应用小波变换信息融合诊断航空发动机故障

研究了小波变换的信息融合技术以及将其应用在振动信号处理、故障诊断方面较传统方法的优越性.在分析的理论基础上.对某型航空发动机用不同传感器采集的振动信号进行信息融合,然后提取出噪声掩盖下振动信号中的故障信息,根据航空发动机整机振动的典型故障特征频率,判断该发动机是否发生故障.     

基于EMD与自相关的能量算子解调机械故障诊断

针对在强噪声背景下早期轴承故障振动信号的非线性,非平稳性以及信号出现的复杂调制现象,提出一种基于EMD与自相关函数相结合的能量算子解调故障诊断方法。该方法首先根据信号的小波包熵值对信号小波包降噪,而后降噪信号进行EMD分解,提取相关度最大的IMF分量进行自相关函数分析的方法进一步抑制噪声对提取特征频率的干扰,然后对降噪处理过的信号进行能量算子解调,从而实现提取轴承的故障信号的幅值和频率信息。对机械故障振动信号进行实验分析表明,相对于单纯的小波包分析预处理存在的降噪效果不理想以及普通Hilbert解调法的运算精度满足不了诊断需求的情况,该方法能够有效解调出故障频率信息,以实现对故障类别的推断。     

基于小波分析与Burg功率谱的主轴故障诊断研究

针对往复式活塞隔膜泵主轴的故障具有非平稳性和不确定性,且易受各种噪声干扰,提出了一种采用小波分析与Burg功率谱相结合的故障诊断方法。首先对采集到的原始振动信号进行小波分析处理,去除噪声,提高信噪比,再对去噪后的振动信号进行Burg功率谱分析,最后通过研究和分析振动信号的功率谱特征变化情况,实现了对设备故障的有效诊断和研究。     

基于噪声测试的轴承滚动体划伤故障特征识别

围绕航空发动机轴承典型故障不易诊断的问题，提出了基于噪声信号的非接触式测量方法。在实验室条件下设计并搭建具有复杂传递路径的轴承故障模拟转子试验台，用线切割的方法加工了轴承滚动体划伤故障，开展了该种故障下不同转速工况的试验测试，获取了故障轴承噪声信号及振动信号。对采集到的噪声信号进行频谱分析和小波阈值变换分析，振动信号进行包络谱分析。分析结果表明：基于噪声信号的诊断方法避免了复杂传递路径对信号的衰减作用，可以有效提取轴承滚动体划伤故障信号特征，识别效果明显优于振动信号。这里提出的基于噪声信号诊断的方法为航空发动机轴承故障诊断提供了新手段。     

基于奇异值差分谱与改进包络分析的轴承故障特征提取

针对滚动轴承振动信号故障特征难以提取的问题,提出了一种基于奇异值差分谱与改进包络分析的轴承故障特征提取方法。首先,通过奇异值分解将原始轴承振动信号分解为一系列能够线性叠加的分量信号,利用故障特征分量和噪声分量在奇异值上的差异,根据奇异值差分谱的性质筛选出有效奇异值,选择包含故障特征的分量重构信号。针对奇异值分解去噪后仍存在残余噪声,采用改进包络分析,在频域中进一步去除重构信号中的残余噪声。最后对实测轴承信号进行分析,准确地提取到故障特征明显、故障频率突出的轴承故障信号,完成故障诊断。     

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.     

基于最小熵解卷积的谱峭度法在行星齿轮箱故障诊断中的应用

针对噪声干扰状态下行星齿轮箱故障诊断中的齿轮故障特征提取,提出最小熵解卷积与谱峭度结合(Spectral Kurtosis Method based on Minimum Entropy Deconvolution,MEDSK)的行星齿轮箱齿轮故障特征提取方法。利用MED对原始扭转振动信号进行预处理,抑制信号中的噪声干扰,提升行星齿轮箱中被噪声淹没的故障冲击成份。利用谱峭度对预处理后的信号选择最优的带通滤波器参数进行带通滤波,然后通过Hilbert变换进行包络解调,最后将解调出来的低频信号进行频谱分析得到MED-SK方法的包络谱。通过对仿真信号和承受多种载荷状态下采集到的行星齿轮箱输出轴实际行星齿轮故障扭转振动信号进行分析,验证了这种方法能准确地提取行星齿轮故障特征。     

自适应滤波技术在车辆变速箱故障诊断中的应用

采用振动测量方法进行齿轮箱故障诊断是一种有效的技术手段,但是在进行随车监测时测量信号会受到车辆其它部件振动噪声的干扰。通过对装甲车辆变速箱齿轮断裂故障进行实车模拟试验,同步测量了变速箱体振动信号和发动机振动信号,利用自适应滤波技术滤除了混杂在变速箱体振动信号中的发动机振动干扰,对变速箱体振动信号进行了时、频域分析和调制解调分析。通过Hilbert变换和包络谱分析方法提取了振动信号频率特征,实现了对变速箱齿轮断裂故障的诊断。     

向量分解小波包分析软件简介

国家级专家刘玉民研究员最近研制出———使用向量分解新理论的三次样条小波包软件 ,XIAOBB。　　向量分解小波包软件用途小波分析是近 2 0年来迅速发展起来的新兴学科 ,有着十分广泛的应用 ,如振动与噪声、故障诊断、地震勘探数据处理、音乐与语音人工合成、图象处理、信号分析的分解与重构、滤波等等。在振动噪声、故障诊断领域 ,需要对振动、声音等信号进行分析处理 ,以提取特征信号。但是传统的FFT技术只适用于平稳信号分析 ,处理噪声、故障信号误差太大。而小波分析技术可以精确地进行频率分解、奇异性识别 ,从而准确地识别噪声频…     

基于小波分析与功率谱的隔膜泵主轴故障诊断研究

往复式活塞隔膜泵主轴运行状况的好坏,直接影响着隔膜泵乃至整个管道输送系统的有效运行。现针对往复式活塞隔膜泵主轴的故障具有非平稳性和不确定性特征,且易受各种噪声干扰,提出了一种采用小波分析与功率谱相结合的故障诊断方法。首先对采集到的原始振动信号进行小波分析处理,去除噪声,提高信噪比;再对去噪后的振动信号进行功率谱分析;最后通过研究和分析振动信号的功率谱特征变化情况,实现对设备故障的有效诊断。实验表明,通过基于小波分析与功率谱的方法提取故障特征,对往复式活塞隔膜泵主轴故障的诊断是有效和可行的。     

基于声振耦合分析的离心泵故障诊断

离心泵故障诊断一般采用接触式传感器采集的振动信号作为分析依据,但由于某些泵组的结构复杂、工况特殊,有时难以采用接触式传感器采集任意位置的振动信号。故本文采用了非接触式的传声器采集故障泵组的声音信号,并与振动信号进行耦合分析,从而利用噪声信号诊断出故障位置,为离心泵故障诊断技术提供了一个新的思路与方法。     

异步电动机振动、噪声的探讨

电机振动与电机噪声,通常情况下是一对孪生兄弟。电动机在正常运行时,机身应该平稳,声音也应该很均匀,如果发现机身振动加大或出现不正常噪声,就说明电动机有了故障,所以不正常的振动及噪声都是电动机故障的信号。本文简述异步电动机振动噪声产生的原因、危害及根据不正常的振动噪声信号快速准确地判断、排查故障的方法。     

基于VMD和MED的滚动轴承故障诊断方法

为有效提取振动信号中的轴承故障特征,降低背景噪声和齿轮传动噪声影响,将VMD和MED相结合,首先采集强噪声轴承故障信号并进行VMD降噪,选取与原信号相关系数大的分量重构;然后将重构信号进行MED处理以增强故障信息;最后对信号进行包络谱分析,从中获得轴承故障特征频率信息。经实测信号并与EMD的对比分析比较表明:VMD+MED能够从实测信号中有效地提取齿轮箱轴承的故障特征频率及其倍频,而且较EMD法更具优势。     

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。     

基于无量纲指标与波谱分析的滚动轴承故障诊断

鉴于滚动轴承在运转过程中能够产生冲击振动信号,将无量纲指标、频域平均与Hilbert包络分析相结合,实现对滚动轴承的故障诊断。首先将采集到的滚动轴承振动信号进行裕度指标、峭度指标等无量纲指标分析,来定性判断轴承是否存在故障,然后通过频域平均减小噪声等干扰信号的影响。最后通过Hilbert包络谱解调分析,获取能够反映故障频率的振动信号。实例表明,该方法能够简单有效地实现滚动轴承的故障判断。     

基于信号共振稀疏分解与包络谱的齿轮故障诊断

当齿轮出现断齿、裂纹等局部故障时,其振动信号会出现周期性冲击脉冲。在齿轮故障早期,由于冲击脉冲微弱,常淹没在齿轮的啮合频率、转频等谐波成分以及噪声中,因此,对于齿轮早期故障,直接对齿轮振动信号做包络谱分析以诊断齿轮局部故障通常效果不佳。针对这一问题,将信号共振稀疏分解方法与包络谱分析相结合,提出了基于信号共振稀疏分解与包络谱的齿轮故障诊断方法。该方法采用信号共振稀疏分解将冲击脉冲从齿轮振动信号中分离出来,然后对冲击脉冲做Hilbert包络分析,获取冲击脉冲出现的周期,进而对齿轮状态和故障进行识别。仿真算例和应用实例证明了该方法的有效性。     

基于VMD和自适应谱线增强技术的滚动轴承故障诊断

为了在噪声干扰下准确提取滚动轴承振动信号的故障特征,提出了一种将变分模态分解与自适应谱线增强技术相结合的轴承故障特征频率提取方法。首先采用VMD对原始振动信号进行分解和重构,然后通过自适应谱线增强技术对重构信号进行降噪处理,最后对降噪信号进行包络解调分析得到故障特征频率。利用滚动轴承仿真信号和实测信号检验了所提出的方法,并与VMD及小波分析+ALE方法进行对比分析,结果表明,VMD+ALE方法的滤波效果及检测精度更好,能够更加有效的提取轴承故障特征。     

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。     

小波尺度谱同步平均在弱信息识别中的应用

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.而旋转机械发生故障时其振动信号往往是非平稳信号,不同的非平稳性对应不同的故障状态.连续小波变换可以通过伸缩平移变换对信号进行多尺度细化分析,能够在不同的尺度上描述信号的局部特征,因此有利于故障信号的检测.时域同步平均可以削弱观测信号中的随机成分,降低噪声干扰,提取与平均周期相关的确定性信号,提高信噪比.结合小波变换和同步平均的优点,提出小波尺度谱同步平均的方法.对多周期的振动信号进行小波连续变换,并进行尺度谱重排,获得重排小波尺度谱;根据信号的周期性,对尺度谱进行同步平均,同步平均后的尺度谱可以有效地抑制干扰噪声,识别弱故障信息.通过仿真分析和实例分析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.     

LMD-ICA联合降噪方法在滚动轴承故障诊断中的应用

针对经典独立分量分析（ICA）只能应用于观测源数不少于信号源数的超定盲源分离问题,提出局部均值分解和ICA相结合的欠定盲源分离新方法。该方法将采集的单通道振动信号进行局部均值分解,基于互相关准则对分解的分量进行重组,构建虚拟噪声通道;将虚拟噪声通道与振动信号作为盲源分离的信号输入,采用基于负熵的FastICA算法实现信号源和噪声的分离,从而达到降噪目的。将该方法应用于滚动轴承故障信号,频谱分析结果表明,该方法处理后的信号中噪声得到一定程度滤除,频谱中毛刺更少,故障特征频率更加明显,有利于故障特征的提取,实验分析证明了该方法的有效性。