振动调频信号的循环平稳解调原理与实现方法

含有齿轮、滚动轴承等零部件的机械故障振动信号中，有一类信号称为频率调制信号（或称调相信号）。运用循环平稳分析理论，推导调频信号的循环自相关函数结果，并从理论上推导和分析了运用平方解调（或广义检波滤波解调）的方法实现对循环自相关函数的低频切片函数和高频切片函数进行解调的原理和方法，仿真验证理论推导正确，解调效果很好。最后通过对齿轮箱实测故障信号进行分析，验证该方法有很好的解调效果。     

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。     

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。     

基于窄带解调的行星齿轮箱故障特征提取

行星齿轮箱由于振动传递路径的时变性导致行星齿轮箱振动信号频谱具有复杂的调制边带,其包含了齿轮的故障信息。结合行星齿轮箱振动分离信号的同步平均和窄带解调法,提出了针对行星齿轮箱的窄带解调方法。对行星齿轮箱振动信号加窗截取,根据行星齿轮箱齿轮啮合齿序特征,将加窗截取信号拼接重构单个齿轮的振动分离信号,克服传递路径时变性的影响;对振动分离信号进行时域同步平均,提高信噪比;最后,对平均后的信号进行窄带解调,提取行星齿轮箱齿轮故障特征和故障位置。通过行星齿轮箱故障实验分析,验证该方法能有效的提取行星齿轮箱故障特征。     

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。     

嵌入式传感器的齿轮裂纹故障诊断

针对传统的齿轮箱体振动信号的故障诊断,提出了一种新的测试方法,即把传感器直接安装在齿轮箱体内的齿轮体上,缩短了振动信号的传递路径,有效降低了振动信号在传递过程中幅值衰减,能诊断出齿轮传动系统的早期故障。为验证该方法的有效性,对齿根2 mm裂纹的故障齿轮传动系统进行了动力学仿真和实验验证,结果发现从齿轮体上的振动信号中能成功诊断出齿轮裂纹的早期故障,而箱体上的振动信号则不能体现故障特征。这充分说明了振动信号在经过复杂的传递路径后导致幅值衰减和频率成分丢失,微弱的故障信息被削弱。这为齿轮箱的早期微弱故障的诊断提供了一种有效的方法。     

基于倒阶次谱分析的齿轮故障诊断研究

针对齿轮箱升速过程中振动信号非平稳的特点，将常规的倒谱分析技术与阶次谱结合，提出了倒阶次谱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，再对时域信号实行等角度重采样，转化为角域平稳信号，最后对角域重采样信号进行倒谱分析，就可提取齿轮的故障特征。通过对齿轮齿根裂纹和齿面磨损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。     

基于EMD和奇异值分解技术的齿轮故障诊断方法

提出了基于EMD和奇异值分解技术的齿轮故障诊断方法.采用EMD方法将齿轮振动信号分解成若干个基本模式分量之和,并形成初始特征向量矩阵.然后对初始特征向量矩阵进行奇异值分解得到矩阵的奇异值,将其作为齿轮振动信号的状态特征向量,通过建立距离判别函数判断齿轮的工作状态和故障类型.对实验数据的分析结果表明,本文方法能有效地应用于齿轮故障诊断.     

基于振动分离信号构建和同步平均的行星齿轮箱轮齿裂纹故障特征提取

行星齿轮箱由于行星轮的行星运动导致其振动传递路径存在时变性,其振动响应与常规定轴齿轮箱振动响应有着本质的区别,传统的同步平均并不能直接应用于行星齿轮箱。为解决该问题,国外发展了可有效克服行星齿轮箱变传递路径的加窗同步平均法,详细论述了基于振动分离信号构建和同步平均的行星齿轮箱轮齿裂纹故障特征提取的原理及其实现。该方法首先验证齿轮的啮合齿序特征,根据齿序特征选择合适的窗函数对信号进行加窗截取,再根据重排齿序和加窗截取信号构建目标齿轮振动信号,最后对振动分离信号进行同步平均。行星齿轮箱齿根裂纹故障实测信号分析表明,该方法能有效的对行星齿轮箱进行故障特征提取。     

复杂变速箱齿根裂纹诊断

本文针对齿轮出现裂纹后其振动信号特征，选用时域同步平均参数法和倒频谱的方法，对某型坦克变速箱的齿轮裂纹信号进行了分析。结果表明，在无载荷条件下，时域同步平均后的时域参数法较倒频谱法对齿根裂纹诊断更有效。     

基于EEMD的多尺度模糊熵的齿轮故障诊断

为准确利用振动信号进行故障诊断,提出基于EEMD多尺度模糊熵的齿轮故障诊断方法。利用集合经验模态分解(EEMD)对振动信号进行自适应分解,获得原始信号的不同尺度分量;据模糊熵能有效区分不同信号的复杂度,计算EEMD分解所得本征模态函数(IMF)分量模糊熵,获得原始信号多个尺度的复杂测度作为齿轮不同状态的特征参数;将该特征参数输入最小二乘支持向量机(LS-SVM)分类器判断齿轮故障。齿轮箱齿轮故障实验结果表明,该方法能提高齿轮故障诊断精度。     

基于局部均值分解的循环频率和能量谱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特性,将局部均值分解(Local mean decomposition,LMD)引入齿轮故障诊断,提出了基于LMD的循环频率和能量谱概念,并根据齿轮故障振动信号的特点建立了两种齿轮故障诊断方法:基于LMD的循环频率方法和局部能量谱方法.采用LMD方法能将齿轮振动信号自适应地分解为若干个单分量...     

齿轮故障振动信号检波解调分析中的混频效应

在齿轮故障诊断中,振动信号解调分析是一种很有效的方法。本文在分析调幅调相信号检波解调分析原理的基础上,讨论了该类算法软件实现过程中产生的混频效应,指出信号在检波解调过程中经过非线性变换后将包含高频成分,有可能发生明显的混频,导致得出错误的解调信号。通过合理地选择采样频率及分析算法中低通滤波器的截止频率或采用较高的采样频率能有效地消除这种混频效应对解调的影响,最后以仿真数据及实验论证了这些结论。     

局部均值分解方法及其在齿轮故障诊断中的应用

研究了一种新的自适应时频分析方法--局部均值分解LMD(Local mean decomposition)方法.并针对齿轮故障振动信号的调制特征,提出了基于LMD的齿轮故障诊断方法.LMD方法可以自适应地将任何一个复杂信号分解为若干个瞬时频率具有物理意义的PF(Product function)分量之和,从而获得原始信号完整的时频分布,其本质上是将多分量的信号自适应地分解为若干个单分量的调幅-调频信号之和,非常适合于处理多分量的调幅-调频信号.在介绍LMD方法的基础上,对LMD和EMD(Empirical mode decomposition)方法进行了对比,结果表明了LMD方法的优越性,同时将LMD方法应用于齿轮故障诊断,对实际的齿轮故障振动信号进行了分析,结果表明LMD方法可以有效地应用于齿轮故障诊断.     

基于小波分析的齿轮传动系统故障诊断研究

本文研究了小波分析在齿轮传动系统故障诊断中的应用.通过实例成功地对齿轮传动系统故障模拟实验中获得的振动信号进行基于小波分析的数据预处理及故障特征提取,结果表明,在齿轮传动系统振动信号时频分析中,基于小波分析的数据预处理及故障特征提取是一种行之有效的方法.     

遗传算法优化稀疏分解的齿轮箱故障诊断研究

齿轮箱传动结构复杂,其出现故障时的振动信号往往含有强噪声。在强噪声背景下微弱信号的特征提取是振动信号处理领域的难题。稀疏分解方法能够自适应地提取强噪声背景下的微弱信号特征,但其在寻找最优匹配原子时计算量特别大。为加快匹配最优原子的速度,提出利用遗传算法优化匹配追踪的信号稀疏分解算法,优化后的算法大大降低了匹配追踪算法中寻找最优原子参数的计算量。齿轮故障振动信号的主要特征是调制现象,通过稀疏分解对含有噪声的信号进行降噪,然后进行频域分析,根据频域分析结果实现齿轮的故障诊断。对仿真的齿轮调制振动信号和实际采集的齿轮箱振动信号分析表明,该方法能够从含有强噪声的振动信号中快速且准确地提取出故障特征频率。     

关联维数在齿轮箱振动信号特征提取中的应用

论述了关联维数的基本概念和性质，给出了定量描述分形特征的重要参数——关联维数的计算方法，分析了齿轮葙故障时振动的特点．通过对试验获取的齿轮故障振动信号进行分析计算，确定了关联维数与齿轮葙故障程度之间的联系．结果表明，齿轮箱的不同运行情况对应的关联维数有明显不同．因此，可用关联维数作为区分齿轮葙工作状态的特征参数．