相关熵和双谱分析齿轮故障诊断研究

相关熵为高斯、非高斯噪声处理的一种有效方法,针对强高斯噪声和非高斯噪声干扰下齿轮故障诊断问题,提出了一种基于相关熵和双谱的齿轮故障诊断方法。该方法综合利用高斯核函数和不完全 Cholesky 分解算法计算信号的相关熵,然后再计算相关熵的双谱,根据相关熵的双谱特征识别齿轮故障。通过不完全 Cholesky 分解算法计算信号的相关熵,不仅大大压缩了数据量,突出了齿轮故障特征,而且提高了计算效率。通过仿真和齿轮磨损故障振动信号分析结果表明：强背景噪声会造成传统双谱故障诊断方法失效,而基于相关熵和双谱分析的齿轮故障诊断方法,能在强噪声干扰背景中提取齿轮的故障特征准确识别齿轮故障,其性能优于传统双谱和小波变换域双谱,为一种有效的齿轮故障诊断方法。     

基于双谱的齿轮故障特征提取与识别

在引入双谱、双相干谱和人工神经网络的基本理论之后，深入研究了汽车变速箱齿轮振动信号的双谱和双相干谱特征以及频率间的耦合情况，形成故障特征向量，并利用BP人工神经网络，成功地将齿轮正常信号、磨损信号和断齿信号进行了分类。研究表明，对于齿轮振动信号，双谱比双相干谱更利于故障特征提取，不同状态下的齿轮振动信号中均存在二次相位耦合现象，但是耦合的形式不同，同时也表明，基于双谱和人工神经网络的故障诊断方法是有效的。     

小波变换域双谱分析及其在滚动轴承故障诊断中的应用

工程信号不仅会受到高斯噪声干扰，而且也会受到非高斯噪声干扰。而传统双谱分析方法从理论上仅能抑制高斯噪声，但对非高斯噪声是无能为力的。针对传统双谱存在的不足，将小波变换和双谱分析结合，提出了一种基于小波变换域非参数化双谱故障诊断方法，并应用到滚动轴承故障诊断中。考虑到滚动轴承信号幅值调制特点，在本方法中，对处理信号采用了希尔伯特变换技术，以进行解调。实验结果表明，小波域双谱优于传统双谱，特别是在非高斯噪声情况下，小波域双谱更有优势；研究为滚动轴承故障诊断提供了一种新的有效方法。     

基于切片谱和神经网络的旋转机械故障诊断方法

RBF神经网络是仿生物神经建立的人工模式识别模型,它具有良好的泛化能力和分类能力;切片谱是对双相干谱算法的简化,同样可以用来定量描述振动信号的非线性相位耦合特征.本文结合双谱和RBF神经网络,以信号的切片谱作为故障特征量,以RBF神经网络作为分类器实现旋转机械故障诊断;最后对轴承故障进行仿真实验,结果表明,本方法能有效对轴承故障模式进行分类.     

四分位偏差分形维及其在齿轮故障识别中的应用

介绍了用于非平稳、非线性信号的四分位偏差分形维算法，并通过仿真实例验证了此计算方法的准确性。针对齿轮振动信号的非平稳、非高斯、非线性特点，将四分位偏差分形维用于齿轮故障分类，结果表明此方法能很好地区分齿轮故障模式。以四分位偏差与相应的截距为特征量进行聚类，能更好地区分齿轮的各种故障模式。可将其用于在线故障识别。     

齿轮故障振动信号非高斯性特征趋势分析

以齿轮箱实测振动信号为对象,对齿轮点蚀故障发展过程深入研究。通过Gabor滤波仅保留振动信号的边带成分与随机成分;据双谱分析结果研究信号非线性、非高斯性变化,并提取非高斯性强度特征值;在故障趋势分析中利用“3σ准则”设定故障阈值。结果表明,非高斯性强度特征值对齿轮点蚀故障较敏感,可揭示故障发展变化趋势,有利于齿轮故障报警及寿命预测,对齿轮传动系统状态监测与故障诊断具有实际意义。     

基于LMD的谱峭度方法在齿轮故障诊断中的应用

针对齿轮故障振动信号的非平稳调制特性以及传统共振解调方法不易确定滤波器参数的缺点,提出了一种基于局部均值分解（Local mean decomposition,LMD）时频分析的谱峭度 （Spectrum Kurtosis,SK）分析方法,并将其应用于齿轮故障诊断。该方法首先利用LMD对齿轮故障振动信号进行分析得到时频分布,然后将时频分布按照不同的尺度分成若干不同的频段,计算每一频段内信号的谱峭度值,并得到相应的峭度图,再根据峭度最大原则选取滤波频段,对滤波后的信号进行包络分析以获得齿轮振动信号的故障信息。利用该方法分别对仿真信号以及齿轮故障振动信号进行了分析,结果表明,基于LMD的谱峭度分析方法能够有效地提取齿轮故障振动信号特征。     

基于双谱的滚动轴承局部损伤故障诊断方法研究

针对故障滚动轴承振动信号的耦合特征,将双谱和双相干谱分析方法用于滚动轴承故障特征的提取,给出了外圈、内圈、滚动体局部损伤三种不同状态下轴承振动信号的双谱及双相干谱图,基于双谱形成了故障特征向量。试验表明,对于损伤元件不同的轴承故障,双谱特征图谱存在明显的差异,而且双谱比双相干谱更有利于故障特征的提取,为局部损伤轴承的故障诊断提供有效的方法。     

基于自适应非趋势波动分析的齿轮振动信号特征提取

非趋势波动分析用于齿轮故障识别时常采用标度指数作为特征量,该特征量容易导致齿轮故障模式间存在混叠。根据对数尺度波动函数图,将标度指数与表征信号强度的截距组成齿轮振动信号的特征向量。根据齿轮振动信号的双标度性,提出滑动加窗算法,实现标度指数的自适应提取,并结合神经网络算法进行故障分类。设计单级齿轮减速器的实验平台,并采集齿轮的径向振动信号进行自适应非趋势波动分析,研究表明,该方法能够提高标度指数的提取精度和提取效率。     

基于频谱编辑和调制信号双谱的齿轮裂纹故障诊断

齿轮产生裂纹故障时,其振动信号中的周期性故障冲击成分易被其他旋转部件的谐波信号以及背景噪声淹没,导致故障特征难以提取。针对这一问题,首先用改进的频谱编辑方法对原始信号中谐波分量进行抑制,提高信噪比;然后对编辑后的信号进行双谱分析,采用相邻切片融合平均的方法对双谱进行降噪,从降噪后双谱中选取故障特征频率明显的切片进行组合平均得到复合切片谱,进而提取出齿轮的故障特征。仿真和实验信号表明:在低信噪比条件下,频谱编辑与调制信号双谱相结合的方法能够有效抑制谐波信号以及白噪声的干扰,提取出故障特征,实现齿轮裂纹故障诊断。     

基于BLCD和小波域双谱的齿轮故障诊断方法

本文对固有时间尺度分解(Intrinsic time-scale decomposition,简称ITD)方法进行了改进,提出了基于B样条的局部特征尺度分解方法(B spline-based Local characteristic-scale decomposition,简称BLCD),在此基础上将BLCD与小波域双谱相结合应用于齿轮故障诊断。首先将BLCD方法和ITD方法进行对比分析,验证BLCD方法的优越性。然后采用BLCD方法将齿轮振动信号进行分解,得到若干个ISC分量(Intrinsic scale component,简称ISC),再对ISC分量进行小波域双谱分析,通过双谱中峰值个数和耦合频率的成分来判断齿轮是否发生了故障。实验数据的分析结果表明,基于BLCD和小波域双谱的齿轮故障诊断方法能有效地应用于齿轮的故障诊断。     

基于FRFT的齿轮振动信号故障特征提取

研究了典型齿轮故障振动信号在分数阶傅里叶变换（FRVF）域的分布特征,并在此基础上分析了该信号在FRFT循环域（CFRFD）的分布特征,提出了FRFT循环处理（CFRFT）方法,实现了信号在CFRFD的能量积累。通过仿真实验验证了低信噪比条件下,CFRFT对齿轮振动信号的故障特征提取能力及有效性。     

基于特征处理的MVU算法在齿轮故障诊断中的应用

针对不同故障类别齿轮的故障信息难以有效获取、齿面多类故障难以准确聚类的问题,提出一种基于特征处理的最大方差展开(Maximum Variance Unfolding,MVU)维数简约的齿轮故障诊断模型。首先对获取的振动信号进行最小熵反卷积(Minimum Entropy Deconvolution,MED)预处理,将高低频段进行分离并筛除不确定信号,并在多域上提取信息熵作为特征指标;而后,利用样本点分布矩阵筛选高效表征特征指标并构建高维特征空间,并利用改进的MVU算法对其进行维数简约,获取低维的真实子空间;最后,将其输入到超球多类支持向量机中进行超球构造与分类识别。通过实验数据的分析对比验证模型的有效性。     

基于包络S变换时频图像提取齿轮故障特征

齿轮故障振动信号中调幅和调频现象同时存在,其频谱包括以啮合频率及其谐波为载频,齿轮所在轴转频及其谐波为调制频率产生的调制边频带。针对齿轮故障振动信号特征提取困难的问题,提出一种基于包络分析和S变换时频图像相结合的故障特征提取方法。通过变速器齿轮故障模拟实验,采集齿轮正常、轻微磨损和严重磨损时的稳态振动信号,对其进行Hilbert变换得到信号的包络,然后对包络信号进行S变换,得到包络的时频图像的等高线灰度图像,计算图像的灰度共生矩阵及其统计特征量,提取齿轮故障特征。试验结果表明：该方法能有效提取齿轮故障特征。     

循环双谱及其在齿轮箱故障识别中的应用研究

基于对循环累积量的分析，提出一种表示信号在一定循环频率集的循环双谱表示方法。齿轮箱振动信号的三阶循环平稳性通过对齿轮的传递误差、齿轮的动力学和振动信号的三阶循环矩的分析来证明。齿轮箱振动信号的循环双谱将齿轮箱的状态特征比较清晰地表示为频率的循环双谱大小分布，验证了该方法在表示齿轮箱状态中的有效性。     

齿轮传动系统损伤检测与多故障分类研究

研究了数据挖掘的支持向量机的智能故障检测与诊断方法。通过对齿轮系统在不同的运转状态下的工作状况进行试验测试分析,获取了有关的测试信号,并对不同的故障振动特征信号进行了特征提取与分析研究。在此基础上将支持向量机引入到齿轮传动的损伤检测与诊断之中,建立了两分类和多分类分类器,研究了支持向量机的两分类和多类分类算法。通过分析处理、训练和测试仿真数据以及齿轮振动特征信号,对齿轮系统在各种不同转速下不同故障进行了预测、分类和诊断。研究表明, 支持向量机能够很好的区分不同运转状况下各种典型齿轮损伤与故障,低转速下识别率更高,为95%,特别是对各种复合类故障具有较高的识别精度、识别率在81%以上。它在齿轮故障诊断中具有较好诊断识别能力与发展前景,是一种有效地损伤检测与诊断新方法。     

基于双谱和变精度粗糙集理论的柴油机故障特征自动提取

采用双谱对柴油发动机曲轴轴承非稳态振动信号进行了分析,根据双谱对称性,对第一象限的对角线及对角线以下区域划分成若干等分区域,计算每个等分频率面内的双谱平均幅值,作为分析对象特征值,利用变精度粗糙集理论提取与特定故障部位强相关特征参数。分析结果表明：双谱能有效消除曲轴轴承非稳态振动信号中的噪声,变精度粗糙集能提取出与分析对象相关的关键因素,双谱和变精度粗糙集相结合能实现故障特征的自动提取     

信号的小波尺度-频率表示及其在机械故障诊断中的应用

基于对信号的连续小波变换特点的分析，提出信号特征的小波尺度一频率表示方法。该方法对污染的脉冲信号和正弦信号的应用结果表明该方法能有效提取强噪声背景下的周期成分。以变速器齿轮的故障诊断为例，用该方法对变速箱齿轮振动信号的尺度-频率表示进行分析，结果表明该方法能非常有效地将不同磨损状况的齿轮振动信号的特征表现出来。     

基于EMD能量熵和支持向量机的齿轮故障诊断方法

针对齿轮振动信号的非平稳特征和现实中难以获得大量典型故障样本的实际情况,提出了基于经验模态分解（empirical mode decomposition,EMD)和支持向量机的齿轮故障诊断方法。首先通过EMD方法将非平稳的原始加速度振动信号分解成若干个平稳的本征模函数(intrinsic mode function, IMF);齿轮发生不同的故障时,在不同频带内的信号能量值会发生改变,故可以通过计算不同振动信号的EMD能量熵判断是否发生故障;从包含有主要故障信息的IMF分量中提取出来的能量特征作为输入建立支持向量机（support vector machine,SVM）,判断齿轮的工作状态和故障类型。实验结果表明,文中提出的方法能有效地应用于齿轮的故障诊断。