用价值。     

基于阶次跟踪最大相关峭度反褶积的滚动轴承早期故障诊断

针对滚动轴承早期故障冲击信号受到现场噪声的干扰,难以提取周期冲击成分的问题,以及非平稳转速下对故障信号直接进行傅里叶分析会出现频率混叠,无法确定故障特征频率的问题。提出基于角域最大相关峭度反褶积的滚动轴承故障诊断方法。首先对时域非平稳故障信号进行计算阶次跟踪转换为角域内的平稳信号;然后用最大相关峭度反褶积对故障信号进行处理,提取信号中的周期冲击成分。通过对仿真和实验数据的分析,验证了角域最大相关峭度反褶积方法的有效性。     

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。     

基于阶次跟踪和变换时频谱的轴承故障诊断

综合利用阶次跟踪和Teager-Huang变换时频分析技术,进行齿轮箱起动过程轴承故障诊断.首先,对齿轮箱升降速瞬态信号进行时域同步采样,并对时域信号进行等角度重采样转化为角域平稳信号,再对角域信号进行EMD分解,将振动信号分解成不同特征时间尺度的单分量固有模态函数.然后,用Teager能量算子计算各固有模态函数的瞬时频率和瞬时幅值,进而得到Teager-Huang变换时频谱.通过对齿轮箱起动过程轴承故障振动信号的分析表明,该方法能有效地识别轴承故障.     

阶次跟踪和Hilbert包络解调在滚动轴承故障诊断中应用

针对风力发电机组传动链时变工况下振动信号非平稳和调制特点,提出了一种基于阶次跟踪和Hilbert包络解调的滚动轴承故障诊断的新方法。使用阶次跟踪把时间域采样转换成角度域进行等角度重采样,把时间域非平稳信号变换成角度域平稳信号,可消除"频谱模糊"现象,进一步应用Hilbert包络解调把低频故障信号从高频载波信号中解调出来。结果表明,阶次跟踪和Hilbert包络解调联合能够有效地提取时变工况下非平稳振动信号的故障特征频率并判断故障类型。     

阶次跟踪与改进小波阈值降噪的RV减速器故障诊断

针对RV减速器在进行摆动疲劳试验时采集到的振动信号存在振动源复杂,噪声影响强,非线性变换等特点,利用传统的傅里叶变换(fast fourier transform,FFT)分析时存在“频率模糊”现象,不能准确地提取故障磨损点。针对上述问题,提出了一种阶次跟踪分析结合改进小波阈值降噪方法对RV减速器在疲劳实验时采集到的振动信号进行故障特征提取。首先利用阶次跟踪方法对采集到的非平稳时域振动信号进行等角度域转化;再利用改进小波阈值降噪法对等角度域信号进行阈值降噪;对得到的降噪后的等角度域信号进行FFT变换,得到阶次图。对比传统的小波降噪分析结果,该方法可以有效地提取出RV减速器在摆动疲劳实验中内部零部件发生的故障信息,为变转速旋转机械的故障诊断提供了基础。     

基于高阶累积量的齿轮裂纹故障检测与识别

介绍了高阶累积量理论,分析了它提取复杂耦合信号和非线性特性的理论基础。在此基础上将高阶累积量方法应用于机械齿轮故障特征分析诊断之中,对无故障齿轮和故障齿轮受力激振后的振动耦合信号进行了分析和特征提取,从而成功地实现了对不同裂纹类故障的识别与诊断,通过与传统的功率谱等方法的比较,说明了高阶累积量方法在齿轮故障诊断中的可靠性和有效性。     

齿轮箱起动过程故障诊断

针对齿轮箱升降速过程中振动信号非平稳的特点,将阶次跟踪、角域平均和Teager能量算子分析技术相结合,提出了基于阶次跟踪和Teager能量算子分析的齿轮箱故障诊断方法.首先对齿轮箱升降速瞬态信号进行时域同步采样,再对时域信号进行等角度重采样,转化为角域平稳信号,然后对角域信号进行角域平均和带通滤波,以消除干扰噪声的影响,最后由Teager能量算子计算振动信号的瞬时频率和瞬时幅值,根据瞬时频率和瞬时幅值图,就可提取齿轮的故障特征.通过对齿轮齿根裂纹故障试验信号的分析,表明该方法能有效地诊断齿轮的裂纹故障.     

基于高阶累积量的齿轮系统故障检测与诊断

详细讨论高阶累积量(Higher order cumulants,HOC)的特点和性质,分析基于HOC理论的相关信号处理技术,以及在处理随机信号的非线性特性时独特的功能.基于HOC的振动信号分析处理技术,即双谱分析、1.5维谱分析以及双相干谱分析方法,分析了各自特点以及估计算法.在此基础上,将HOC引入到机械传动齿轮系统的故障诊断分析之中, 对系统故障特征进行提取并对故障类型进行区分.对不同大小和不同类型故障的传动系统进行试验测试,采用HOC进行特征提取识别,并对HOC理论实际应用效果作了分析评价,表明HOC是一种较理想有前途的有效方法.     

[设备健康管理]深度置信网络在齿轮故障诊断中的应用

针对齿轮传动系统中齿轮等零部件易出现故障或失效等问题,提出了一种基于深度学习理论的齿轮传动系统故障诊断方法。首先利用深度置信网络强大的特征自提取能力,对齿轮传动系统的振动信号进行特征提取,然后通过DBNs的复杂映射表征能力对故障信号进行故障判别。诊断实例表明,若不对齿轮振动的原始时域信号进行特征提取,直接利用DBNs对其进行诊断时,故障识别正确率只能达到 60%左右;如果对时域信号进行简单的傅里叶变换后,再利用 DBNs 对处理后的振动信号频谱进行诊断分析,正确率能达到 99.7%,从而证明了所提故障诊断方法的简易性和有效性。     

基于EEMD和Choi-Williams分布的齿轮故障诊断

针对齿轮箱齿轮故障特征提取过程中,经验模态分解(EMD)存在模态混叠、固有模态函数(IMF)筛分困难以及Wigner-Ville分布(WVD)存在交叉干扰项的问题,提出一种集合经验模态分解(EEMD)和Choi-Williams分布(CWD)相结合的齿轮故障诊断方法。首先,将采集到的齿轮故障信号进行EEMD分解,分解为多个单分量固有模态函数(IMF)的组合;然后,通过相关系数和香农熵准则去除虚假分量并筛选IMF;最后,将筛选出的IMF分量进行CWD表达,结合时频域表现出的频率与等时冲击特性,识别出齿轮故障特征。通过齿轮故障仿真和实验分析,验证了该方法在齿轮箱齿轮故障诊断中的适用性和有效性。     

基于阶次分析与循环平稳解调的齿轮箱复合故障诊断方法

针对变转速下的齿轮箱中复合故障的特征提取,提出了一种基于阶次分析与循环平稳解调的齿轮箱复合故障诊断方法.该方法先用线调频小波路径追踪算法从原始振动信号中提取转频信号,再根据转频信号对原始振动信号进行等角度重采样,将时域非平稳信号转化为角域周期平稳信号,最后对角域周期平稳信号进行循环平稳解调分析,根据故障特征阶次处的切片解调谱进行齿轮箱复合故障诊断.通过算法仿真和应用实例对包含齿轮局部故障和轴承局部故障的变转速齿轮箱复合故障进行了分析,分析结果表明,该方法在无转速计的情况下能有效地提取处于变转速下的齿轮箱复合故障的特征.     

基于阶次小波包与粗糙集的轴承复合故障诊断

针对齿轮箱启动过程中振动信号表现为非平稳非高斯特征,传统诊断方法诊断精度不高的现状,将阶次小波包和粗糙集理论引入到轴承的复合故障诊断中,利用计算阶次跟踪算法对瞬态振动信号进行重采样,采用小波包对该信号分解-重构,并对每个频段的能量进行归一化,构成一个特征向量,通过粗糙集理论得到清晰、简明的决策规则.并通过复合故障实例验证了此方法的有效性.