二次型分布及其在机械故障诊断中的应用

二次型时频分布可以从时域特征与频域特征的结合途径揭示了信号的构成本质.通过巧妙构思核函数,可以获得一种新的时频分布.实例表明该分布具有良好的时频聚集性,能够有效地实现信噪分离,从强大的谐频信号中清晰地分辨出较弱的周期性冲击信号,为机械故障诊断提供了有力的工具.     

基于时频分布的行星齿轮箱滚动轴承故障诊断研究

齿轮箱滚动轴承缺陷的两个主要特征不仅与频率有关,而且与时间有着密切的关系.如果单从时域或者频域分析滚动轴承的故障信号,很难获得故障信号的特征全貌.使用时间和频率的联合函数来表示信号,将联合时频分析引入滚动轴承的故障诊断,进行信号分析,会更符合实际.文中结合实例对行星齿轮箱滚动轴承的各种振动信号进行分析,结果表明,通过对信号作伪Wigner-Ville分布(pseudo-Wigner-Ville distribution,PWD),能形象、直观地反映出轴承故障的时-频域信息,而且对故障信息具有较强的判别能力,得到比较理想的诊断结果,为机械振动的非平稳时变信号的分析提供了方便可行的手段.     

基于滤波器组的时频分布及其在故障诊断中的应用

采用滤波器组将信号分解成一系列子带信号，依据信息熵最小原则，对各个子带信号的伪Winger分布(PWVD)的参数进行优化，得到各个子带信号的优化PWVD，求这些优化PWVD的加权和，得到原始信号的一种新的时频分布。当计算时频信息熵的分组数取得合适时，该分布具有一定的自适应性，且与其它自适应时频分布相比，具有计算量小的特点。将该时频分布应用于转子故障的诊断中，诊断效果十分理想。     

一种基于时频分析的故障状态监测方法

提出了一种基于信号PMH时频分布幅值特征进行故障分离定位的方法 ,并以某柴油机在正常状态、排气阀门存在小裂缝和排气阀门存在大裂缝状态三种情况下缸盖振动信号为分析对象 ,对文中提出的方法进行了验证分析 ,实验结果表明该方法有较好的工程应用效果     

一种抑制维格纳分布交叉项的方法及在故障诊断中应用

分析了滚动轴承典型故障产生机理及其故障特征频率,提出一种利用自适应短时傅里叶变换（ASTFT）抑制维格纳分布（WVD）交叉项的故障诊断方法。该方法首先对信号进行ASTFT得到信号的ASTFT谱图,然后将ASTFT谱作为窗函数对信号的WVD进行加窗处理,从而有效消除掉WVD中的交叉项。仿真实验验证了该方法的优越性。将该方法应用于轴承的故障诊断,结果表明,该方法用于故障特征提取是有效的。     

几种Cohen类时频分布的比较及应用

比较了谱图、平滑伪Wigner-Ville分布、Choi-Williams分布和Cone核分布四种Cohen类时频分布方法及其性能,从理论上讨论了交叉项衰减和时频聚集度的性能,并分析了相应的其他特性。针对齿轮箱状态监测问题,通过仿真和试验信号,展现了上述方法的应用效果。结果表明Choi-Williams分布在非平稳信号所引发的短时变化中具有高度的敏感性,更为适合表征非平稳信号的时变信息,易于诊断出齿轮的局部损伤故障,尤其适用于故障的早期诊断。     

基于时频分析的某惯性器件测试与故障诊断

简要介绍了时频分布检测信号的基本原理，并基于Pseudo-Margenau-Hill(PMH)时频分布分析了某横法向稳定仪在正常和故障状态下所采集到的两组数据。实验结果分析表明，PMH分布可提取横法向稳定仪在故障状态时的信号时频特征，确定故障发生的时刻。     

Wigner-Ville分布在机械故障诊断中的研究

时频分布从时域特征与频域特征的结合途径揭示了信号的构成本质.文章介绍了基于WignerVille分布(WVD)的故障诊断方法,包括基于核函数抑制交叉项,时频分布与人工神经网络相结合,以及WVD的高阶谱.机械系统故障信号往往是非平稳的,联合时频分布是对故障信号分析的有力工具.WVD很高的能量聚集性和很好的时频分辨率,极大地提高了故障信号特征提取的准确度.     

时频图像Hough变换在滚动轴承故障诊断中的应用

为提高时频分析技术在设备故障诊断中的实用性,研究了时频图像处理的滚动轴承故障诊断技术。采用Hough变换对表征信号的Wigner-Ville时频分布进行分析,以提高时频谱表征非平稳信号的可靠性,特别对线性调频信号分析具有较好的实用性。以实验室的滚动轴承在不同状态下的状态识别为例,验证了时频图像Hough变换准确识别滚动轴承故障的有效性。     

自适应径向抛物线核时频分布及其在故障诊断中的应用

针对二次型时频分布中固定核函数性能依赖于信号的局限性,提出一种新的自适应核函数--径向抛物线型核(radial parabola kernel, RPK).该核函数可根据被分析信号的不同特性,采用优化方法自适应对模糊函数进行低通滤波,最大程度地滤除交叉干扰项,提高时频分辨率,具有对信号的广泛自适应性.与常用的Wigner-Ville分布、Choi-Willams分布、锥形核分布相比,显示了其明显的优势.最后,将该核函数应用于轴承故障诊断中,取得很好的效果.     

NEW TECHNOLOGY FOR FAULT DIAGNOSIS BASED ON WAVELET DENOISING AND MODIFIED EXPONENTIAL TIME-FREQUENCY DISTRIBUTION

0 INTRODUCTIONWhen failure diagnosis of mechanical equipmentis put in practice, a lot of vibration signals should beprocessed and signal features must berevealed. However every vibration signal containsvarious intefference components, such as vibration ofneighborhood machine, electric interference andtransmitted noise while detecting. Useful informationoften sinks in the complex vibration signal.Wavelet multi-resolution analysis(wavelet MRA)and exPOnential time-fmpuency distribution (E…     

基于核函数估计的转子故障诊断方法

研究核函数估计方法(KFA)在机械故障诊断中的应用问题,提出一种基于特征样本选择的转子故障模式分类方法。通过计算转子振动信号原始特征空间的内积核函数,将所有原始特征样本映射到高维特征空间,在高维空间中选择特征样本对转子裂纹、转子不平衡及转子碰摩三种故障模式进行分类识别,选择的特征样本远小于样本集中全体样本的数目,提高了运算速度。比较了KFA分类方法与支持矢量机(SVM)分类方法的效果,结果表明,在保证分类精度的条件下,KFA方法可以明显减少运算量,性能更优越。     

基于方差随机序列的故障诊断方法

研究发现,方差随机序列的样本标准差能很好表征没备性能的稳定状况,由此提出一种新的故障诊断方法,该方法首先给出一种新的故障诊断特征量,然后采用Mahalanobis距离建立相应的判别函数,进而能对谱分析、时频分析等传统方法无法诊断而工程中又大量存在的一类故障模式进行准确分析和判别。     

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.     

基于高阶累积量的齿轮箱故障诊断研究

当齿轮箱发生故障时,实际测得的齿轮振动信号一般是非平稳和非高斯分布的信号,不同故障状态下的振动信号具有不同的高斯性和对称性,通常包含较强的噪声。高阶累积量具有对加性高斯噪声和对称非高斯噪声不敏感的特性,可以应用在齿轮箱的故障诊断中。短时分析方法可以在低信噪比情况下提取周期性冲击故障信号特征。在对振动信号进行短时分析的基础上,计算原始信号及其短时能量函数的高阶累积量。从高阶累积量提取的特征可有效地将正常状态、中度磨损状态、严重磨损状态和断齿状态的齿轮振动信号分离开来,这表明高阶累积量可定量地描述振动信号偏离正态分布的程度,采用样本分割后,还可以定量描述齿轮的磨损程度。     

一种基于SVM和EMD的齿轮故障诊断方法

支持矢量机(Support vector machine,SVM)有比神经网络更强的泛化能力,且能保证找到的极值解就是全局最优解,同时它还较好地解决了小样本的学习分类问题。针对齿轮振动信号的非平稳特征和现实中难以获得大量故障样本的实际情况,提出了一种基于经验模态分解(Empirical mode decomposition,EMD)和支持矢量机的齿轮故障诊断方法。首先对原始信号进行经验模态分解,将其分解为多个平稳的固有模态函数(Intrinsic mode function,IMF)之和,然后对每一个IMF分量建立AR模型,最后提取模型的自回归参数和残差的方差作为故障特征矢量,并以此作为SVM分类器的输入参数来识别齿轮的工作状态和故障类型。试验结果表明,在小样本情况下仍能准确、有效地对齿轮的工作状态和故障类型进行分类。     

基于连续小波变换的信号检测技术与故障诊断

通过分析指出,连续小波变换具有很强的弱信号检测能力,非常适合故障诊断领域。从参数离散到参数优化系统研究了连续小波变换的工程应用方法,建立了“小波熵”的概念,并以此作为基小波参数的择优标准。论文最后把连续小波技术应用在滚动轴承滚道缺陷和齿轮裂纹的识别中,诊断效果十分理想。     

基于RBF神经网络的齿轮箱故障诊断

阐述径向基函数(radial base function,RBF)神经网络的基本原理和算法,将其应用于齿轮箱故障诊断与识别,建立齿轮箱的BRF故障诊断模型,并与BP(back propagation)神经网络、学习率自适应BP神经网络进行对比分析研究。结果表明,RBF神经网络性能优于BP神经网络,具有较快的训练速度、较强的非线性映射能力和精度较高的故障识别能力,非常适用于齿轮箱的状态监测和故障诊断。但在具体应用中应当注意,RBF网络的训练样本必须含有一定的噪声,以提高网络的容噪性能;各类故障的训练样本数不能太少,否则RBF网络的故障分类能力很差。