高速列车转向架区气动噪声分离研究

提出了一种基于快速路径优化的自适应短时傅里叶变换时频分析方法,并将该方法用于行星齿轮箱的故障诊断。该时频分析方法通过使用快速路径优化获得瞬时频率变化规律,在短时傅里叶变换过程中自适应的改变时窗长度,从而获得更恰当的时频分辨率。针对行星齿轮箱运行状态不稳定的特点,通过使用笔者提出的时频分析方法可以有效地提取出行星齿轮箱的转速信息,利用参考转速对故障信号角度域重采样和阶次分析,从而实现变转速情况下的行星齿轮箱故障诊断。仿真分析表明,与传统短时傅里叶变换相比基于快速路径优化的自适应短时傅里叶变换得到的时频分布能量更加集中;试验分析证明了基于快速路径优化的自适应短时傅里叶变换方法在行星齿轮箱故障诊断中的有效性。     

基于GLCT和FPO的时变工况行星齿轮箱故障特征提取

时变转速下行星齿轮箱故障诊断存在两个问题,一是由于空间和经济条件的限制,转速传感器无法安装就无法获得设备的实时转速,二是常用的短时傅里叶变换方法时频分辨率低,难以提取到反映设备健康状态的有价值特征信息。为了克服这两个问题,提出基于广义线性调频小波变换（General Linear Chirplet Transform,GLCT）与快速路径最优（Fast Path Optimization, FPO）的无转速阶次分析故障特征提取方法。首先,使用GLCT对振动信号进行时频表征,从而提高时频分辨率,能够清晰地反映齿轮箱的时变运行状态;然后,利用FPO算法从GLCT时频表示中精确提取转频趋势线,进而采用转频曲线对原始振动信号等角度重采样将其映射到平稳的角域中;最后,从角域信号的包络阶次谱中准确地提取行星齿轮箱故障特征信息。数值仿真和应用实例的分析结果表明该方法具有较高的时频分辨率和噪声鲁棒性,能够在无转速计的情况下有效地实现时变转速行星齿轮箱齿轮故障诊断。     

基于自适应短时Chirp-Fourier变换的瞬时转速估计及应用

回转设备的瞬时转速是实现故障诊断的重要参数之一,也是提取表征设备运行状态其他关键参数的基本前提。针对传统短时傅里叶变换方法存在瞬时转速估计精度不足的问题,提出一种基于自适应短时Chirp-Fourier变换的瞬时转速估计方法。该方法建立调频参数的自适应选取策略,可根据信号的时频分布特性对信号进行自适应匹配分解,不但提高了计算效率,而且避免了谱图模糊问题,实现瞬时转速的精确估计。在此基础上结合信号解调技术,形成无键相幅值相位解调方法,并成功应用于变工况下的齿轮箱故障诊断。     

基于非线性短时傅里叶变换阶次跟踪的变速行星齿轮箱故障诊断

针对变速行星齿轮箱信号频率模糊且受噪声影响的问题,提出了基于非线性短时傅里叶变换（NLSTFT）无键相阶次跟踪与变分模态分解的故障诊断方法。用NLSTFT算法估计信号瞬时频率,对其积分获得瞬时相位曲线,通过重采样得到角域信号;利用NCOGS算法对角域信号降噪,采用VMD算法进行角域信号模态分解,通过各模态分量信号包络谱解调实现故障诊断。实验结果表明,新方法计算效率高、鲁棒性好,提高了变转速行星齿轮箱故障诊断性能。     

基于时频分析的设备故障特征提取方法研究

本文分析了三种典型的时频分析方法的特点,搭建故障诊断平台,设计试验方案,获取试验数据,以快速傅里叶变换为基础,采用短时傅里叶、连续小波和S变换三种时频分析方法分别对原始数据进行预处理。     

基于时变滤波与CWT的齿轮箱无转速计阶次跟踪

针对转频波动工况下复杂齿轮箱系统振动信号中各啮合阶次成分相互干扰,导致对啮合频率估计困难的情况,提出一种基于时变滤波与连续小波变换(CWT)结合的无转速计阶次跟踪齿轮箱故障诊断技术。基于短时傅里叶变换(STFT)设置时变滤波器;通过时变滤波及连续小波变换(CWT),获得平滑的瞬时频率估计(IFE);再基于Vold-Kalman滤波(VKF)获得参考轴相位。该方法获得的阶次谱与计算阶次跟踪(COT)相当。最后,结合快速谱峭度算法可准确判断故障齿轮位置。通过仿真和实验表明,无转速计方法能为强噪声转速明显波动工况下的机械故障诊断提供一种新的有效手段。     

基于二维深度卷积网络的旋转机械故障诊断

针对旋转机械振动信号复杂且难以提取有效故障特征的问题,提出了一种短时傅里叶变换和二维深度卷积网络相结合的故障诊断方法。首先对旋转机械振动信号进行短时傅里叶变换,得到时频图;接着将时频图输入到二维深度卷积网络中进行识别,得到最终分类结果。将该方法分别应用于滚动轴承与齿轮箱故障诊断中,在凯斯西储大学滚动轴承数据集、PHM2009直齿齿轮箱数据集上均取得了较好效果,正确率优于将时域信号直接输入到经典CNN中,验证了该方法的优越性。     

广义参数化同步压缩变换及其在旋转机械振动信号中的应用

广义参数化时频分析通过构造匹配的参数化变换核,能够有效提高强调频信号的时频能量聚集性。然而,受短时傅里叶变换中窗函数结构的影响,利用该方法获得的时频能量分布在真实瞬时频率附近始终存在能量扩散现象。同步压缩变换利用同步压缩操作可将短时傅里叶变换处理后的时频能量压缩至真实瞬时频率位置,然而,同步压缩变换仅适用于分析频率成分恒定的纯谐波信号。以短时傅里叶变换为纽带,将两种时频分析方法相结合,提出了广义参数化同步压缩变换。考虑到旋转机械振动信号多为多分量信号,通过迭代处理的方式,依次获取各单分量信号的时频能量分布,对其进行叠加得到最终的时频能量分布。通过数值仿真以及变转速下转子不对中、滚动轴承外圈故障模拟试验验证了所提方法的有效性。     

窗口伸缩优化的同步压缩算法及其在变转速工况瞬时频率估计上的应用

针对传统时频分析方法的固定窗在分析非线性调频信号时存在时频聚集性不高等问题,在短时傅里叶变换基础上引入同步压缩理论,利用信号的局部信息特征,提出一种窗口伸缩优化的时频同步压缩变换算法,并在此基础上推导出二阶及高阶的窗口伸缩优化的同步压缩变换算法.该方法能够兼顾同步压缩变换和重排的优势,进一步锐化时频脊线,从而增强时频表...     

基于FDM的机械故障信号诊断处理方法研究

傅里叶分解(FDM)是一种新的自适应时频分析方法,该方法首先定义了瞬时频率具有物理意义的傅里叶固有频带函数(FIBFs),然后在整个傅里叶域自适应地搜寻解析傅里叶固有频带函数(AFIBFs),从而将非平稳非线性信号自适应地分解为若干个傅里叶固有频带函数和一个残余分量。FDM方法基于傅里叶变换,且是一种完备的、正交的、局部的和自适应的信号处理方法,数学理论充分,并且可以直接依据解析傅里叶固有频带函数直接求得时频能量谱,时频分辨率高,优点非常明显。仿真结果表明,与EMD相比,该方法无端点效应,不存在模态混叠效应,且数学理论充分。最后成功地将该方法应用到实际的滚动轴承故障诊断中。     

基于WVD谱峭度法在轴承故障诊断中的应用

在对基于短时傅里叶变换(STFT)和基于小波变换的谱峭度法分析的基础上,提出了基于W igner Vil le分布的谱峭度法。将其作为检测工具,利用谱峭度构造最优滤波器提取轴承故障 信息。将这三种谱峭度法应用于滚动轴承故障诊断中进行对比分析。分析结果表明，时频分析方法对信号能量的集中程度和时窗与滤波器的选取是影响谱峭度法应用效果的主要因素。该结果对基于时频分析的谱峭度法理论体系的形成及其在故障诊断中的应用具有实际意义。     

基于WVD的谱峭度法在轴承故障诊断中的应用

在对基于短时傅里叶变换(STFT)和基于小波变换的谱峭度法分析的基础上,提出了基于Wigner-Ville分布的谱峭度法.将其作为检测工具,利用谱峭度构造最优滤波器提取轴承故障信息.将这三种谱峭度法应用于滚动轴承故障诊断中进行对比分析.分析结果表明,时频分析方法对信号能量的集中程度和时窗与滤波器的选取是影响谱峭度法应用效果的主要因素.该结果对基于时频分析的谱峭度法理论体系的形成及其在故障诊断中的应用具有实际意义.     

基于NLSTFT与TSA相结合的风电齿轮箱故障诊断

针对变工况风电齿轮箱振动信号存在频谱频率模糊问题,以及传统时域同步平均方法需要键相信号及转速稳定要求.提出了一种不需要键相信号可跟踪变转速振动信号瞬时频率的时域同步平均方法.该方法通过非线性短时傅里叶变换(Non-linear short-time fourier transform,NLSTFT)获取变转速齿轮箱振动信号瞬时频率曲线,积分得到瞬时相位曲线;根据瞬时相位对原始信号进行角域重采样,获得阶次信号;最后对阶次信号进行TSA处理进行齿轮故障诊断.以某机组的齿轮箱实测数据,有效地验证了所提方法在风电齿轮箱故障诊断中的有效性及工程实用性.     

基于时频融合和注意力机制的深度学习行星齿轮箱故障诊断方法

针对行星齿轮箱振动信号频率成分复杂和时变性强的问题,提出了基于时频融合和注意力机制的深度学习行星齿轮箱故障诊断方法。首先,采用小波包分解将原始振动信号分解到频带和时间两个维度作为输入数据;然后,使用卷积神经网络融合数据的频带特征,使用双向门控循环单元融合时序特征;接着采用注意力结构对不同时间点的特征自适应地进行动态加权融合;最后通过分类器进行识别,实现行星齿轮箱的端对端故障诊断。实验表明,该方法对比现有的深度学习故障诊断模型具有更高准确率,能够对行星齿轮箱多种健康状态进行准确地诊断。     

基于连续小波变换和无模型元学习的小样本汽车行星齿轮箱故障诊断

针对行星齿轮箱振动信号具有较强的非平稳特性、故障样本少以及传统深度学习对数据依赖性的问题,提出了一种基于连续小波变换（Continuous wavelet transform,CWT）和无模型元学习（Model agnostic meta learning,MAML）的小样本行星齿轮箱故障诊断方法。通过CWT将行星齿轮箱振动信号转换为时频图像,有效地表达行星齿轮箱非平稳性特征;利用MAML“学会学习”的能力训练小样本的时频图像,对“未见过”的行星齿轮箱故障类型进行测试。通过对不同样本数量、跨工况条件和不同噪声环境下的行星齿轮箱进行故障诊断实验,结果表明,该方法相比于其他方法具有更高的识别精度、泛化性和鲁棒性。     

基于FSST-Res Net的滚动轴承变工况数据故障诊断研究

针对滚动轴承运行工况复杂多变,难以诊断的问题,提出一种基于短时傅里叶的同步压缩变换(FSST)与残差神经网络(ResNet)相结合的故障诊断方法。该方法对轴承振动信号做短时傅里叶变换后,将时频系数压缩重排,生成基于FSST时频图在3种变工况下的训练集和测试集。考虑到深度模型的网络退化问题,采用ResNet模型对数据集进行时频特征提取和故障诊断,进一步提升轴承故障诊断的精度。通过3种变工况实验证明了该方法的有效性和可行性,平均诊断准确率高达98.9%,与其他方法相比,诊断精度有较大提高。     

基于时频分析的雨刮直流电机故障分析

分别采用短时傅里叶变换和小波变换对雨刮直流电机的轴承异响和蜗轮蜗杆异响故障的振动和噪声信号进行了分析,得出了这两类故障的时频特性,为特征参数提取和实现故障诊断提供了直接依据。通过对比,初步验证了短时傅里叶分析和小波分析的正确性与适用性,发现小波分析更具有优势。     

基于ITD和短时傅里叶变换的故障诊断方法

根据固有时间尺度分解和短时傅里叶变换方法的优点,提出固有时间尺度分解和短时傅里叶变换相结合的故障诊断方法。采用ITD方法故障信号分解为若干个固有旋转分量和一个单调趋势项,提取特征信号并确定故障;运用短时傅里叶变换方法对分解的PR分量进行时频分析得到特性频率并进行相关预判断。以齿轮箱为试验对象进行诊断,结果表明,该方法可以有效地提取故障特征信号,并对隐藏的信号进行提取,实现有效诊断故障和预防故障发生。     

自适应窗口旋转同步压缩变换及其在电机转速估计上的应用

针对同步压缩变换(Synchrosueezing Transform,SST)中短时傅里叶变换(Short-time Fourier Transform,STFT),固定窗效应在处理非线性时变信号上的不足,提出了一种自适应窗口旋转短时傅里叶变换(Adaptive Window Rotating Short Time Fourier Transform,AWRSTFT)方法,该方法通过自适应匹配一系列的旋转算子,实现信号在全局上的频率带宽最小。进一步地,在SST的框架下,用AWRSST方法替换STFT,提出了自适应窗口旋转同步压缩变换(Adaptive Window Rotating Synchrosueezing Transform,AWRSST)方法,并用于电机转速信号的处理,该方法能够兼顾AWRSTFT和SST的优势,进一步锐化时频脊线,从而增强时频表示的能量聚集水平。通过数值仿真和电机转速估计实验,验证了该方法的有效性。     

基于最优窗函数Gabor变换的变工况行星齿轮箱故障诊断

强噪声背景下变工况行星齿轮箱振动信号具有非平稳、调制等特点,传统时频分析方法难以获得高时频分辨率的时频图像.本文提出一种分数域最优窗函数Gabor变换方法,利用分数阶傅里叶变换(Fractional Fourier Transform,FrFT)处理线性调频信号的优越性,在分数域优化时频窗函数,获得最小广义时间带宽积原...