希尔伯特变换及其在故障诊断中的应用

本文通过理论分析和实际工程应用讨论了希尔伯特变换的原理及其在解决齿轮箱调制故障中的应用，并将重抽与滤波有效地结合起来以得到了最大细化倍数的解调谱，从而提高了解调谱的分辨率，运算速度及精度。     

基于SSWPT边际谱特征信息提取的齿轮故障诊断EI北大核心CSCD

在噪声的影响下,齿轮的故障信息不易被识别。同步压缩小波包变换(synchrosqueezed wave packet transform,SSWPT)作为一种新的时频分析方法,具有良好的抗噪声能力。在其基础上提出基于SSWPT边际谱特征信息提取的齿轮故障诊断方法。首先,对故障齿轮的振动信号进行SSWPT得到信号的能量矩阵,并对能量矩阵进行积分变换求取齿轮振动信号的边际谱;然后,根据边际谱提取啮合频率及其倍频,并选择对应的啮合调制频带对能量矩阵运用同步压缩小波包逆变换(synchrosqueezed wave packet inverse transformation,ISSWPT)进行信号重构;最后,对重构信号进行解调分析,从而可以有效提取齿轮故障特征频率。仿真及试验分析结果表明,该方法可以准确地提取齿轮故障特征信息,且分析效果优于包络谱和基于快速谱峭度的共振解调方法,为齿轮的故障特征提取提供一种有效的方法。     

基于局部最大值2阶同步压缩变换的变工况轴承故障诊断

由于工况变化,机械设备在运行过程中相应的状态监控信号也呈非平稳性。时频分析技术作为处理非平稳信号的有效工具在机械故障诊断应用中起着重要作用。针对2阶同步压缩变换（Second-order Synchrosqueezing Transform,SST2）时频分析技术存在的时频分布能量发散问题,利用SST2局部最大时频系数位置构建局部最大值估计算子,将短时傅里叶变换结果（Short-time Fourier Transform,STFT）的时频能量进行重排。结果表明,局部最大值估算算子能够有效增强SST2时频分布的能量集中度,该方法不仅能更准确的捕捉非平稳信号中的时变信息,同时能获得能量更集中的时频分布,减少噪声对时频分布图谱的干扰。通过一组数值仿真信号与一组变速轴承故障实验数据分析验证了该方法的有效性,并结合阶次分析方法实现变工况滚动轴承故障诊断。     

经验小波变换-同步提取及其在滚动轴承故障诊断中的应用

为了准确诊断轴承故障并探究故障信号的时变特性,提出了一种基于同步提取变换(Synchroextracting Trans-form,SET)和经验小波变换(Empirical Wavelet Transform,EWT)的轴承故障诊断方法.对故障信号进行经验小波变换分解,把分解得到的若干个经验模态进行同步提取变换,将所...     

迭代广义解调齿轮信号分离的变转速滚动轴承故障诊断EI北大核心CSCD

变转速工作模式下齿轮啮合会掩盖故障轴承冲击特征,使得轴承故障特征信息微弱,针对变转速工作模式下齿轮啮合对轴承信号干扰的问题,提出了迭代广义解调齿轮信号分离的变转速滚动轴承的故障诊断方法。首先采用峰值搜索算法从包络时频谱中提取峰值啮合倍频(Instantaneous Dominant Meshing Multiply,IDMM),通过IDMM趋势线构造各广义解调函数的相位函数;其次利用迭代广义解调算法(Iterative Generalized Demodulation,IGD)分离出齿轮啮合频率及倍频信号,对剩余信号采用谱峭度算法确定由故障轴承引起的高频共振滤波参数并进行带通滤波;最后,以提取的IDMM趋势线作为轴承转频,对滤波结果进行角域重采样,根据阶次谱对滚动轴承运行状态予以判断。仿真信号和实测信号的处理结果证明该方法在无转速计设备的情况下能有效的实现变转速滚动轴承的故障诊断。     

改进的迭代希尔伯特变换及其在滚动轴承故障诊断中的应用

针对现有迭代希尔伯特变换（IHT）存在端点效应和滤波器设计主要依靠先验知识,提出了一种改进的IHT方法用于机械故障诊断。分析了IHT方法中端点效应的原因,提出了基于对称延拓信号的方法来消除端点效应的影响。同时,提出了一种自适应的零相位滤波器取代原方法中的固定滤波器。将改进后的IHT方法和原方法进行仿真对比分析,证实了该方法的解调精度更高,并有效地抑制了端点效应。最后,利用改进的IHT方法进行轴承故障诊断试验,结果表明该方法具有更好解调的效果,能够更准确地提取外圈故障特征。     

小波变换理论及其在机械故障诊断中的应用

小波变换是一种日益获得广泛应用的信号分析方法,已成为国际上非常活跃的研究领域.它在时域和频域同时具有良好的局域性,能够很好地反映出瞬态信号的特征,为诊断以非稳态信号为特征的机械故障提供了有效的分析手段.本文从应用的角度简述了小波变换的基本理论和算法,并给出了故障诊断的实例,证明了这种方法对故障诊断的有效性.     

改进MBCV法在滚动轴承故障诊断中的应用EI北大核心CSCD

针对传统最大类间方差法(Maximum Between‑Class Variance,MBCV)在分离轴承故障信号过程中存在的分割阈值适应性差、分离效果不佳的问题,提出一种基于MBCV动态阈值曲线的滚动轴承故障诊断方法。该方法通过MBCV法获得频谱均分子区间的各分割阈值,然后高阶拟合各部分阈值进而获得动态阈值曲线,再通过调整优化频谱分段数量并以分离信号与原信号之间的均方根误差最小化为目标确定最优阈值曲线;依据最优动态阈值曲线将信号频谱分割为高、低两部分,对低幅值部分进行傅里叶逆变换及平方包络谱分析进而诊断故障。此方法能有效消除强干扰成分,最大化提取轴承故障特征。实验分析结果表明,相比于传统MBCV法,该方法提取的故障特征更加明显。     

FA-PMA-VMD方法及其在齿根裂纹故障诊断中的应用EI北大核心CSCD

针对变分模态分解(VMD)中难以确定分解分量个数k和惩罚参数α的问题。提出一种改进的变分模态分解方法—基于萤火虫算法及主模态分析法的变分模态分解(FA-PMA-VMD)方法。该方法用主模态分析(PMA)对VMD分解的带限内禀模态函数(BIMF)分量进行排序;用萤火虫算法对变分模态分解的最佳影响参数[k,α]组合进行搜索,以新提出的正交低峰值作为萤火虫算法的优化目标,得到的最佳的惩罚参数α和分量个数k组合;根据预先设定的故障特征参数自适应地将信号分解为k个BIMF分量。通过对仿真信号和齿轮齿根裂纹实际故障信号进行分析,分析结果表明FA-PMA-VMD具有良好的分解效果。     

FA-PMA-VMD方法及其在齿根裂纹故障诊断中的应用EI北大核心CSCD

针对变分模态分解(VMD)中难以确定分解分量个数k和惩罚参数α的问题。提出一种改进的变分模态分解方法—基于萤火虫算法及主模态分析法的变分模态分解(FA-PMA-VMD)方法。该方法用主模态分析(PMA)对VMD分解的带限内禀模态函数(BIMF)分量进行排序;用萤火虫算法对变分模态分解的最佳影响参数[k,α]组合进行搜索,以新提出的正交低峰值作为萤火虫算法的优化目标,得到的最佳的惩罚参数α和分量个数k组合;根据预先设定的故障特征参数自适应地将信号分解为k个BIMF分量。通过对仿真信号和齿轮齿根裂纹实际故障信号进行分析,分析结果表明FA-PMA-VMD具有良好的分解效果。     

关联维数快速算法及其在机械故障诊断中的应用

基于GP算法的关联维数计算方法简单,但计算量大,无标度区间识别困难,难以实现自动化。分析关联积分计算量基础上,运用组合参数法减小关联维数计算量,并由关联积分曲线的二阶局部斜率实现无标度区间的自动识别,进而实现关联维数的自动计算,Lorenz系统实例证明了该方法的有效性。运用该方法计算不同汽车主减速器振动信号的关联维数,结果显示不同状态主减速器振动信号的关联维数具有明显的可分性,关联维数可作为判别机械产品故障特性的有效量化指标。     

调频率自适应匹配线性变换及其对旋转机械故障诊断研究

旋转机械常处于变转速工作状态,因而其振动信号也表现出非平稳性。分析此类非平稳信号时由于受有限的时频分辨率影响,常无法获得理想的时频表示,难以揭示与旋转机械健康状态相关的有用信息。根据单个线性调频变换（LCT）能提升特定时刻时频聚集性这一特点,提出了调频率自适应匹配线性变换（Adaptively MatchingChirp?rate Linear Transform,AMCLT）。利用最大峭度准则指导选取每个时刻合适的调频率,并且只保留与所选调频率相关的时频分布用于构造最终的时频表示;扩展原始线性变换基函数,使所提 AMCLT 方法在无需迭代情况下可同时完成对多分量非线性调频信号的分析。此外,对所提 AMCLT 方法进行了信号重构分析,可实现对信号中目标频率分量的时域信号重构。振动信号处理结果表明,在时频表示的可读性方面,所提方法可得到能量更加集中且不受交叉项干扰的时频表示;在特征提取方面,所提方法可更加准确地提取旋转机械振动信号中的频率特征,可有效应用于旋转机械的故障诊断。     

Wavelet transform and its applicationto control system fault detection

1InstructionWiththeestablishmentofthe"monitoringsystem",moreandmorenewteChnologiesarerequiredtomeetPepticalneeds.Inthisbackground,faultdetectionanddiagnosisif]isformed.Owingtotheenhancementoftheautomationdegreeandcomplexityofthesystem,itisveryimporta...     

鲁棒性观测矩阵优化设计及其在机械故障诊断中的应用

在机械设备故障诊断系统中应用压缩感知（CS）可以有效缓解故障诊断系统数据的传输和存储压力。将观测矩阵的优化设计方法引入机械设备故障诊断系统中。结合机械信号信噪比（SNR）较低的特点,在分析不同观测矩阵优化框架抗噪性能的基础上,得出适用于机械信号的鲁棒性观测矩阵优化框架。基于该优化框架,推导出一种比现有求解方法计算复杂度更低的解析解,提高了优化观测矩阵的求解速度。数值仿真和实验结果表明,所提方法得到的优化观测矩阵具有良好的鲁棒性和更高的计算效率,相比现有的优化观测矩阵和常用的随机矩阵,所提方法可以在更低的信噪比和压缩比下有效地重构机械故障信号。     

机械故障诊断中征兆的粒度原理及应用

提出了一种基于知识粒度原理的故障诊断中征兆参数重要度评价方法.解决了目前故障诊断征兆参数约简和压缩过程中得到的是最小征兆集而不一定是最优最小征兆集的情况,通过对两个实例的计算,很好地求出了最优最小征兆集.     

一种自适应Chirplet分解方法及在故障诊断中应用

提出了一种自适应Chirplet信号分解过程中的参数优化估计方法，该方法首先利用最大投影分解原理结合分数阶傅立叶变换和拟牛顿方法进行参数估计，然后利用最大期望方法，进一步进行参数的优化。将提出的方法与传统的时频分析方法如短时傅立叶谱图，Wigner分布进行对比分析，仿真结果表明，提出的方法具有很高的参数估计精度、很高的时频图分辨率和抗噪能力。说明了本文提出的方法中引入EM算法的必要性。又将提出的方法应用到轴承的故障诊断中，实验结果表明，提出的自适应Chirplet分解方法是非常有效的。     

线性峭度图及其在滚动轴承故障诊断中的应用

作为表征信号冲击特征的常用指标,峭度容易受到少量大幅值异常数据或随机冲击的干扰,非常不利于滚动轴承、齿轮等旋转机械故障特征的提取。为更有效地表征信号的循环冲击特征,将线性峭度概念引入到滚动轴承故障特征表征中。同时,结合经验小波变换提出线性峭度图方法。该方法通过构造具有紧支撑的经验小波函数,将信号进行正交分解;随后,计算不同分解方案下子信号的线性峭度构建线性峭度图;最终,选择线性峭度最大的子信号进行平方包络分析实现故障特征的提取与增强。通过滚动轴承内外圈剥落故障的仿真与试验分析表明:线性峭度比峭度更适合表征信号的循环冲击特征。与基于传统峭度图方法和子频带谱峭度平均的峭度图方法相比,提出的线性峭度图方法在信号的分解与表征两方面都进行了改进,具有更强的循环冲击特征提取能力,具有更高的工程应用价值。但线性峭度图方法在滤波器组构建上效率相对较低,还有很大的提升空间。     

局部均值分解方法及其在齿轮故障诊断中的应用

研究了一种新的自适应时频分析方法--局部均值分解LMD(Local mean decomposition)方法.并针对齿轮故障振动信号的调制特征,提出了基于LMD的齿轮故障诊断方法.LMD方法可以自适应地将任何一个复杂信号分解为若干个瞬时频率具有物理意义的PF(Product function)分量之和,从而获得原始信号完整的时频分布,其本质上是将多分量的信号自适应地分解为若干个单分量的调幅-调频信号之和,非常适合于处理多分量的调幅-调频信号.在介绍LMD方法的基础上,对LMD和EMD(Empirical mode decomposition)方法进行了对比,结果表明了LMD方法的优越性,同时将LMD方法应用于齿轮故障诊断,对实际的齿轮故障振动信号进行了分析,结果表明LMD方法可以有效地应用于齿轮故障诊断.     

A neuro-fuzzy technique for fault diagnosis and its application to rotating machinery

Malfunctions in machinery are often sources of reduced productivity and increased maintenance costs in various industrial applications. For this reason, machine condition monitoring is being pursued to recognise incipient faults. In this paper, the fault diagnostic problem is tackled within a neuro-fuzzy approach to pattern classification. Besides the primary purpose of a high rate of correct classification, the proposed neuro-fuzzy approach also aims at obtaining an easily interpretable classification model. The efficiency of the approach is verified with respect to a literature problem and then applied to a case of motor bearing fault classification.     

小波域相关滤波法及其早期故障预示应用

噪声是影响机械设备早期故障预示正确性的主要因素。根据相关分析理论和小波阈值降噪理论,提出了小波域相关滤波法。它是一个迭代的过程,通过自适应的选择滤波过程参数,可以对信号进行良好的降噪;同时也不会弱化信号中的弱故障信息。通过对旋转机械早期不平衡和不对中故障信号分析,结果表明小波域相关滤波法对机械设备早期故障预示是有效的。