无转速计的旋转机械Vold-Kalman阶比跟踪研究

结合旋转机械升降速阶段振动信号的特点,提出了一种无转速计的旋转机械Vold-Kalman阶比跟踪方法。该方法利用能量重心法对振动信号进行频谱校正,估计瞬时频率,获得参考轴转速信号,再对振动信号进行Vold-Kalman阶比跟踪,提取阶比分量。与需要转速计的经典Vold-Kalman阶比跟踪方法相比,该方法无需鉴相装置,完全用软件方式实现,算法精度高。仿真和应用实例分析结果表明此方法能够在时域中准确地提取幅值和频率变化的阶比分量。     

基于变分模态分解和同步提取变换识别时变结构瞬时频率EI北大核心CSCD

针对同步提取变换(SET)不能分离频率成分间隔相近的多分量信号的问题,提出了一种结合变分模态分解(VMD)和同步提取变换识别时变结构瞬时频率的方法。首先,通过傅里叶变换确定预设模态数量,利用VMD对多分量信号进行分解得到多个模态分量;然后,采用SET对每个模态分量进行时频分析获取瞬时频率;最后,将各模态分量的时频谱图叠加得到完整的多分量信号时频谱图。针对多分量时变信号和两自由度时变结构自由振动响应信号的瞬时频率识别结果,验证了基于VMD和SET结合方法识别时变结构瞬时频率的有效性和正确性。结果表明,该方法具有较好的噪声鲁棒性和能量聚集性,克服了SET处理频率成分间隔相近的多分量信号的不足,能有效识别具有近距离频率成分的时变结构瞬时频率。索力线性和正弦变化时拉索瞬时频率识别的试验验证了该方法的适用性。     

基于最大幅值变分模态分解和均方根熵的滚动轴承故障诊断

针对变分模态分解中模态个数的设定会对分解结果产生重要影响的问题,提出一种求取最优分解层数的方法,该方法以瞬时频率的幅值特性为依据,通过分析变分模态分解过程中,各分量最大幅值之间的关系来确定最佳分解参数;均方根熵可以反映不同振动信号的能量值,以信号均方根熵为故障特征参量,通过优化支持向量机建立故障分类模型,实现故障模式分类。将基于最大幅值变分模态分解和均方根熵的故障诊断方法应用于滚动轴承实测信号中,实验结果表明基于最大幅值变分模态分解和均方根熵的方法能够有效识别滚动轴承运行状态,识别准确率高达98.75%。     

基于Hilbert振动分解和高阶能量算子的行星齿轮箱故障诊断研究

行星齿轮箱广泛应用于各种机械设备中,其故障诊断问题是近年来的研究热点之一。提出了基于Hilbert振动分解和高阶微分能量算子的故障诊断方法。Hilbert振动分解计算复杂性低,能够将复杂信号分解为单分量,应用该方法对信号进行分解,满足高阶微分能量算子的要求。高阶微分能量算子的时间分辨率高,对信号的瞬态变化具有良好的自适应性,应用该方法检测故障引起的瞬态冲击,估计信号的幅值包络和瞬时频率。对高阶微分能量算子输出以及幅值包络和瞬时频率进行Fourier变换,通过频谱识别特征频率,从而诊断行星齿轮箱故障。分析了行星齿轮箱的仿真信号和实验信号,准确地诊断了太阳轮、行星轮和齿圈的故障,验证了该方法的有效性。     

基于EEMD和能量分离的风电机组传动系统的故障诊断方法

针对风力发电机传动系统故障发生时难以有效提取识别问题,提出基于EEMD分解和能量分离的故障诊断方法。对采集到的振动信号进行EEMD分解,根据峭度和相关系数选取包含故障最多且与原信号相关性较大的IMF分量;应用EEMD对信号进行分解,满足能量分离的要求。利用Teager能量算子对信号瞬时变化和精细时间分辨率的适应性,用能量分离算法估计选定的IMF分量的幅值包络和瞬时频率,用来进一步做Fourier变换,通过频谱分析实现故障的诊断与定位。风电机组的实验数据和现场实际运行数据证实了所提方法的准确性和有效性。该方法在风电场的实际工程中具有较高的应用价值。     

π 型叠合梁颤振试验及数值研究

提出了一种基于改进变分模态分解(Variational Mode Decomposition,VMD)的模态参数辨识算法,用于颤振试验信号的数据处理。采用自然激励技术提取脉冲响应信号;利用信号的先验信息结合本文提出的适应度函数,求解最优分解参数;用参数优化后的VMD算法将信号分解为指定个数的信号分量,每个分量仅含单一频率的振动模态;用矩阵束法识别模态参数。数值仿真和风洞试验研究表明:改进的VMD算法可以有效分离颤振试验信号中的密集模态,提高模态参数辨识的精度;结合颤振裕度法,有助于颤振边界的预测。     

基于生成微分方程的行星齿轮箱故障振动信号解调分析

行星齿轮箱振动信号具有明显的调制特点,幅值解调和频率解调分析能够有效提取其中的故障信息。生成微分方程(GDE)方法可以估计调制信号的幅值包络和瞬时频率,实现解调分析,但该方法需要信号满足单分量要求。实际行星齿轮箱振动信号通常由复杂多分量成分组成,为实现信号的幅值解调和频率解调分析,应用经验模式分解(EMD)将信号分解为单分量本质模式函数,基于生成微分方程计算瞬时频率和幅值包络,根据瞬时频率的波动特点选择本质模式函数作为敏感分量,由敏感分量的包络谱和瞬时频率的Fourier频谱识别故障特征频率。通过行星齿轮箱故障模拟实验数据分析验证了解调分析方法的效果。     

变分模态分解和同步挤压小波变换识别时变结构瞬时频率

针对土木工程领域存在的时变多分量响应信号,提出一种变分模态分解定理和同步挤压小波变换理论相结合的时变结构响应信号瞬时频率识别新方法。该方法首先利用响应信号的小波量图判断分量信号的个数,然后通过变分模态分解定理将多分量信号自适应地分解为多个分量信号,最后对分解得到的分量信号进行同步挤压小波变换并识别其瞬时频率。通过一个多分量信号数值算例、一个质量突变悬臂梁试验和一个时变拉索试验验证该方法的有效性,研究结果表明:提出的新方法能够有效识别时变结构响应信号的瞬时频率,且识别效果优于传统的希尔伯特-黄变换和连续小波变换。     

基于自适应最稀疏时频分析的结构损伤检测方法EI北大核心CSCD

研究了一种新的自适应时频分析方法——自适应最稀疏时频分析(ASTFA)方法,并将其运用于结构振动响应分析,提出了基于ASTFA的结构损伤检测方法。ASTFA方法在EMD方法和压缩感知的基础上,建立包含所有IMF分量的过完备字典,通过寻找原信号的最稀疏表示,将信号分解问题转化为非线性优化问题,在目标优化的过程中实现信号的自适应分解,并直接得到各个分量的瞬时频率和瞬时幅值。在介绍ASTFA的基础上,对ASTFA和EMD进行了对比,结果表明了ASTFA方法的优越性。利用ASTFA方法识别了结构的模态参数,提出了基于分量信号瞬时频率和瞬时能量的损伤指标,对结构损伤进行了检测。对实际信号的分析结果表明,ASTFA方法可以有效地应用于结构损伤检测。     

迭代能量算子机械故障诊断研究

旋转机械元件的故障振动信号通常为多分量调幅调频信号,针对此类信号的故障特征提取问题,介绍一种基于迭代能量算子的机械故障诊断方法。首先阐述迭代能量算子对多分量信号的各分量信号进行幅值包络提取和平滑瞬时频率估计的基本原理;然后通过仿真试验给出与Hilbert-Huang变换的比较,表明该方法解调精度很高且速度较快;最后给出滚动轴承故障诊断实例,证明基于迭代能量算子的多分量调幅调频信号解调方法能有效地提取机械故障振动信号的故障特征。     

基于EEMD和能量分离的风电机组传动系统的故障诊断方法

摘 要：针对风力发电机传动系统故障发生时难以有效提取识别问题，提出基于EEMD分解和能量分离算法的故障诊断方法。首先，对采集到的振动信号进行EEMD分解；然后，根据峭度和相关系数选取包含故障最多且与原信号相关性较大的IMF分量；最后，通过能量分离算法来估计选定的IMF分量的幅值包络和瞬时频率，用来进一步解调分析，实现故障的诊断与定位。通过对风电传动系统的实验数据和风场现场实际运行数据证实了提出方法的准确性和有效性。该方法在风电场的实际工程当中具有良好的应用价值。     

基于VMD的铣刀破损检测

针对铣削过程中的切削振动信号具有非平稳性的特点,提出了一种基于变分模态分解(VMD)的铣刀破损检测方法。该方法通过VMD将切削振动信号分解成若干个模态分量,由于铣刀发生破损后,不同模态分量的频带分布会发生变化,因此提取各模态分量的中心频率和能量组成特征向量;对特征向量进行归一化处理,最终输入到支持向量机(SVM)进行铣刀破损检测。在多种切削参数下进行铣削加工实验,结果表明该方法比基于EMD的铣刀破损检测方法能抑制模态混叠的发生且具有更高的检测精度。     

非线性调频分量分解的转子油膜涡动信号分析研究

转子轴承系统的振动信号常呈现非线性调频特征且信号分量在频域混叠,传统的频谱分析方法难以处理该类信号。基于参数化解调的非线性调频信号分解方法来分析油膜涡动、油膜振荡特征信号能够有效分解频域混叠的非平稳信号。首先通过优化频谱集中性指标来估计信号瞬时频率参数并用估计到的参数将非线性调频信号解调为平稳信号,最后用带通滤波器提取解调信号。仿真及实验信号通过该方法分析后的结果证明,所用非线性调频分量分解的信号分解方法能够有效提取转子轴承系统的油膜涡动、油膜振荡故障特征,从信号时频图及提取分量的时域图可以清晰看到油膜涡动、油膜振荡的发生发展过程,为早期油膜涡动判定提供依据。     

基于ICA的镗削过程颤振征兆信号分离方法研究

针对精密孔镗削加工过程中易出现颤振、导致精密孔表面质量下降,如何能快速、准确识别出颤振征兆发生问题,提出基于独立分量分析（ICA）的镗削振动信号信噪分离方法,以实现对镗削颤振征兆信号的快速分离。该方法据颤振信号的时频特点,利用经验模态分解（EMD）对镗削振动信号进行分解;对EMD分解所得各本征模态分量（IMF）构造出的虚拟通道进行ICA分析,分离出包含颤振发生征兆的信号。实验结果表明,利用EMD和ICA对镗削振动信号进行分解处理,可快速分离出镗削颤振征兆信号,为后续颤振识别预报及抑制环节提供基础,从而有效提高精密孔的表面加工质量。     

弗德卡曼滤波阶比跟踪解耦新方法

摘要：弗德卡曼（Vold-Kalman）滤波阶比跟踪法是目前旋转机械阶比分析中能对阶比耦合干扰进行有效解耦操作的方法。但是传统的弗德卡曼升滤波解耦方法存在计算效率低,在无法充分获得耦合阶比瞬时频率信息时不能使用等不足。本文提出了一种基于独立分量分析技术的弗德卡曼滤波阶比跟踪解耦方法。其先将混合观察信号分解为阶比分量、耦合干扰等不同的独立信号分量,再在此基础上对分离出的阶比分量信号对应独立信号分量进行弗德卡曼滤波阶比跟踪分析,有效解决了传统解耦方法计算效率低,解耦需要干扰信号瞬时频率的不足。文中对弗德卡曼滤波阶比跟踪和独立分量分析的基本原理进行了简要介绍,在此基础上提出了本方法的实现方案。通过仿真试验和实际测试对本方法的有效性进行了评价。
     

基于ASTFA和SDEO解调的行星齿轮箱故障诊断方法

针对行星齿轮箱故障信号的调制特点,提出基于自适应最稀疏时频分析(Adaptive and Sparsest TimeFrequency Analysis,ASTFA)和对称差分能量算子(Symmetric Difference Energy Operator,SDEO)相结合的解调方法,用于提取故障信号的瞬时幅值和瞬时频率信息。采用ASTFA方法分解行星齿轮箱故障信号,得到若干个单分量信号,采用SDEO进行解调,得到各单分量信号的瞬时幅值和瞬时频率,并计算得到包络谱。采用该方法分析行星齿轮箱故障仿真信号和故障实际信号,结果表明,该方法能准确地提取故障特征,实现行星齿轮箱故障诊断。     

时频面上基于瞬频估计的信号提取方法

针对多分量非平稳信号的噪声抑制和信号分离问题,提出了一种新的时频滤波法.采用FMmlet自适应分解将被分析信号在时频空间内展开,得到无交叉项干扰、时频聚集性很强,且能反映信号的线性或非线性结构的时频特性的时频分布.根据时频面内能量脊与瞬时频率的对应关系,采用谱峰检测和时频加窗轮流迭代的方法,估计出信号分量的瞬时频率.在瞬时频率精确估计的基础上,设计适当的时频滤波函数,对被分析信号的Wigner-Ville分布(WVD)进行时频加窗处理,得到单分量信号的修正WVD,然后采用 WVD反变换进行信号分量的时域重构,达到从非平稳信号中分离有用分量的目的.理论分析和仿真实验表明,利用该方法从复杂非线性时变信号中提取出的信号分量失真度小.该方法在非平稳信号的深层特征提取中具有良好的应用前景.     

基于ITD和模糊熵的滚动轴承智能诊断

利用本征时间尺度分解方法(ITD)将滚动轴承振动信号自适应地分解为几个瞬时频率具有物理意义的单分量信号,并利用模糊熵作为特征,对轴承正常状态,内圈故障,外圈故障及滚动体故障四种工况进行识别,最后利用支持向量机完成滚动轴承的智能诊断。实验数据分析结果表明,该方法对滚动轴承故障的识别正确率较高,具有较强的可行性与有效性。     

基于MEEMD和GA-SVM的列车车轮多边形故障识别方法

根据列车车轮振动信号的非平稳特性,提出一种基于改进的集合经验模态分解(MEEMD)和遗传算法支持向量机(GA-SVM)的诊断方法,用于识别车轮多边形故障。该方法对车轮轴箱垂向振动信号进行MEEMD分解,依据各固有模态函数(IMF)分量的峭度值和能量值选取出主要IMF分量。利用希尔伯特变换求取主要IMF分量的包络谱,并计算包络谱熵。将包络谱熵值归一化后作为特征向量输入GA-SVM中进行训练和识别。对实测信号进行分析的结果表明该方法能有效识别出车轮多边形故障,识别准确率可达到95%。     

基于EMD和Teager能量算子的轴承故障诊断研究

提出了一种基于EMD和Teager能量算子的齿轮箱轴承故障诊断的新方法,该方法综合利用了经验模态分解和Teager能量算子分析技术.首先利用经验模态分解方法,将振动信号分解成不同特征时间尺度的单分量固有模态函数,然后用Teager能量算子计算各固有模态函数的瞬时幅值,最后对感兴趣固有模态函数瞬时幅值的包络谱进行分析,就可识别齿轮箱轴承的故障部位和类型.齿轮箱轴承故障振动实验信号的研究结果表明:该方法能有效地识别轴承的故障.