基于阶次跟踪和HHT瞬时相位法的轴承故障诊断

提出了一种基于阶次跟踪和HHT(Hilbert-Huang transform)瞬时相位法的轴承故障诊断新方法。对齿轮箱启动时的振动信号进行角域重采样,并对角域里的信号进行经验模态分析(EMD)分解得到多个固态模态函数(IMF)分量及其各自的瞬时相位谱,最后对包含故障信息的瞬时相位分量进行了快速傅里叶变换(FFT)。结果表明,该方法能对轴承的故障部位和类型进行准确诊断。     

阶次倒谱在轴承故障诊断中的应用

将常规的阶次分析与倒谱分析技术相结合，提出了阶次倒谱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等间隔采样，再对时域信号进行等角度重采样。转化为角域平稳信号，最后对角域重采样信号进行倒谱分析，提取轴承的故障特征。通过对轴承内圈、外圈故障实验信号的分析，表明该方法能有效地诊断轴承故障类型。     

基于小波尺度图重分配的轴承瞬态特征检测与提取

提出基于小波尺度图重分配的信号瞬态特征检测方法和瞬时能量估计方法,并应用于轴承在多种轻微故障状况下的振动非平稳特征的检测与表示.结果表明,重分配的小波尺度图能够以较高的时频分辨率表示轴承振动中的非平稳特征,反映轴承的多种故障,瞬时能量估计可以作为分析轴承状态的依据.     

适用于轴承故障诊断的数据增强算法

针对在轴承故障诊断中存在的故障数据较少、数据所属工况较多的问题,提出了一种基于阶次跟踪的数据增强算法。该算法利用阶次跟踪中的角域不变性,对原始振动信号进行时域重采样从而生成模拟信号,随后重新计算信号的幅值来抵消时域重采样以及环境噪声对原始信号能量的影响,最后使用随机零填充来保证信号在变化过程中采样长度不变。对比实验表明,该算法既可以增加样本多样性,又可以增加数据集样本的数量,改善原始数据集中存在的问题,有效提高故障诊断模型的分类准确率和泛化性能。     

基于自动搜峰和shannon熵的车辆轴承多普勒畸变故障声信号校正研究

针对传声器采集的运动声源信号存在多普勒畸变问题,提出一种基于自动搜峰和shannon熵的滚动轴承多普勒畸变故障声信号校正方法。首先对所采集的声音信号进行短时傅里叶(STFT)时频分析;然后利用自动搜峰方法进行瞬时频率估计,设置shannon熵来提高瞬时频率估计精度,并得到拟合的瞬时频率曲线,进而得到信号重采样时间点;最后对原信号进行时域重采样,从而使畸变信号得以矫正。通过仿真和动态滚动轴承内外圈故障声信号的实验验证了此种方法的可行性。     

强噪声背景与变转速工况条件下滚动轴承故障诊断研究

煤矿机械设备工作环境恶劣,背景噪声强,轴承早期的故障特征信号微弱,从传感器所测得的振动信号中提取反映故障状态的信息比较困难;同时,煤矿机械设备工作在高速、冲击等工况下,是典型的非平稳工况,不稳定的激励及复杂工况直接导致提取轴承故障特征信号困难。针对以上问题,以矿井提升设备的运行工况为背景,提出了一种基于计算阶次分析与自适应随机共振的滚动轴承故障诊断方法。首先,模拟了矿井提升机运行过程中典型的变转速工况,分别构造故障仿真信号,并采集了轴承振动实验信号;其次,通过等角度采集同步时域鉴相序列,利用计算阶次分析将轴承非平稳的振动信号重采样为平稳信号;然后,利用变分模态分解(VMD)方法将平稳信号分解为若干本征模态函数(IMF)分量,通过轴承故障阶次实现对轴承故障类型的判断;最后,利用自适应随机共振方法来增强轴承故障特征阶次,从而实现故障特征的提取与增强,达到故障诊断的目的。仿真和实验结果证明了该方法的有效性。将该方法与最大相关峭度反褶积(MCKD)方法进行了对比,结果表明,MCKD方法虽然也可以观察到故障特征阶次,但是特征阶次比周围干扰阶次幅值仅高0.001 96,低于本文所提方法的结果,说明了本文所提方法具有一定的优越性。     

直升机旋翼动平衡测量方法研究

为实现直升机旋翼在高速旋转过程中动平衡值的测量，提出了一种基于阶次跟踪的测量方法。该方法首先利用阶次跟踪原理对旋翼转速信号进行等角度重采样，确定重采样的时刻值；然后利用等角度重采样时刻值，对经三次多项式最小二乘法曲线拟合后的振动信号进行二次重采样，得到旋翼振动阶次重采样信号；最后利用离散傅里叶变换方法对其进行阶次谱分析，得到旋翼的动平衡值。该方法有效克服了传统频谱分析方法在分析非平稳信号中存在的频率混叠及能量泄露等问题；同时，该测量方法通过软件实现具有较好的可移植性，能与其他直升机减振分析模块一起使用。通过在仿真试验台及试验机上进行验证试验，结果表明，该方法能有效测量直升机旋翼的动平衡值。     

基于局部特征尺度分解与瞬时频率谱的齿轮故障诊断

齿轮故障振动信号具有非平稳、非线性特征,且可视为多个调幅-调频分量的叠加,单个调幅-调频分量的瞬时频率蕴含了齿轮的故障特征;为了将信号准确分解、获得单分量的瞬时频率,进而根据瞬时频率谱进行齿轮故障诊断,提出了局部特征尺度分解与瞬时频率谱相结合的故障诊断方法;该方法首先对齿轮振动信号运用局部特征尺度分解,得到若干个瞬时频率有物理意义的内禀尺度分量,然后分别应用希尔伯特变换技术求取每个分量的瞬时频率,并对瞬时频率进行傅里叶变换得到瞬时频率谱,最后根据瞬时频率谱进行故障诊断;对齿轮断齿故障实验数据进行了方法有效性分析,分析结果表明:该方法不仅能够准确诊断出齿轮箱故障情况,还能定位发生故障的齿轮,该方法可有效地应用于齿轮故障诊断。     

基于阶次分析理论的变速器故障判别实现方法

根据变速器下线产品质量检测的要求,研究了基于阶次分析理论的变速器故障判别实现方法。通过阶次跟踪计算将等时采样转换为等角度采样。并分析了对振动信号进行分轴重采样的原理和必要性,给出了分轴阶次谱计算的详细步骤。通过对故障变速器数据的分析表明,提出的方法可以明显识别变速器出现的齿轮啮合故障,并可以准确地定位故障零件。     

基于SVD和TKEO的轴承振动信号特征提取

为了解决滚动轴承振动信号中微弱故障信息难以提取的问题,提出了一种基于奇异值分解（Singular Value Decomposition,SVD）和Teager-Kaiser能量算子（Teager-Kaiser Energy Operator,TKEO）的轴承振动信号特征提取方法。采用SVD将突变信息从背景噪声和光滑信号中分离,提取信号的突变信息;利用TKEO计算突变信息的瞬时能量,对该能量信号进行频谱分析,从而提取出轴承振动信号的能量频谱特征,用于故障检测。将该方法应用于轴承外圈、内圈局部故障状态下的振动信号特征提取,利用特征信息能够准确检测并识别出故障类型,表明了该方法的可行性和有效性。     

基于LabVIEW的阶次分析系统设计与仿真

对于非稳态振动信号,使用FFT分析会产生谱模糊现象;为了消除谱模糊,最常用的方法是计算阶次跟踪,目前计算主要采用商业软件进行;文章根据阶次分析流程,计算转速剖面,采用拉格朗日7点插值算法;计算重采样时刻,采用给定角加速度阈值进行分段插值方法;角域重采样,采用滑动低通滤波插值方法;基于LabVIEW设计了阶次分析软件系统;通过仿真分析表明,设计的基于LabVIEW的阶次分析系统可以有效的解决谱模糊现象.     

多速率STFT超宽带信号瞬时频率估计研究

提出多速率短时傅里叶变换(Multi Rate Short Time Fourier Transform,MR-STFT)瞬时频率估计算法,提高了超宽带信号瞬时频率估计精度;该方法将多速率信号处理算法与短时傅里叶变换(STFT)技术相结合,兼顾采样频率和被测频率,将宽频范围进行分段采样,对分段处理结果进行拟合,构成多速率STFT算法,实现超宽带信号瞬时频率的高精度测量;通过对仿真信号和实测信号进行处理,研究了方法的可行性和频率估计精度,结果表明MR-STFT算法较大提高了超宽带信号瞬时频率估计精度,尤其对低信噪比的超宽带信号效果显著。     

变速工况下采煤机行星齿轮传动系统故障诊断

采煤机截割煤层时,牵引部行星齿轮传动系统处于变速工况,且行星齿轮传动系统结构复杂,导致振动信号存在多种调制现象,影响行星齿轮传动系统故障特征提取。针对上述问题,将阶次分析技术与包络谱相结合,提出了一种基于包络阶次谱分析的采煤机行星齿轮传动系统故障诊断方法。首先对行星齿轮传动系统的非平稳时域振动信号进行Hilbert包络分析,然后将非平稳时域包络信号进行计算阶次跟踪处理,转换为等角度的角域信号,最后对等角度角域信号进行快速傅里叶变换,得到信号的包络阶次谱。对该方法进行了仿真分析及基于动力传动故障诊断综合试验台的变速工况下行星齿轮传动系统故障诊断试验,结果表明:对于变速工况下的振动调制信号,阶次分析难以提取特征阶次,而包络阶次谱分析方法可有效提取其特征阶次,并实现了行星齿轮传动系统故障准确诊断。     

奇异值分解结合频率切片小波变换的轴承故障提取方法

针对频率切片小波变换在强背景噪声条件下故障特征识别能力不足的缺点,提出了奇异值分解和频率切片小波变换相结合的故障特征提取方法。首先利用原始信号构造Hankel矩阵,根据奇异值差分谱单边极大值原则确定阶次并进行降噪处理;继而利用频率切片小波对降噪信号进行分析,得到全频带时频图后,对能量集中的时频区域进行细化分析;通过频率切片小波逆变换得到相应的重构信号;最终可以从重构信号的波形图中提取出轴承故障特征频率信息。仿真信号和实测信号分析表明,该方法能够实现滚动轴承运行状态的准确判别,对实际工程应用具有重要意义。     

基于MF-FRFT伪码捕获算法研究

针对高动态环境下接收机的接收信号含有较大多普勒频率及其变化率,传统捕获方法无法对多普勒频率变化率进行有效补偿等问题,提出了一种基于分数阶傅里叶变换的捕获方法。所提算法尝试采用匹配滤波器与分数阶傅里叶变换相结合的方法,利用在高动态环境下载波多普勒呈现近似线性调频信号的特点,寻找变换后峰值所在位置即可对多普勒频率和频率变化率进行有效估计,无需进行频域搜索,大大节省了捕获时间。理论分析和仿真验证表明,本文提出的基于分段分数阶傅里叶变换捕获方法,解决了传统方法在高动态环境下难以对信号多普勒变化率进行有效补偿的问题,尤其在低信噪比情况下,更好地提高了接收机捕获概率、缩短了捕获时间。     

一种暂稳态电力谐波的HVD检测方法

将希尔伯特振动分解(HVD)方法应用于非平稳电力谐波分析。在剖析非平稳多谐波信号的希尔伯特变换瞬时频率表达式基础上,通过低通滤波器直接估计出幅值最大谐波分量的瞬时频率,由同步检测获得相应的幅值和初相角,通过迭代运算自适应地检测出各次时变谐波分量参数。根据电网谐波的特点,设计一种满足性能指标的F IR低通滤波器实现HVD算法的关键环节,并采用波形匹配自适应边界延拓法避免截断处理的边界效应和累积误差。仿真表明,该方法能准确检测出频率波动和幅值突变等暂态谐波并适用于稳态谐波分析,与小波变换相比,无需选取基函数且精度与运算效率更高。     

基于SVD-AR模型与VPMCD的轴承故障诊断方法

针对强噪声背景下振动信号故障特征难以提取的问题,提出了基于奇异值分解的自回归(SVD-AR)模型,用于提取振动信号的特征,并与变量预测模型模式识别(VPMCD)方法相结合应用于轴承故障诊断.对轴承振动信号进行SVD;然后,利用奇异值差分谱对分量信号进行筛选,对能够反映故障信息的分量信号建立AR模型,提取轴承振动信号的特征信息;采用VPMCD对滚动轴承运行状态进行识别.实验证明了方法的合理性和有效性.     

基于LMD和GNN-Adaboost的滚动轴承故障严重程度识别

提出一种基于局部均值分解（Local Mean Decomposition,LMD）和遗传神经网络自适应增强（Genetic Neural Network Adaptive Boosting,GNN-Adaboost）的滚动轴承损伤程度识别方法。通过LMD方法将轴承振动信号分解为若干个瞬时频率有物理意义的乘积函数（Production Function,PF）,对能反映信号主要特征的PF提取能量矩,结合原始振动信号的时域特征参数（方差、偏度、峭度）,组成故障严重程度识别特征参数矩阵。将基于LMD方法的特征参数矩阵作为GNN-Adaboost方法的输入向量,对不同载荷与转速工况下的轴承进行故障严重程度识别。结果表明,基于LMD和GNN-Adaboost的方法能够有效提高轴承故障严重程度识别准确率,对滚动轴承等关键旋转部件的故障识别与定位具有重要意义。     

列车振动信号与轨道平整度的关系模型仿真

轨道不平会引起列车的振动,低频振动信号的特征可以很好的描述轨道与列车振动的关系,但是,低频信号特征描述的振动区域有限,传统方法通过建立车辆一轨道垂横耦合模型来识别这种振动信号,无法描述多种不同的车型带来的振动.为解决上述问题,提出基于多渠道差异采集的轨道不平低频传感信号关联模型.对不同车型下的低频信号传输过程中的衰减程度进行估计,计算实际衰减量,并对其进行补偿.对补偿后的传感信号进行分数阶域傅里叶变换,获取信号采集目标函数,完成振动与平整度的关系建模.实验结果表明,利用上述方法进行轨道不平低频传感信号采集,能够获取不同形式的轨道不平整与列车振动的关系.     

无线mesh网络多信道射频ISR方法研究

由于现有方法未对瞬时特征分析,导致射频信号识别误码率较高,提出的无线mesh网络多信道射频信号智能识别方法,通过无线mesh网络的拓扑图构造,分析网络不确定变量,将信号分配至多信道内,估计射频信号载波频率,并把该信号正交下变频至基带,获得IQ正交复包络的信号,实现瞬时特征分析,同时利用信号段瞬时频率、瞬时相位以及瞬时幅度分类射频信号类型,求出各信号段的每个特征值,计算完的总信号帧生成各自特征序列,作为神经网络特征矢量提取信号特征,再将射频信号数据映射至复数域当做信号调制的一部分,由于信号的发送者和接收者间时钟的晶振会有微小差别,凭借接收者评估并补偿两种间频率偏差值,即完成射频信号的智能识别.仿真结果证明:所提方法识别精度高,识别误码率较低,能够有效提升工业自动化管理效果.