基于阶次跟踪和经验模态分解的滚动轴承包络解调分析

针对齿轮箱升降速过程中振动信号非平稳的特点,将计算阶次跟踪方法与经验模态分解技术相结合,提出一种研究旋转机械瞬态信号故障诊断的分析方法。首先对齿轮箱启动时测得的振动信号进行时域采样,再对时域信号进行等角度重采样,将其转化为角域准平稳信号,然后对角域里的信号进行经验模态分解得到多个固有模态函数分量,最后对包含轴承故障信息的高频固有模态分量进行包络解调分析。结果显示：阶次跟踪技术能够有效地避免传统频谱方法所无法解决的“频率模糊”现象,将非平稳信号转化为准平稳信号;经验模态分解方法能够提取包含故障信息的固有模态分量,将两种方法相结合是对传统频谱分析法的有力补充,具有很广阔的应用前景。     

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.     

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。     

阶次包络谱在轴承故障诊断中的应用

旋转机械的升降速过程包含丰富的状态信息,因而旋转机械的升降速过程对于旋转机械的故障诊断具有独特的价值.将常规的阶次分析技术与包络谱相结合,提出基于阶次包络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,再对时域信号实行等角度重采样,转化为角域平稳信号,最后对角域重采样信号进行包络谱分析,就可提取轴承的故障特征.通过对轴承内圈、外圈故障实验信号的分析,表明该方法能有效诊断轴承的故障.     

基于阶次分析与循环平稳解调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特征提取,提出了一种基于阶次分析与循环平稳解调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信号,再根据转频信号对原始振动信号进行等角度重采样,将时域非平稳信号转化为角域周期平稳信号,最后对角域周期平稳信号进行循环平稳解调分析,根据故障特征阶次处的切片解调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了分析,分析结果表明,该方法在无转速计的情况下能有效地提取处于变转速下的齿轮箱复合故障的特征.     

基于多项式Chirplet变换和变分模态分解的变转速工况轴向柱塞泵故障诊断

针对变转速工况轴向柱塞泵故障诊断时故障特征提取困难的问题,提出了基于多项式Chirplet变换和变分模态分解的诊断方法。首先使用多项式Chirplet变换估计瞬时频率;然后基于估计的瞬时频率重采样,将时域非平稳信号转化为角域平稳信号;最后对角域信号进行变分模态分解。根据峭度对所得的本征模态函数分量进行重构并作包络阶次谱分析,判断轴向柱塞泵中轴承的故障类型。实验结果表明,该方法有效提取了变转速工况轴向柱塞泵轴承的故障特征。     

基于参数优化变分模态分解的变速工况下轴承故障诊断

针对旋转机械运行过程中轴承转速变动,微弱故障特征不易提取等问题,提出一种基于阶次跟踪和参数优化变分模态分解的特征提取方法。通过阶次跟踪将非平稳时域信号转化为平稳的角域信号,以核互信息为适应度函数,采用变异麻雀算法搜索变分模态分解的最优参数,最后根据模态分量的多尺度样本熵对轴承故障进行分类。仿真和试验结果表明,该方法在变转速滚动轴承故障信号中能有效提取微弱故障特征,实现轴承故障的动态诊断。     

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.     

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。     

瞬时频率估计的齿轮箱升降速信号阶次跟踪

提出了基于瞬时频率估计的齿轮箱升降速信号阶次跟踪的新方法。首先对振动信号进行经验模态分解得到信号的固有模态函数，再求各个固有模态函数的Hilbert变换，得到信号的瞬时频率，从而直接从振动信号得到参考轴的转速信号，然后根据参考轴的转速信号对时域振动信号进行等角度重采样，最后对重采样信号进行阶次分析。通过仿真信号和对齿轮磨损故障实验信号的分析，表明该方法能有效地诊断齿轮的故障。     

基于EMD与倒谱分析的轴承故障诊断

提出了一种基于经验模态分解与幅值倒频谱分析的轴承故障诊断方法。该方法首先对外圈故障信号作传统的傅里叶幅值谱和幅值倒频谱分析,未能明显地找到故障特征;然后对故障信号做经验模态分解,并对分解出来的第一层本征模函数作倒频谱分析,有效地提取出了故障特征;最后,用该方法分别对具有内圈故障和滚动体故障的轴承故障信号作分析,也有效地提取出了故障特征。实验结果表明,通过联合经验模态分解和倒频谱分析,能有效并且准确地提取出轴承的故障特征频率。     

Bearing fault detection and diagnosis based on order tracking and Teager-Huang transform

The vibration signal of the run-up or run-down process is more complex than that of the stationary process. A novel approach to fault diagnosis of roller bearing under run-up condition based on order tracking and Teager-Huang transform (THT) is presented. This method is based on order tracking, empirical mode decomposition (EMD) and Teager Kaiser energy operator (TKEO) technique. The nonstationary vibration signals are transformed from the time domain transient signal to angle domain stationary one using order tracking. EMD can adaptively decompose the vibration signal into a series of zero mean amplitude modulation-frequency modulation (AM-FM) intrinsic mode functions (IMFs). TKEO can track the instantaneous amplitude and instantaneous frequency of the AM-FM component at any instant. Experimental examples are conducted to evaluate the effectiveness of the proposed approach. The experimental results provide strong evidence that the performance of the Teager-Huang transform approach is better to that of the Hilbert-Huang transform approach for bearing fault detection and diagnosis. The Teager-Huang transform has better resolution than that of Hilbert-Huang transform. Teager-Huang transform can effectively diagnose the faults of the bearing, thus providing a viable processing tool for gearbox defect monitoring.     

Gear fault detection and diagnosis under speed-up condition based on order cepstrum and radial basis function neural network

Varying speed machinery condition detection and fault diagnosis are more difficult due to non-stationary machine dynamics and vibration. Therefore, most conventional signal processing methods based on time invariant carried out in constant time interval are frequently unable to provide meaningful results. In this paper, a study is presented to apply order cepstrum and radial basis function (RBF) artificial neural network (ANN) for gear fault detection during speedup process. This method combines computed order tracking, cepstrum analysis with ANN. First, the vibration signal during speed-up process of the gearbox is sampled at constant time increments and then is re-sampled at constant angle increments. Second, the re-sampled signals are processed by cepstrum analysis. The order cepstrum with normal, wear and crack fault are processed for feature extracting. In the end, the extracted features are used as inputs to RBF for recognition. The RBF is trained with a subset of the experimental data for known machine conditions. The ANN is tested by using the remaining set of data. The procedure is illustrated with the experimental vibration data of a gearbox. The results show the effectiveness of order cepstrum and RBF in detection and diagnosis of the gear condition.     

IMF分量的倒频谱分析在滚动轴承故障诊断中的应用

轴承局部损伤故障引起的振动响应往往会被较大的振动信号所掩盖,影响故障的正确诊断。本文提出IMF分量的倒频谱分析方法,首先将复杂的信号分解为有限的内禀模态函数（IMF）之和,对原始振动信号进行降维;再对IMF分量进行倒频谱分析,利用倒频谱方法准确地提取振动信号幅值谱上的周期特征。对EMD分解得到的多个IMF分量同时做倒频谱分析,可以相互验证,从而得到更可靠、更准确、更可信的诊断结果。通过对IMF分量的倒频谱分析法和Hilbert包络谱分析法诊断效果进行比较,结果表明,IMF分量的倒频谱分析方法比Hilbert包络谱分析提取的故障频率特征更精准、可靠。     

滚动轴承故障特征提取的EMD频谱自相关方法

首先,在论述频谱自相关方法(spectrum auto-correlation,简称SAC)的特点、经验模态分解(empirical mode decomposition,简称EMD)分析过程和轴承故障机理的基础上,指出了在故障信号不占主导作用时频谱自相关方法在轴承故障诊断中的局限性,并得到仿真算例验证;然后,提出了基于经验模态分解和频谱自相关的轴承故障特征提取方法,将经验模态分解得到的各分量进行分析比较,再对适合的分量进行频谱自相关分析,可有效提出轴承故障频率;最后,分别在轴承故障试验台实测了深沟球轴承和圆柱滚子轴承内外圈故障振动数据,结果表明,EMD-频谱自相关分析方法可以很好地提取轴承故障信号,较单一EMD分解、频谱自相关和峭度等方法效果更好,为轴承故障诊断提供了新思路。     

基于本征模态函数包络谱的滚动轴承故障诊断

针对滚动轴承故障振动信号非平稳的特征,以及传统傅里叶变换不能反映信号细节的缺陷,引入了一种基于本征模态函数包络谱的方法。首先,采用经验模态分解（empirical mode decomposition,EMD）将滚动轴承故障振动信号分解成若干个本征模态函数（intrinsic mode function,IMF）之和;然后,求出包含主要信息成分的IMF分量的Hilbert包络谱;最后,对照滚动轴承故障特征频率,进而判定故障类型。通过对滚动轴承内圈、外圈故障振动信号的分析处理,表明该方法能有效地提取滚动轴承的故障特征。     

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。