Wigner-Ville时频分布研究及其在齿轮故障诊断中的应用

虽然Wigner—Ville分布具备时—频分布的优点，但Wigner—Vtlle分布的一个致命缺点就是交叉干扰项的存在，并影响其广泛应用。本文介绍了Wigner双谱、Wigner三谱，以及如何选用合适的核函数消除交叉干扰项的影响。并以齿轮为实验对象，成功应用上述方法消除交叉干扰项，达到诊断齿轮故障的目的。     

时频分析方法在冲击故障早期诊断的应用研究

冲击故障的振动响应信号是时变的,用传统的诊断方法一般难以进行早期发现和诊断,本文基于小波包对时变信号的多分辨分解和重构能力以及ＣＯＮＥ时频分布对时信号的优良描述特性,发展了基于小波包捍频分析方法。经试验和现场监测数据的分析和验证,说明该方法能够从很强的基础振动信号中提取清晰直观的冲击故障特征,可以实现冲击故障的早期诊断。     

基于噪声信号和改进VMD的滚动轴承故障诊断

受运行环境及传递路径影响,滚动轴承声音信号中包含有强背景噪声和较大的非周期性瞬态冲击成分,导致轴承故障特征提取困难.文中提出一种基于自适应变分模态分解(AVMD)的滚动轴承噪声信号故障诊断方法.该方法首先根据不同的信号自适应地确定模式数和惩罚因子,利用优化参数的VMD对原始信号进行分解,得到多个本征模式分量;然后计算各...     

自适应时频分析在回转机械诊断中的应用研究

针对各类时频分析方法的缺陷，提出了基于高斯线性调频基的自适应时频分解算法，经仿真试验验证，该方法拥有极高的时频分辨力，且无交叉干扰项，将其运用于转子冲临界瞬态振动分析，取得了良好的效果。     

基于小波包的齿轮箱故障诊断

提出了一种齿轮箱故障诊断的方法,这种方法首先利用小波包提取齿轮箱振动信号的故障特征域,然后计算特征域上绝对值信号的频谱,以正常信号的频谱和特征域上绝对值信号的频谱的相似程度作为齿轮箱故障与否的判据,将齿轮箱的特征频率和特征域上绝对值信号的频谱相比较来判断齿轮箱的故障模式.将此方法应用于齿轮箱断齿故障的诊断表明,这种方法能够准确地诊断出齿轮箱中的冲击故障.     

基于小波包和1(1/2)维谱的舰船辐射噪声频域特征提取及融合

舰船辐射噪声频域特征提取是舰船目标识别的关键技术之一。为提高舰船目标识别率，采用小波包和1 1/2维谱对舰船辐射噪声进行多小波包空间调制谱和噪声谱特征提取及融合研究。并用提取的特征对五类舰船目标辐射噪声进行了分类识别实验，结果表明所提特征具有很好的分类识别效果。     

柴油机缸盖振动信号的小波包分解与诊断方法研究

研究了柴油机缸盖表面振动信号的时域、频域和循环波动特性,揭示了它的非平稳时变特点,提出了从振动信号的小波包分解系数中实现整循环征兆提取和故障识别的方法。实际及分析结果表明了该方法的可行性和有效性,这对其它复杂机械的振动诊断同样具有参考价值。     

基于神经网络的空调器噪声故障诊断

噪声是影响家用空调器质量的一个重要因素,提出了一种用BP神经网络识别空调器噪声源的方法.利用声学分析仪对空调器的噪声信号做频谱分析,提取噪声信号的频谱特征构造模式特征量,设计一个三层BP神经网络经学习训练后进行空调器的噪声源识别,为空调器的噪声故障诊断及其减振降噪提供指导.     

基于小波时频分析和Inception-BiGRU模型的盾构滚刀偏磨故障诊断

盾构机(tunnel boring machine, TBM)滚刀在重载、冲击和地质复杂的环境中服役，极易发生偏磨等失效故障，因此，掌握滚刀的磨损状态、实现基于数据驱动的滚刀偏磨故障诊断并指导滚刀的运维尤为重要。提出了一种基于小波时频分析和Inception-BiGRU模型的诊断模型以提高滚刀偏磨故障诊断效率。以滚刀为研究对象，在多功能缩比滚刀试验台上进行直线破岩试验，采集滚刀破岩时产生的振动加速度信号。采用连续小波变换获取反映振动信号时频域特征的小波时频图，进而以Inception模块的不同大小卷积核自适应地提取时频图中的多尺度空间信息，并通过添加双向门控循环单元(bidirectional gated recurrent units, BiGRU)使模型可更为准确地学习到时频图中丰富的时序依赖性关系，模型的超参数由贝叶斯优化算法确定。4种不同偏磨程度滚刀的诊断试验表明所提模型能够有效提取时频图中滚刀的偏磨特征并完成滚刀偏磨状态识别，实现端到端的盾构滚刀偏磨故障诊断。模型平均诊断准确率可达到98.5%,其诊断准确度和稳定性均优于其他常用算法，证明了所提方法的可行性。     

基于一种新的时频分布的机械故障诊断

通过设计核函数，给出了一新的时频分布(TFD)，并将该TFD应用于机械故障诊断。结合两个诊断实例，同时与Winger-Ville distribution(WVD)进行对比，发现该分布具有良好的时频聚集性，并且能够有效地抑制交叉项，事实证明，该分布能够刻画出幅值谱和WVD所不能反映的故障特征信号，能够较好地进行故障诊断。     

基于谐波小波分析的故障诊断方法研究

谐波小波分析可有效提取非平稳信号中的奇异成分。但当信号中存在噪声时，谐波小波分解的时频等高线图无法凸显其奇异成分。本文采用谐波小波时频剖面图，对仿真信号和齿轮故障信号进行分析，成功提取出信号中的奇异成分。诊断实例证明，该方法可有效用于设备故障诊断。     

基于小波时频框架分解方法的滚动轴承故障诊断

损伤点通过其它元件时引起的周期性冲击是判断滚动轴承局部损伤故障的关键特征信息.针对滚动轴承的振动特点,设计了小波时频框架,利用框架分解方法在匹配信号特征结构,直接提取特征信息方面的优势,分析了滚动轴承的振动信号.根据框架分解结果,在时频联合域内清晰直观地提取了滚动轴承局部损伤故障的周期性冲击特征,识别了滚动体、内圈和外圈的单点缺陷,与小波变换的对比验证了框架分解在检测滚动轴承局部损伤故障方面的有效性.     

小波分解及图像处理在内燃机振动诊断中的应用研究

内燃机缸盖振动具有明显的非平稳时变特点，因此在监测诊断时应尽量利用信号中的信息。为了克服时域和频域特征提取方法的不足，从而充分利用振动信号所包含的信息，本提出了一种新的内燃机故障诊断方法：对缸盖振动信号进行小波包分解，得到信号的时-频分布图，并利用软件方法定义图象，然后提取图象的各种特征参数实现诊断。将该方法用于6135柴油机气阀机构的故障诊断，取得了很好的效果。结果表明此方法简单有效，诊断精度较高，且对信号采样的要求不高，易于实用。     

Fault Diagnosis of a Turbo—unit Based on Wavelet Packet Theory

In this paper we studied the fault feature of the generator set and the characteristics of wavelet packet theory for signal de-noising.The vibration signal of the generator set in different states is ana-lyzed by using the signal re-construction technique of the wavelet packet theory.The time domain method is given for the generator set fault diagnosis.The experiment results show that the wavelet packet theory can be used to directly identify the state of the generator set and provide a credible new idea for complex machinery fault diagnosis.     

基于MODWPT的Hilbert谱及其在齿轮故障诊断中的应用

在对基于最大重叠离散小波包变换(Maximal overlap discrete wavelet packet transform,简称MODWPT)的Hilbert谱方法进行介绍的基础上,将基于MODWPT的Hilbert谱应用于齿轮故障诊断当中。采用MOWDWPT可将多分量的复杂信号分解为若干个瞬时频率和瞬时幅值具有经典物理意义的单分量之和,然后求出各个单分量信号的瞬时频率和瞬时幅值,再进行组合便可以得到原始复杂信号完整的时频分布。对具有裂纹和断齿的齿轮故障振动信号的分析结果表明,基于MODWPT的Hilbert谱可以有效地提取齿轮振动信号的故障特征。     

基于排气噪声的柴油机失火故障诊断

通过计算机和声传感器采集排气噪声,研究九种工况下柴油机排气噪声的频谱规律。通过对柴油机排气噪声信号功率谱分析,提取二个参数来表征排气噪声的频谱规律。对这两个参数在各工况下的值进行了详细的分析后,发现这两个参数在失火工况下有较大的变化,故对这两个参数确定相应的阈值来诊断失火故障。通过编写相应的故障诊断程序,输入排气噪声样本和对应的转速后即可判断出失火故障。这种方法具有非接触,操作简单,成本低的特点。     

Adaptive Time-Frequency Distribution Based on Time-Varying Autoregressive and Its Application to Machine Fault Diagnosis

The time-varying autoregressive （TVAR） modeling of a non-stationary signal is studied. In the proposed method, time-varying parametric identification of a non-stationary signal can be translated into a linear time-invariant problem by introducing a set of basic functions. Then, the parameters are estimated by using a recursive least square algorithm with a forgetting factor and an adaptive time-frequency distribution is achieved. The simulation results show that the proposed approach is superior to the short-time Fourier transform and Wigner distribution. And finally, the proposed method is applied to the fault diagnosis of a bearing , and the experiment result shows that the proposed method is effective in feature extraction.     

基于粗糙集理论的机械状态监测与故障诊断

以机械状态监测和故障诊断为背景,利用粗糙集的属性约简功能,研究了基于粗糙集理论的参数优选在柴油机状态监测中的应用.结果表明:利用粗糙集约简后,信息没有丢失,但减少了需测量的参数,而且为后续的融合诊断减少了计算量.研究了基于粗糙集的灰色关联分析在齿轮状态监测中的应用,并将其与一般的灰色关联方法进行了比较,结果表明诊断的精度得到了提高.