基于小波理论的RV减速器振动信号分析

RV减速器结构复杂、振动激励源多,运行过程中产生的振动信号会被大量噪声干扰,影响真实的振动信号被识别。介绍了小波变换理论及其信号识别和降噪分析原理,应用小波变换理论对国产SHPR-20E型RV减速器的振动信号进行分析,并对振动信号进行识别和降噪分析。通过测试分析,表明小波变换具有良好的多分辨率时频域识别特性,可以有效消除RV减速器振动信号中的噪声。为RV减速器的信号识别与分析、故障诊断和提取提供了参考。     

基于SWT与IEWT的齿轮无转速计阶次跟踪

针对变转速工况下,多级齿轮传动低速级齿轮故障信号易受背景噪声干扰,导致频谱特征模糊,微弱故障特征难以提取的问题,提出一种基于同步压缩小波变换(Synchrosqueezing Wavelet Transform, SWT)与改进经验小波变换(Improved Empirical Wavelet Transform, IEWT)相结合的齿轮无转速计阶次跟踪方法。首先为提高无转速计阶次跟踪瞬时频率估计精度,设计连续小波变换-椭圆时变滤波器(Continue Wavelet Transform-Elliptic Time-Varying Filtering, CWT-ETVF)对齿轮振动信号滤波降噪,依据滤波所得单分量的SWT时频分布进行峰值搜索,以实现高精度的瞬时频率估计,然后对时变故障信号等角度重采样获得角域平稳信号。针对EWT方法频谱分割不合理的问题,提出一种依据频谱包络趋势进行边界划分的改进经验小波变换方法对角域平稳信号自适应分解。最后选择合适分量自相关去噪,并通过阶次解调分析识别故障特征。仿真及实测局部断齿数据分析表明,该方法可以准确提取变转速齿轮时变微弱故障特征。     

基于小波变换的齿轮箱振动信号降噪处理

应用了小波变换理论和小波降噪的原理,对齿轮箱的振动信号进行了小波降噪处理,有效的从含有噪声的齿轮箱振动信号中提取出该信号更加准确和真实的故障特征,从而为提高齿轮箱故障诊断的准确性以及检测齿轮箱的早期微弱故障信号提供了重要的参考价值。通过对仿真信号的降噪处理,然后进行FFT变换,并且和没经过信号降噪处理就进行FFT变换的对比,显示了小波降噪的优越性。最后通过对齿轮箱的实际振动信号的降噪处理,进一步表明了小波降噪在消除噪声干扰方面有效性。     

RV减速器振动测试与信号分析

RV减速器作为一个机械整体系统,在工作过程中必然会产生振动。利用研制的RV减速器综合性能试验装置和振动测试系统,在RV减速器上布置3个测点,对其工作状态中产生的振动信号进行测试。采集和分析了国产SHPR-20E型RV减速器在不同转速和载荷下的振动信号,并对振动信号进行时域和频域分析。通过测试分析,可以掌握RV减速器的振动特性,这为RV减速器的动力学研究、故障诊断和提取、减振降噪提供了试验的基础。     

阶次跟踪和Hilbert包络解调在滚动轴承故障诊断中应用

针对风力发电机组传动链时变工况下振动信号非平稳和调制特点,提出了一种基于阶次跟踪和Hilbert包络解调的滚动轴承故障诊断的新方法。使用阶次跟踪把时间域采样转换成角度域进行等角度重采样,把时间域非平稳信号变换成角度域平稳信号,可消除"频谱模糊"现象,进一步应用Hilbert包络解调把低频故障信号从高频载波信号中解调出来。结果表明,阶次跟踪和Hilbert包络解调联合能够有效地提取时变工况下非平稳振动信号的故障特征频率并判断故障类型。     

基于Morlet小波与最大似然估计方法的降噪技术

采用与冲击信号匹配的Morlet小波作为小波基对信号进行小波变换,利用冲击信号的概率密度特征,结合最大似然估计的阈值方法进行降噪,以提取周期性的冲击信号。通过对减速箱故障信号进行降噪,提取出周期性的故障特征信号,表明该方法可以有效地去除强噪声干扰,提取振动冲击信号     

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。     

静态小波相关滤波法在振动信号处理中的应用

为了有效提取振动信号中的故障特征,本文提出将静态小波变换和尺度相关滤波相结合的方法.先对信号进行静态小波分解,再利用尺度相关法分离信号与噪声,提出了一种针对振动信号的噪声能量阈值估计算法.利用连续小波变换和尺度相关对振动信号降噪.实例分析表明,该方法具有良好的去噪性能,并能更好的提取振动信号中的故障特征.     

基于最优Morlet小波的滚动轴承故障诊断

将最优Morlet小波和阈值降噪法相结合,进行强噪声背景下滚动轴承故障诊断.依据峭度最大准则确定最优Morlet小波基.利用连续小波变换和软阈值法对振动信号降噪.试验表明,该方法具有良好的去噪性能,并能更好地提取滚动轴承振动信号中的故障特征.     

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。     

基于软阈值和小波模极大值重构的信号降噪

软阈值小波降噪是一种常用的非平稳信号特征提取方法.为了改进软阈值小波降噪法的性能,提出一种基于软阈值和二进小波变换模极大值的新小波降噪方法.首先,对信号进行二进小波变换,再对小波系数进行软阈值处理;然后,选择由信号产生的小波系数模极大值点;最后,用交替投影算法重建信号.理论分析表明,该方法能有效地降低软阈值小波降噪法的误差下界.仿真试验表明,该方法提高了降噪结果的信噪比,且较好地保留了信号中的奇异性.将该方法和二进小波变换软阈值降噪法结合起来,应用于滚动轴承故障振动信号降噪.结果表明,该方法能有效地提取到信号中的冲击特征.     

平稳小波变换在轴承振动信号去噪中的应用

为有效提取振动信号中的故障特征,提出了一种基于平稳小波变换的降噪方法,阈值大小取决于不同尺度上故障信号的小波分解系数的峭度。实例分析表明,该方法具有良好的去噪性能,并能很好地提取振动信号中的故障特征。     

基于角域经验小波变换的滚动轴承故障诊断

针对变转速条件下滚动轴承故障特征难以提取的问题,提出了一种基于角域经验小波变换的变转速滚动轴承故障诊断方法。该方法首先利用等角度重采样将变转速下非平稳的滚动轴承故障振动信号转化为角域平稳信号,然后应用经验小波变换(Empirical mode decomposition,EWT)对角域平稳信号进行自适应分解,得到若干个经验模态分量,最后选择峭度值最大的经验模态分量进行包络谱分析,提取出滚动轴承故障的阶比特征。为提高经验小波变换的分解效率,对其频谱分割方法进行了改进。滚动轴承故障诊断实例表明,该方法能够有效地抑制噪声等干扰成分的影响,精确提取滚动轴承故障的阶比特征,为变转速条件下的滚动轴承故障诊断提供一种有效方法。     

利用倒阶次谱和经验模态分解的轴承故障诊断

针对齿轮箱升降速过程中振动信号非平稳的特点,将阶次跟踪分析与希尔波特-黄变换技术相结合,提出了基于倒阶次谱和经验模态分解的滚动轴承故障诊断方法.首先,对齿轮箱加速时测得的瞬态信号进行时域采样,对时域信号进行等角度重采样,转化为角域伪平稳信号,然后对角域信号进行经验模态分解.最后,对包含轴承故障信息的高频固有模态函数进行倒阶次谱分析,就可以提取轴承的故障特征.通过对轴承内圈和外圈故障信号的分析表明,该方法能准确识别轴承的故障类型和部位.     

基于“阶次-小波”分析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振动信号的特点以及阶比分析的缺陷,提出了基于“阶次一小波“分析的齿轮箱故障检测方法。即首先将等时间信号重采样成为等角度信号,然后对等角度信号进行小波分析,最终识别故障。信号经过这种变换之后可以具有同时反映信号的阶比域和角度域的特征。经过仿真表明,该方法具有很好的诊断效果。     

基于MCSA和Fisher-SAE的RV减速器故障特征提取研究

针对RV减速器实际监测中振动传感器的安装空间和信号采集容易受到限制和干扰等问题,提出了一种基于电机电流信号分析,稀疏自编码和Fisher准则相结合的RV减速器故障特征提取方法。首先,将采集的驱动电机电流数据转换到频域,研究了不同超参数对稀疏自编码的特征提取能力的影响,利用优化参数后的稀疏自编码对频域信号自动提取故障特征;然后,利用Fisher准则对提取的特征的判别能力进行了降序排名,取排名前n个特征,得到了最优故障特征集;最后,结合SoftMax分类层,实现了对RV减速器的故障诊断;搭建了RV减速器故障实验台,采集了电机电流数据,对基于Fisher-SAE的方法进行了验证,并将其与其他典型机器学习故障诊断方法进行了对比。研究结果表明：该方法能够从RV减速器电机电流信号中提取出故障特征,并选择最有效的故障特征集,解决了振动信号的局限性以及运用电流信号进行故障诊断难以提取有效特征的问题;相比于其他典型机器学习故障诊断方法,该方法的诊断准确率提高了10%～20%,具有更好的诊断效率和准确性。     

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。     

非抽样多小波和Hilbert-Huang时频分析在行星减速器早期故障诊断中的应用

提出一种改进相邻系数方法和非抽样多小波变换融合的降噪方法,使用Hilbert-Huang时频分析作后处理,并将其应用于行星减速器早期故障诊断中.行星减速器具有故障响应微弱、振动的强烈非平稳性和明显的非线性、低频特征频率污染等特点,使得现有中心轴固定的传统齿轮箱诊断理论与技术不能有效解决行星减速器的故障诊断难题.非抽样多小波变换具有时间平移不变性,可以降低或消除信号中奇异点附近急剧振荡的Gibbs现象;改进相邻系数方法具有随分解层变化的邻域区间长度和灵活的阈值选取方式,能够准确提取出非平稳信号中的早期微弱故障特征信息;Hilbert-Huang时频分析可以更直观地表征信号中的非平稳、非线性特征.对实际信号的分析结果表明,该方法可以准确提取出行星减速器存在早期齿面点蚀损伤时的微弱故障特征.     

基于复小波块阈值的降噪方法及其在机械故障诊断中的应用

提出一种基于对偶树复小波块阈值的信号降噪方法,并将其成功应用于机械故障诊断中.机械设备的振动信号都或多或少地含有噪声,导致弱故障信息的提取一直是故障诊断的难点和热点.提出的降噪方法充分利用对偶树复小波变换的平移不变性和块阈值法的更优估计特性,可以获得比常规的小波降噪方法以及基于常规离散正交小波变换的NeighBlock降噪法更高的信噪比,不仅能有效抑制高斯白噪声,还能够去除冲击信号中的脉冲噪声.对实际信号的研究表明:这种降噪方法可以提取齿轮箱早期故障信息和强噪声背景情况下的隐含故障信息,特别对提取弱冲击故障信号非常有效.     

基于Gabor变换的轮边减速器特征提取技术

研究矿用自卸车轮边减速器中部件局部故障振动信号的频谱结构,对于轮边减速器故障诊断具有重要意义.模拟内齿圈局部故障振动信号,利用Gabor变换提取方法对含噪声的故障振动信号进行降噪,并应用频谱分析方法诊断出了内齿圈故障,显示了该方法在信号提取和压制噪声的效果,为矿用自卸车轮边减速器故障诊断提供了有效的诊断方法.