超精密加工中表面波纹度与主轴系统不平衡关系

针对超精密加工工件表面出现的表面波纹度问题,研究超精密机床液压主轴系统不平衡问题与表面波纹度之间的关系。加工工件的面形检测结果首先利用选出的最优小波变换进行各个尺度的分解及重构,接着利用功率谱密度分析小波分解后各个尺度上的信号谱能量得到相关频率信息,结合主轴系统部件的模态及旋转频率信息,对检测结果中主要误差特征进行提取。主轴系统频率信息由两种方法进行计算,从面形波纹度中提取出来的典型误差特征包含机床主轴固有频率和旋转频率及其高倍频,电源基频50 Hz及其整数倍频和次谐波信号,这些频率特征正好与主轴系统不平衡频率以及电动机工频噪声干扰频谱特征对应,这说明主轴系统不平衡是导致加工工件波纹度出现的主要原因,这种辨识方法为超精密机床加工精度的提高提供了辨识依据。     

采样频率对聚合经验模态分解的影响研究

根据聚合经验模态分解的特点对能量泄漏指数进行了修订,从非对准误差、能量泄漏、分解结果的正交性和相关性方面分析了采样频率对聚合经验模态的影响,分析结果显示离散化采样引起的非对准误差随采样频率的提高逐渐减小,而能量泄漏以及分解结果之间的正交性和相关性随采样频率改变近似呈周期性变化。并根据分析结果给出了聚合经验模态中采样频率的选取原则。算例结果表明,综合考虑上述各影响因素后,聚合经验模态较为理想的采样频率范围是信号最高频率的10.3~11倍。     

基于阶次跟踪和经验模态分解的滚动轴承包络解调分析

针对齿轮箱升降速过程中振动信号非平稳的特点,将计算阶次跟踪方法与经验模态分解技术相结合,提出一种研究旋转机械瞬态信号故障诊断的分析方法。首先对齿轮箱启动时测得的振动信号进行时域采样,再对时域信号进行等角度重采样,将其转化为角域准平稳信号,然后对角域里的信号进行经验模态分解得到多个固有模态函数分量,最后对包含轴承故障信息的高频固有模态分量进行包络解调分析。结果显示：阶次跟踪技术能够有效地避免传统频谱方法所无法解决的“频率模糊”现象,将非平稳信号转化为准平稳信号;经验模态分解方法能够提取包含故障信息的固有模态分量,将两种方法相结合是对传统频谱分析法的有力补充,具有很广阔的应用前景。     

变分模态分解在转子故障诊断中的应用

针对转子故障诊断问题,提出一种基于变分模态分解(variational mode decomposition,简称VMD)的信号处理方法。该方法在获取分解分量的过程中通过迭代搜寻变分模型最优解来确定每个分量的频率中心及带宽,从而能够自适应地实现信号的频域剖分及各分量的有效分离,对各单分量信号进行希尔伯特变换,即可得到瞬时的频率和幅值信息。对仿真信号和典型转子故障信号进行VMD方法和经验模态分解(empirical mode decomposition,简称EMD)方法的分析比较,以验证所提方法的有效性。仿真信号的分解结果表明,变分模态能够准确分离出信号中的固有模态分量且不存在模态混叠;转子故障实验信号的分析结果表明,所提方法能够有效提取出明显的故障特征,从而准确诊断出转子存在的故障。     

基于小波包的经验模态分解法的研究及应用

针对多频信号经验模态分解中的模态混成现象，提出了一种经验模态分解与小波包分解相结合的新方法。经验模态分解方法基于信号的局部特征时间尺度，把复杂的信号函数分解为有限的固有模态函数之和。利用最小Shannon熵准则，对出现混成模态的固有模态函数进行小波包分解，并根据小波包分解后各频带信号的频率分布特征，选择能量比重较大的频带信号进行重构，将重构信号作为新的固有模态函数分量。仿真信号和齿轮箱故障实测数据表明，新方法能将不同的频率成分提取出来，从而提高了经验模态分解的分解能力。     

电火花机床主轴头的模态分析与减振设计

针对某机床厂生产的SH50电火花机床在实际工作中主轴头振动较大的问题,通过实验测试和有限元仿真相结合的方法,分析了主轴头的模态特性,并通过测试主轴头的工作振型(operating deflection shapes,简称ODS),找出了主轴头实际工作中的薄弱环节。理论模态、实验模态和ODS三种结果相互印证,增加了有限元模型的可信度,并以此模型为基础对主轴头进行了减振设计。模态实验中改进了传统模态实验依靠经验选取测点或均匀布点时,对经验高度依赖且实验效率较低的弊端,采用有效独立法和模态置信度(modal assurance criterion,简称MAC)矩阵相结合的方法,实验前先进行测点优化,然后根据优化结果布置传感器和力锤位置,提高了模态实验的精度和效率。结果显示,在主轴头结构上增加一个背板,能够提高主轴头频率,远离工作频率的共振范围,起到减振的目的。     

基于自适应经验傅里叶分解的机械故障诊断方法

为了克服傅里叶变换、经验模态分解与傅里叶分解方法在分析非平稳信号方面的不足,提出一种适合非线性和非平稳信号分析的新方法——自适应经验傅里叶分解(Adaptive empirical Fourier decomposition,AEFD)。AEFD方法以快速傅里叶变换为基础,通过对变换系数进行分组重构,能够将一个非平稳信号自适应地分解为若干个瞬时频率具有物理意义的傅里叶本征模态函数(Fourier intrinsic mode function,FIMF)之和。研究了AEFD的分解正交性和精确性,通过仿真信号分析,将其与经验模态分解,变分模态分解和傅里叶分解方法等进行了详细对比,结果表明了AEFD的优越性。最后,为了提高故障诊断的精度和验证AEFD的有效性,将AEFD应用到转子碰摩和滚动轴承局部故障诊断中。试验数据分析结果表明,与经验模态分解等方法相比,AEFD不仅能够有效地诊断故障,而且诊断精度更高。     

基于离散余弦变换的IMF特征频率提取

针对经验模态分解(EMD)处理后,固有模态函数(IMF)分量通常会受到其他频率的干扰,导致物理意义不明确,提出应用离散余弦变换提取IMF中轴承故障特征信息的方法。该方法利用离散余弦变换对能量的集中性质,通过对离散余弦变换系数进行硬阈值处理重构信号,能够在时域有效凸显IMF的主要规律,在频域准确提取IMF的故障频率。     

基于EMD的微风振动在线监测系统误差来源分析

微风振动在线监测系统因其能够获得导线振动幅值、频率等信息而被广泛应用于高压电力架空线路。但是研究表明,由于工作环境所限,其测量数据往往受到温度、湿度、电磁场等因素的影响,因此系统数据的可靠性难以保证。为分析微风振动在线监测系统所测数据中的误差来源,文中提出了利用功能模块分解的方法对系统误差进行溯源。首先,建立系统各单元模块相应的误差指纹库,然后利用经验模态分解的方法对现场采集数据进行多层分解,最后对分解的特征分量利用自相关和互相关算法与误差指纹库进行特征匹配辨识,以此实现在线监测的误差溯源。实验结果表明:所提方法能够准确有效定位系统误差来源,对装置的优化设计具有借鉴意义。     

基于经验模态分解方法的圆度误差评定方法研究

针对圆度误差测量过程中因干扰信号影响估计精度的问题,提出基于经验模态分解的圆度误差评定方法。圆度误差测量数据包含多种信号成分,其中圆度误差信息只包含于表面形状误差信号,表面粗糙度误差信号、表面波纹度信号及噪声信号为干扰成分。利用具有数据自适应性的经验模态分解对圆度测量信号进行分解,实现各类信号成分分离;采用信号波数作为各信号成分的分离指标,实现形状误差信号提取,并利用其估计结构圆度误差。通过数值仿真和实例分析验证方法的有效性。