一种带宽优化选取的ATF方法及其在齿轮故障诊断中的应用EI北大核心CSCD

自适应时变滤波(adaptive time-varying filtering,ATF)方法是一种基于数据驱动的非平稳信号处理方法,可有效分离变转速下的齿轮故障信号;但在ATF方法中,滤波带宽的选取需依据经验人为选取,具有较大的主观性。因此,针对ATF方法中滤波带宽的自适应优化选取,以齿轮啮合阶次与其临近阶次的能量比作为指标,提出了一种基于带宽优化选取的ATF方法;该方法先采用线调频小波路径追踪算法估计齿轮故障信号中的瞬时频率,然后设置不同的滤波带宽值构建自适应时变滤波器,再对滤波后的信号进行阶次分析,并计算齿轮啮合阶次与其临近阶次的能量比,最后挑选出最佳能量比所对应的滤波带宽作为最优带宽值来对信号进行滤波分析,进而诊断齿轮故障。对变转速下的齿轮局部故障进行了仿真和实例分析,并将之与集合经验模态分解(ensemble empirical mode decomposition,EEMD)方法对比,结果表明,该方法不仅可自适应选取滤波带宽,减少滤波误差,而且能有效提取齿轮故障特征信号,凸显齿轮故障特征。     

基于Vold-Kalman广义解调的变转速轴承和齿轮复合故障诊断

现有的以谱峭度为核心的滤波算法无法同时分离提取由轴承和齿轮故障激起的高频共振带。针对该问题,该研究舍弃以共振带提取为核心的诊断思路,直接提取、重置和定量表达时变非平稳的故障特征成分,提出了基于Vold-Kalman广义解调的变转速滚动轴承和齿轮复合故障诊断策略。该策略的核心是利用Vold-Kalman滤波从原始信号的包络中提取时变非平稳的轴承和齿轮故障特征成分;通过广义解调变换(GDT)将上述提取的时变非平稳故障特征成分进行平稳化重置;利用快速傅里叶变换(FFT)对上述重置的故障特征成分进行定量表达;通过频率谱中峰值与理论频率点的对比完成故障点定位。其中用于提取、重置和识别故障特征成分的频率函数、相位函数和频率点可由转频方程和机械结构参数计算。仿真和实测信号的分析结果表明所提算法无需共振带选取和角域重采样即可完成变转速轴承和齿轮复合故障特征的提取。另外,与传统带通滤波方法的对比进一步表明该算法去除无关项干扰、突出故障特征成分的优越性。     

一种改进的DDTFA方法及其在齿轮箱故障诊断中的应用

针对数据驱动时频分析(DDTFA)方法的初始相位函数选取问题,提出一种可准确、快速且自适应优选初始相位函数的改进DDTFA方法。引入数学中函数求极值的思想,将信号的初始相位函数选取问题转换为初始解集的连续寻优问题,通过对DDTFA中的高斯牛顿迭代算法进行精简,以初始解集中的初始相位函数迭代一次斜率的变化量为导数获得初始解集的连续导数集,进而求得局部极大值,并以局部极大值对应信号分量的能量最强为准则优选信号的初始相位函数,进而完成信号分解。仿真分析与齿轮箱故障诊断实例表明,该方法可准确、快速且自适应地优选初始相位函数,并有效提取故障特征,且具有一定抗噪性。     

一种改进的DDTFA方法及其在齿轮箱故障诊断中的应用

针对数据驱动时频分析(DDTFA)方法的初始相位函数选取问题,提出一种可准确、快速且自适应优选初始相位函数的改进DDTFA方法。引入数学中函数求极值的思想,将信号的初始相位函数选取问题转换为初始解集的连续寻优问题,通过对DDTFA中的高斯牛顿迭代算法进行精简,以初始解集中的初始相位函数迭代一次斜率的变化量为导数获得初始解集的连续导数集,进而求得局部极大值,并以局部极大值对应信号分量的能量最强为准则优选信号的初始相位函数,进而完成信号分解。仿真分析与齿轮箱故障诊断实例表明,该方法可准确、快速且自适应地优选初始相位函数,并有效提取故障特征,且具有一定抗噪性。     

基于信号共振稀疏分解的阶比分析及其在齿轮故障诊断中的应用

为从非平稳转速齿轮箱故障振动信号中有效提取包含故障信息的特征频率,提出一种基于信号共振稀疏分解的阶比分析方法。故障齿轮振动信号中主要包括瞬态冲击成分和周期谐波,该方法先采用信号共振稀疏分解方法将信号分解为高共振分量和低共振分量,提取出故障冲击信号,然后采用线调频小波路径追踪算法对原信号提取转频信息,利用转频对提取的故障冲击信号进行阶比分析,从而得到故障诊断结果。非平稳转速齿轮故障诊断实例表明,该方法可有效提取冲击信号,诊断转速波动齿轮的故障。     

一种改进的ATF方法在齿轮故障诊断中的应用

针对转速波动下的齿轮故障信号与故障特征提取,提出一种基于频域滤波的自适应时变滤波(Adaptive time-varying filtering,ATF)方法,并将其应用于齿轮故障诊断中。该方法先用线调频小波路径追踪(Chirplet path pursuit,CPP)算法估计齿轮箱故障振动信号中的齿轮啮合频率,并依据啮合频率在频域设计自适应时变滤波器,以滤取包含齿轮故障信息的时变滤波信号;再对采用阶次跟踪算法对滤波信号进行等角度重采样,并对重采样后的信号进行自相关分析,以去除通带内噪声的干扰;最后对去噪后的信号进行谱分析,获得其自相关阶次谱,并根据自相关阶次谱中的调制边频带诊断齿轮故障,对变转速下的齿轮局部故障信号进行了仿真分析和试验。结果表明,该方法对滤波器通带和阻带内的噪声均具有较好的抑制作用,且提取的齿轮故障信号无相位畸变,故障调制边频带也更为突出。     

LMD的LabVIEW实现及其在齿轮故障诊断中的应用

将局部均值分解(local mean decomposition,LMD)算法在LabVIEW平台上加以实现,开发出LabVIEW的LMD模块。为减小误差,采用三次样条插值法代替滑动平均法来获得局部均值函数和包络估计函数,用形态学滤波算法得到瞬时频率和瞬时幅值的平滑曲线,并通过仿真信号验证LMD算法对于多分量信号的分解能力。最后,利用开发的模块对实测齿轮磨损、断齿故障信号进行分析,成功提取出故障特征频率信息,结果表明开发的LMD模块可以有效应用于齿轮故障的诊断。     

基于ATF与EEMD变转速齿轮故障特征降噪方法

针对变转速下的齿轮故障特征的降噪问题,提出了一种基于自适应时变滤波(Adaptive Time-varying Filtering, ATF)与集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)的齿轮故障特征降噪方法。该方法首先用线调频小波路径追踪(Chirplet Path Pursuit,CPP)算法从变转速下的齿轮故障振动信号中估计出齿轮啮合频率,并依据该啮合频率设计时变滤波器;再利用该时变滤波器对齿轮故障振动信号进行滤波,将滤波器阻带内的噪声予以去除;然后采用EEMD方法对滤波后的信号进一步降噪,减少滤波器通带内的噪声干扰;接着利用时变滤波器对降噪后的信号再次进行滤波,消除EEMD降噪时在阻带带来的噪声干扰;最后对降噪后的信号进行阶次分析,提取齿轮故障特征。对齿轮局部故障的算法仿真和应用实例分析表明,该方法不仅可以消除阻带的噪声干扰,而且对通带内的噪声也有较好的抑制作用,可有效凸显齿轮的故障特征。     

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。     

迭代广义解调齿轮信号分离的变转速滚动轴承故障诊断

变转速工作模式下齿轮啮合会掩盖故障轴承冲击特征,使得轴承故障特征信息微弱,针对变转速工作模式下齿轮啮合对轴承信号干扰的问题,提出了迭代广义解调齿轮信号分离的变转速滚动轴承的故障诊断方法。首先采用峰值搜索算法从包络时频谱中提取峰值啮合倍频(Instantaneous Dominant Meshing Multiply,IDMM),通过IDMM趋势线构造各广义解调函数的相位函数;其次利用迭代广义解调算法(Iterative Generalized Demodulation,IGD)分离出齿轮啮合频率及倍频信号,对剩余信号采用谱峭度算法确定由故障轴承引起的高频共振滤波参数并进行带通滤波;最后,以提取的IDMM趋势线作为轴承转频,对滤波结果进行角域重采样,根据阶次谱对滚动轴承运行状态予以判断。仿真信号和实测信号的处理结果证明该方法在无转速计设备的情况下能有效的实现变转速滚动轴承的故障诊断。     

迭代广义解调齿轮信号分离的变转速滚动轴承故障诊断EI北大核心CSCD

变转速工作模式下齿轮啮合会掩盖故障轴承冲击特征,使得轴承故障特征信息微弱,针对变转速工作模式下齿轮啮合对轴承信号干扰的问题,提出了迭代广义解调齿轮信号分离的变转速滚动轴承的故障诊断方法。首先采用峰值搜索算法从包络时频谱中提取峰值啮合倍频(Instantaneous Dominant Meshing Multiply,IDMM),通过IDMM趋势线构造各广义解调函数的相位函数;其次利用迭代广义解调算法(Iterative Generalized Demodulation,IGD)分离出齿轮啮合频率及倍频信号,对剩余信号采用谱峭度算法确定由故障轴承引起的高频共振滤波参数并进行带通滤波;最后,以提取的IDMM趋势线作为轴承转频,对滤波结果进行角域重采样,根据阶次谱对滚动轴承运行状态予以判断。仿真信号和实测信号的处理结果证明该方法在无转速计设备的情况下能有效的实现变转速滚动轴承的故障诊断。     

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。     

基于频移及谱线编辑的齿轮故障窄带解调分析方法

通过对旋转机械变速运行齿轮箱振动研究,提出基于频移及谱线编辑的齿轮故障窄带解调分析方法。对齿轮箱变速等非稳态信号进行时域同步采样,利用阶比跟踪对时域信号等角度重采样转换为角域准平稳信号,克服转速波动对信号分析产生的频率模糊现象;对角域信号进行同步平均削弱与转速无关的频率成分,提高信噪比;对平均信号进行窄带解调分析,通过对阶比谱自动编辑分离出齿轮故障主要啮合阶比分量后恢复到角域信号,进行幅值解调及基于频移的相位解调,据幅值解调及相位解调波形图提取齿轮故障特征。结果表明,基于频移、谱线编辑的齿轮故障窄带解调分析方法能有效提取齿轮故障特征信息。     

基于自适应时频滤波的变转速齿轮故障特征提取

针对变转速下齿轮的故障信号分离与故障特征提取,提出了基于线调频小波路径追踪(Chirplet Path Pursuit,CPP)与S变换的自适应时频滤波方法。该方法先采用CPP算法从原始齿轮振动信号中估计出齿轮啮合频率,同时,对原始振动信号进行S变换获取其时频分布;然后根据齿轮啮合频率设计自适应时频滤波器;再采用时频滤波器对信号的时频分析进行时频滤波,并将时频滤波结果进行S逆变换,即可得到包含齿轮故障信息的滤波信号;最后对滤波信号进行阶次分析,并根据阶次谱中的调制边频带诊断齿轮故障。对变转速下齿轮的局部故障进行了算法仿真和应用实例分析,结果表明,自适应时频滤波器可根据信号的频率变化特点自适应地改变中心频率和带宽,具有较好的信号分析自适应性,且滤取的信号无相位畸变,非常适合于变转速下的非平稳信号分析。     

基于线调频小波路径追踪和逐步解调滤波的滚动轴承故障诊断

在变转速工况下诊断滚动轴承故障时,广义解调算法中相位函数的确定依赖转速计等辅助设备。针对这一问题,提出了基于线调频小波路径追踪(Chirplet Path Pursuit, CPP)和逐步解调滤波的滚动轴承故障诊断方法。瞬时故障特征频率(Instantaneous Fault Characteristic Frequency, IFCF)在包络信号中具有幅值优势,利用这一特点,使用CPP算法从降采样的包络信号中提取IFCF趋势线,构造IFCF的相位函数;针对转频在信号中难以提取这一问题,采用重复估计转频的方式,计算潜在转频的相位函数;根据IFCF和转频的相位函数,构造逐步解调滤波算法,既可以恢复时变频率的周期性,又能降低噪声干扰,避免幅值较小的转频被噪声淹没;根据IFCF和转频在解调频谱的比值,判断故障位置。仿真和试验信号的处理结果证明了算法的有效性。     

基于多缩放基调频变换的时频脊线精细化表征方法EI北大核心CSCD

旋转机械在变工况下因局部故障和时变转速等激励影响下会产生非平稳振动信号,传统时频分析方法无法满足快时变与强调频的非平稳瞬态振动信号分析要求,由于传统调频变换(chirplet transform,CT)在分析非平稳振动信号时其核函数无法跟随瞬时频率(instantaneous frequency,IF)轨迹变化而变化,导致振动信号IF轨迹时频表征无法达到精细化程度。针对此类问题提出了一种多缩放基调频变换(multi-scale basis chirplet transform,MSBCT)时频分析方法,理论分析表明该方法可利用高阶相位算子将MSBCT方法核函数精确逼近IF轨迹,使得MSBCT算法可针对变转速工况下的IF轨迹得到精确的时频表征。由于噪声信号在时频域内的IF轨迹呈现出随机分布的特性,MSBCT方法由于高阶相位算子的存在可精确捕捉IF变化规律,故MSBCT可在一定程度上对噪声有抑制作用。通过仿真信号与变转速工况下轴承故障信号验证了所提出的MSBCT算法的有效性。结果表明,MSBCT算法能够非线性IF轨迹进行精细化表征,并通过与其他时频表征方法验证了其优势性。     

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。     

基于转速自适应多阶FRFT滤波提取瞬变工况齿轮微弱故障特征

提出了一种基于转速信号自适应分段的多阶FRFT滤波方法,并应用于提取瞬变工况下变速器齿轮微弱故障特征。首先,根据设定的振动信号频率曲线曲率阈值将目标档位啮合频率时频曲线自适应分为若干段,使得每段内的信号频率近似线性变化;然后,在各分段内进行最小二乘拟合确定相应的FRFT最佳阶次,并在各段信号的最佳分数阶域进行滤波,实现基于转速自适应分段的多阶FRFT滤波。采用该方法分析实测变速器瞬变工况振动信号。结果表明,基于转速信号自适应分段确定多阶FRFT的最佳阶次,准确、快速、自适应性好;多阶FRFT滤波能够有效分离出瞬变工况下的啮合频率分量,隔离其他干扰;对分离出的啮合频率分量进行阶次包络解调分析,能有效提取出齿轮微弱故障特征。     

基于自适应最稀疏时频分析的阶次方法及应用

自适应最稀疏时频分析(Aadaptive and Sparsest Time-Frequency Analysis,ASTFA)是一种新的时频分析方法,该方法将信号分解转化为最优化问题,在优化的过程中实现信号的自适应分解。为解决ASTFA方法初始相位函数的选择问题,采用了分辨率搜索改进的ASTFA方法,并进一步结合阶次分析方法提出了基于ASTFA的阶次方法。该方法首先采用改进的ASTFA方法对原始信号进行分解同时获得分量的瞬时幅值,然后对瞬时幅值进行阶次分析从而提取故障特征信息。将该方法应用于变速齿轮传动过程中的时变非平稳振动信号的分析与处理,仿真与实验分析表明该方法能够准确提取变速齿轮的故障特征信息,具有一定的优越性。     

基于分数阶滤波的全息阶比解调谱及齿轮早期故障诊断

为提高变速器齿轮早期故障诊断的准确性和可靠性,提出了一种基于分数阶傅里叶变换(fractional Fourier transform, FRFT)滤波的全息阶比解调谱方法。对变速器变转速过程的水平与垂直测点振动包络信号进行分数阶滤波,分离出调制频率分量,再对分离后信号进行全息阶比谱分析,得到调制分量的全息阶比解调谱,并对齿轮早期点蚀故障进行故障诊断。试验结果表明,基于分数阶滤波的全息阶比解调谱,兼具分数阶滤波分离频率变化分量的特点与全息阶比谱融合多维特征的优势,既能有效分离变转速过程的调制分量,隔离其他分量和噪声干扰,又能有效融合两个方向的关键特征信息,有效诊断出单测点单特征方法难以识别的齿轮早期故障。