基于小波-倒频谱的齿轮故障诊断方法及应用

利用振动信号采集到的齿轮故障信息,依据点蚀的故障机理和频谱特征,采用小波分解将信号分解在不同频带,有效抑制了背景噪声,从而得到故障特征频带,获得周期性突变的故障信息.选择故障所处频带重构信号,对故障进行诊断.结合倒频谱方法可以有效地识别故障特征频率.结果表明小波分析与倒频谱相结合是齿轮故障检测中一种有效的诊断方法.     

基于小波包与倒频谱分析的风电机组齿轮箱齿轮裂纹诊断方法

为实现风电机组齿轮箱及时有效地监测和维护,提出基于小波包与倒频谱分析的风电机组齿轮箱齿轮裂纹诊断方法。该方法针对齿轮裂纹振动信号为转速频率对啮合频率及其倍频调制的特点,利用小波包分解来识别振动信号中的故障特征,通过小波包频带能量监测得到故障部位的啮合频率范围;考虑到倒频谱可以分离和提取难以识别的密集调制信号的周期成分,基于倒频谱识别故障部位的转速频率,综合利用两种频谱分析方法得到的啮合频率和转速频率,能诊断故障部位和类型。实验研究表明,该方法能精确地诊断齿轮裂纹故障,并可以实现对风电机组齿轮在复杂环境中退化状态的监测,预防断齿等重大故障的发生。     

基于VMD倒频变换的风电机组齿轮箱复合故障诊断

风电机组齿轮箱结构复杂,零部件多,可能产生复合故障。同一旋转轴上的不同零部件(齿轮、轴承等)的故障信息往往具有相同的转频边带频率成分,分布在信号频谱的不同频带中,倒频谱对边带频率信息进行了压缩处理,不能识别此类复合故障;基于窄带倒谱变换的思想,将变分模态分解(variational mode decomposition, VMD)应用到振动信号的对数谱中,提出了一种基于变分模态分解VMD倒频变换的方法,实现了对这一复合故障的精细诊断。通过仿真信号和风电场实例信号的验证,相比于窄带倒谱变换,该方法在有效区分此类风电机组齿轮箱复合故障的基础上,改善了频域和倒频域的分辨率,拥有更高的诊断定位精度。     

含裂纹故障的齿轮系统动力学特性研究及其故障特征分析

考虑齿轮的时变啮合刚度、传动误差和轴承支撑刚度的影响,建立含齿根裂纹故障的齿轮系统多自由度力学模型,基于动力学方法对其故障机理进行研究。通过材料力学的方法计算齿轮在正常和含裂纹两种情况下的啮合刚度,对比两种刚度曲线的变化趋势,便于进行精确的动力学特性分析;对建立的模型求解系统的动态响应,结果表明当齿根存在裂纹时,其时域波形中会出现周期性的冲击现象,频谱中在啮合频率的基频及其倍频等地方形成一系列等间隔的边频谱线,其间隔大小等于故障齿轮的转频;这些边频成分幅值较低,能量分散且分布不均匀,在不同频带的幅值大小存在差异。针对上述特点,通过正交小波包方法对信号的频带进行分解,应用倒频谱分析各子频带信号的边频成分;结果表明,该方法能够有效的提高信号的信噪比,有助于识别和提取信号中由裂纹故障引起的边频成分。     

基于同步平均与倒频谱编辑的齿轮箱滚动轴承故障特征量提取

在齿轮箱振动信号中,由于滚动轴承早期故障信号相对较弱,传统的齿轮箱滚动轴承故障诊断方法通常难以有效地提取轴承故障信息。为实现滚动轴承故障特征的准确提取,本文提出了一种基于同步平均和倒频谱编辑的齿轮箱滚动轴承故障分离诊断方法。所提方法首先利用时域同步平均实现齿轮成分增强,并通过倒频谱获得齿轮成分对应的倒频谱线准确位置,然后对原信号的倒频谱进行编辑实现对其中齿轮成分的或削弱以突出信号中的滚动轴承故障特征,提高齿轮箱滚动轴承故障诊断的准确性。仿真和试验结果验证了该方法的有效性。     

小波能量法在车辆变速箱故障诊断中的应用

本文利用小波包分解与小波能量谱分析了车辆变速箱的振动信号,确定了变速箱故障特征频带范围,并对该特征频带范围的小波系数进行了重构,分析了重构信号的频谱,确定了变速箱故障的位置,验证了小波能量法对变速箱进行故障诊断的有效性.     

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。     

基于小波-BP神经网络的发动机轴承故障诊断

本文针对发动机滚动轴承故障振动信号的非平稳特征,提出了一种基于小波包变换与神经网络的滚动轴承故障诊断方法。由于滚动轴承发生故障时,加速度振动信号各频带的能量会发生变化,以振动信号小波分解后的能量信息作为特征,以神经网络作为分类器对滚动轴承故障进行识别、诊断。通过对滚动轴承的正常状态、滚珠故障、内圈故障和外圈故障信号的分析,表明以小波包分解为预处理器的神经网络故障诊断方法可以准确、有效地识别滚动轴承的工作状态和故障类型。     

基于谐波小波包变换的齿轮箱包络解调分析

齿轮箱发生某些故障时所产生的非平稳信号具有多分量调制的特点,啮合分量及倍频受噪声干扰影响严重且相互交叠,信号频带较宽异常复杂,给故障诊断带来了很大的障碍。在研究谐波小波频段分解与Hibert解调分析的基础上,提出了基于谐波小波包变换的解调分析法的实现过程。该方法首先对预处理后的信号进行三次样条插值并作必要的频谱分析;然后结合频谱特征与齿轮箱故障特征频率的理论计算值,确定所需提取的特征啮合分量;继而确定谐波小波包分解层数与提取的频带带宽,再通过傅立叶变换及反变换得到相应的特征啮合分量;最后采用Hilbert算子对提取出的啮合分量进行包络解调分析。将该方法应用到实际齿轮箱的磨损及点蚀故障的诊断试验中,验证了该方法对任意频段调制信息的精确提取能力,为齿轮箱故障源及故障程度的准确定位提供了可靠的判断依据。     

基于信号共振稀疏分解的阶比分析及其在齿轮故障诊断中的应用

为从非平稳转速齿轮箱故障振动信号中有效提取包含故障信息的特征频率,提出一种基于信号共振稀疏分解的阶比分析方法。故障齿轮振动信号中主要包括瞬态冲击成分和周期谐波,该方法先采用信号共振稀疏分解方法将信号分解为高共振分量和低共振分量,提取出故障冲击信号,然后采用线调频小波路径追踪算法对原信号提取转频信息,利用转频对提取的故障冲击信号进行阶比分析,从而得到故障诊断结果。非平稳转速齿轮故障诊断实例表明,该方法可有效提取冲击信号,诊断转速波动齿轮的故障。     

基于EMD的多尺度形态学解调方法及其在机械故障诊断中的应用

为从机械故障信号中提取包含故障信息的特征频率,提出了基于EMD的多尺度形态学解调方法,该方法首先采用EMD方法将故障信号分解为有限个IMF分量,从中选取包含故障主要信息的IMF分量求和重构信号,再进行多尺度形态学解调,从而提取机械故障特征频率信息。将该方法用于滚动轴承、齿轮的故障诊断中,并与Hilbert包络方法比较,结果表明该方法能更好地提取故障特征频率,且对含噪故障信号也有较好的分析效果。     

裂纹故障对行星齿轮传动系统动力学特性的影响

针对行星传动装置动态特性复杂、故障率高的问题,拟从动力学角度探索行星传动系统的故障机理。采用改进能量法,仿真分析正常与含裂纹齿轮时变啮合刚度,考虑时变啮合参数影响,运用集中参数法建立了行星齿轮传动系统动力学模型;求解得到了正常与含故障齿轮传动系统动态响应,并对比分析了裂纹故障对动力学特性的影响;通过台架实验,分析了裂纹故障对齿轮动态响应的影响,结合小波分析与EEMD方法对齿轮振动信号进行频谱分析,并对比分析了正常与故障齿轮的频域特性差异,揭示了行星齿轮传动系统的故障机理。研究表明:所建立的动力学模型精度较高,能够很好地描述含故障齿轮传动系统的动力学特性;由于裂纹故障引起传动系统振动的调制效应,导致在齿轮啮合频率附近出现明显边频带,故障齿轮箱的振动能量主要集中在高频段。     

用瞬态频率波动法诊断齿轮故障

利用瞬态频率波动法实现频率调制信号的解调，提取齿轮的局部裂纹信息，并通过黄河ＴＮ２５２型汽车变速器疲劳试验的信号分析来验证。     

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。     

变载荷齿轮箱故障信号智能检测方法

针对变载荷激励下齿轮故障信号检测和故障识别的问题,提出一种基于经验模态分解和深度信念网络的变载荷齿轮箱故障信号智能检测方法。首先通过经验模态分解方法将非平稳的加速度振动信号分解成若干平稳的本征模态函数;选出啮合频率及倍频所在的本征模态函数,重构信号,求出重构信号的频谱,作为深度信念网络的输入;深度信念网络通过对输入频谱进行预训练和特征学习,并建立变载荷激励下齿轮故障识别分类模型;最后,用构建好的深度信念网络对测试样本进行故障诊断。试验结果表明,提出的方法能有效地检测和识别变载荷激励下齿轮故障。     

基于EMD能量熵和支持向量机的齿轮故障诊断方法

针对齿轮振动信号的非平稳特征和现实中难以获得大量典型故障样本的实际情况,提出了基于经验模态分解（empirical mode decomposition,EMD)和支持向量机的齿轮故障诊断方法。首先通过EMD方法将非平稳的原始加速度振动信号分解成若干个平稳的本征模函数(intrinsic mode function, IMF);齿轮发生不同的故障时,在不同频带内的信号能量值会发生改变,故可以通过计算不同振动信号的EMD能量熵判断是否发生故障;从包含有主要故障信息的IMF分量中提取出来的能量特征作为输入建立支持向量机（support vector machine,SVM）,判断齿轮的工作状态和故障类型。实验结果表明,文中提出的方法能有效地应用于齿轮的故障诊断。     

机油泵齿轮异响检测方法

针对小型内燃机机油泵齿轮异响,对右盖异响声信号进行频谱分析和包络分析,识别异响频率,然后通过声学互动滤波技术对不易区分的异响频率进行再次识别,结果显示:机油泵异响频率并没有体现在齿轮啮合频率上,而是存在于多个高频段,随着转速的增加,异响频率不变,能量逐渐增大.然后运用声强法结合内燃机顶面和右侧面声强分布图,对内燃机声信...     

A Method for Gear Fault Diagnosis Based on the Empirical Mode Decomposition

According to the characteristics of gear fault vibration signals, a method for gear fault diagnosis based upon the empirical mode decomposition (EMD) is proposed in this paper. By using EMD, any complicated signal can be decomposed into a finite and often small number of intrinsic mode functions ( IMFs) , which are based upon the local characteristic time scale of the signal. Thus, EMD is perfectly suitable for non-stationary signal processing and fault characteristics extracting. It is well known that a gear vibration signal consists of a number of frequency family components, each of which is a modulated signal. Thus, we can use EMD to decompose a gear fault vibration signal into a number of lMF components, some of which correspond to the frequency families, and the others are noises. Therefore, the frequency families can be separated and the noise can be decreased at the same time. The proposed method has been applied to gear fault diagnosis. The results show that both the sensitivity and the reliability of this method are satisfactory.     

一种基于改进的傅立叶变换的弱故障信号特征提取新方法研究

弱信号特征提取一直是故障诊断领域的难点,文章结合传统傅立叶变换,提出一种将时间序列变换为频域,再从频域转换到时域的复数域,并对该复数域进行幅值计算的方法对弱信号进行特征提取。通过仿真计算发现该方法突出了信号的局部特征信息,不仅能对夹杂在信号中的微弱冲击成分进行较好的再现,而且也能在强背景噪声环境下提取微弱故障信息。最后通过齿轮齿面接触型故障实验验证了该方法的有效性。