基于时时能量阶比谱的变转速工况滚动轴承微弱故障诊断研究

变转速工况下的滚动轴承微弱故障诊断同时面临两个难点:一是滚动轴承的故障特征信号容易被环境噪声和干扰信号淹没;二是滚动轴承故障振动信号的时变特征难以被常规频谱方法提取。针对上述问题提出了基于时时能量阶比谱的滚动轴承故障诊断方法。首先对变转速工况下的滚动轴承微弱故障振动信号进行时时(time-time,TT)变换,在双时域上刻画轴承故障振动信号的时变特征;然后利用提出的时时能量定义计算轴承故障振动信号的时时能量,获得轴承故障振动信号的时时能量信号;最后对时时能量信号进行阶比分析得到轴承故障振动信号的时时能量阶比谱,并根据时时能量阶比谱的阶次特征识别出轴承故障类型。分析了变转速工况下的滚动轴承故障仿真信号和实验测试信号,结果表明:时时能量信号能够有效追踪轴承故障振动信号的时变能量分布,增强故障特征信号的冲击特征,时时能量阶比谱较包络阶比谱抗噪能力更强,为变转速工况滚动轴承微弱故障诊断提供一种有效方法。     

时变工况下基于精细复合多尺度散度熵的旋转机械故障诊断方法

时变工况下旋转机械的振动信号具有明显的时变调制的特点，熵值方法在提取该类信号特征时具有独特的优势。为了克服传统的熵值方法计算速度慢、熵值不稳定等问题，提出了一种基于精细复合多尺度散度熵的时变工况下旋转机械故障诊断方法，能够更有效地提取故障特征信息并提高故障诊断准确率。首先，采用重采样的方法将时域信号转为角域信号，并利用变分模态分解和独立分量分析相结合的方法对角域信号进行去噪。其次，采用精细复合多尺度散度熵对去噪后的角域信号进行特征提取，然后将提取到的特征输入LR(logistic regression)分类器中识别故障类型。最后，通过时变工况下的齿轮试验对所提方法进行验证，结果表明，所提出的方法有效提高了时变工况下故障诊断准确率。     

基于改进排列熵的滚动轴承故障特征提取

排列熵能够有效监测振动信号中的动力学突变,衡量振动信号的复杂度,在旋转机械状态监测中获得成功的应用。将排列熵应用于滚动轴承故障特征提取中,并针对排列熵对振动信号幅值不敏感,无法反映振动信号中局部能量分布差异的问题,利用滤波信号的归一化瞬时能量改进排列熵,提出一种基于改进排列熵的滚动轴承故障特征提取方法。仿真和试验数据分析结果表明,该方法能够有效识别滚动轴承共振频带,准确提取滚动轴承故障特征。     

柴油机缸盖振动信号的小波包分解与诊断方法研究

研究了柴油机缸盖表面振动信号的时域、频域和循环波动特性,揭示了它的非平稳时变特点,提出了从振动信号的小波包分解系数中实现整循环征兆提取和故障识别的方法。实际及分析结果表明了该方法的可行性和有效性,这对其它复杂机械的振动诊断同样具有参考价值。     

渤海JZ9-3WHPB平台冰激振动测量与分析

为掌握JZ9-3WHPB平台的动力特性,根据该平台结构特点设计安装了具有远程控制功能的平台冰激振动监测系统,对振动信号实施实时监测和记录。利用短时傅里叶变换对振动信号进行分析,研究结构振动时变特征和模态频率特征。通过比较上下甲板振动信号的相位关系以及信号的滤波处理,分析所测得振动模态的振型特点。在对振动最大值、振动持续时间以及平台水域潮流潮位进行统计分析的基础上,结合平台结构设计,分析了平台的抗冰设计缺陷,给出了防冰建议。     

变转速齿轮箱复合故障的自适应时变滤波分析

复合故障诊断是机械故障诊断领域的一大难点。齿轮箱出现复合故障时,受传递路径、测点布置等影响,所拾取的复合故障振动信号中,各故障成分会呈现强弱不平衡,特别在变转速条件下,故障特征具有时变特性。因此,针对变转速下的齿轮箱复合故障诊断,提出了一种基于频域滤波的自适应时变滤波方法。该方法在频域构建自适应时变滤波器,采用自适应时变滤波器将包含齿轮故障特征的时变滤波信号从齿轮箱复合故障信号中分离出来,并进行包络阶次谱分析,以提取齿轮故障特征;同时,对残余信号(齿轮箱复合故障信号与时变滤波信号的差值)进行包络阶次谱分析,以提取轴承故障特征。算法仿真和应用实例表明,自适应时变滤波方法可有效分离变转速下齿轮和滚动轴承的故障特征。     

基于振动分析的传动系统智能监测方法研究

本文以矿井提升机为研究对象,研究了传动系统(驱动电机、减速器、卷筒)正常运转情况下,依托于振动传感信号进行振动数据采集,并通过批量信号幅值域、时域、频域分析对设备运行状态进行智能监测和故障诊断.通过实验和基于大数据信号分析得出的结论与实际情况大致吻合,从而验证了此方法对于大型旋转机械的传动系统检测有一定参考价值.     

机械信号处理的BSS算法及其比较研究

在由多个独立振动构成的复杂机械振动的状态监测和故障诊断中,复杂机械信号的分离和识别的效果往往是其故障诊断成功的关键.为了得到最佳的机械信号分离算法,对5类经典的盲源分离(BSS)算法的特点和性能进行了比较研究,提出了一套评价准则,使用典型的仿真机械信号,对其在机械故障诊断中的典型机械信号的分离效果进行了充分的实验和详细评估.之后,运用两组来自真实工业设备部件的振动数据去检验其结果.研究结果表明不同的BSS算法具有各自的特点,对处理不同类型的机械信号有不同的效果,其结果有指导意义.     

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。     

基于局部均值分解与形态谱的旋转机械故障诊断方法

针对旋转机械不同类型故障会使振动信号具有不同形态特征及振动信号信噪比低等特点,提出基于局部均值分解（Local Mean Decomposition,LMD）与形态谱的旋转机械故障诊断方法。其中的LMD能对旋转机械原始振动信号进行降噪处理,而形态谱则能反映振动信号的形态特征,从而能判断旋转机械的工作状态。将该方法用于转子系统故障诊断,分析结果表明,该方法能有效提取旋转机械故障振动信号的故障特征,能准确识别旋转机械的故障状态。     

基于振动分布特征的电力变压器绕组故障诊断

振动分析法是实现电力变压器带电监测与故障诊断的重要手段,而基于振动分析法的故障诊断方法的关键在于从复杂的油箱壁振动信号中提取出状态特征(值或矢量)。传统的状态特征提取方法大多选取单个测点的振动信号进行时域或频域特征的提取,往往忽略了各测点间的振动分布特征。从振动重心的角度对振动分布的幅值重心及重心轨迹进行研究与分析,能够提出四个量化参数。在四个量化参数的基础上结合支持向量机分类算法提出基于振动分布特征的变压器绕组故障诊断模型。实际变压器的绕组故障实验以及十余台台电力变压器现场实测数据样本的分析与测试结果均表明,提出的振动分布特征及量化参数能够有效反映变压器绕组变形、压紧力松弛等机械结构变化,而基于振动分布特征的绕组故障诊断模型也可准确的对变压器绕组机械结构状态进行检测与诊断。     

On-line tool condition monitoring in face milling using current and power signals

The vast majority of tool condition monitoring systems use the cutting force as the predictor signal. However, due to prohibitive cost to performance ratios and maintenance and operational problems, such methods are not favoured by industries. In this paper, a method for continuous on-line estimation of tool wear, based on the inexpensive spindle motor current and voltage measurements, is proposed for the complex and intermittent cutting face milling operation. Sensors for these signals are free from problems associated with the cutting forces and the vibration signals. Novel signal processing strategies have been proposed for on-line computation of useful features from the measured signals. Feature space filtering is introduced to obtain robust and improved predictors from the extracted features. A multiple linear regression model, built on the filtered features, is then used to estimate tool wear in real-time. Very accurate predictions are achieved for both laboratory and industrial experiments, surpassing earlier results using cutting forces and estimation methods based on complex methodologies such as artificial neural networks.     

基于振动信号分离的行星轴承故障特征提取

由于行星轴承振动信号传递路径的时变性,且行星齿轮箱中齿轮啮合振动信号较强,导致行星轴承故障特征提取较为困难。为此,提出了一种基于振动信号分离的行星轴承故障特征提取方法。该方法首先采用阶比分析技术将原始振动信号进行等角度采样;每当行星架旋转一周,采用Tukey窗进行加窗截取,按照啮合齿序重新拼接,构造振动分离信号。再采用离散随机分离从振动分离信号中提取行星轴承故障分量;最后进行包络谱分析提取故障特征。行星轴承内圈故障实测信号分析表明,该方法能有效提取行星轴承故障特征。     

Fault diagnosis method for an Aeroengine Based on Independent Component Analysis and the Discrete Hidden Markov Model

The vibration signals of an aeroengine are a very important information source for fault diagnosis and condition monitoring. Considering the nonstationarity and low repeatability of the vibration signals, it is necessary to find a corresponding method for feature extraction and fault recognition. In this paper, based on Independent Component Analysis (ICA) and the Discrete Hidden Markov Model (DHMM), a new fault diagnosis approach named ICA-DHMM is proposed. In this method, ICA separates the source signals ...     

基于自适应加权多尺度组合形态滤波的轴承故障特征提取研究

针对滚动轴承振动信号在进行早期故障诊断时往往会伴随着噪声干扰的问题,提出了一种选择性自适应加权多尺度组合形态滤波(Adaptive Weighted Multi-scale Combination Morphological Filtering,AWMCMF)方法,从振动信号中提取故障特征。首先,采用三种组合算子构成一组新的形态算子,可有效地提取出信号中的正负冲击特征;其次,基于新算子提出了加权多尺度形态滤波方法,并将Teager能量峭度作为评判指标为各尺度提供优化的权值;最后,将选择性自适应权值与多尺度算子进行加权绑定得到优化的故障特征提取结果。通过仿真信号和轴承故障振动信号的结果表明,该方法能有效地滤除噪声并提取故障特征。     

基于多级滤波的子带信号分析及应用

为有效提取设备的故障征兆信息,提出了一种基于多级滤波的子带信号分析方法,并将其应用于机械设备的状态监测.运用两通道滤波器组来构造多级滤波器,再利用多级滤波器将机械设备的振动信号从高频到低频分解成一组子带信号,对子带信号进行频谱分析、包络分析等处理.结合对子带信号与原始信号的分析,提取出机械设备的故障征兆信息以进行状态监测.仿真分析和应用实例表明该,子带信号分析方法有助于更加完备地提取机械设备的故障征兆信息.     

基于时间-小波能量谱的齿轮故障诊断

振动信号中的冲击现象及其频率特征是诊断齿轮局部损伤故障的重要依据之一。针对齿轮故障特征提出了一种时间-小波能量谱信号处理方法,它能够有效提取振动信号中冲击成分的时域和频域特征。利用时间-小波能量谱方法分析了正常、磨损、断齿等三种状态的齿轮箱振动信号,并与传统频谱分析方法进行相比。结果表明：时间-小波能量谱不仅可以有效提取故障特征,识别出齿轮箱的故障存在,而且可以清晰地分辨出故障类型及故障元件。     

爆破震动测试信号预处理分析中趋势项去除方法研究

基于经验模态分解(EMD)、小波法、最小二乘法分别研究了爆破震动测试信号中趋势项的去除算法, 并对三种方法去除趋势项效果及重构信号的时频特征进行对比分析。研究表明:小波法、最小二乘法去除测试信号趋势项时需预先设置先验的分解函数基, 而EMD 法在处理具有短时非平稳特性的爆破震动信号时具有自适应性, 因此工程爆破震动测试信号预处理分析中采用EMD 法能够更为有效地消除趋势项, 提高信号时域和频域分辨率, 对准确提取爆破震动时频特征具有重要参考价值。     

全矢小波包-包络分析方法及其在齿轮故障诊断中的应用

在旋转机械故障诊断中,针对传统单源信息采集的不全面性,提出了一种基于全矢谱技术的小波包-包络分析方法。首先对同源双通道信息分别采用小波包分解,根据需要选择频段的信息,并对提取的信号进行重构。然后采用全矢Hilbert解调分析方法对重构信号实现包络解调,并与两单源信息的包络解调相比较,说明了仅以单源信息为诊断依据的不足。利用全矢谱技术进行融合的全矢小波包-包络解调技术,不仅继承了小波包-包络分析方法的优势,而且更加全面地反映出了信号的真实性。最后通过仿真信号对其算法的可行性进行了验证,同时又以齿轮的故障振动信号为例,进一步表明了该方法在故障诊断中的有效性。