基于多尺度线调频基稀疏信号分解的包络解调方法及其在齿轮故障诊断中的应用

提出一种基于多尺度线调频基稀疏信号分解的包络信号提取方法,并将其应用于转速剧烈波动情况下的齿轮箱故障诊断。基于多尺度线调频基的稀疏信号分解方法可以根据信号的特点,自适应的选择相应尺度对信号进行投影分解。其库函数的多尺度特性和线调频基函数中频率斜率参数的引入使得该方法比以往使用单一尺度库函数的分解方法更适合分解频率呈曲线变化的非平稳信号。当齿轮出现故障时,振动信号会出现啮合频率调制现象,在齿轮转速大范围波动情况下,载波频率和调制频率均随转速大范围波动。采用基于多尺度线调频基的稀疏信号分解方法,能同时有效提取变转速齿轮故障状态下载波频率和包络信号频率随时间的变化曲线,进而对齿轮箱故障进行诊断,解决经验模态分解方法和小波方法难于对转速剧烈波动情况下的齿轮故障进行诊断的问题。仿真算例和应用实例说明了此方法的有效性。     

基于多尺度线调频基稀疏信号分解的广义解调方法及其在齿轮故障诊断中的应用

在基于多尺度线调频基稀疏信号分解的基础上,提出一种基于多尺度线调频基稀疏信号分解的广义解调方法,并将其应用于非平稳转速状态下的齿轮故障诊断.广义解调可以将时频分布呈曲线变化的多分量非平稳信号转化为时频分布平行于时间轴的平稳信号,因此非平稳信号经广义解调后满足傅里叶分析对平稳性的要求,而如何获取多分量信号的广义解调相位函数是广义解调方法的关键和难点.对信号进行基于多尺度线调频基的稀疏信号分解,得到分量信号的相位函数,再对分量信号进行广义解调和频谱分析得到齿轮故障特征频率.该方法非常适合于分析转速波动齿轮的多分量调幅-调频振动信号,仿真算例和应用实例说明了方法对变速齿轮箱故障诊断的有效性.     

基于多尺度线调频基稀疏信号分解的时变系统模态参数识别

在多尺度线调频基稀疏信号分解的基础上,提出一种时变系统的模态参数识别方法。该方法先采用多尺度线调频基稀疏信号分解方法对多自由度线性时变振动系统响应信号进行分解,将其分解成多个单模态振动响应信号并得到单模态振动响应信号的瞬时频率;再根据单模态振动响应信号的包络和瞬时频率识别系统的模态频率与模态阻尼比。多自由度线性时变振动系统模态参数的识别算例表明,与经验模态分解等时频分析方法比较,该方法能有效克服系统振动响应信号分解时的模态混淆问题,识别精度高,抗噪性能好,是一种有较大工程应用前景的多自由度线性时变振动系统模态参数识别方法。     

基于多尺度线调频基稀疏信号分解的齿轮故障信号阶比分析

针对变转速齿轮箱故障振动信号调制边频带难以识别的问题,提出一种基于多尺度线调频基稀疏信号分解的阶比分析方法.该方法先采用基于多尺度线调频基的稀疏信号分解方法对齿轮箱振动信号进行分解,提取齿轮的啮合分量与调制边频分量,由啮合分量的时频分布曲线得到瞬时转频估计,再基于获得的瞬时转频对啮合分量与调制边频分量之和进行等角度重采样,将非平稳的分量信号转化为平稳信号,对重采样后的信号进行阶比分析,诊断齿轮故障.与传统的直接对齿轮箱故障振动信号进行阶比分析的方法比较,结果表明,提出的基于多尺度线调频基稀疏信号分解的阶比分析方法抗噪性强,调制边频带识别效果好.仿真算例与应用实例验证了本方法的有效性.     

自适应线调频基原子分解方法研究

提出了一种新的多分量非平稳信号分解方法——自适应线调频基原子分解方法。该方法能自适应地将一个复杂信号分解为若干个具有一定物理意义的PF分量,其中每个PF分量为一个包络信号和一个纯调频信号的乘积。与经验模式分解、局部均值分解和Wigner-Ville分布对仿真信号分析结果进行对比,结果表明,该方法具有良好的时频聚集性和较高的抗噪性能与分析精度,不存在二次型时频分布干扰,非常适用于非平稳振动信号的分解。对齿轮箱振动信号的分析结果验证了该方法在工程应用中的有效性。     

基于稀疏信号分解的自适应时变滤波器及其在齿轮故障诊断中的应用

提出一种新的自适应时变滤波器设计方法,并将其应用于变速齿轮箱齿轮故障诊断中.齿轮箱振动信号频率成分复杂,特别是多级变速齿轮箱,存在多个啮合频率,而齿轮箱齿轮故障诊断的核心是获取啮合频率的调制状态.在非平稳转速下,如何从复杂振动信号中提取包络调制信号是齿轮箱故障诊断需要解决的关键问题.基于多尺度线调频基(Multi-scale chirplet)的稀疏信号分解方法可以有效地提取频率呈曲线变化的信号分量,适合于载波频率的提取,以该载波频率为滤波器的中心频率,转频的倍频为滤波带宽,设计滤波中心频率曲线变化的自适应时变滤波器,可以有效地将多个包络调制信号分别提取出来,进而可以对变速多级齿轮箱齿轮进行故障诊断.提出的自适应滤波器可以根据信号本身的特点自动改变滤波中心频率和滤波带宽,对信号进行滤波,保留信号的有用频率成分,抑制无用成分.仿真算例和应用实例说明了方法的有效性.     

基于经验模态分解的轴承故障诊断

简要介绍了轴承故障诊断的基本方法,通过对比共振解调法和经验模态分解法,证明了经验模态分解是一种适用于分析非线性、非平稳信号的方法.同时,通过实际例子验证了该方法可以用于有效地发现轴承故障,从而提高了诊断的准确性.     

基于稀疏分解理论的航空发动机轴承故障诊断

航空发动机轴承在高温、高压、高转速等恶劣条件下运行,机动工况较多,因而故障模式复杂,背景噪声强烈,难以及时有效地诊断。针对上述问题,提出基于稀疏分解的逐级匹配形态分析(Stagewise matching morphological component analysis,SMMCA)方法。稀疏分解是一种在超完备字典上对信号进行分解,并通过优化重构算法求解信号最稀疏表达的信号处理方法。逐级匹配形态分析基于稀疏分解理论,根据信号组成成分的差异,分别构造相应成分的稀疏字典,然后通过交替投影理论和逐级正交匹配追踪算法(Stagewise orthogonal matching pursuit,St OMP)对各组成成分进行优化重构,从而实现各成分的降噪和分离,准确快速地捕获信号中的特征信息。将提出的基于稀疏分解的逐级匹配形态分析方法应用于航空发动机轴承故障诊断,仿真和试验对比分析验证了该算法的有效性。     

利用经验模态分解和多尺度熵的滚动轴承故障诊断研究

滚动轴承在运作过程中,其振动信号表现出非线性和非平稳的特征。准确的判断出滚动轴承在运作过程中的工作状态对零件更换、设备维修等意义重大。将改进的经验模态分解与多尺度熵结合起来,提出基于多尺度下的固有模态函数熵值的一个故障诊断识别方法,应用到滚动轴承的振动信号当中,结合数据进行实验,其分析结果表明,通过改进的经验模态分解与多尺度熵结合起来,所得到的固有模态函数熵值再结合LIBSVM分类方法,可以准确的实现故障诊断识别。     

奇异值分解降噪结合局部特征尺度分解的轴承故障诊断

局部特征尺度分解(Local characteristic-scale decomposition,LCD)是一种崭新的自适应时频分析方法,在旋转机械故障诊断领域得到了初步的应用。在研究噪声对LCD影响的基础上,提出了一种奇异值分解(Singular value decomposition,SVD)降噪与LCD相结合的轴承故障诊断方法。首先对信号进行相空间重构,然后运用SVD降噪,对降噪信号进行LCD,将得到的内禀尺度分量进行包络谱分析提取故障特征。通过数据仿真与轴承内圈故障数据分析,验证了该方法的有效性。     

局部特征尺度分解方法及其在齿轮故障诊断中的应用

在定义瞬时频率具有物理意义的单分量信号——内禀尺度分量(Intrinsic scale component,ISC)的基础上,提出一种新的自适应信号分解方法——局部特征尺度分解(Local characteristic-scale decomposition,LCD)。LCD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ISC分量之和,非常适合于处理多分量的调幅—调频信号。当齿轮发生故障时,其振动信号一般为多分量的调幅—调频信号,因此局部特征尺度分解方法可以有效地应用于齿轮故障诊断。对LCD和经验模态分解(Empirical mode decomposition,EMD)、局部均值分解(Local mean decomposition,LMD)方法进行对比,结果表明了LCD方法的优越性。同时,针对齿轮故障振动信号的调制特征,将LCD方法和包络分析法相结合应用于齿轮故障诊断,对实际的齿轮故障振动信号进行分析,结果表明LCD方法可以有效地应用于齿轮故障诊断。     

基于信号共振稀疏分解与包络谱的齿轮故障诊断

当齿轮出现断齿、裂纹等局部故障时,其振动信号会出现周期性冲击脉冲。在齿轮故障早期,由于冲击脉冲微弱,常淹没在齿轮的啮合频率、转频等谐波成分以及噪声中,因此,对于齿轮早期故障,直接对齿轮振动信号做包络谱分析以诊断齿轮局部故障通常效果不佳。针对这一问题,将信号共振稀疏分解方法与包络谱分析相结合,提出了基于信号共振稀疏分解与包络谱的齿轮故障诊断方法。该方法采用信号共振稀疏分解将冲击脉冲从齿轮振动信号中分离出来,然后对冲击脉冲做Hilbert包络分析,获取冲击脉冲出现的周期,进而对齿轮状态和故障进行识别。仿真算例和应用实例证明了该方法的有效性。     

基于线调频小波路径追踪阶比跟踪算法的齿轮箱故障诊断研究

针对阶比跟踪转速获取硬件方法需要额外安装转速测量设备,软件方法精度不高、抗噪能力弱的问题,提出基于线调频小波路径追踪瞬时频率估计的齿轮箱阶比跟踪故障诊断方法。该方法利用基于线调频小波路径追踪瞬时频率估计算法适于分解频率呈曲线变化的非平稳信号的特点,采用其对齿轮箱的啮合频率分量进行估计以获取转速信号,依据转速信号对等时间间隔采样信号进行等角度重采样,将非平稳信号转化为角域平稳信号,得到振动信号的阶次谱,判断齿轮箱故障。仿真算例与应用实例表明上述方法在瞬时频率估计方面具有精度高和抗噪能力强的优点,可以根据信号自身的特点自适应的选择基函数,准确地对转速进行估计,其与阶比跟踪算法的结合能有效诊断齿轮箱故障。     

Sparse signal decomposition method based on multi-scale chirplet and its application to the fault diagnosis of gearboxes

Based on the chirplet path pursuit and the sparse signal decomposition method, a new sparse signal decomposition method based on multi-scale chirplet is proposed and applied to the decomposition of vibration signals from gearboxes in fault diagnosis. An over-complete dictionary with multi-scale chirplets as its atoms is constructed using the method. Because of the multi-scale character, this method is superior to the traditional sparse signal decomposition method wherein only a single scale is adopted, and is more applicable to the decomposition of non-stationary signals with multi-components whose frequencies are time-varying. When there are faults in a gearbox, the vibration signals collected are usually AM-FM signals with multiple components whose frequencies vary with the rotational speed of the shaft. The meshing frequency and modulating frequency, which vary with time, can be derived by the proposed method and can be used in gearbox fault diagnosis under time-varying shaft-rotation speed conditions, where the traditional signal processing methods are always blocked. Both simulations and experiments validate the effectiveness of the proposed method.     

齿轮振动信号分解及其在故障诊断中的应用

对齿轮振动信号的测试及分解进行了研究。根据信号基频,把齿轮振动信号分解为啮合振动与旋转振动,这些振动信号可用于对齿轮状态进行定量研究。基于不同形式的齿轮振动信号,介绍了几种方法来提取信号中的故障信息。利用时域平均技术及齿轮振动信号分解理论对某齿轮箱早期故障信号进行了检测。研究表明,齿轮运动信号分解能够有效检测齿轮的各类故障,高阶加速度信号对齿轮某些类型的早期故障更加敏感。     

齿轮与轴承故障的Chirplet时频分析

机械故障信号通常具有非线性时频关系多分量信号,其频谱占有较宽的频带,且各分量的频谱往往相互交叠,给故障诊断带来了很大的障碍.首先,在分析Chirplet时频分解的理论基础上,对Chirplet基函数进行了增加曲率参数的改进,提高了基函数对非线性时变分量的匹配能力;然后,仿真试验对基函数改进后的自适应时频分布与其他各类时频谱进行了比较.结果表明,改进后的基函数能很好地匹配出非平稳信号中的各种线性或非线性时变分量,其对应的时频具有较高的时频分辨率,且无交叉干扰项;最后,将该方法用于轴承故障信号和齿轮故障信号的分析.分析结果证实,该方法不仅能对轴承与齿轮箱故障进行准确定位,而且为故障原因及故障程度提供可靠的判断依据.     

基于自适应优化品质因子的共振稀疏分解方法及其在行星齿轮箱复合故障诊断中的应用

在共振稀疏分解方法中,品质因子决定其共振属性,其值的选择对共振稀疏分解结果有着很大的影响。现有的共振稀疏分解方法主要是依靠人为选择品质因子,带有较大的主观随意性,对最终诊断结果的提升非常有限。为此,基于遗传算法的全局优化性能,提出一种自适应优化品质因子的共振稀疏分解新方法。与已有方法相比,该方法利用遗传算法优良的寻优性能,优化共振稀疏分解中的品质因子,自适应地得到与输入信号故障特征相匹配的高低共振分量的品质因子。将所提出的新方法应用于某行星增速齿轮箱中行星齿轮与行星架轴承的复合故障诊断中,有效地提取出振动信号中相应的故障特征,实现了早期复合故障的准确诊断,表明了该方法的有效性和实用性。     

增强Ramanujan模态分解方法及其在滚动轴承故障诊断中的应用

针对现有的滚动轴承故障诊断方法（例如：小波变换和集合经验模态分解）的周期识别能力并不稳定等问题,我们提出了具有良好的周期分量提取能力的自适应周期模态分解(Adaptive periodic mode decomposition, APMD)方法。然而该方法所采用的最大似然估计方法在强噪声背景下估计周期时常出现错误,这导致APMD在强背景噪声下的周期提取性能并不稳定。为此,我们定义了自适应频率加权能量算子(Adaptive frequency weighted energy operator,AFWEO),并将其用于增强周期脉冲。然后,提出了一种新的周期估计策略以提高周期估计的准确性,并在此基础上提出了增强Ramanujan模态分解(Enhanced Ramanujan mode decomposition, ERMD)方法。滚动轴承仿真和实验信号分析结果表明,新的周期估计策略在强背景噪声下依然有效,同时也说明了ERMD具有优良的周期成分识别和提取能力,是一种有效的滚动轴承故障诊断方法。