基于角域功率谱估计的滚动轴承故障诊断

滚动轴承是位于内燃机旋转连接处重要的零部件之一,其发生故障时会影响整个机器的运转。传统的功率谱估计方法无法对变转速下滚动轴承进行故障诊断,论文提出角域功率谱估计方法解决上述问题。首先通过角域重采样将时域变转速信号转化为角域稳态信号,而后估计角域稳态信号的功率谱,最后从角域功率谱中识别滚动轴承故障特征阶次。模拟点蚀故障试验表明,该方法能够有效提取变转速下故障特征。     

基于阶次双谱的齿轮箱升降速过程故障诊断研究

针对齿轮箱升降速过程中振动信号非平稳的特点，将常规的阶次分析与双谱分析技术相结合，提出了基于阶次双谱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双谱分析，就可提取轴承的故障特征。通过对轴承内圈故障实验信号的分析表明，该方法能有效地识别轴承的故障。     

基于形态分量分析的变工况齿轮箱故障诊断研究

齿轮箱变工况运行时表现为转速和负载的变化,其振动信号是非线性的多分量信号,变工况齿轮箱故障诊断是研究难点。首先使用数字微分的阶次跟踪方法对原始振动信号按计算得到等角度重采样时刻插值,将非平稳的振动信号转化为角域平稳信号;然后使用形态分量分析(MCA)方法从角域信号中分离出冲击、简谐分量与噪声成分,提取齿轮箱非线性、多分量信号中的故障特征;再对冲击分量做角域平均突出故障特征,最后进行瞬时功率谱分析识别齿轮是否有故障。实验分析表明,使用此方法能根据瞬时功率谱分布的阶次和角度范围识别故障,适用于变工况下的故障齿轮检测。     

运用阶次跟踪和奇异谱降噪诊断齿轮早期故障

针对齿轮箱升降速过程中振动信号非平稳的特点,将阶次跟踪分析与奇异谱降噪技术相结合,提出了一种针对齿轮早期故障的诊断方法。首先对齿轮箱加速时测得的瞬态信号进行时域采样,再对时域信号进行等角域重采样,转化为角域伪稳态信号;然后对角域信号进行奇异谱降噪处理,以减小背景噪声的影响;最后对降噪后的信号进行阶次谱分析。通过对齿轮箱早期故障信号的分析表明,该方法能准确地识别出齿轮的故障特征。     

鲁棒性幅值指数自适应谱幅值调制法

近期提出的谱幅值调制(SAM)法可通过调节幅值指数适应不同故障信号的特征提取,具有较好的应用前景。但该方法目前幅值指数的取值需人工判断,尚无法用其实现对故障特征的自动优化提取,且当故障特征受到复杂干扰时,通过人工选择较难选取较佳的幅值指数。为此,本文研究提出了一种鲁棒性幅值指数自适应谱幅值调制法。该方法首先利用角域重采样将信号转换到角域,再通过多点最优最小熵解卷积(MOMEDA)对故障弱冲击特征进行增强,最后利用2阶循环平稳指标(ICS₂)自适应选取SAM中的倒谱幅值指数,以该优化幅值指数计算倒谱信号,实现故障特征的自动提取。在行星轴承内圈故障特征提取上进行了验证研究,实验结果表明,本文所提方法能够实现复杂干扰下行星轴承内圈故障特征的自适应提取。     

基于角域振动信号特征统计量的发动机故障分类方法

为了提高发动机故障分类的准确率和成功率,提出了基于角域信号特征统计量的发动机故障分类方法。包括：利用编码器进行发动机振动信号的等角度采样;采用小波包分析和相关系数法获取发动机角域信号的特征阶次;选取特征阶次信号的能量比、标准差比、谱能量比及谱均值比4组参数作为角域信号特征统计量来提取发动机故障特征;采用支持向量机法对发动机故障进行分类。连杆轴承配合间隙故障的台架试验结果证明:相比于传统的分类方法,该方法明显提高了发动机故障分类的准确率。     

齿轮箱起动过程故障诊断

针对齿轮箱升降速过程中振动信号非平稳的特点,将阶次跟踪、角域平均和Teager能量算子分析技术相结合,提出了基于阶次跟踪和Teager能量算子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同步采样,再对时域信号进行等角度重采样,转化为角域平稳信号,然后对角域信号进行角域平均和带通滤波,以消除干扰噪声的影响,最后由Teager能量算子计算振动信号的瞬时频率和瞬时幅值,根据瞬时频率和瞬时幅值图,就可提取齿轮的故障特征.通过对齿轮齿根裂纹故障试验信号的分析,表明该方法能有效地诊断齿轮的裂纹故障.     

基于阶次跟踪和变换时频谱的轴承故障诊断

综合利用阶次跟踪和Teager-Huang变换时频分析技术,进行齿轮箱起动过程轴承故障诊断.首先,对齿轮箱升降速瞬态信号进行时域同步采样,并对时域信号进行等角度重采样转化为角域平稳信号,再对角域信号进行EMD分解,将振动信号分解成不同特征时间尺度的单分量固有模态函数.然后,用Teager能量算子计算各固有模态函数的瞬时频率和瞬时幅值,进而得到Teager-Huang变换时频谱.通过对齿轮箱起动过程轴承故障振动信号的分析表明,该方法能有效地识别轴承故障.     

阶次跟踪和双树复小波的轴承在非稳定运行时的故障诊断研究

风力发电机、转炉等设备常工作于变速工况下,滚动轴承作为设备的重要零部件之一,在非稳定运行时,传统的FFT分析存在"频率混叠"现象,难以提取有效的故障特征信息,故提出阶次跟踪和双树复小波相结合的故障诊断方法。首先运用阶次跟踪将非平稳的时域振动信号转化为平稳的角域信号,再应用双树复小波降低角域信号的信噪比,最后进行阶次谱分析,从而实现对滚动轴承在非稳定运行时的故障特征识别。通过仿真和实验数据分析,验证了该方法的可行性和有效性。     

基于离散随机分离的齿轮箱复合故障分析法

齿轮箱复合故障中,较弱的故障特征往往被较强的故障信号所淹没,传统方法较难实现对较弱故障特征的提取。为解决上述问题,提出一种基于离散随机分离的齿轮箱复合故障振动分析法。该方法首先使用快速谱峭度算法获取对齿轮箱振动信号的共振带参数,依据该共振带参数设计带通滤波器及结合Hilbert变换实现对振动信号包络提取;之后应用角域重采样将时域包络信号转换到角域以消除转速波动影响;再应用离散随机分离对角域包络信号进行分离,分别得到齿轮故障和轴承故障对应的角域包络信号;最后,分别对角域包络信号进行包络谱分析获得齿轮、轴承故障的特征频率信息。试验结果表明,该方法可实现齿轮箱齿轮及轴承复合故障特征的有效提取。     

A new fault diagnosis algorithm for helical gears rotating at low speed using an optical encoder

Helical gears are widely used in gearboxes due to its low noise and high load carrying capacity, but it is difficult to diagnose their early faults based on the signals produced by condition monitoring systems, particularly when the gears rotate at low speed. In this paper, a new concept of Root Mean Square (RMS) value calculation using angle domain signals within small angular ranges is proposed. With this concept, a new diagnosis algorithm based on the time pulses of an encoder is developed to overcome the difficulty of fault diagnosis for helical gears at low rotational speeds. In this proposed algorithm, both acceleration signals and encoder impulse signal are acquired at the same time. The sampling rate and data length in angular domain are determined based on the rotational speed and size of the gear. The vibration signals in angular domain are obtained by re-sampling the vibration signal of the gear in the time domain according to the encoder pulse signal. The fault features of the helical gear at low rotational speed are then obtained with reference to the RMS values in small angular ranges and the order tracking spectrum following the Angular Domain Synchronous Average processing (ADSA). The new algorithm is not only able to reduce the noise and improves the signal to noise ratio by the ADSA method, but also extracts the features of helical gear fault from the meshing position of the faulty gear teeth, hence overcoming the difficulty of fault diagnosis of helical gears rotating at low speed. The experimental results have shown that the new algorithm is more effective than traditional diagnosis methods. The paper concludes that the proposed helical gear fault diagnosis method based on time pulses of encoder algorithm provides a new means of helical gear fault detection and diagnosis.     

基于角域AR模型滤波的滚动轴承故障诊断

在齿轮噪源存在的变转速滚动轴承故障诊断过程中,因混合信号中转频分量相对较小,使得基于时频表达的阶比跟踪技术受到限制。虽然基于故障特征频率的角域重采样能提取轴承的故障特征,但这种算法不能确定故障位置,而且可能会出现误判。针对这一问题,提出了基于角域自回归(auto regressive,简称AR)模型滤波的处理方法。该方法利用线调频小波路径追踪算法从降采样处理的混合信号中提取齿轮瞬时啮合频率趋势线并估计转速,根据估计转速信息对原混合信号进行等角度重采样,获得了角域信号。利用角域信号中齿轮啮合振动成分具有周期性的特点,使用AR模型对其滤波,并且对滤波后信号进行包络阶比分析,完成故障判断。通过处理仿真信号和实验信号,验证了该方法不仅能有效地去除齿轮噪声,并且可以判断轴承故障位置。     

基于倒谱和包络解调的齿轮箱故障诊断

齿轮箱是设备上重要的传动部件,齿轮故障诊断对设备的长期安全运行起着至关重要的作用.根据齿轮振动机理及谱分析来进行振动信息处理和特征提取,是目前齿轮故障诊断中的一种有效方法.分析了齿轮箱的振动故障特性,提出了用解调谱和倒谱两种分析法相结合来对系统的输出信号进行故障诊断的方法.最后在齿轮故障模拟实验台上采集了故障下的振动信...     

基于线调频小波路径追踪阶比循环平稳解调的齿轮故障诊断

为从变转速齿轮箱振动信号中提取齿轮故障特征,提出基于线调频小波路径追踪的阶比循环平稳解调方法。该方法利用线调频小波路径追踪算法估计振动信号中的转速信号,根据转速信号对信号进行等角度采样,获取角域周期平稳信号,求取角域信号的循环自相关函数,在特征循环阶比处对循环自相关函数进行切片,并对切片进行解调分析得到切片解调谱,依据切片解调谱进行齿轮故障诊断。由于线调频小波路径追踪算法具有精度高和抗噪能力强的优点,而循环平稳解调算法可以有效提取淹没在噪声中的周期性故障特征,因而,该方法结合了二者的优点,适合于变转速齿轮信号的故障特征提取。算法仿真和应用实例表明,该方法能有效地提取变转速齿轮箱振动信号中的齿轮故障特征。     

A method for the compound fault diagnosis of gearboxes based on morphological component analysis

An improved morphological component analysis (MCA) method is proposed for the compound fault diagnosis of gearboxes. When gear fault and bearing fault occur simultaneously, the compound fault signal of the gearbox contains meshing components (related to the gear fault) and periodic impulse components (related to the bearing fault). The corresponding fault characteristics can be separated by MCA according to the morphological differences of the components. In the proposed method, the optimal dictionary, which can represent the characteristics of bearing faults, is first selected based on the principle of minimum information entropy. Then, the compound fault signal is decomposed into the meshing component and the periodic impulse component using MCA. Finally, the separated components are subjected to the Hilbert envelope spectrum analysis. The faults of the gear and the bearing can be diagnosed according to the envelope spectra of the separated fault signal components. Simulation and experimental studies validate the effectiveness of the proposed method for the compound fault diagnosis of gearboxes.     

非线性齿轮系统单齿故障动力学特性

针对齿轮系统运行过程中具有非线性动力学特性,借鉴混沌振子检测理论中根据系统相轨变化检测信号的原理,分析了齿轮单齿故障冲击信号出现的成因及其出现故障后非线性动力学特性的变化,建立了基于冲击分析的非线性齿轮系统单齿故障动力学模型。通过分析发现,齿轮系统模型在一定的参数条件下,其动力学特性会进入混沌状态。而在相同参数条件下,出现单齿冲击故障并达到一定程度后,齿轮系统会在故障冲击的激励下进入大周期运动,从而表现出明显异于无故障条件下齿轮系统的动力学特性。仿真结果表明,该方法能有效区别齿轮系统单齿故障状态。     

基于最大重加权峭度盲解卷积的风电故障诊断

受噪声以及复杂传递路径等影响,风电机组齿轮故障特征信号通常比较微弱。为有效诊断齿轮故障,提出一种新的盲解卷积方法——最大重加权峭度盲解卷积方法。重加权峭度对故障信号中单个或少量强冲击干扰具有很好的鲁棒性,且无需待恢复故障冲击序列先验知识。最大重加权峭度盲解卷积方法能有效地解决经典的基于峭度最大化方法倾向于恢复单个主导冲击而非齿轮故障冲击序列的问题,同时相较于常见非全“盲”(依赖故障特征频率先验)方法在工业装备齿轮故障诊断方面具有更强的适用性。仿真信号分析结果表明所提方法在恢复故障冲击序列方面效果显著,在风电机组故障诊断中的应用案例证实了所提方法对齿轮故障诊断的有效性。     

变速行星齿轮系统故障诊断方法

针对风力发电机行星齿轮系统变速非平稳工况,且故障信号耦合调制严重、传递路径复杂、噪声污染严重等特点,提出了基于阶次包络分析的故障诊断方法,详细阐述了方法原理和实现流程。通过对变速工况下的仿真加速度信号进行阶次包络分析,对比行星轮、太阳轮以及齿圈出现故障后与正常齿轮系统的阶次包络谱结构特性,总结了不同部件故障的特征阶次。在此基础上,通过对变速行星齿轮系统试验信号的分析表明:阶次包络分析方法能较好地抑制噪声干扰,反映故障特征清楚,且故障特征能作为变转速时行星齿轮系统故障诊断和定位的依据。     

基于谱熵的齿轮故障诊断方法研究

齿轮故障诊断中,采用何种有效的方法对随机动态信号进行分析和特征提取是关键所在。在实际工程当中所采集到的系统信号不可避免地受到噪声的污染,所以普通的一些处理方法如功率谱分析法等,对噪声的存在很敏感,检测分析结果往往不很理想,且很难准确区分故障。谱熵方法从统计学理论入手,反映了信号的无序性,对噪声具有一定的鲁棒性。本文将谱熵理论引入到机械齿轮传动系统中,对齿轮发生的裂纹、磨损故障进行了特征提取、区分与诊断,并与正常齿轮进行了对比,分析模拟和实验结果表明,效果良好,识别诊断的精度在90%以上,为机械齿轮传动系统的故障识别与诊断提供了一种有效方法。     

Hilbert-Huang变换在齿轮故障诊断中的应用

为齿轮故障诊断提供了一种新的途径,将Hilbert-Huang变换引入齿轮故障诊断,提出了局部Hilbert能量谱的概念,同时根据齿轮故障振动信号的特点建立了两种基于Hilbert-Huang变换的齿轮故障诊断方法:基于EMD的频率族分离法和Hilbert能量谱方法。采用EMD(Empiricalmodedecomposition)方法对齿轮振动信号能有效地将各个频率族分离;局部Hilbert能量谱可以反映齿轮振动信号的能量随时间和频率的分布情况,从而可以提取齿轮振动信号的故障信息。将这两种方法应用于齿轮故障诊断中,结果表明,基于EMD的频率族分离法和Hilbert能量谱方法都能有效地提取齿轮故障特征信息。