基于VMD与不同包络阶次构造的风电机组滚动轴承故障诊断

针对风电机组变工况滚动轴承故障诊断问题,将变分模态分解（variational mode decomposition,VMD）与计算阶比跟踪（computed order tracking,COT）、逆包络阶次谱（reversed sequence squared envelope spectrum,RE-SES）2种方法结合进行包络阶次分析;将非平稳的时间域信号转换成平稳的角度域信号,再经包络法找出滚动轴承故障特征信息。仿真与实验结果表明,VMD结合RE-SES包络阶次法可以更加有效地提取出调幅信号中的调制阶次,并且VMD滤波可以使得故障特征阶次更加凸显,易于故障识别,为风电机组变速工况下的滚动轴承故障诊断提供参考。     

加权奇异值结合极值点包络的变转速轴承微弱故障诊断

针对强背景噪声干扰且转速时变下滚动轴承微弱故障难以有效诊断的问题,提出加权奇异值分解(WSVD)重构结合极值点包络阶次跟踪的变转速滚动轴承微弱故障诊断方法.对于奇异值分解(SVD)后对故障特征子分量有效重构的问题,利用周期调制强度(PMI)表征各子分量故障特征信息,并对含有较多故障特征的子分量加权重构,实现微弱故障信号...     

基于阶次包络谱的轴承故障诊断研究

研究旋转机械在变速过程中振动信号的分析方法。在利用B＆K3560多分析仪对齿轮箱加速时测得的振动信号进行时域采样的基础上，利用样条插值算法进行角域重采样得到等角度分布的采样点，并对其进行阶次跟踪分析，在此基础上利用Hilbert包络解调得到轴承故障信息的阶次包络谱。结果显示阶次包络谱分析法在处理轴承转速变化信号的优越性：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，对轴承的早期故障有一定的识别能力。该方法是对传统的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HHT边际谱的轴承故障诊断研究

提出一种研究旋转机械瞬态信号的分析方法。对齿轮箱启动时测得的原始振动信号进行角域重采样，然后对角域里的信号进行EMD（Empirical Mode Decomposition）分解得到多个IMF（Intrinsic Mode Function）分量，最后对各个IMF分量进行了边际谱分析。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，EMD方法能够将稳态信号分解为多个IMF分量，边际谱能够对轴承故障进行准确诊断。将两种方法相结合是对传统的频谱分析法的有力补充，具有很广阔的应用前景。     

基于VMD_MPE和FCM聚类的变转速工况下转子不平衡故障诊断方法EI北大核心CSCD

旋转机械在变转速工况下转子不平衡故障诊断问题一直是故障诊断领域的难点,为解决该问题,提出一种基于变分模态分解(variational mode decomposition,VMD)与多尺度排列熵(multiscale permutation entropy,MPE)和模糊C均值(fuzzy C means,FCM)聚类结合的故障诊断方法(VMD_MPE-FCM)。首先,用VMD对转子的振动信号进行处理,得到若干本征模态分量(intrinsic mode function,IMF);然后,根据转子不平衡故障时一倍频(1×)处振幅剧烈增加的现象,从VMD得到的各IMF频谱图中筛选出最能表征转子不平衡故障特征的IMF;进而采用MPE法对筛选出的IMF进行量化;最后,将量化所得值作为特征向量输入FCM,得到各转速工况下的标准聚类中心,采用择近原则,运用模糊贴近算法计算出待识别数据与标准聚类中心的贴近度,从而实现变转速工况下转子不平衡的故障识别。在转子试验台上采用VMD_MPE-FCM法进行了变转速工况下转子不平衡故障诊断试验,试验结果表明:该方法是有效的,可以准确、高效地提取出转子故障特征,能够很好地识别出不同转速工况下转子的不平衡故障。     

基于时频挤压和阶比分析的变转速轴承故障检测方法

阶比分析是实现变转速工况下旋转机械设备故障特征提取的主要方法之一,其核心在于转速信息的准确获取,传统阶比分析方法主要通过转速计等设备测得转速,成本高且抗噪性差,而基于时频分析的转速估计方法操作简单,鲁棒性和准确性也较好。提出了一种基于时频挤压的转频估计方法,该方法不依赖多余设备,通过时频挤压和重采样阶比分析,实现转频估计和特征提取,从而诊断轴承故障。将基于传统时频方法与所提方法得到的分析结果以及计算阶比分析结果三者进行比较,以验证所提方法的可行性与有效性,仿真和实验信号分析结果均表明,所提方法的时频聚集性和鲁棒性较传统方法更好,且在无转速计的情况下,分析结果精度也更高。     

基于阶频谱相干的变转速滚动轴承内外圈复合故障特征分离提取

针对变转速工况下复合故障相互耦合,较弱的故障特征易受干扰,难以识别的问题。该研究提出一种基于阶频谱相干(order-frequency spectral coherence, OFSCoh)解调频带确定的复合故障特征分离提取方法,应用于变转速工况下滚动轴承复合故障诊断。首先,对信号进行OFSCoh计算;然后,以轴承内、外圈对应的故障阶次区间分别对OFSCoh函数进行积分获得特征频带谱,将特征频带谱中最大值对应的频率确定为解调频带中心频率,以最大转频对应的3倍故障频率作为解调带宽;分别对信号进行带通滤波,并计算其改进包络谱(improved envelope spectrum, IES),从而实现轴承复合故障特征分离提取。仿真和试验证明了该方法的有效性。     

基于稀疏带宽模态分解的变转速滚动轴承故障诊断EI北大核心CSCD

针对以往信号处理方法存在的缺陷,提出了一种新的非平稳信号分析方法—稀疏带宽模态分解(Sparse bandwidth mode decomposition,SBMD).该方法将信号分解转化为约束变分问题,自适应地将信号分解为若干个IMF分量之和。另外,在变转速工况下,滚动轴承故障振动信号中含丰富的状态信息,将SBMD、阶次追踪分析和包络谱相结合应用于变转速工况条件下的滚动轴承故障诊断问题。实验分析结果表明,采用SBMD阶次包络谱方法可以及时有效的诊断变转速工况下的滚动轴承故障诊断问题。     

基于阶次窄带包络分析的直驱风机轴承微弱故障诊断

针对变转速工况下直驱风电机组滚动轴承早期微弱故障难以诊断的技术难题,提出一种基于阶次窄带包络的滚动轴承早期故障诊断新方法。首先,求出变转速下直驱风电机组滚动轴承故障信号时频谱,并设定等效转频。再利用时频自动搜峰算法搜索出等效转频对应阶次时频峰值。进一步,采用最小二乘法拟合得到转速信号变化曲线,通过该转速曲线计算出重采样鉴相时标,并对原信号进行等角域重采样。最后,对采样后角域信号进行窄带包络分析得到含滚动轴承故障信号的阶次窄带包络谱,该阶次窄带包络谱可用于滚动轴承故障诊断。该方法同时克服了变转速影响和低频调制微弱信号难以提取的问题,为滚动轴承故障诊断提供新方法。直驱风机滚动轴承应用实例验证了方法的有效性。     

时变工况的风电机组齿轮箱无转速计阶次跟踪方法研究

针对时变工况风电机组齿轮箱振动信号受噪声干扰和频率模糊问题,通过研究无转速下风电机组齿轮箱振动信号与转频波动规律间的联系,提出了基于VMD-SET时变工况的风电机组齿轮箱无转速计阶次跟踪方法。该方法利用变分模态分解（VMD）滤波,利用同步提取变换（SET）对齿轮箱振动信号时频分析,分别从轴承故障时域振动信号中初步提取故障特征频率趋势,从正常齿轮啮合调制时域振动信号中提取啮合频率时频脊线,进一步利用精细化时频脊线交叉解耦优化瞬时频率提取效果,再用提取的转速曲线对轴承故障振动信号进行阶次跟踪,从角域阶次谱中得到故障特征阶次的单根谱线。通过仿真及实验验证了所提方法的优越性和有效性。     

组稀疏低秩矩阵估计的变转速滚动轴承故障特征提取EI北大核心CSCD

早期轴承故障特征的有效提取对于避免严重机械事故具有重要的意义。表征轴承故障的脉冲信号往往淹没在强背景噪声干扰中,并且轴承常常在变转速工况下运行,这使故障特征的提取较为困难。针对这一问题,提出一种用于变转速工况下滚动轴承故障特征提取的组稀疏低秩矩阵估计算法。首先,根据变转速工况下轴承故障脉冲信号的角度时间循环平稳特性,利用阶频谱相关(order-frequency spectral correlation, OFSC)将测量信号转换至阶频域中;其次,揭示了轴承故障脉冲在阶频域中的组稀疏性和低秩性,并据此构建一种凸优化问题来增强这两种特性,引入非凸罚函数来提高故障特征的稀疏性;再次,在交替方向乘子法(alternating direction method of multipliers, ADMM)和优化最小化(majorization-minimization, MM)框架下求解该凸优化问题,推导出组稀疏低秩(group sparse low-rank, GSLR)矩阵估计算法;最后,通过构建增强包络阶次谱(enhanced envelope order spectrum, EEOS)对求解得到的目标分量进行故障特征检测。仿真和试验信号的分析验证了该方法在故障特征提取中的有效性。     

基于多时频曲线提取广义特征的变转速轴承故障诊断

变转速工况下的滚动轴承故障振动信号呈现时变非平稳、故障特征信息微弱、被噪声淹没的特点,使其故障诊断变得困难。广义解调算法作为典型的非平稳信号处理方法,可有效处理时变非平稳故障信号。由于广义解调变换中相位函数的确定需要额外安装转速计,且迭代解调变换过程导致频谱混叠,容易造成故障的漏诊或误诊。为此提出了一种新的基于多时频曲线提取广义特征的变转速滚动轴承故障诊断方法。首先,利用快速谱峭度算法计算最优带通滤波参数,并对原始振动信号进行滤波。对滤波后的共振带信号进行短时傅立叶变换(short-time Fourier transform, STFT)获取时频图,采用多时频曲线提取算法(multiple time-frequency curve extraction, MTFCE)提取瞬时故障特征频率(instantaneous fault characteristic frequency, IFCF)和瞬时转频(instantaneous shaft rotational frequency, ISRF),拟合IFCFs和ISRF曲线的多项式方程。其次,基于假设思想,利用广义解调理论定义了变转速...     

基于阶次跟踪的变速箱噪声源识别

随着汽车工业的不断发展,噪声控制已成为各汽车生产商竞争的焦点.变速箱作为汽车的重要组成部分,对其噪声控制也越来越重要.利用日本Onosokki公司的DS2000数据采集系统对某变速箱分别在定转速和加速时测得声压信号,并对其进行功率谱分析和阶次跟踪分析,找出变速箱噪声的特征频率及噪声源.该方法对变速箱的噪声源有一定的识别能力,具有很广阔的应用前景.     

基于改进自适应经验傅里叶分解的滚动轴承故障诊断方法

自适应经验傅里叶分解(AEFD)是最近提出的非平稳信号分解方法,为了解决AEFD的分割边界集设置问题,提出了基于频谱包络检测的改进自适应经验傅里叶分解(EAEFD)方法,该方法以快速傅里叶变换为基础,以包络熵值最小选择最优的分解模态数目,采用极大值包络技术对傅里叶频谱分割,得到一个合理的分割边界,最后采用逆快速傅里叶变换对每个区间信号进行重构。EAEFD能够自适应地将一个复杂信号分解为若干个瞬时频率具有物理意义的单分量信号之和,通过仿真信号和滚动轴承信号分析,将EAEFD方法与经验小波变换(EWT),经验模态分解(EMD),局部特征尺度分解(LCD)和AEFD等方法进行了对比,结果表明EAEFD方法不仅仅能够有效地诊断出故障特征,而且诊断的精度更高。     

基于局部最大值2阶同步压缩变换的变工况轴承故障诊断

由于工况变化,机械设备在运行过程中相应的状态监控信号也呈非平稳性。时频分析技术作为处理非平稳信号的有效工具在机械故障诊断应用中起着重要作用。针对2阶同步压缩变换（Second-order Synchrosqueezing Transform,SST2）时频分析技术存在的时频分布能量发散问题,利用SST2局部最大时频系数位置构建局部最大值估计算子,将短时傅里叶变换结果（Short-time Fourier Transform,STFT）的时频能量进行重排。结果表明,局部最大值估算算子能够有效增强SST2时频分布的能量集中度,该方法不仅能更准确的捕捉非平稳信号中的时变信息,同时能获得能量更集中的时频分布,减少噪声对时频分布图谱的干扰。通过一组数值仿真信号与一组变速轴承故障实验数据分析验证了该方法的有效性,并结合阶次分析方法实现变工况滚动轴承故障诊断。     

一种基于遗传算法的VMD参数优化轴承故障诊断新方法

为准确提取轴承故障特征信息,提出以峭度指标和包络熵为综合目标函数的变分模态分解(variational mode decomposition,VMD)参数优化方法,并改进了诊断流程实现了无需指定参数优化范围的自适应参数优化算法。通过遗传算法对综合目标函数最小值进行搜索,以确定模态分量个数及惩罚参数的最佳组合。原始故障信号经最佳参数组合下的VMD方法分解为若干个本征模态函数,选择最小综合目标函数值对应的模态分量进行包络解调分析,进而通过模态分量的包络谱判断轴承故障类型。通过实测故障信号分析表明,该方法能够从噪声干扰中有效提取到早期故障信号的微弱故障特征,实现了轴承故障类型的准确判定,验证了该方法的有效性。     

基于EEMD和参数自适应VMD的高速列车轮对轴承故障诊断

针对高速列车轮对轴承工作环境复杂,振动信号中时常伴有冲击性噪声和循环平稳性噪声,使得传统的参数自适应变分模态分解(variational modal decomposition,VMD)方法对轮对轴承的故障特征信息提取不准确的问题,提出了一种基于集成经验模态分解(ensemble empirical mode deco...     

《基于阶次跟踪的变速箱噪声源识别》

随着汽车工业的不断发展,噪声控制已成为各汽车生产商竞争的焦点。变速箱作为汽车的重要组成部分,对其噪声控制也越来越重要。利用日本Onosokki公司的DS2000数据采集系统对某变速箱分别在定转速和加速时测得声压信号,并对其进行功率谱分析和阶次跟踪分析,找出变速箱噪声的特征频率及噪声源。该方法对变速箱的噪声源有一定的识别能力,具有很广阔的应用前景。     

基于VMD和卷积神经网络的变工况轴承故障诊断方法

针对变工况条件下轴承故障数据无法大量获取以及诊断困难的问题,提出了基于变分模态分解和卷积神经网络的轴承故障诊断方法,使用稳态工况获取的数据训练,能对变工况下的数据实现有效诊断.首先对轴承振动信号进行变分模态分解,以获得有限带宽的固有模态函数;然后构建卷积神经网络模型,采用优化技术提高模型适应性,实现对固有模态函数的自适...     

基于自适应变分模态分解和包络谐噪比的滚动轴承早期退化检测

针对滚动轴承微弱故障特征易受噪声干扰且退化起始点难以确定的问题,提出了一种基于自适应变分模态分解和包络谐噪比的滚动轴承早期退化检测方法.首先,采用灰狼优化算法自适应地选择变分模态分解的分解层数和二次惩罚因子,以最小平均包络熵为目标函数获得最佳参数组合.其次,通过引入有效加权稀疏峭度指数实现了有效模态分量和噪声模态分量的...