旋转机械非平稳振动信号的时频分析比较

信号分析与处理是机械故障监测与诊断中故障提取的常用方法,传统的振动故障分析方法难以满足频率随时间变化的非平稳信号的要求,联合时频分析是非平稳信号比较有力的分析工具。以转子实验台的典型振动故障信号为研究对象,分析研究了几种时频分析方法如STFT、Wigner-Ville分布、小波变换和Hilbert-Huang变换。对比结果表明:STFT和Wigner-Ville分布的时频分辨率是矛盾的,易出交叉项或使信号变得微弱;小波分解会出现多余信号;Hilbert-Huang变换的时频分析能够直观检测信号中的微弱奇异成分,清楚给出时频分布情况,为旋转机械状态监测和故障诊断提供了新的手段。     

多分辨Hilbert边际谱在旋转机械故障诊断中的应用

针对旋转机械故障振动信号的非平稳性特征,提出了一种基于多分辨Hilbert边际谱变换的旋转机械故障诊断方法.Hilbert-Huang变换是一种新的自适应信号处理方法,通过经验模态分解方法(EMD)可以获得一系列固有模态函数(IMF),通过对故障信号的多阶IMF分量进行边际谱分析,提取旋转机械故障信号.实验结果表明,基于多分辨Hilbert边际谱的变换能够有效地提取旋转机械故障特征.     

齿轮箱非同步特征信号的提取方法研究

在分析时域平均的基础上,通过将齿轮箱输入轴瞬时速度的三次曲线拟合和信号重采样相结合,提出了非同步特征信号的时域平均提取方法.时域平均对从噪声中提取特定周期信号是比较有效的方法,但当信号的故障特征频率未知或存在多种故障时,该方法不能获得满意的诊断效果,而频域平均能较好的实现该类故障的特征提取.基于早期故障信号的特点,提出了将多分辨分析的经验模态分解方法与频域平均相结合的故障特征提取方法.试验结果表明,所提出的时频域平均方法能有效地实现齿轮箱非同步特征信号的提取.     

基于局部均值分解与形态谱的旋转机械故障诊断方法

针对旋转机械不同类型故障会使振动信号具有不同形态特征及振动信号信噪比低等特点,提出基于局部均值分解（Local Mean Decomposition,LMD）与形态谱的旋转机械故障诊断方法。其中的LMD能对旋转机械原始振动信号进行降噪处理,而形态谱则能反映振动信号的形态特征,从而能判断旋转机械的工作状态。将该方法用于转子系统故障诊断,分析结果表明,该方法能有效提取旋转机械故障振动信号的故障特征,能准确识别旋转机械的故障状态。     

光纤光栅声发射检测新技术用于轴承状态监测的研究

轴承的健康状况对旋转机械的工作状况有极大的影响。航空器中的故障轴承会间接造成事故,给飞行安全带来灾难性的后果,需要进行早期故障的有效检测判别或状态监测。与振动等传统的检测手段相比,声发射可有效检测到故障的早期状态,准确判断故障类别和严重程度。介绍了滚动轴承故障声发射检测原理以及光纤光栅声发射检测新技术。以预制外圈缺陷的轴承为例,进行了压电式声发射传感系统和光纤光栅声发射传感系统检测的对比实验,实验和分析结果表明光纤光栅声发射方法检测到的信号谱底噪声小,谱线清晰、干净,更容易分辨故障频率和分析故障的严重程度,优于振动和压电式声发射传感方法。最后介绍该技术在直升机维修保障中的应用情况。     

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。     

基于相位差校正法的全息谱研究

针对传统全息谱在噪声干扰下精度降低的问题,提出了一种新的基于相位差校正法的全息谱分析方法。该方法首先对时域信号加窗截断后进行FFT变换,然后引入相位差法校正其频率、幅值和相位,最后合成全息谱图。通过仿真及对柔性转子实验台的振动信号的分析,表明基于相位差校正法的全息谱可以明显提高其分析精度,更加精确而有效地诊断旋转机械的故障。     

基于时间-小波能量谱的齿轮故障诊断

振动信号中的冲击现象及其频率特征是诊断齿轮局部损伤故障的重要依据之一。针对齿轮故障特征提出了一种时间-小波能量谱信号处理方法,它能够有效提取振动信号中冲击成分的时域和频域特征。利用时间-小波能量谱方法分析了正常、磨损、断齿等三种状态的齿轮箱振动信号,并与传统频谱分析方法进行相比。结果表明：时间-小波能量谱不仅可以有效提取故障特征,识别出齿轮箱的故障存在,而且可以清晰地分辨出故障类型及故障元件。     

基于谐波窗方法的转子轴心轨迹提纯

轴心轨迹是旋转机械转子振动信号时域分析的重要内容之一,不同的轴心轨迹反映出不同的转子运动状态或故障的基本信息。在深入研究谐波小波盒形频谱特性的基础上,采用了不分层分析的谐波窗方法来提纯轴心轨迹。该方法实现了真正意义上的信号任意频段的任意细化,可以将感兴趣的频段提取出来,然后进行时域重构,就能得到提纯的轴心轨迹。文中对小型转子试验台轴心轨迹的成功提纯验证了该方法的有效性。该方法具备算法简单,易于现场采用等优点,为转子故障信号的分析创造了条件。     

基于小波改进阈值去噪和HHT的滚动轴承故障诊断

利用Hilbert-Huang变换（Hilbert-Huang Transformation,简称HHT）对滚动轴承进行故障诊断时,发现振动信号中包含的噪声对诊断结果影响较大。为克服此不足,提出了一种小波改进阈值法与HHT相结合的信号分析方法。该方法首先应用小波改进阈值方法对滚动轴承故障信号进行预处理,然后对去噪后的信号进行经验模态分解（Empirical Mode Decomposition,简称EMD）,接着选取含有故障信息的本征模函数（Intrinsic Mode Function,简称IMF）分量进行边际谱分析,从而提取出故障特征频率,并判断故障类型。仿真和实验结果验证了该方法的有效性。     

改进的HHT方法及其在旋转机械故障诊断中的应用

针对希尔伯特-黄变换(Hilbert-Huang Transform,HHT)方法中存在的模态混叠和虚假固有模态函数(Intrinsic Mode Function,IMF)问题,提出一种基于总体包络均值经验模态分解(Ensemble Envelop Mean Empirical Mode Decomposition,EEMEMD)和虚假模态函数剔除算法相结合的改进HHT方法。该方法利用EEMEMD可准确反映加噪后信号的自身变化,一定程度上中和残留在各模态分量间的噪声,获得无模式混淆的较纯净的IMF分量。同时,通过基于归一化能量熵值的虚假模态函数剔除算法可有效剔除噪声干扰成分和迭代误差分量,从而提高信号特征提取的准确性。通过仿真分析和转子不对中故障诊断的工程实例表明,改进HHT方法能够较好地抑制模态混叠问题并有效剔除同故障无相关的虚假IMF,实现对旋转机械故障的有效诊断。     

Hilbert-Huang变换在行星齿轮箱故障诊断中的应用

提出了一种基于Hilbert-Huang变换的行星齿轮箱轴承故障诊断的新方法,叙述了该方法的基本原理.测量了行星齿轮箱轴承的故障振动信号,并用经验模态分解方法将振动信号分解成不同特征时间尺度的固有模态函数,然后对固有模态函数进行边际谱和能量谱分析,就可识别齿轮箱轴承的故障部位和类型.齿轮箱轴承故障振动实验信号的研究结果表明:该方法能有效地识别轴承的故障.     

基于同步挤压S变换和集成深层脊波自编码器的轴承故障诊断

针对传统滚动轴承故障诊断算法过度依赖专家经验和故障特征提取困难的问题,提出一种基于同步挤压S变换(SSST)和集成深层脊波自编码器(EDRAE)方法。该方法对轴承振动信号进行SSST变换得到时频图像,并将时频图像进行双向二维主成分分析压缩;利用不同的脊波函数设计不同的脊波自编码器(RAE),并构造相应的深层脊波自编码器(DRAE)且引入"跨层"连接以缓解DRAE的梯度消失现象;将压缩时频图像输入各DRAE网络进行无监督预训练和有监督微调,并通过加权平均法输出识别结果。试验结果表明,基于SSST和EDRAE的轴承故障诊断方法能有效地对轴承进行多种工况和多种故障程度的识别,特征提取能力和识别能力均优于人工神经网络、深度信念网络和深度自编码器等模型。     

基于MCKD和重分配小波尺度谱的旋转机械复合故障诊断研究

针对强噪声环境下旋转机械复合故障信号难于提取与分离的问题,提出了基于最大相关峭度解卷积(Maximum Correlated Kurtosis Deconvolution,MCKD)和重分配小波尺度谱的旋转机械故障诊断方法。机械信号中存在的噪声会降低重分配小波尺度谱的时频分布可读性,故先要对信号进行MCKD降噪,同时从振动信号中分离出各个故障成分,然后进行Hilbert变换得到包络成分,最后再对包络成分进行重分配小波尺度谱分析,根据尺度图中冲击成分的周期诊断转机械复合故障,算法仿真和应用实例验证了该方法的有效性。     

基于振动信号分离的行星轴承故障特征提取

由于行星轴承振动信号传递路径的时变性,且行星齿轮箱中齿轮啮合振动信号较强,导致行星轴承故障特征提取较为困难。为此,提出了一种基于振动信号分离的行星轴承故障特征提取方法。该方法首先采用阶比分析技术将原始振动信号进行等角度采样;每当行星架旋转一周,采用Tukey窗进行加窗截取,按照啮合齿序重新拼接,构造振动分离信号。再采用离散随机分离从振动分离信号中提取行星轴承故障分量;最后进行包络谱分析提取故障特征。行星轴承内圈故障实测信号分析表明,该方法能有效提取行星轴承故障特征。     

基于VMD和SVD的柴油机气门间隙异常特征提取研究

为有效地从柴油机缸盖表面振动信号中提取气门间隙故障特征,提出一种基于变分模态分解(VMD)和奇异值分解(SVD)的特征提取新方法。采用VMD算法对缸盖振动信号进行分解,利用所得的模态分量构建特征矩阵;接着应用SVD理论将特征矩阵转变为表征频率特性的奇异值序列,探讨了稳定工况下的奇异值序列与不同气门间隙状态之间的关系;由于转速、负荷等工况的改变对信号特征层的影响与故障所引起的信号特征的改变可能非常相似,因此将奇异值序列作为特征参数,输入到随机森林分类器中,构建分类模型,对柴油机变工况下的气门间隙故障进行诊断。实验结果表明:该方法能有效识别气门间隙故障,突出故障敏感特征;与传统基于Hankel矩阵和小波包系数矩阵的SVD特征提取方法相比,该方法所提特征参数在柴油机变工况条件下具有更高的识别率。     

基于盲源分离去噪和HHT的旋转机械故障诊断

在利用Hilbert-Huang变换对旋转机械的故障信号进行特征提取时,传感器所获得的信号往往受到不同类型的噪声干扰,而忽略噪声的影响常常产生很差的分析效果。为克服此不足,结合盲源分离,提出了一种解决HHT分析中模态裂解现象的方法,即基于快速独立分量分析消噪的HHT分析方法。仿真与实例结果表明,该方法能有效抑制HHT过程中的模态裂解现象,有效提取信号的特征频率,进而实现旋转机械故障诊断。     

基于线调频小波路径追踪算法与EEMD的齿轮箱复合故障诊断方法

针对变转速下的齿轮箱中复合故障的故障特征提取,提出了一种基于线调频小波路径追踪算法与集合经验模式分解的齿轮箱复合故障诊断方法。该方法先用线调频小波路径追踪算法从原始振动信号中提取转频曲线,根据转频曲线对原始振动信号进行等角度重采样,将时域信号转化为角域信号,再对角域重采样信号进行集合经验模式分解,根据相关系数选取合适的内禀模态函数,最后对所选取的内禀模态函数分量进行Hilbert包络谱分析,根据包络谱进行齿轮箱复合故障诊断。通过算法仿真和应用实例对包含齿轮局部故障和轴承局部故障的变转速齿轮箱复合故障进行分析,结果表明,本文方法在无转速计的情况下能有效地提取变转速齿轮箱复合故障的特征。     

优化HHT端点效应的新方法

在旋转机械的故障诊断中,希尔伯特-黄变换（HHT）方法常用于提取故障特征信号以及分解结果的时频分析,然而,在HHT中会出现端点效应问题,且导致模态混叠和虚假本征模态函数（IMF）等一系列问题。针对这一问题,提出了利用广义回归神经网络（GRNN）和边界局部特征尺度延拓（BLCC）相结合的方法先对信号延拓,再进行经验模式分解（EMD）。通过仿真与故障实验,在时域、频域和希尔伯特-黄谱的相关参数的情况下,对比镜像延拓优化的HHT分解结果,验证了所提方法的有效性。实验结果表明:所述方法能够有效地抑制HHT中的端点效应,且减轻了模态混叠和虚假IMF分量,同时能准确地表现信号的真实结构成分。