基于RSSD和小波变换的滚动轴承故障诊断

滚动轴承故障被视作瞬态冲击成分,在信号共振稀疏分解中一般被分解到的低共振分量当中。由于噪声影响,低共振分量的希尔伯特解调包络谱中依然存在大量的干扰频率,使得故障特征提取有时不明显,或不易观察,因此本文提出了一种基于信号共振稀疏分解(RSSD)与小波变换相结合的故障诊断方法。在滚动轴承早期微弱故障的诊断中,采用小波分析技术对隐藏于低共振分量的故障特征进行提取,可以更加有效地凸显故障特征;通过对滚动轴承内圈和外圈单一故障振动信号的分析应用,成功提取了故障特征,验证了这一方法在滚动轴承早期故障诊断应用的有效性。     

转子叶片裂纹故障特征提取研究

小波包分解能对信号高、低频部分局部进行细化并具有保留原信号时域特征的优点，是一种对非平稳信号进行有效识别的技术．文中从采集到的有叶片裂纹时的振动信号，用德比契斯小波对包含叶片裂纹故障的振动信号作4尺度小波包分解，通过选取适当的频段用小波包重构算法进行信号重构，提取叶片裂纹故障的特征，从而实现转子叶片裂纹故障诊断．     

基于自适应提升小波包的故障微弱信号特征早期识别

针对齿轮箱故障微弱信号特征识别问题,设计了一种识别该类信号微弱特征的自适应提升小波包方法.该方法以提升方法为基础,构造了提升小波包分解和重构过程算法,并以分解层信号相邻样本点自相关系数的大小作为目标函数,在每个样本点上选择能够自适应匹配信号局部特性的提升小波包算子,将每个分解频带信号进行重构,识别时域故障微弱信号特征.该方法成功地识别出了某齿轮箱发生摩擦故障时隐含在振动信号中的调制波形和周期性冲击脉冲故障微弱特征.结果表明,自适应提升小波包方法对强噪声背景下故障微弱信号特征的识别效果优于经典小波包方法.     

齿轮裂纹早期故障的完全解调分析

齿轮轮齿发生早期裂纹时,裂纹故障信号十分微弱,为了有效提取早期裂纹故障特征,本文提出完全解调分析方法,即针对实际的齿轮振动信号调幅、调相同时存在的特点,进行幅值包络解调和相位解调相结合的完全解调分析．仿真及实例分析结果表明,本文所提出的方法能将齿轮早期裂纹故障信息从复杂的振动信号中提取出来,幅值包络解调和相位解调相结合的完全解调分析,可以提高故障诊断准确率．     

基于Teager能量算子和EEMD的滚动轴承故障诊断方法

针对应用集合经验模态分解(ensemble empirical mode decomposition,EEMD)方法难以提取强噪声背景下滚动轴承微弱故障特征的问题,提出了将最小熵反褶积(minimum entropy deconvolution,MED)和小波阈值去噪与EEMD相结合的改进方法.先采用MED对滚动轴承振动信号降噪,增强冲击特征;然后利用基于EEMD的小波阈值去噪方法处理降噪后信号得到一组固有模态分量(intrinsic mode function,IMF),并依据相关系数准则剔除虚假分量;对重构后信号进行Teager能量算子解调分析,提取其微弱故障特征.通过仿真信号和实验台信号验证了该改进方法的有效性.     

基于解调振动信号特征提取齿轮箱的故障诊断

通过振动信号的可调频率成分研究齿轮裂纹尺寸的故障识别,振动信号分析是基于Hilbert变换和自适应小波.Hilbert变换用于获得振动包络,从而从低信噪比的振动信号中解调载波频率,自适应Morlet小波建立振动信号模型,从而从解调载波频率中提取特征,以鉴定齿轮箱中齿轮的裂纹尺寸.该方法用于分析在不同角速度、不同负载转矩和不同裂纹尺寸下的试验振动信号,结果表明,该方法用于鉴定齿轮箱中齿轮的裂纹尺寸是灵敏和有效的.     

小波分析与Hilbert分析在滚动轴承故障诊断中的应用

针对滚动轴承故障信号的非平稳和调制特点,使用小波分析技术,对检测的信号进行分解,并对含有故障特征的信号进行重构,实现故障信号的提取.应用Hilbert变换进行解调和细化频谱分析,得出故障信号所对应的频谱,从而判断轴承故障模式.通过Matlab仿真证明了小波分析结合Hilbert分析法在滚动轴承故障诊断中提取特征频率的应用价值.     

基于改进小波变换和包络分析的滚动轴承故障诊断

采用改进的小波分解和重构算法与包络分析相结合的方法,提取滚动轴承振动信号的故障特征频率。改进的小波分解和重构方法避免了Mallat算法频率混淆的缺陷,通过对重构信号特定频带进行包络分析,更加准确地提取了滚动轴承的故障特征频率。通过对无故障滚动轴承和内圈、外圈有故障的滚动轴承振动信号的分析,说明这种方法能够有效诊断滚动轴承的故障,并将该方法成功应用于某型航空发动机主轴承故障诊断。     

轴承故障诊断中共振解调技术的应用研究

为解决机械设备滚动轴承的早期故障难于识别的问题,采用共振解调技术对此类故障对应的微冲击脉冲进行了提取研究．分别采用频谱分析、软件及硬件共振解调的方法对滚动轴承的外圈点蚀故障信号进行了分析．结果表明,共振解调技术能提取早期故障的微冲击特征,相对软件共振解调,硬件共振解调谱图故障特征明显,能对轴承早期裂纹、点蚀等微冲击故障进行有效提取．     

基于小波-VMD-Teager能量算子的滚动轴承微弱故障诊断

针对滚动轴承的单一故障进行诊断,提出了将小波VMD-Teager能量算子相结合和小波CEEMD-Teager能量算子相结合的诊断方法。对于滚动轴承的故障信号首先是进行小波降噪,使用VMD分解得到IMF分量,利用峭度和相关系数的大小选择合适的IMF分量,进行重构。通过对重构的IMF进行Teager能量算子包络解调处理,最后可以得到不同故障程度的轴承故障的特征频率。对比VMD处理和CEEMD处理得到的故障信号包络图,利用实验数据验证表明, VMD处理能更有效提取滚动轴承的单一故障微弱特征。     

基于转子实验台的典型故障信号模拟与分析

通过在转子实验台上来模拟转子不平衡和摩擦两种故障,利用数据采集系统采集这些故障信号,并对信号的产生进行了机理分析,并利用LabVIEW软件分析了这两种故障在正常和非正常两种不同情况下的时域和频域分析图.将实验结果与理论分析相结合,验证了旋转机械两种典型振动故障的识别特征,丰富了故障档案.     

基于形态小波和S变换的滚动轴承故障特征提取

针对传统小波在强背景噪声中提取冲击故障特征的不足,提出基于极大提升形态小波(MLMW)分析和S变换的滚动轴承故障特征提取方法.先利用MLMW变换将信号分解到不同形态尺度上,各尺度信号上保留着信号局部极值形态特征,对细节信号进行软阈值降噪处理,再从重构信号的具有良好时频聚焦性的S变换谱上提取故障特征.试验结果表明,MLMW既抑制了噪声和谐波分量,又显著强化了故障特征;相比传统小波和包络分析,能清晰地提取非平稳非线性故障特征.由于MLMW采用简单的形态算子和高效的提升方法,计算简单高效,适于故障特征的在线分析.     

时域同步平均在振动信号分析中的应用

时域同步平均可以有效过滤与旋转频率无关的噪声干扰。文中根据时域同步平均的原理,将旋转机械振动信号分为两组,进行时域平均处理对比研究,验证了时域同步平均方法的可行性。     

基于互四阶累积量的谐参数联合估计的TLS-ESPRIT方法

导出了混合色噪声中复值随机谐波信号和实值随机谐波信号的互四阶累积量及对角切片,利用这些对角切片皆可估计出相同的频率和相移,但根据实值随机谐波所估计的互功率为复值随机谐波的3/16.将互四阶累积量与高分辨率的ESPRIT方法结合,提出了在混合色噪声中基于互四阶累积量的谐参数联合估计的TLS- ESPRIT方法.研究结果表明,基于互四阶累积量的谐参数联合估计TLS-ESPRIT方法可抑制混合色噪声,具有优越的参数估计性能.     

AE技术对滚动轴承故障诊断的研究

设计组成了以计算机为中心的声发射信号提取与分析系统，采用高频声发射信号的共振解调法，既能判断轴承有无故障，又能确定故障发生的部位．实验表明，周AE共振解调法可以检测低速及普通转速下滚动轴承的故障，且有早期预测故障的特点，对实际设备诊断与维修有一定的指导意义．     

子波神经网络在故障诊断中的应用研究

根据旋转机械常见的的故障类型和故障信号时域采样数据 ,以子波空间作为模式识别的特征空间 ,采用信息熵为代价函数的神经网络学习算法 ,由子波神经网络对故障进行学习和诊断 .实验结果表明 ,子波神经网络的故障诊断方法在不了解故障信号频率结构的情况下 ,即可对平稳和非平稳故障信号进行诊断 ,适于设备在线监测及设备的巡检     

自适应时间尺度分解方法及其应用

针对齿轮故障振动信号的非线性、非平稳和多分量的特征,在定义了瞬时频率具有物理意义的本征时间尺度函数(intrinsic time-scale function,ITF)的基础上,结合固有时间尺度分解中基线信号的构造方法,提出自适应时间尺度分解(adaptive time-scale decomposition,ATD)的时频分析方法,该方法可以自适应地将一个复杂信号分解为若干个瞬时频率具有物理意义的本征时间尺度分量之和.仿真分析验证了ATD方法的有效性以及定义本征时间尺度函数方法的合理性.分别将ATD、经验模态分解(EMD)、局部均值分解(LMD)和固有时间尺度分解(ITD)与包络解调分析相结合应用于斜齿轮故障诊断中,实验结果表明:自适应时间尺度分解方法在保证分解结果正确性的前提下,计算效率方面具有明显优势,将该方法与包络解调相结合能够有效提取到齿轮的故障特征.