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。     

含行星轮局部故障的行星齿轮箱振动仿真及实验研究EI北大核心CSCD

针对现有行星齿轮箱局部故障振动仿真模型使用小波变换和加窗振动分离技术进行故障诊断时效果不明显的问题,提出了一种以齿轮啮合冲击响应和齿轮啮合顺序为基础的行星轮局部故障振动仿真模型。以齿轮啮合冲击响应为基础,仿真正常齿和故障齿的单次啮合冲击振动响应;计算每次齿轮啮合的时间点,按照轮齿啮合顺序使用单次啮合冲击振动响应进行拼接,综合考虑振动信号的时变传递路径和太阳轮、行星轮和行星架转频的调制影响;建立了满足加窗振动分离技术故障特征提取的行星轮局部故障振动仿真模型。通过与行星齿轮箱的试验平台实测振动信号和振动仿真信号的分析对比,验证了所建立模型的正确性。     

基于角域加窗同步平均的太阳轮故障检测方法

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,常规定轴齿轮箱的同步平均技术不直接适用。在原有行星齿轮箱加窗时域平均方法基础上提出一种适合时变传递路径及变速工况的角域加窗同步平均技术,从中提取有用信号同时降低传输路径的影响。由计算阶比跟踪对时域加窗振动信号进行等角度重采样,转换为角域准平稳信号,然后进行同步平均。将该方法对行星齿轮箱故障实测振动信号进行了分析,实验结果表明,所提出方法能够有效地提取行星齿轮箱太阳轮故障的特征信息。     

行星齿轮箱太阳轮轴承外滚道故障特征增强研究EI北大核心CSCD

当行星齿轮箱存在太阳轮与太阳轮轴承复合故障时,太阳轮轴承故障信号微弱,容易被太阳轮故障信号淹没。为了在强大的太阳轮故障信号的背景下高效提取微弱的轴承故障信号,开展了行星齿轮箱太阳轮与太阳轮轴承复合故障动力学响应研究。以单级行星齿轮箱为研究对象,利用ADAMS动力学分析软件,构建包含太阳轮断齿以及太阳轮轴承外圈局部损伤的行星齿轮箱刚-柔耦合动力学模型,该模型保留了轴承滚动体与保持架的6个自由度,并且考虑了齿轮与轴承的耦合作用。基于所建立的刚-柔耦合动力学模型,提出了太阳轮轴承外滚道故障特征增强方法。该方法基于外滚道损伤-滚动体冲击力方向在轴承旋转过程中基本不变的原理,将垂直放置的两个加速度传感器采集的振动信号转换到极坐标系,通过分析坐标点在极坐标系中的分布情况来对复合故障下太阳轮轴承外滚道表面损伤进行诊断。结果表明,使用该方法能够对频谱分析不能诊断的太阳轮轴承外滚道故障进行特征增强。     

行星轮不均载的行星齿轮箱振动信号模型EI北大核心CSCD

行星齿轮箱有多个行星轮构成的平行传动路径可以分担输入的扭矩负载。行星轮之间的载荷分布不均会降低效率和加速疲劳。为了充分揭示行星轮载荷分布不均的故障特征,建立了行星轮不同载荷分布情况下的振动信号模型;推导出傅里叶频谱,说明行星轮载荷的不均匀分布会引起附加的信号频率成分,并可能导致系统固有频率的偏移;总结了输入扭矩和行星轮位置误差的严重程度对信号频谱结构的影响。仿真和实验结果与理论模型较好吻合。     

参数优化最大二阶循环平稳盲解卷积行星轮轴承故障提取EI北大核心CSCD

在行星齿轮箱振动中,齿轮相关振动分量通常具有较大的能量,同时轴承滑移会造成行星轮轴承故障对应振动分量的特征频率获取困难。为此,提出一种基于参数优化最大二阶循环平稳盲解卷积(cyclostationary blind deconvolution, CYCBD)的行星轮轴承故障提取方法。该方法针对CYCBD技术在轴承滑移条件下难以获取循环频率和滤波器长度的问题,以改进的包络谱故障特征比(improved envelope spectrum fault feature ratio, IFFR)指标作为粒子群算法的适应度函数,自动获取CYCBD算法中实际的循环频率和优化滤波器长度,利用参数自适应的CYCBD算法增强了轴承故障冲击。通过解卷积结果的平方包络谱反映轴承故障特征,达到准确提取故障特征的目的。故障仿真和试验研究结果表明,该方法可以有效提取行星轮轴承故障特征。     

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。     

基于集成包络谱的滚动轴承早期故障检测指标EI北大核心CSCD

针对常规统计指标对滚动轴承早期故障不敏感的问题,该研究基于集成包络谱(integrated envelope spectrum,IES)提出一种滚动轴承早期故障检测指标——集成包络谱谱峰因子(integrated envelope spectrum peak factor,IESPF),应用于轴承早期故障检测。首先,对信号进行快速谱相干(fast spectral coherence,Fast-SCoh)计算;然后,根据循环频率与谱频率的映射关系确定包含故障信息丰富的频带,并对该频带积分获得IES;最后,计算IES的最大值与其均方根值的比值,从而获得该研究所提指标IESPF,应用于轴承外圈故障检测。通过分析滚动轴承外圈模拟故障试验数据和疲劳试验数据表明,该研究所提指标对轴承外圈早期故障较敏感,适用于早期故障检测。     

基于独立分量分析与包络阶比分析的齿轮箱多振源特征提取

包络阶比分析是常用的旋转机械变速运行过程齿轮箱振动分析技术之一,但其易受干扰的影响而失效。独立分量分析是最近发展起来的一种混合信号按源分离方法,但其使用中通常要求传感器通道数目不少于独立振源数目,而齿轮箱中的独立振源数目一般并不能预先确定,因此直接应用独立分量分析方法往往并不能实现对混合信号的有效分离。本文提出了一种基于独立分量分析技术的包络阶比分析方法,其首先利用包络提取实现对原信号中振源数的降维,然后对包络波形进行阶比跟踪等角度采样,对等角度采样信号应用独立分量分析进行按源分离和包络阶比分析,提取出各振源的振动特征。仿真和试验分析结果验证了本方法的有效性。     

基于信息熵优化变分模态分解的滚动轴承故障特征提取EI北大核心CSCD

针对变分模态分解(Variational Mode Decomposition,VMD)的参数需事先人为确定的问题以及如何选取包含故障特征信息的本征模态分量(Intrinsic Mode Function,IMF)的问题,提出了基于信息熵的参数确定方法和基于信息熵的IMF选取方法。该方法首先对原始故障信号进行变分模态分解,通过信息熵最小值原则对其参数进行优化,获得既定的若干IMF分量;在优化参数时获得信息熵最小值所在的IMF,选取其为有效IMF分量进行包络解调分析,提取轴承故障特征频率。通过轴承仿真信号和实际数据分析,表明该方法能够提取滚动轴承早期故障信号的微弱特征,并实现故障的准确判别。     

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。     

包络变形对阶比分析结果的影响及消除方法

转速变化的滚动轴承故障诊断通常先采用计算阶比跟踪技术消除变转速的影响,再进行阶比分析获得故障特征。然而,等角度重采样会引起冲击包络变形进而导致阶比分析结果产生偏差,在转速变化范围较大时这个偏差必须要受到重视。本文的主要工作是介绍了等角度重采样方法,仿真了包络变形对阶比分析结果的影响,给出了峰值点间隔变化量详细的理论推导,提出了通过修正角度变换值来消除包络变形影响的方法,并进行了实验验证。研究结果显示,包络在宽窄方向的变形对阶比分析结果没有影响;相邻包络峰值点间隔的变化对阶比分析结果产生影响;在角度序列逐点减去峰值点间隔变化量可消除包络变形对阶比分析结果的影响。     

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DSP的振动信号阶比与时域同步平均分析

本文介绍了阶次这一特征分量在机械故障诊断中的应用，以及其原理和各种具体实现方法。而时域同步平均可以有效衰减与回转频率无关的干扰，提取与工作状态直接相关的周期信号。同时，时域同步平均的实现方法与阶比分析也有相似之处，所以本文也对其作了介绍。在比较几种传统方法后，提出了采用高速数字信号处理器DSP电路和插值算法来进行振动信号的阶比分析和时域同步平均处理。克服了基于锁相环电路采样方法跟踪精度低，速度慢和使用不便的缺点。     

基于FVMD的滚动轴承故障特征提取方法EI北大核心CSCD

针对变分模态分解(variational mode decomposition,VMD)中模态数K和惩罚因子α无法自适应确定的问题,提出了基于快速变分模态分解(fast VMD,FVMD)的滚动轴承故障特征提取方法。首先,利用频谱趋势分割方法对滚动轴承振动信号进行分析,确定频谱趋势分割边界,进而自适应确定VMD的分解模态数K和惩罚因子α、模态初始中心频率ω;其次,根据参数K、α、ω,完成原始振动信号的自适应分解,并基于有效权重峭度准则提取有效本征模态函数(intrinsic mode function,IMF)分量;最后,利用希尔伯特包络解调计算有效IMF分量重构信号的包络频谱图,完成滚动轴承故障特征的提取。使用仿真信号、美国凯斯西储大学(Case Western Reserve University,CWRU)和美国航空航天局(National Aeronautics and Space Administration,NASA)的滚动轴承数据完成所提方法与传统VMD方法的对比试验。结果表明,所提方法能够自适应确定VMD的分解模态数K和惩罚因子α,提高VMD的计算效率,同时有效提取到滚动轴承的故障特征频率,证明了所提方法的有效性和可行性。     

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VMD和Infogram的滚动轴承故障特征提取EI北大核心CSCD

带通滤波器参数(中心频率和带宽)选取是共振解调的关键,针对快速峭度图找寻的中心频率偏大、带宽过宽的问题,提出Infogram(信息图)用于确定滤波器参数;并利用变分模态分解(Variational Mode Decomoposition,VMD)预先对信号进行重构,以减少噪声对信息图的影响,增强其应用效果。对轴承故障振动信号进行变分模态分解得到有限个模态分量,根据模态选取准则确定包含故障信息较多的模态分量进行信号重构,再应用信息图确定最佳共振频带的中心频率和带宽,并对重构信号进行带通滤波和包络谱分析,识别轴承故障特征频率。仿真分析和轴承外圈模拟故障试验验证了该方法的有效性。     

基于EMD和能量算子的模态参数识别在行星齿轮箱中的应用EI北大核心CSCD

针对行星齿轮箱模态试验下多自由度、低频、密频的模态参数识别问题,提出一种将经验模式分解(Empirical Mode Decomposition,EMD)与能量算子(Energy Operator,EO)相结合的模态参数识别方法。为了定阶模态和满足能量算子对单分量的要求,采用EMD方法将振动信号分解成多个固有模式函数(Intrinsic Mode Function,IMF)。对各个IMF利用高阶能量算子估算频率,计算各IMF与原信号的相关性并根据频率判断阶次及去除虚假分量。由于阻尼比本质就是反映能量衰减,而能量算子能够追踪系统能量,结合二者提出半周期能量算子法估算模态阻尼比。分析了仿真信号和模态试验信号,并与传统方法进行对比分析,实验结果表明,该方法能有效提取行星齿轮箱各阶次的模态参数,验证了方法的有效性与可行性。     

基于谱峭度的滚动轴承故障包络阶比跟踪分析

通过对旋转机械变速运行工况的齿轮箱振动分析研究,提出一种基于谱峭度的滚动轴承故障包络阶比跟踪分析方法。该方法利用旋转机械运行过程中滚动轴承故障引起的冲击性振动会激起其周围结构共振的原理,应用谱峭度方法自适应地确定优化的共振解调带通滤波中心频率和滤波带宽,进而通过共振解调算法获得包含轴承故障初始阶段振动特征的包络信号,再将变速工况下的非平稳包络信号通过等角度重采样转化为角度域的准平稳信号,进而获得消除了频率模糊的阶比谱,实现对旋转机械变速运行工况下的滚动轴承故障诊断。仿真和测试试验结果验证了本方法的有效性。