基于包络角域加窗同步平均太阳轮故障特征提取

行星齿轮箱广泛应用于风电机组等大型装备中,其振动特征提取在故障诊断领域有重要意义。但由于存在非平稳、调制、传递路径复杂、传递路径具有时变特性等特点,导致故障响应微弱,往往被强背景噪声所湮没。主要针对包络分析、加窗同步平均、计算阶比跟踪相结合,提出了一种适合弱特征信号解调、时变传递路径及变速工况的包络角域加窗同步平均技术。Tukey窗函数对故障振动信号进行加窗处理,希尔伯特变换(Hilbert)获取故障复包络信号,计算阶比跟踪对复包络信号进行等角度重采样,转换为准平稳角域信号,然后进行同步平均。该方法对太阳轮故障实测振动信号进行分析,实验结果表明,所提出方法能够有效地提取太阳轮故障的特征信息。     

基于包络角域加窗同步平均太阳轮故障特征提取EI北大核心CSCD

行星齿轮箱广泛应用于风电机组等大型装备中,其振动特征提取在故障诊断领域有重要意义。但由于存在非平稳、调制、传递路径复杂、传递路径具有时变特性等特点,导致故障响应微弱,往往被强背景噪声所湮没。主要针对包络分析、加窗同步平均、计算阶比跟踪相结合,提出了一种适合弱特征信号解调、时变传递路径及变速工况的包络角域加窗同步平均技术。Tukey窗函数对故障振动信号进行加窗处理,希尔伯特变换(Hilbert)获取故障复包络信号,计算阶比跟踪对复包络信号进行等角度重采样,转换为准平稳角域信号,然后进行同步平均。该方法对太阳轮故障实测振动信号进行分析,实验结果表明,所提出方法能够有效地提取太阳轮故障的特征信息。     

基于多元角域指标离群检测的风电齿轮箱故障预警方法

针对风速和载荷随机波动造成的早期故障特征难以提取和量化的特点,提出基于多元角域指标离群检测的风电齿轮箱故障预警方法。首先利用阶比重采样技术将非平稳的时域振动信号转化为具有平稳或准平稳特性的角域信号,提取角域无量纲指标反映风电齿轮箱早期故障趋势;其次利用多元相关度测量建立风电齿轮箱早期故障识别模型;最后采用多元离群检测方法实现风电齿轮箱早期故障预警。实验表明,该方法能够实现较为准确地的风电齿轮箱早期故障预警,具有较好的工程实际意义。     

基于瞬时角速度信号窄带解调的太阳轮故障检测

由于时变传递路径以及振动传感器受测量频率下限的限制,及在转速较低工况下基于常规振动信号的太阳轮故障检测较为困难。对此,结合编码器信号的优势,提出一种基于编码器信号窄带解调技术的太阳轮故障检测方法。首先使用T法对光栅式编码器角度信号进行采集,然后使用向前差分法获得瞬时角速度(instantaneous angular speed, IAS)信号,随后使用角域同步平均抑制非同步干扰分量,最后通过窄带解调实现太阳轮故障检测。同时,在所提方法中提出一种基于峭度的解调频带选择策略和一种基于相位解调函数相位变化率的故障特征增强方法。实验证明IAS信号可以有效克服常规振动检测方法的不足,并验证了所提出方法能有效实现对太阳轮故障的检测。     

基于时变传输路径的太阳轮故障窄带解调分析方法

行星齿轮箱是风力机传动装置的重要组成部分,其振动特征提取在故障诊断领域具有重要意义。为此,提出了一种适合故障特征信号解调及时变传递路径的太阳轮故障窄带解调分析方法。利用Tukey窗对振动信号进行加窗处理;利用计算阶比跟踪对加窗信号进行等角度重采样,转换为准平稳角域信号,并进行同步平均;对加窗角域平均信号进行窄带解调分析,通过其阶比频谱编辑分离出太阳轮故障相关阶比分量后转换到角域信号,获取太阳轮故障特征及故障位置。试验数据分析结果表明,该方法能有效识别太阳轮故障特征信息。     

不平衡振动的加窗递推检测方法

转子不平衡是引起机器振动的主要原因之一。提出了一种加窗递推计算的不平衡振动检测算法,利用三角窗函数的线性性,实现不平衡振动幅值和相位的递推计算。与非递推算法相比,在同样计算数据长度的情况下,大大地缩短了算法计算时间。计算结果表明,在保证测量节拍的前提下,本文方法更适合于存在近频干扰等的不平衡振动信号的检测。     

基于角域平均和连续小波变换的齿轮故障诊断研究

针对齿轮箱升降速过程中振动信号非平稳的特点,将阶次跟踪、角域平均和连续小波变换相结合,提出了基于角域平均和连续小波变换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,以消除干扰噪声的影响,最后对角域平均信号进行连续小波变换,根据小波幅值图和相位图,就可提取齿轮的故障特征。通过对齿轮齿根裂纹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状态。     

基于边缘检测的邻域加窗图像去噪算法

针对目前图像去噪算法中,消除噪声的同时又破坏边缘细节信息的问题,本文提出了结合边缘检测及邻域加窗的新算法.该算法采取平稳小波基以保持相位不变性,对低频和高频子带进行边缘检测,并将检测后的边缘信息选择后融合,即可得到原图像近似的边缘信息.依据小波方向性特点和层内相关性原理,对不同的子带在非边缘信息处采用不同的模板进行加窗处理.实验结果表明,该方法在降低了图像噪声的同时又尽可能地保留了图像的细节,较好地复原了图像.     

基于IMF-SVD包络谱法的轮对轴承故障检测方法研究

针对经验模态分解(empirical model decomposition,EMD)所得的本质特征函数(intrinsic model function,IMF)之间存在相互耦合、难以清晰提取高速列车轮对轴承的故障特征问题,提出一种轮对轴承故障检测的新方法。该方法的核心是应用EMD自适应地分解轴承振动信号,得到多尺度的IMF,应用单尺度的IMF信号构造Hankel矩阵,对该矩阵进行奇异值分解(singular value decomposition,SVD),应用奇异值的差分谱来选择其关键奇异值,对关键奇异值进行奇异值重构,通过重构信号的包络谱分析来检测轮对轴承的故障。利用高速列车轮对轴承故障数据对该检测方法和模型进行验证,结果表明:该方法能够清晰地提取表征轴承故障特性的基频、倍频成分,突显故障频率特征,具有一定工程应用前景。     

基于花洒平均喷射角的测试验证方法研究

本文结合现有国家标准关于花洒平均喷射角的定义,基于理论分析和测试验证方法,提出一种相对准确且高效的评估方案。算例验证表明,对应于当前几种常见的花洒面板喷射孔设计样式,该方案均可实现对其平均喷射角的快速估计,且能保证相对可靠的精度。     

行星齿轮箱太阳轮故障动态啮合周期特性

与定轴齿轮箱相比,行星齿轮箱内部齿轮副复杂的相对运动所引发的振动响应更加复杂多样,因而对其关键部件进行故障诊断颇具挑战。当内部轮齿发生故障时,由于故障啮合位置的动态性引起传递路径的时变性,固定在系统箱体上的单个传感器观测到的故障信息强度亦将呈现不规则变化的独特性。若想恰如其分的利用这些故障信息实现简单而有效的诊断,需重点关注故障啮合位置的周期特性,而后基于该周期所观测的信号进行“统筹兼顾”的分析,便可突显出各类故障的差异性。该研究在深入研究行星齿轮系统内部齿轮副的运行规律的基础上,创新性的提出了确定太阳轮故障动态啮合位置周期的方法,并考虑了以下两种情况:行星轮各不相同;行星轮完全相同。基于上述两种情况分别推导出太阳轮和行星架所需的最小旋转圈数的一般性表达式,该表达式可用于计算齿圈固定型的行星齿轮箱中的太阳轮故障啮合位置的运动周期。最后通过实验提出并验证了基于上述周期的故障诊断最小数据长度。     

基于包络同步平均的齿轮故障诊断

齿轮振动信号由于存在非平稳、调制、传递路径复杂等特点,其分析相对较为困难,传统的共振解调法还存在共振带参数无法准确确定的不足。为解决上述问题,本文提出了一种基于包络信号角域同步平均的齿轮故障诊断方法。该方法首先利用谱峭度提取出齿轮振动信号的复包络信号,再分别选取齿轮箱中不同转轴作为参考轴对复包络信号进行等角度采样,在角域进行同步平均并用阶比跟踪提取齿轮故障信息。该方法可有效消除源包络信号中的宽带噪声干扰,分离出与故障齿轮所在轴有关的阶比分量,同时可克服转速波动对信号分析产生的频率模糊现象。利用该方法分别对齿轮故障仿真信号和齿轮故障振动信号进行了分析,结果表明,所提出的包络角域同步平均方法能够有效地提取出齿轮故障的特征信息。     

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。     

基于频谱细化的列车轮对轴承故障在线检测

列车轮对轴承故障是危及列车运行安全的重要因素之一,对其准确检测是高速重载列车需要解决的关键问题。当轮对轴承出现异常时,其振动信号中的幅值就会出现突变点,据此提出了利用频谱细化技术对轮对轴承的振动加速度信号进行分析的方法。实验结果表明,该方法实现了轮对轴承异常的高精度检测,说明这种方法比常规的方法能更有效地检测出轮对轴承的异常状态。     

基于神经网络的故障检测方法研究

研究了神经网络在状态监测技术中的应用,通过对神经网络故障诊断技术和系统辨识技术的分析,在非线性系统辨识技术基础上,提出了一种基于神经网络非线性辨识技术的故障检测方法.给出了神经网络的有效训练算法,利用神经网络辨识系统模型,作为残差产生器,实时计算残差并进行逻辑判断,从而监测系统的工作行为是否异常.仿真结果表明这种故障检测方法是有效的,实时性强,鲁棒性好.并且神经网络的训练不需要故障模式数据,适用性好.     

变转速工况下液压泵故障振动信号的角域烈度特征提取方法

提取对故障敏感的特征信息是提高液压泵状态评估准确性的关键;由于目前变转速工况下液压泵故障的敏感特征信息严重匮乏,导致评估准确率偏低;为此,针对液压泵滑靴磨损故障,提出角域烈度特征的新概念和新的特征提取方法。该方法利用阶比分析方法将时域非平稳振动信号转换成角域平稳信号,依据振动烈度的定义和频域计算方法,得出角域平稳振动信号的单边幅值谱和谐波频率,由此推导出三种振动信号类型(位移、速度和加速度)的角域烈度特征因子计算公式。以液压泵滑靴内边缘磨损故障为例,在变转速工况条件下提取故障振动信号的角域烈度特征因子,通过与阶次能量特征因子进行定性与定量分析比较,证实了角域烈度特征因子对滑靴磨损故障的劣化发展具有更强的敏感性。     

利用小波尺度谱同步平均的时频脊故障特征提取

旋转机械的早期故障特征微弱,容易受到噪声的干扰,不容易准确识别。小波尺度谱存在受噪声干扰影响大、高频部分频率分辨率低等缺点, 对小波尺度谱进行重排可以提高其时频聚集性。为此,结合小波尺度谱同步平均和小波脊线分析的优点,提出了基于时频脊线特征提取方法。首先对多周期的振动信号进行小波连续变换,并重排小波尺度谱;再根据信号的周期性,对尺度谱进行同步平均;最后提取同步平均后的尺度谱小波脊线,计算信号的包络幅值并进行频谱分析,最终提取出弱故障特征。通过仿真和实例验证了本方法的有效性,为旋转机械的早期故障诊断提供了新方法。     

基于振动分离信号构建和同步平均的行星齿轮箱轮齿裂纹故障特征提取

行星齿轮箱由于行星轮的行星运动导致其振动传递路径存在时变性,其振动响应与常规定轴齿轮箱振动响应有着本质的区别,传统的同步平均并不能直接应用于行星齿轮箱。为解决该问题,国外发展了可有效克服行星齿轮箱变传递路径的加窗同步平均法,详细论述了基于振动分离信号构建和同步平均的行星齿轮箱轮齿裂纹故障特征提取的原理及其实现。该方法首先验证齿轮的啮合齿序特征,根据齿序特征选择合适的窗函数对信号进行加窗截取,再根据重排齿序和加窗截取信号构建目标齿轮振动信号,最后对振动分离信号进行同步平均。行星齿轮箱齿根裂纹故障实测信号分析表明,该方法能有效的对行星齿轮箱进行故障特征提取。     

基于模糊推理的舰炮故障检测方法研究

基于模糊推理知识和模糊神经网络的理论，根据舰炮运转时发出的声音信号，提出了舰炮系统的故障检测诊断方案，详细介绍了信号提取的方法和故障分析的算法。     

基于相空间RVM的轴承故障检测方法

针对轴承故障检测问题,提出一种基于相关向量机(RVM)的故障检测方法.RVM算法基于贝叶斯估计理论,它产生的决策函数具有少数的相关向量,利用RVM算法松散特性,解决了支持向量机算法(SVM)计算复杂度高的不足.为进一步降低检测时间,以重构相空间投影系数为轴承故障特征.试验最后同传统的SVM算法进行了比较,结果表明所建议的方法在保持较高检测率的同时,提高了故障检测的时效性.尤其检测时间从0.67 s降低了0.005 9 s(100倍).因此,该方法非常适合于在线故障检测等实时性要求很高的领域.