应用Hilbert变换和ZFFT提取变速器齿轮故障特征

变速器故障齿轮振动信号,调幅现象和调频现象同时存在,其频谱中包括啮合频率及其谐波、调制产生的耦合频率。Hilbert变换无法提供足够高的频率分辨率解调低频调制信号,为此提出复调制细化谱分析方法。通过变速器齿轮故障模拟实验,采集齿轮正常、轻微磨损和严重磨损时的稳态振动信号,对其进行Hilbert变换得到信号的包络,对包络信号进行复调制细化谱分析,得到齿轮轴转频基波及其谐波幅值。随着齿轮磨损程度的增加,齿轮轴转频基波及其谐波幅值明显增大,可作为齿轮磨损故障特征参数。     

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。     

基于自适应时频滤波的变转速齿轮故障特征提取

针对变转速下齿轮的故障信号分离与故障特征提取,提出了基于线调频小波路径追踪(Chirplet Path Pursuit,CPP)与S变换的自适应时频滤波方法。该方法先采用CPP算法从原始齿轮振动信号中估计出齿轮啮合频率,同时,对原始振动信号进行S变换获取其时频分布;然后根据齿轮啮合频率设计自适应时频滤波器;再采用时频滤波器对信号的时频分析进行时频滤波,并将时频滤波结果进行S逆变换,即可得到包含齿轮故障信息的滤波信号;最后对滤波信号进行阶次分析,并根据阶次谱中的调制边频带诊断齿轮故障。对变转速下齿轮的局部故障进行了算法仿真和应用实例分析,结果表明,自适应时频滤波器可根据信号的频率变化特点自适应地改变中心频率和带宽,具有较好的信号分析自适应性,且滤取的信号无相位畸变,非常适合于变转速下的非平稳信号分析。     

基于LMD的谱峭度方法在齿轮故障诊断中的应用

针对齿轮故障振动信号的非平稳调制特性以及传统共振解调方法不易确定滤波器参数的缺点,提出了一种基于局部均值分解（Local mean decomposition,LMD）时频分析的谱峭度 （Spectrum Kurtosis,SK）分析方法,并将其应用于齿轮故障诊断。该方法首先利用LMD对齿轮故障振动信号进行分析得到时频分布,然后将时频分布按照不同的尺度分成若干不同的频段,计算每一频段内信号的谱峭度值,并得到相应的峭度图,再根据峭度最大原则选取滤波频段,对滤波后的信号进行包络分析以获得齿轮振动信号的故障信息。利用该方法分别对仿真信号以及齿轮故障振动信号进行了分析,结果表明,基于LMD的谱峭度分析方法能够有效地提取齿轮故障振动信号特征。     

基于时频切片分析的故障诊断方法及应用

为了提取设备的故障特征,提出了基于时频切片分析的故障特征提取方法。首先采用基于频率切片小波变换分解振动信号,得到信号在全频带的时频分布。在此基础上根据其时频能量分布,选择时间频率切片区间进行细化分析,通过时频分割和信号重构得到选定区间的时频特征,实现了故障特征的分离。这种方法能够有效地获取正确的故障特征信息,在某炼油厂齿轮箱摩擦故障诊断中取得了较好的效果。     

基于改进经验小波变换的滚动轴承故障特征提取方法研究

针对振动信号的非线性、非平稳性和早期故障特征信号难以提取的特点,提出一种基于改进经验小波变换的故障特征提取方法。通过包络分析和对包络曲线进行阈值分割修整的方法来确定经验小波变换分解的模态数和频率边界,解决传统经验小波变换需要预先设置分解模态数和难以对信号频谱进行适当分割问题,以实现对振动信号故障信息更准确的描述。实验表明,该频谱分割方法能够有效检测信号最佳模态分解数,使得信号的频谱分割更为容易、可靠。相比传统EWT和EMD,改进经验小波变换的滚动轴承内圈、外圈Hilbert变换时频图对振动信号的故障相关特征描述更为清晰,在滚动轴承故障特征提取方面表现更为优越。     

基于最优广义S变换和脉冲耦合神经网络的轴承故障诊断

针对滚动轴承故障信号具有明显的非线性和非平稳特征,提出一种基于最优广义S变换和脉冲耦合神经网络(PCNN)的故障特征提取方法。首先采用基于时频聚集性最优化的广义S变换获取轴承故障信号的时频表示,然后利用脉冲耦合神经网络对最优广义S变换时频图进行二值分解,提取二值图像的捕获比序列用于表达故障信号的故障特征。对滚动轴承4种状态信号进行分析,验证方法的有效性。结果表明该方法能够提取出更加有效的轴承故障特征参数,有利于提高轴承故障诊断的精度。     

时频谱相似性度量的故障特征提取方法

针对齿轮或轴承在局部故障损伤状态下的振动信号,提出一种基于时频谱相似性度量的故障特征提取方法,用于齿轮或轴承相关故障的诊断。该方法首先利用比例因子可调的S变换对振动信号进行时频变换;然后在S变换时频谱中,选取一个显著的冲击特征,保持其频率不变,令其沿时间轴方向,从初始时间平移至终了时间,同时计算冲击特征与所遮掩时频区块之间的余弦相似度和相关系数;平移结束后获得余弦相似度和相关系数的曲线。仿真信号和齿轮、轴承故障振动信号的处理结果表明,余弦相似度曲线和相关系数曲线均可展现出故障冲击特征的周期性变化规律,且两者的频谱均能够提取出故障特征频率,实现齿轮或轴承相关故障的识别。     

航空发动机整机振动信号分析

为了解决航空发动机的整机振动分析问题,提出一种基于谐波小波的振动信号分析方法。首选对振动信号进行谐波小波变换,得到信号的时频表示;根据时频图提取信号特征,得到信号的特征频率;根据与基频信号的对比,识别发动机的振动故障类型。实验结果表明,该方法可以准确地识别出发动机的三种典型振动故障。与传统基于小波分析方法相比,基于谐波小波的方法具有更准确的振动故障特征识别能力,适用于振动信号的分析。     

基于Teager能量算子和ZFFT的滚动轴承故障特征提取

滚动轴承在发生故障时其振动信号会出现调制现象。Teager能量算子相比于Hilbert变换在运算速度和解调精度方面具有明显优势,但其不能提供足够高的分辨率来解调低频调制信号,为此提出复调制细化谱分析方法。通过轴承故障模拟实验,对采集的正常、内圈轻微、严重故障的轴承振动信号进行Teager能量算子解调,然后对其包络进行复调制细化谱分析,得到轴承回转频率及其谐波,内圈故障特征频率及其谐波、边频带。随着轴承内圈故障程度的增加,内圈故障特征频率、边频带的幅值明显增大,可作为滚动轴承内圈点蚀故障特征参数。     

基于EMD的时频熵在齿轮故障诊断中的应用

提出了一种基于EMD(EmpiricalModeDecomposition)方法的时频熵齿轮故障诊断方法。首先利用EMD方法分解齿轮振动信号,然后将得到的内禀模态分量进行Hilbert变换,以得到振动信号的时频分布,将信息熵理论引入时频分布,定量描述时频平面上不同时频段的能量分布,各时频段能量分布的均匀性可以反应齿轮的运行状态的差别,从而可以通过时频熵的大小判断齿轮的工作状态和故障类型。实验证明该方法能有效的判断齿轮故障特征,为齿轮故障诊断提供了新的思路。     

基于广义解调时频分析和瞬时频率计算的阶次谱方法在齿轮故障诊断中的应用

针对齿轮启停过程中故障振动信号的调频特性,提出了基于广义解调时频分析和瞬时频率计算的阶次谱方法,并将其应用于齿轮瞬态信号的分析。广义解调时频分析是一种新的时频分析方法,它可以将多分量的信号分解为若干个瞬时频率具有物理意义的单分量信号,每个单分量信号可以是调幅-调频信号,因此非常适合处理多分量的调幅-调频信号。而当齿轮发生故障时,其启停过程中的振动信号就表现为多分量的调幅-调频特征。在基于广义解调时频分析和瞬时频率计算的阶次谱方法中,首先采用广义解调时频分析方法将齿轮瞬态信号分解为若干个单分量信号,然后计算各个分量的瞬时频率,再对其瞬时频率信号进行重采样,最后对重采样信号进行频谱分析得到阶次谱,从而提取齿轮振动信号的故障特征,判断齿轮的工作状态。仿真信号和实验信号的分析结果表明了该方法的有效性。     

RS-LOD方法及其在旋转机械故障特征提取中的应用

局部波动特征分解(LOD)方法是一种新的自适应时频分析方法。该方法通过采用微分、坐标域变换、分段线性变换三种运算,可以高效地将信号自适应分解为一系列的单一波动分量(MOC),非常适合于处理多分量信号。然而,由于分段线性变换的使用,虽可以显著提高算法的计算效率,但会使MOC分量缺乏光滑性,从而导致失真。对此,将样条曲线形状可调可控的有理样条函数引入LOD方法替代分段线性变换,提出了基于有理样条函数的局部波动特征分解(RS-LOD)方法。在详细阐述RS-LOD分解原理的基础上,通过仿真信号将RS-LOD、LOD和经验模态分解(EMD)进行了对比分析,结果表明RS-LOD方法可以明显改善原LOD方法中MOC分量光滑度差的问题。此外,针对旋转机械故障振动信号的多分量调制特点,将RS-LOD方法应用于旋转机械的故障特征提取,对滚动轴承和齿轮箱故障振动信号的分析结果表明,RS-LOD方法可以有效地提取旋转机械振动信号的故障特征。     

基于高斯线调频小波变换能量谱的齿轮故障诊断

提出了一种基于高斯线调频小波变换诊断齿轮故障的新方法。线调频小波变换是信号的时间－频率－尺度变换，具有比小波变换及其它时频分析方法更强的非平稳信号分析功能。利用高斯线调频小波变换作齿轮振动信号的能量谱估计，可提取调制边频带结构，识别故障模式。试验结果表明这种方法可有效应用于齿轮局部故障诊断中。     

S变换时频谱SVD降噪的冲击特征提取方法

为了从滚动轴承故障振动信号中提取出冲击特征,以进行轴承故障诊断,提出基于S变换时频谱奇异值分解(SVD)的信号降噪方法。S变换是一种信号时频表示方法,适合于处理与分析非平稳的冲击特征信号。在SVD降噪过程中,数据矩阵由信号的S变换谱系数构成;奇异值序列的置零阈值位置坐标可由奇异值差分谱最前面部分峰值群的最后一个峰值点序号来确定。最后对降噪的数据矩阵进行S逆变换,获得信号的时域冲击特征。仿真研究表明,基于S变换时频谱的SVD降噪方法可以成功地从低信噪比信号中提取出周期性的冲击特征。将本方法用于处理与分析滚动轴承故障振动信号,根据所提取出的冲击特征出现频率,能够方便有效地实现轴承相关故障的诊断。     

基于深度置信网络与信息融合的齿轮故障诊断方法

针对齿轮在复杂运行工况下故障特征提取困难,传统故障诊断方法的识别精度易受人工提取特征的影响,以及单传感器获取信息不全面等问题,提出基于深度置信网络(DBN)与信息融合的齿轮故障诊断方法。通过多传感器信息融合技术对每个传感器采集的振动信号进行数据层融合;利用DBN进行自适应特征提取从而实现故障分类。为了避免因人为选择DBN结构参数,导致模型识别精度下降的问题,利用改进的混合蛙跳算法(ISFLA)对DBN结构参数进行优化。试验表明,与BP神经网络、未经优化的DBN以及单传感器故障诊断相比,该研究提出的信息融合及优化方法具有更高的故障识别精度。