基于SSA-VMD和1.5维包络谱的齿轮箱磨损故障诊断的研究

针对强噪声背景下行星齿轮箱特征提取困难的问题,提出一种基于樽海鞘群算法优化变分模态分解(SSA-VMD)结合1.5维包络谱的故障诊断方法。该方法首先运用樽海鞘群算法(SSA)优化变分模态分解(VMD)的参数;然后运用自相关系数对分解信号进行重构,降低噪声的干扰;最后运用1.5维包络谱对重构信号进行故障的特征提取。在实验部分,首先通过仿真试验将SSA-VMD与变分模态分解(VMD)进行对比,验证了SSA-VMD的优越性;然后搭建行星齿轮箱磨损故障全生命周期实验台采集振动信号,运用SSA-VMD结合1.5维包络谱的方法提取出了振动信号的故障特征频率,总结了行星齿轮箱磨损故障演化规律。研究结果表明：随着磨损故障程度的加深,故障特征频率出现次数明显增多,凭借这一规律,有利于实现对行星齿轮箱磨损故障的诊断;该结果可为行星齿轮箱磨损的故障诊断提供依据。     

基于S变换谱核密度估计的齿轮故障诊断

针对齿轮在故障损伤状态下的振动信号,提出一种基于S变换谱二维核密度估计的冲击特征提取方法,以实现齿轮的故障诊断。该方法首先对包含冲击特征的振动信号进行S变换;然后将S变换谱乘以一个系数后圆整,得到一个整数矩阵;最后以S变换谱的时间和频率构成一个二维随机变量,以整数矩阵中的元素值作为二维随机变量各个采样样本的个数,对二维随机变量进行核密度估计,并最终得到一个二维核密度函数。该核密度函数相当于由S变换谱经过一次平滑去噪的过程获得,其中的噪声得到了有效的抑制,而冲击特征则得到了加强与突显。仿真振动信号和齿轮箱故障振动信号的分析结果表明,该方法能够有效地强化并提取出振动信号中周期性的冲击特征,从而实现齿轮箱相关故障的诊断。     

基于扭转振动信号的行星齿轮箱齿根裂纹故障动力学仿真

基于振动的分析方法在行星齿轮箱齿根裂纹故障诊断中得到了广泛的应用.与传统的横向振动信号相比,扭转振动信号理论上不受时变传递路径的调制影响;其频率成分简单,易于提取故障特征.对动力学模型中提取的扭转振动信号进行分析,实现了齿根裂纹故障诊断.建立了健康行星齿轮箱的刚柔耦合模型并进行了验证;基于健康行星齿轮箱的模型,建立了3种构件的裂纹故障模型,提取了故障行星齿轮箱的动态响应信号;通过分析横向振动信号和扭转振动信号来诊断齿根裂纹故障.结果表明,采用扭转振动信号诊断行星齿轮箱轮齿裂纹故障是可行的,其相比传统的横向振动信号更具优越性.     

基于EMD和Hilbert解调的齿轮箱故障诊断

针对复杂的齿轮箱振动信号难以提取出故障特征频率的问题,提出了一种将希尔伯特包络解调技术与经验模式分解(EMD)相结合的分析方法。首先对齿轮箱的故障信号进行了EMD分解,得到了本征模态函数(IMF分量),再对IMF分量进行了包络解调,得到了其调制信号,结合调制信号的频率成分可初步判断出齿轮箱中出现故障的齿轮;然后根据IMF分量与初始信号之间相关系数的大小,选择相关系数较大的分量重构信号,相当于对初始信号进行滤波;最后对重构的信号以啮合频率及其倍频为中心频率进行了带通滤波,对得到的信号进行了包络解调分析,再次进行了故障诊断,以验证故障诊断的准确性。整个过程通过对齿轮箱实测故障信号的分析加以验证。研究结果表明,该方法能够准确地提取出齿轮箱的故障特征频率,从而可以对齿轮箱故障进行有效地诊断。     

基于LMD的包络谱特征值在齿轮箱故障诊断中的应用研究

针对齿轮箱故障振动信号大多是多分量的调幅-调频信号,而传统包络分析法又太依赖经验值选取参数的问题,对齿轮箱振动信号的分解方法、包络分析方法以及提取特征值等方面进行了研究,提出了一种基于局部均值分解(local mean de-composition,LMD)的包络谱特征值的方法。该方法首先利用局部均值分解对齿轮箱信号进行了处理,获得了包含有不同频率特征的PF(product function)分量,最后对包含有主要故障信息的第一级PF分量进行了包络分析,提取了包络谱的特征频率,以此来判别齿轮箱的工作状态和故障类型。利用齿轮箱正常状态、局部损伤、磨损故障3种齿轮箱振动信号的实例进行了验证。研究结果表明,利用LMD分解后求取包络谱特征频率的方法能够较为准确地判别齿轮箱的工作状态和故障类型。     

基于平移不变多小波变换的齿轮故障诊断

机械设备发生故障时,反映设备故障特征的振动信号常淹没在背景噪声中,直接做频谱分析,很难提取其故障特征。将平移不变多小波降噪方法应用到仿真加噪冲击信号,提取出隐藏在噪声中的冲击特征。然后将该方法应用于齿轮箱试验台信号分析中,试验结果表明,平移不变多小波降噪方法能够有效地提取出齿轮箱断齿故障的冲击特征频率,诊断出齿轮箱的断齿故障,为故障诊断提供了准确的依据。仿真与试验分析验证了平移不变多小波降噪方法在故障诊断中的有效性。     

基于局域均值分解的行星齿轮箱故障诊断方法

在低转速工况下,容易出现行星齿轮箱故障的微弱信号和强信号难以分离的情况,导致行星齿轮箱存在微弱故障诊断精度较差的问题,为此,提出了一种基于局域均值分解(LMD)的行星齿轮箱故障诊断方法。首先,采用DASP数据采集系统,采集了行星齿轮箱不同工况下的振动信号,采用平移不变量小波降噪方法,对其振动信号进行了降噪处理;然后,采用局域均值分解方法分解了其振动信号,分别采用了能量算子和循环频率对其进行了解调处理,获取了微弱故障信号分量所对应的幅值和相位调制信息,准确提取了行星齿轮箱的微弱故障信号特征;最后,采用最小二乘支持向量机(LSSVM)识别了齿轮箱不同故障特征,判断了行星齿轮箱的运行状态,实现了行星齿轮箱的故障诊断。研究结果表明：采用基于LMD的方法,可以对行星齿轮箱的微弱异常信号及强异常信号进行准确诊断,获得满意的行星齿轮箱故障诊断结果,有效保障行星齿轮箱的安全、稳定运转。     

考虑传递路径效应的行星齿轮箱断齿故障仿真研究

断齿是行星齿轮箱常见的一种故障形式。当行星齿轮箱发生断齿故障时,传感器采集到的振动信号由于传递路径的影响会变得复杂,给故障诊断带来困难。为了研究行星齿轮箱发生断齿故障时传递路径对频谱结构的影响,在Adams仿真平台中分别建立行星齿轮箱无故障、太阳轮断齿故障、行星轮断齿故障及齿圈断齿故障的刚柔耦合模型并进行仿真,提取分析了系统不同状态下箱体的振动仿真信号。结果表明,在时域波形中,路径的变化会对箱体固定位置测量点处的振动信号产生明显的调幅作用;在频谱图中,啮合频率的两侧也会产生由不同频率组合的边带成分。该研究可为后续行星齿轮箱的故障诊断提供依据和参考。     

一种基于增强型最大二阶循环平稳盲解卷积的齿轮箱复合故障诊断

针对齿轮箱复合故障振动信号易受到背景噪声干扰,使得传统方法对复合故障冲击特征难以准确分离的问题,提出一种自适应最大二阶循环平稳盲解卷积(ACYCBD)与1.5维导数增强谱相结合的复合故障诊断方法。首先,利用循环谱分析检测复合故障振动信号中与故障特征相关的循环频率成分,构建不同目标类型的循环频率集;之后,根据不同类型的循环频率集,提出一种以三阶累积量稀疏度(TCS)为指标,自适应地选取最大二阶循环平稳盲解卷积(CYCBD)的最优滤波器长度的改进算法,从而更好地获得包含不同故障冲击成分的CYCBD最优滤波信号;最后,提出一种新的1.5维导数谱进行特征增强,提高信噪比,并分析谱图中突出的故障特征频率进而判别故障类型。通过仿真信号与故障实验平台数据对算法进行验证,结果表明该方法能够实现齿轮箱复合故障的准确分离与诊断。     

自适应MCKD和VMD在行星齿轮箱早期故障诊断中的应用

针对行星齿轮箱早期故障信号微弱且受强背景噪声影响,致使故障信号特征频率难提取,通过自适应最大峭度解卷积（MCKD）和变分模态分解（VMD）进行早期故障特征提取。首先,利用变步长搜索,以峭度值为评判标准,搜索最优滤波器长度L;然后,将信号通过优化后的自适应MCKD算法降噪;最后,利用VMD分解降噪信号,通过包络谱进行分析,寻找故障特征频率。经仿真信号和实验信号验证,这里所提方法能够有效地提取出强噪声背景下的行星齿轮箱故障特征。     

基于IITD和包络信号1.5维谱的轴承故障诊断

为了有效识别轴承的早期故障特征,提出了一种基于改进的本征时间尺度分解(IITD)结合包络信号1.5维谱的轴承故障诊断方法。IITD方法是将端点延拓引入到传统的本征时间尺度分解(ITD)当中,用于改善其端点效应。轴承振动信号经IITD分解后得到一组PR分量和一趋势项,对PR分量的包络信号进行1.5维谱分析。结果表明,IITD分解得到的PR分量包络信号的1.5维谱,可以准确提取轴的转动频率、内圈故障特征频率和外圈故障特征频率,从而实现了轴承故障的有效诊断,证明了该方法的有效性和实用性。     

基于c．RIO的阶次跟踪分析在风力发电中的应用

针对风力发电机组齿轮箱变速过程中振动信号非平稳的特点,将阶次跟踪和信号包络提取技术相结合,提出了一种针对齿轮点蚀故障的诊断方法。首先利用Compact RIO对齿轮箱的振动信号进行了时域数据采集,然后对时域信号进行了包络提取,进而对时域包络信号进行等角域重采样得到等角域包络信号,最后对等角域包络信号进行了阶次跟踪分析;通过对比正常齿轮和点蚀故障齿轮的包络阶次谱,进而找到了点蚀故障齿轮的故障频率特征。模拟仿真结果表明,阶次跟踪分析可以解决传统傅里叶变换在处理非平稳信号时的“频谱模糊”现象。通过齿轮点蚀故障试验的分析,结果表明包络阶次谱能够用于有效地分析出点蚀故障齿轮的特征频率,阶次跟踪分析在风力发电机组齿轮箱的故障诊断中具有广阔的应用前景。     

参数优化形态谱和SVM的行星齿轮箱故障诊断

针对行星齿轮箱的故障诊断问题,提出一种参数优化数学形态谱和支持向量机的行星齿轮箱故障识别方法.该方法考虑形态谱参数选择对同型故障一致性和不同故障差异性的影响,通过相对误差指标值的大小选择形态谱最优参数,对形态谱参数进行优化选择,提取故障特征,并采用支持向量机完成行星齿轮箱故障的故障识别.相较传统行星齿轮箱故障诊断而言,该方法对形态谱参数进行了定量分析,且无需复杂数学建模,和频率成分分析,简化故障识别过程.为了验证该方法的有效性,对行星齿轮箱试验台信号进行了分析实验,结果表明了该方法可有效地识别齿轮故障类型.     

基于时变零相位滤波的变转速滚动轴承故障诊断

针对变转速下齿轮箱中滚动轴承故障调制特征的提取与分离,提出了基于时变零相位滤波的变转速滚动轴承故障诊断方法。该方法先用线调频小波路径追踪(CPP)算法从齿轮箱滚动轴承故障振动信号中估计出齿轮啮合频率,由啮合频率除以齿数得到齿轮箱的转速,同时,采用Hilbert包络解调方法获取轴承故障振动信号的包络信号;然后根据获取的转速信息设计各阶时变零相位滤波器;再采用各时变零相位滤波器对包络信号进行分析,获取各调制信号;最后,利用转速信号对求取的各调制信号进行阶次分析,并根据各阶次谱来诊断滚动轴承故障。算法仿真和应用实例分析表明,该方法可有效提取和分离变速齿轮箱中滚动轴承的各阶故障调制特征。     

VMD和奇异差分谱在齿轮早期故障诊断中的应用

针对齿轮故障振动信号的多分量、多频率调制特性且早期故障振动信号信噪比低,故障特征微弱难以提取的问题,提出了基于变分模态分解(Variational Mode Decomposition,VMD)和奇异值差分谱的故障诊断方法。首先对采集到的齿轮故障振动信号进行VMD分解,得到一系列窄带本征模态分量(band-limited intrinsic mode functions,BLIMFS),由于噪声的干扰,从各个模态分量的频谱中很难对故障做出正确的判断;然后根据相关系数准则,选取与原始信号相关系数较大的分量构建Hankel矩阵并进行奇异值分解,求取奇异值差分谱,从差分谱中确定重构信号的有效阶次对信号进行降噪处理;最后对降噪处理后的信号进行Hilbert包络谱分析,即可从中准确地识别出齿轮的故障特征频率。仿真信号和齿轮箱齿轮故障模拟实验结果表明,该方法能够有效地降低噪声的影响,准确地提取到齿轮微弱的故障特征信息。     

基于傅里叶分解与1.5维Teager能量谱的滚动轴承故障诊断方法

针对强背景噪声下滚动轴承微弱故障特征难以提取的特点,提出了基于傅里叶分解(FDM)与1.5维Teager能量谱的滚动轴承故障诊断方法。首先利用傅里叶分解的自适应性特点,将故障信号分解为若干个瞬时频率具有物理意义的固有频带函数,然后利用自相关系数法筛选固有频带函数进行信号重构,对重构后的信号求解1.5维Teager能量谱,从而得到故障特征频率,进行故障诊断。仿真结果表明,与传统的包络谱分析相比,该方法的故障特征更加明显,效果更好。最后将该方法成功地应用到实际的滚动轴承故障诊断中,进一步验证了该方法的有效性。     

高炉炉顶齿轮箱间接故障诊断方法研究

针对高炉炉顶齿轮箱低速重载零部件故障难以诊断的问题,提出一种振动信号的间接诊断方法,有效利用齿轮箱接近输入端高速旋转零部件振动特征分析判断低速零部件故障;针对现有诊断方法对高炉炉顶齿轮箱故障诊断不能识别全部故障和达到准确故障定位的问题,提出一种运用振动信号分析的高炉炉顶齿轮箱故障诊断方法,实现准确判别和定位故障。发现上部齿轮箱高速零部件特征频率的基频和倍频两侧若有明显的下级传动链低速零部件故障特征频率的频率间隔,解调后低频段有多个下级传动链低速零部件故障特征频率的频率间隔,则故障发生位置为下级传动链低速部分。     

基于小波—Hilbert解调的齿轮故障诊断方法

提出了一种小波分析与Hilbert解调谱相结合的分析方法,并应用于齿轮故障特征的提取。依据齿轮箱故障机理和频谱特征,采用小波变换将信号分解后在不同频带进行分析,实现齿轮故障中的非线性耦合特征频率的提取,然后对特征频率进行Hilbert解调以得到准确的故障信息。将其应用于汽车领域,结果表明提出的方法可以有效提高频率分辨率,实现故障特征的准确提取,对于汽车变速箱的齿轮故障诊断具有一定的价值。     

基于GLCT和FPO的时变工况行星齿轮箱故障特征提取

时变转速下行星齿轮箱故障诊断存在两个问题,一是由于空间和经济条件的限制,转速传感器无法安装就无法获得设备的实时转速,二是常用的短时傅里叶变换方法时频分辨率低,难以提取到反映设备健康状态的有价值特征信息。为了克服这两个问题,提出基于广义线性调频小波变换（General Linear Chirplet Transform,GLCT）与快速路径最优（Fast Path Optimization, FPO）的无转速阶次分析故障特征提取方法。首先,使用GLCT对振动信号进行时频表征,从而提高时频分辨率,能够清晰地反映齿轮箱的时变运行状态;然后,利用FPO算法从GLCT时频表示中精确提取转频趋势线,进而采用转频曲线对原始振动信号等角度重采样将其映射到平稳的角域中;最后,从角域信号的包络阶次谱中准确地提取行星齿轮箱故障特征信息。数值仿真和应用实例的分析结果表明该方法具有较高的时频分辨率和噪声鲁棒性,能够在无转速计的情况下有效地实现时变转速行星齿轮箱齿轮故障诊断。     

最优共振带提取与1.5维谱的滚动轴承早期故障诊断方法

滚动轴承的振动信号反映到频谱图中,会出现共振带,能够有效并准确提取共振带加以分析是滚动轴承故障诊断常用方法。为了准确提取出共振带,采用巴特沃斯带通滤波器对共振频带进行提取,为了得到最优共振带,将采用特征频率强度系数这一指标来反映提取的共振带效果,然后利用具有高强降噪特性的1.5维谱来对滤波信号进行特征提取.通过仿真信号以及试验信号对该方法进行验证,结果表明,该方法能够在强噪背景下对特征的提取以及实现滚动轴承早期故障诊断。