基于MEWT‑ASCS的行星齿轮箱微弱故障特征提取

针对强噪声背景下行星齿轮箱早期微弱故障难以提取以及经验小波变换对信号频率区间边界划分不恰当以及不能有效确定模态数目的问题,提出了一种基于改进经验小波变换（modified empirical wavelet transform, 简称MEWT）和自适应稀疏编码收缩（adaptive sparse coding shrinkage,简称ASCS）的早期微弱故障特征提取方法。根据信号频谱的尺度空间表示,将原始故障信号自适应地分解为一系列的窄频带本征模态分量。利用包络谱峭度（envelope spectrum kurtosis, 简称ESK）值选择敏感分量,为了进一步凸显分量中的故障信息,使用ASCS算法对敏感分量进行稀疏降噪处理,从其包络谱中即可提取到清晰的故障特征频率成分。数值仿真和实际数据分析结果表明,本研究方法能够自适应地实现故障信号的模态分解并增强微弱的故障冲击特征。此外,与经验小波变换（empirical wavelet transform, 简称EWT）,EWT?ASCS和ASCS进行对比,本研究方法可有效提取包含故障信息丰富的分量,经ASCS处理后信号故障特征得到凸显,实现了行星齿轮箱早期微弱故障的准确识别。     

CEEMDAN和盲源分离在轴承复合故障诊断中的应用

滚动轴承的复合故障信号中往往含有多个特征信息及背景噪声,为更高效实现故障信息的提取,提出一种基于具有自适应白噪声的完备集成经验模态分解（CEEMDAN）和盲源分离的滚动轴承复合故障特征提取方法。对实验所获取的故障数据进行CEEMDAN分解,得出一组固有模态函数（IMF）,利用加权峭度因子选取其中有效IMF重构信号,再将重构的信号进行BSS分离。对分离出的信号做解调包络分析,从其解调谱中提取故障信号的特征频率。结果证明了此方法可以有效地分离轴承的内外圈故障,使故障特征更易被提取。     

基于VMD形态梯度谱与BAS-RF的变压器绕组松动诊断

为有效提取变压器振动信号中的绕组状态信息,提出一种基于变分模态分解（variationalmode decomposition,简称VMD）、形态梯度谱的特征提取,采用天牛须搜索算法优化随机森林（beetle antennae searchrandom forest,简称BAS-RF）识别绕组松动状态的诊断方法。首先,将实测变压器振动信号经VMD分解得到若干个模态分量;其次,计算多个尺度的形态梯度谱以形成初始特征样本集,为防止维数灾难,使用主成分分析法对初始特征样本集进行降维处理;最后,利用天牛须搜索算法对随机森林中决策树的个数和树的深度进行寻优以构造分类器模型,实现对变压器绕组松动状态的识别。实验结果表明,该方法能有效提取变压器绕组松动故障特征信息,且具有优良的抗噪性能,构建的BAS-RF模型具有较高的识别准确率和识别速度。     

EEMD熵特征和t-SNE相结合的滚动轴承故障诊断

针对滚动轴承振动信号的非平稳非线性特性,提出了一种采用集合经验模态分解（EEMD）熵特征提取、t-分布邻域嵌入（t-SNE）和粒子群优化-概率神经网络（PSO-PNN）的滚动轴承故障诊断方法。首先,对振动信号应用EEMD算法实现分解,生成多个固有模态函数（IMFs）,对生成的含有主要故障信息的模态分量进行选择,以进一步实现熵特征提取,然后对高维特征数据应用t-SNE算法进行降维,最后利用PSO-PNN分类器进行故障识别。通过案例1和案例2的分析结果表明：该方法对滚动轴承故障识别率均达到100%,具有较高的故障识别率,能对滚动轴承的故障类型有效的识别。     

基于RSGWPT-LCD的轴承信号故障特征提取及模式识别

为了有效提取滚动轴承振动信号的故障特征和提高分类识别精度,提出了一种基于冗余二代小波包变换-局部特征尺度分解(redundant second generation wavelet packet transform-local characteristic scale decomposition,简称RSGWPT-LCD)和极限学习机(extreme learning machine,简称ELM)相结合的故障特征提取和分类识别方法。首先,利用希尔伯特变换对原始振动信号进行处理,得到包络信号;其次,基于双层筛选机制,结合冗余二代小波包变换(redundant second generation wavelet packet transform,简称RSGWPT)和局部特征尺度分解(local characteristic-scale decomposition,简称LCD)方法对包络信号进行分解,筛选出包含主要信息的内禀尺度分量(intrinsic scale components,简称ISCs);然后,对提取的各ISCs分量构建初始特征矩阵并进行奇异值分解(singular value decomposition,简称SVD),将得到的奇异值作为表征各损伤信号的特征向量;最后,以提取的特征向量为输入样本,建立ELM模式分类器对滚动轴承损伤信号进行识别。信号仿真和实测数据表明,该方法可有效提取振动信号故障特征,提高分类识别精度,实现滚动轴承故障诊断。     

应用多分辨SVD和ICA的轴承复合故障诊断研究

针对滚动轴承复合故障信号中故障特征难以分离的问题,提出了基于多分辨奇异值分解(SVD)和独立分量分析(ICA)的复合故障诊断方法。首先利用多分辨SVD将复合故障振动信号分解为几个分量实现维数的增加;然后将分解得到的分量组合为混合信号,并利用ICA进行欠定盲分离;最后对分离后的独立分量进行Hilbert包络解调,由此实现对复合故障特征信息的分离和故障识别。通过对滚动轴承内外圈复合故障的试验信号分析表明,该方法可以有效地分离和提取轴承复合故障的特征信息。     

基于短时信号重构与K-SVD特征提取算法

以故障信号局部包含信息的差异性为基础,通过短时奇异值分解算法来提取淹没与背景噪声中的故障冲击成分。再结合K-SVD稀疏分解训练算法,提出1种自适应学习字典构建方法,可以有效的自适应表征滚动轴承的故障信号。仿真和试验结果分析论证表明,该故障特征提取技术较常规稀疏匹配算法具更好的识别和提取冲击故障特征能力,有助于实现滚动轴承故障智能诊断。     

特征选择与t-SNE结合的滚动轴承故障诊断

为准确识别滚动轴承当前故障状态,提出一种集合经验模态分解（EEMD）、特征选择与t-分布邻域嵌入（t-SNE）的诊断方法。采用EEMD分解故障信号获得若干本征模态函数（IMF）,采用峭度准则筛选有效IMF分量并重构;求出重构信号的高维时、频域特征矩阵并对其归一化,采用t-SNE算法获得对故障状态更敏感的低维特征矩阵;将特征矩阵输入粒子群优化的最小二乘支持向量机（LSSVM）中,实现轴承的故障识别与诊断。采用实验分析并对比几种典型的降维法,证明了t-SNE的优越性,所提方法可以实现故障状态的100%识别,验证了该方法的有效性。     

基于自相关分析和LMD的滚动轴承振动信号故障特征提取

滚动轴承的故障信号是非平稳的、多分量的调制信号,特别是故障早期,由于调制源弱,早期故障信号微弱且受周围设备的噪声干扰,导致故障特征难以识别。采用自相关分析和局域均值分解（LMD）方法提取故障特征。首先采用自相关分析提取信号中的周期成分,消除噪声的干扰,然后利用局域均值分解方法将多分量的调制信号分解为若干个PF分量之和,再结合共振解调技术对PF分量进行包络分析以提取故障特征频率。实验证明了方法的有效性。     

VMD多尺度熵用于高速列车横向减振器故障诊断

针对高速列车横向减振器故障振动信号具有非线性和非平稳特征、特征信号提取相对困难问题,提出了变分模态分解和多尺度熵结合的特征提取方法。原始信号经变分模态分解方法处理后,被分解为若干本征模态,利用互信息指标筛选有效模态,求多尺度熵组成特征向量,通过特征评价方法去除冗余特征,最终将最优特征子集输入支持向量机识别横向减振器的故障类型。实验结果表明,该方法能有效提取振动信号的特征,实现横向减振器故障的有效判别,验证了该方法在高速列车横向减振器故障诊断的可行性。     

KPCA法在风电机组齿轮箱故障诊断中的应用

将核主成分分析法应用于风电机组齿轮箱的故障诊断中,通过计算齿轮箱振动信号原始数据空间的内积核函数来实现原始数据到特征空间的非线性映射。利用某风场齿轮箱的正常工作状态、初期磨损状态以及断齿状态下的振动数据进行测试,对主成分分析法和核主成分分析法的分类结果进行了分析比较。实验结果表明,核主成分分析法能够有效地对齿轮故障信号进行特征提取和模式分类,更适合于故障信号非线性特征的提取。     

NEW METHOD OF EXTRACTING WEAK FAILURE INFORMATION IN GEARBOX BY COMPLEX WAVELET DENOISING

Because the extract of the weak failure information is always the difficulty and focus of fault detection. Aiming for specific statistical properties of complex wavelet coefficients of gearbox vibration signals, a new signal-denoising method which uses local adaptive algorithm based on dual-tree complex wavelet transform （DT-CWT） is introduced to extract weak failure information in gear, especially to extract impulse components. By taking into account the non-Gaussian probability distribution and the statistical dependencies among wavelet coefficients of some signals, and by taking the advantage of near shift-invariance of DT-CWT, the higher signal-to-noise ratio （SNR） than common wavelet denoising methods can be obtained. Experiments of extracting periodic impulses in gearbox vibration signals indicate that the method can extract incipient fault feature and hidden information from heavy noise, and it has an excellent effect on identifying weak feature signals in gearbox vibration signals.     

基于S变换谱核密度估计的齿轮故障诊断

针对齿轮在故障损伤状态下的振动信号,提出一种基于S变换谱二维核密度估计的冲击特征提取方法,以实现齿轮的故障诊断。该方法首先对包含冲击特征的振动信号进行S变换;然后将S变换谱乘以一个系数后圆整,得到一个整数矩阵;最后以S变换谱的时间和频率构成一个二维随机变量,以整数矩阵中的元素值作为二维随机变量各个采样样本的个数,对二维随机变量进行核密度估计,并最终得到一个二维核密度函数。该核密度函数相当于由S变换谱经过一次平滑去噪的过程获得,其中的噪声得到了有效的抑制,而冲击特征则得到了加强与突显。仿真振动信号和齿轮箱故障振动信号的分析结果表明,该方法能够有效地强化并提取出振动信号中周期性的冲击特征,从而实现齿轮箱相关故障的诊断。     

基于包络加窗同步平均的行星齿轮箱特征提取

行星齿轮箱由于行星轮通过效应、太阳轮与行星架的旋转及时变工况,导致其振动响应存在时变传递路径及非平稳性等特点,且传统的同步平均将不能直接应用于行星齿轮箱。笔者在国外加窗同步平均的基础上提出一种能有效克服时变传递路径及非平稳性的基于包络信号角域加窗同步平均的行星齿轮箱故障特征提取方法。首先,基于谱峭度提取出行星齿轮箱振动信号的包络信号;其次,再利用计算阶比跟踪技术对包络信号进行等角度重采样,行星架每旋转一圈,选择合适的窗函数对角域信号进行多齿宽加窗截取;最后,验证齿轮啮合齿序特征,根据重排齿序对加窗信号进行重构振动分离信号,对振动分离信号进行角域同步平均,提取行星齿轮箱故障特征。行星齿轮箱故障实测信号分析表明,该方法能有效提取行星齿轮箱故障特征。     

Application of Instantaneous Rotational Speed to Detect Gearbox Faults Based on Double Encoders

Considerable studies have been carried out on fault diagnosis of gears, with most of them concentrated on conventional vibration analysis. However, besides the complexity of gear dynamics, the diagnosis results in terms of vibration signal are easily misjudged owing to the interference of sensor position or other components. In this paper, an alternative gearbox fault detection method based on the instantaneous rotational speed is proposed because of its advantages over vibration analysis. Depending on the timer/counter-based method for the pulse signal of the optical encoder, the varying rotational speed can be obtained e ectively. Owing to the coupling and meshing of gears in transmission, the excitations are the same for the instantaneous rotational speed of the input and output shafts. Thus, the di erential signal of instantaneous rotational speeds can be adopted to eliminate the e ect of the interference excitations and extract the associated feature of the localized fault e ectively. With the experiments on multistage gearbox test system, the di erential signal of instantaneous speeds is compared with other signals. It is proved that localized faults in the gearbox generate small angular speed fluctuations, which are measurable with an optical encoder. Using the di erential signal of instantaneous speeds, the fault characteristics are extracted in the spectrum where the deterministic frequency component and its harmonics corresponding to crack fault characteristics are displayed clearly.     

单时频谱非负矩阵编码与解调的特征提取

非负矩阵分解(NMF)作为一种矩阵分解以及非线性维数约简工具,被广泛用于多样本振动时频谱的分解编码以及特征提取,但单样本振动时频谱的NMF编码、尤其NMF分解向量与振动时频谱分量间关联关系尚缺乏探讨。阐述了单时频谱编码与解调的特征提取原理,重点分析了NMF对单时频谱基于部分的特征表示能力、单时频谱NMF基向量的带通滤波幅频特性(BFAC)、以及NMF编码向量与时频谱分量的同步变化特性。提出单时频谱NMF编码与解调的两种特征提取新方法,即基于NMF基向量的滤波解调和NMF编码向量直接解调,定义一种BFAC指数指标和基向量归一化的NMF编码优化迭代规则分别用于NMF低维参数自适应选取和优化求解过程。将所提方法用于仿真信号以及齿轮箱振动信号分析,6.4 k长度数据在给定因子分解秩和NMF最大迭代300次终止条件设定下的特征提取用时约3.5 s,同时实现了对信噪比为-10 dB仿真信号以及多故障齿轮箱振动信号中故障特征的提取。     

基于FRFT的单分量阶比双谱提取微弱故障特征

提出了一种基于分数阶傅里叶变换(fractional Fourier transform,简称FRFT)的单分量阶比双谱分析方法,消除阶比双谱分析多分量信号时产生的交叉项,提取变速器齿轮微弱故障特征。根据变速器输入轴转速信号及传动比确定FRFT最佳阶次,对变速器升速过程振动信号进行最佳阶次FRFT,在该分数阶域分离目标阶比分量,对分离出的单分量信号分别进行阶比双谱分析,并累加各分量阶比双谱结果得到基于FRFT的单分量阶比双谱。试验结果表明,变速器变速过程振动信号为多阶比分量信号,直接对其进行阶比双谱分析会产生明显的交叉项,使阶比双谱阶次和幅值失真。基于FRFT的单分量阶比双谱方法能有效屏蔽其他分量和噪声干扰、消除交叉项,真实、准确反映被分析信号的阶比双谱,有效提取变速器齿轮微弱故障特征。     

基于改进型峰值搜索法的变速箱振动阶比分析

基于传统内燃机汽车发动机引起振动噪声阶次特征明显的特点,运用短时傅里叶变换（short-time Fourier transform,简称STFT）进行转速估计,结合阶次追踪法,对汽车加速工况变速器振动信号进行阶次分析。首先,利用STFT对加速工况变速箱振动信号进行时频分析;其次,利用改进型峰值搜索法提取特征阶次所对应的瞬时频率值,进一步计算得到发动机转速信号表达式;然后,根据发动机转速信号表达式对振动信号在角域重采样,进行阶次分析;最后,利用本研究方法对变速箱加速过程振动信号进行阶次分析,并与商用软件LMS.Test.lab分析结果进行对比。结果表明,本研究方法无需布置转速传感器即可对变速箱振动信号进行阶次分析,为整车振动噪声试验分析提供参考。     

双矢时域齿轮早期微弱故障特征增强及应用

信噪比低和源信息的缺失是造成早期微弱故障难以准确判定的主要因素,针对以此问题,提出一种双矢时域变换(dual vector time-time domain transform,简称DVTD)的方法,用于完备和凸显齿轮早期微弱故障特征。方法借用全矢原理实现相互垂直的双通道振动信号的融合,保证双矢信号源信息的完整。在此基础上,结合双时域变换理论,提取二维时间序列的主对角元素用以构建完整的、故障特征增强的时域振动信号。以风电机组齿轮箱为实验对象,提取表征信号波动强度的小尺度指数作为状态特征,验证了双矢时域变换的微弱故障特征增强特性及其在齿轮早期微弱故障识别中应用的有效性。     

基于传递路径的多级齿轮箱齿轮裂纹故障识别

采用集中参数法对多级齿轮传动系统的齿轮振动进行建模仿真,获得难以直接测量的齿轮箱内部振源振动信号。根据系统辨识理论,获得振源信号传递至2个不同测点下传播路径的传递函数。通过比较2测点在同种系统状态下对应的信号传播路径的传递函数特征,选取了更能反映系统振动特征的测点作为最佳测点。通过比较无故障状态与定轴齿轮齿根裂纹状态下最佳测点对应的信号传播路径的传递函数特征,找出系统刚度微小变化时传递函数的变化特征,从而能够以此辅助判断微弱故障类型。