基于小波变换的汽车零部件加速耐久性多轴载荷谱编辑方法研究

开展基于小波变换的汽车零部件加速耐久性多轴载荷谱编辑方法的研究。提出一种修正重采样的载荷谱预处理方法,该方法能够消除重采样因峰谷值漏采带来的信号损伤计算误差。将预处理后的零件载荷谱进行小波分解,分解后的高频小波系数进行重构得到高频小波分量,基于高频小波分量,利用包络线损伤成分识别方法,提取出原始信号中对零件损伤有较大贡献的部分,得到零件的编辑载荷谱。基于小波变换的多轴载荷谱编辑方法得到的压缩信号,在伪损伤保留量、统计参数、穿级计数分析及功率谱密度等方面均与原始信号有较好的一致性,并且没有改变通道之间的相位关系,可以达到与原始信号相同的加载效果。通过控制臂的疲劳仿真计算,进一步验证编辑载荷谱与原始载荷谱具有相同的加载效果。该编辑方法可用于汽车零部件的加速耐久性试验研究中。     

基于短时傅里叶变换的汽车零部件耐久性载荷信号编辑方法

为了保证汽车零部件耐久性试验能够真实复现零件的服役载荷,并将试验场所测得的实际载荷-时间历程信号编辑成有效的缩减载荷信号,提出基于短时傅里叶变换的汽车零部件载荷信号编辑方法。对零件载荷信号进行短时傅里叶变换,得到该载荷信号的累积功率谱密度。利用累积功率谱密度来识别并提取损伤贡献大的片段,得到零件的缩减载荷信号。以汽车动力总成后拉杆悬置载荷-时间历程信号为例,采用基于短时傅里叶变换和基于损伤保留两种方法来编辑载荷信号。结果表明,在伪损伤保持一致的前提下,相比基于损伤保留方法,基于短时傅里叶变换方法得到的缩减载荷信号时间长度更短,且在统计参数(均值、方均根与峰度系数)和信号幅值域等方面均与原始载荷信号一致性更高。应用该缩减载荷信号建立汽车动力总成后拉杆悬置的耐久性台架试验,验证该套方法的有效性。     

基于多参数特征保留的载荷谱加速耐久性编辑

为了得到时间更短加载效果相同的加速耐久性试验载荷谱,提出了基于多参数特征保留的载荷谱编辑方法。该方法同时考虑载荷谱的损伤、功率谱密度以及统计参数等信息,对零部件载荷谱的时间进行压缩。以汽车悬架螺旋弹簧的载荷谱为例,采用该方法进行缩减,同时从多个参数特征方面与传统的基于损伤保留的编辑方法所得到的载荷谱进行对比。为了进一步验证编辑效果,采用编辑谱和原始谱对弹簧进行疲劳仿真。结果表明,该方法能够有效缩短汽车零部件的载荷谱,可得到与原始载荷谱具有相同加载效果的编辑载荷谱。     

汽车底盘耐久性载荷加速编辑策略

载荷谱编辑方法和损伤保留比例共同影响载荷编辑质量。以试验场实测转向节应变数据为参照,应用损伤保留编辑法和小波变换编辑法,获取不同损伤保留比例的轮心6分力信号加速谱。从压缩效率、功率谱密度、穿级计数、雨流计数和统计参数方面分析编辑方法和编辑参数对加速谱质量的影响。通过疲劳仿真对比不同编辑方案对零件疲劳分析精度和分析效率的影响。结果表明,损伤保留比例设定不低于90%是保证载荷谱编辑质量的前提。损伤保留编辑法和小波变换编辑法的疲劳分析精度接近,但损伤保留编辑法的加速效果更佳。采用损伤保留编辑法保留原始载荷95%损伤量为最佳编辑方案,加速谱的时间压缩近50%,疲劳寿命仿真误差控制在5%以内且仿真效率提高215%,为提高耐久性载荷的编辑质量提供参考。     

基于高密度小波变换的航空发动机滚动轴承故障诊断方法

基于高密度小波变换对原始信号尺度划分更加精细的优势,将高密度小波变换、软阈值降噪和频谱分析相结合,提出了基于高密度小波变换的航空发动机滚动轴承故障诊断方法。该方法通过设定分解层数对信号进行高密度小波变换,得到每一尺度上的低频、中频、高频分量;对各分量软阈值降噪处理后进行频谱分析,进而实现故障特征频率的识别。利用仿真信号验证了高密度小波变换的有效性,通过航空发动机滚动轴承内圈故障和滚子故障工况下的试验信号进一步验证了该方法提取故障特征的能力,与传统小波变换方法的对比证明了该方法在抑制噪声干扰和故障特征频率识别方面的优势。     

一种新的考虑伪损伤保留的道路载荷模拟试验加速方法

试车场实测载荷谱含有大量的低幅值载荷,为删除小载荷进而加速试验,传统的载荷谱编制方法一般是基于应力应变的损伤编辑,而工程实际中应力应变信号往往很难获得。考虑到这种情况,提出了一种新的基于伪损伤保留的小载荷删除准则。针对某轿车前副车架的疲劳试验,应用该方法对其原始载荷谱进行编辑处理,生成伪损伤保留比例为90%的加速谱,从时域、幅值域和频率域三方面对原始谱和加速谱进行对比分析,结果表明该方法在保留载荷的损伤特性,保证载荷谱的统计特征、雨流矩阵特征和频率特征一致性的基础上实现了加速,加速谱可代替原始谱进行耐久性试验。最后建立台架试验,试验结果表明加速试验在有效节约试验时间的同时实现了与采用原始载荷谱试验的结果一致性,并验证了提出的耐久性试验载荷谱编制方法的合理性。     

浅析基于损伤的汽车零部件试验分析

汽车零部件的耐久性试验是考核零部件的关键手段之一,通过加速试验能够更快更有效地验证零部件的质量,故合理的加速试验规范至关重要。通过对零部件的关键位置的载荷谱进行采集,基于疲劳累积损伤的准则得到各位置的损伤,验证已有的零部件台架试验规范是否合理。     

基于改进双树复小波变换的轴承多故障诊断

针对双树复小波变换产生频率混叠的缺陷,提出了改进双树复小波变换的轴承多故障诊断方法,该方法综合利用了双树复小波包变换和经验模态分解技术。首先,利用双树复小波变换将振动信号分解成不同频带的分量;然后,将各小波分量进行经验模态分解,获得各小波分量的主频率分量信号;最后,计算各小波分量的主频率分量信号的包络谱,根据包络谱识别齿轮箱轴承的故障部位和类型。通过仿真信号和齿轮箱轴承多故障振动实验信号的研究结果表明,该方法不仅消除了频率混叠现象,提高了信噪比和频带选择的正确性,而且提高了从强噪声环境中提取瞬态冲击特征的能力,能有效识别轴承的故障类型。     

汽车零部件疲劳分析载荷谱加速编辑法研究

以某试验场实车采集的轮心六分力信号和关键点监测信号为基础数据,分别采用伪损伤保留法、损伤保留法和峰谷值抽取法对实测信号加速编辑;从时间压缩比例、功率谱密度、统计参数、穿级计数和雨流计数等5个方面对加速谱进行了讨论分析;从疲劳仿真角度进一步探讨了不同加速编辑法分析零部件疲劳问题求解结果精度的差别,并对加速谱效率进行了评估。研究结果表明,3种加速编辑法分析得出的转向节疲劳寿命的相对误差差距较小,均在3.72%以内,但疲劳仿真效率较原始载荷谱有大幅提高。综合考虑多方面分析角度,损伤保留法可准确删除原始信号中的无损伤段,获取时间最短加速谱的同时功率谱密度吻合程度最好,分析零部件疲劳问题效率及分析结果的精度最高,损伤保留法相对伪损伤保留法和峰谷值抽取法更具优势。     

基于RSGWPT-LCD的轴承信号故障特征提取及模式识别

为了有效提取滚动轴承振动信号的故障特征和提高分类识别精度,提出了一种基于冗余二代小波包变换-局部特征尺度分解(redundant second generation wavelet packet transform-local characteristic scale decomposition,简称RSGWPT-LCD)和极限学习机(extreme learning machine,简称ELM)相结合的故障特征提取和分类识别方法。首先,利用希尔伯特变换对原始振动信号进行处理,得到包络信号;其次,基于双层筛选机制,结合冗余二代小波包变换(redundant second generation wavelet packet transform,简称RSGWPT)和局部特征尺度分解(local characteristic-scale decomposition,简称LCD)方法对包络信号进行分解,筛选出包含主要信息的内禀尺度分量(intrinsic scale components,简称ISCs);然后,对提取的各ISCs分量构建初始特征矩阵并进行奇异值分解(singular value decomposition,简称SVD),将得到的奇异值作为表征各损伤信号的特征向量;最后,以提取的特征向量为输入样本,建立ELM模式分类器对滚动轴承损伤信号进行识别。信号仿真和实测数据表明,该方法可有效提取振动信号故障特征,提高分类识别精度,实现滚动轴承故障诊断。     

基于改进经验小波变换及互谱相位差谱的供水管道泄漏声振动定位方法

针对供水管道泄漏声振动信号的信噪比较低导致用于时延估计泄漏定位误差大的问题,提出基于改进经验小波变换及互谱相位差谱的供水管道泄漏定位方法。首先采用小波包分解得到不同尺度的信号能量谱,根据小波包能量谱局部极小值的分布自适应确定频带分割区间,解决了传统经验小波变换中频谱划分问题;然后基于频带分割区间构建正交小波滤波器组对信号进行经验小波变换分解得到多个分量,根据相关系数选取有效分量,同时利用有效分量的互谱相位差谱呈水平变化的频带对有效分量信号进行带通滤波,滤除干扰噪声;最后对滤波后的信号进行互相关时延估计来确定泄漏位置。仿真及实验结果表明,该方法能够有效的实现供水管道泄漏定位,并与互相关、VMD与互谱分析相结合的泄漏定位方法相比,平均相对定位误差分别减少6.7倍和1.5倍。     

自适应改进双树复小波变换的齿轮箱故障诊断

针对双树复小波变换存在频率混叠以及参数需自定义的缺陷,提出自适应改进双树复小波变换的齿轮箱故障诊断方法。首先,利用双树复小波变换将信号进行分解和单支重构,采用粒子群算法将分解后分量峭度值作为适应度函数,选择双树复小波的最优分解层数;其次,对重构出的低频信号进行频谱分析提取故障特征,将单支重构后的各高频分量进行变分模态分解,通过峭度值获得各高频分量经变分模态分解后的主频率分量信号;最后,分析各主频率分量信号的频谱,识别齿轮箱的故障特征。结果表明,该方法与双树复小波变换和变分模态分解相比,不仅消除了频率混叠现象,提高了信噪比和频带选择的正确性,而且还提高了从强噪声环境中提取瞬态冲击特征的能力。     

一种新的加速耐久性试验谱编制方法

试车场实测载荷谱中含有大量的低幅值载荷,在进行载荷谱编辑处理时存在许多小载荷删除准则,而这些准则往往仅考虑小载荷是否造成损伤。考虑到低幅值载荷的强化效应,提出了一种新的小载荷删除准则。应用该准则对试车场实测载荷谱进行编辑处理,生成了加速谱。从幅值域(穿级计数、雨流计数),损伤域(损伤保留、雨流循环损伤分布),频率域(冲击响应谱、频域疲劳损伤谱)多方面对原始谱和加速谱进行了对比分析,结果表明该方法在保留损伤,保证损伤载荷分布特征和频域特征的基础上实现了加速,加速谱可代替原始谱进行耐久性试验。通过建立整车台架试验,验证了该耐久性试验载荷谱编制方法的可行性。     

基于振动信号的机械密封金属波纹管疲劳分析

针对"S"型金属焊接波纹管振动疲劳失效问题,采集相关工况下的振动信号,使用短时傅里叶变换编辑信号的方法识别损伤区间,并在区间端点等距插值拼接信号,得到用于零件疲劳分析的编辑信号。对原始信号和编辑后的信号用雨流计数法统计损伤循环次数,并求出信号的平均能量;将编辑信号加载至波纹管,通过仿真计算进一步验证,得到了编辑信号与原始信号影响下波纹管的疲劳损伤分布云图;并分析不同转速下,振动信号不同应力范围的能量循环次数。结果表明:通过信号缩减得到的编辑信号有效地保留了损伤片段并且缩减了信号的长度,表明基于短时傅里叶变换的缩减信号方法可以有效地缩短疲劳实验的时间,加速研发周期;低转速时波纹管径向应力较大、循环次数较高,更容易发生振动疲劳。     

基于EEMD分解和改进小波阈值降噪的齿轮故障诊断

针对齿轮箱振动信号易受噪声影响以及齿轮箱振动信号比较复杂的特点,提出基于EEMD分解和改进小波阈值降噪的齿轮故障诊断方法。首先对经过EEMD分解的IMF分量中的高频分量进行改进小波阈值降噪处理,重构信号后得到降噪信号。实验结果表明应用该方法可以较为准确地识别齿轮故障。     

基于MEWT‑ASCS的行星齿轮箱微弱故障特征提取

针对强噪声背景下行星齿轮箱早期微弱故障难以提取以及经验小波变换对信号频率区间边界划分不恰当以及不能有效确定模态数目的问题,提出了一种基于改进经验小波变换（modified empirical wavelet transform, 简称MEWT）和自适应稀疏编码收缩（adaptive sparse coding shrinkage,简称ASCS）的早期微弱故障特征提取方法。根据信号频谱的尺度空间表示,将原始故障信号自适应地分解为一系列的窄频带本征模态分量。利用包络谱峭度（envelope spectrum kurtosis, 简称ESK）值选择敏感分量,为了进一步凸显分量中的故障信息,使用ASCS算法对敏感分量进行稀疏降噪处理,从其包络谱中即可提取到清晰的故障特征频率成分。数值仿真和实际数据分析结果表明,本研究方法能够自适应地实现故障信号的模态分解并增强微弱的故障冲击特征。此外,与经验小波变换（empirical wavelet transform, 简称EWT）,EWT?ASCS和ASCS进行对比,本研究方法可有效提取包含故障信息丰富的分量,经ASCS处理后信号故障特征得到凸显,实现了行星齿轮箱早期微弱故障的准确识别。     

动载荷识别的小波级数分解法阶次确定

在基于正交小波级数分解法的分布动载荷识别过程中,由于小波级数阶次的不适当选择,造成载荷识别的不准确或计算量庞大。通过矩阵的谱分解,根据Parseval定理,信号在时域中的总能量和频域中的总能量是相等的,给出了随着阶次的增加而趋于收敛的小波级数系数幅值的包络线,将没有确定解析规律的小波级数系数解析化,得到确定的小波级数阶次与载荷识别相对误差的函数关系。根据实际工程需求的识别误差等级来选取小波级数的阶次,给出了待识别动载荷级数分解时选择阶次的理论依据。计算机仿真分别采用单频、多频、实际载荷信号,试验系统采用冲击载荷加载,验证了该定阶方法的正确性和有效性,结果表明定阶理论适用于不同载荷类型。     

基于SVD-SGWT和IMF能量熵增量的液压故障特征提取

针对随机噪声和虚假分量影响总体平均经验模态分解(EEMD)分解质量问题,提出基于奇异值分解(SVD)和第二代小波变换(SGWT)联合降噪预处理和本征模态分量(IMF)能量熵增量剔除虚假分量的改进EEMD方法。该方法首先对原始信号进行第二代小波变换,利用SVD对SGWT得到的高频系数进行降噪处理,克服了软、硬阈值法降噪的缺陷。然后对消噪处理的信号进行EEMD分解,通过IMF能量熵增量去除虚假分量;最后对主IMF分量进行Hilbert谱分析来提取信号的主要特征。仿真和实验结果表明,SVD和SGWT联合降噪故障信号信噪比显著提高,且失真度小,抑制了噪声对EEMD分解精度的干扰,能量熵增量能有效地去除虚假IMF,Hilbert谱中各频率成分清晰不混叠,成功提取了液压系统故障特征频率。     

基于小波包分解和频率加权能量算子的滚动轴承故障诊断

针对强背景噪声下故障特征信号提取难的问题,利用小波包分解能重构信号高低频的特点和频率加权能量算子抗干扰性强的优势,提出基于小波包分解与频率加权能量算子相结合的滚动轴承故障诊断方法。首先运用小波包分解对原始信号进行三层小波包分解,通过计算各个分量的峭度得出最优分解系数;再利用频率加权能量算子追踪信号的瞬时能量并求其包络谱;最后分析包络谱中频率成分并与对应故障特征频率进行对比。仿真信号和实验数据都能证明所提方案的有效性和实用性。     

动载荷识别的小波级数分解法阶次确定

在基于正交小波级数分解法的分布动载荷识别过程中，由于小波级数阶次的不适当选择，造成载荷识别的不准确或计算量庞大。通过矩阵的谱分解，根据Parseval定理，信号在时域中的总能量和频域中的总能量是相等的，给出了随着阶次的增加而趋于收敛的小波级数系数幅值的包络线，将没有确定解析规律的小波级数系数解析化，得到确定的小波级数阶次与载荷识别相对误差的函数关系。根据实际工程需求的识别误差等级来选取小波级数的阶次，给出了待识别动载荷级数分解时选择阶次的理论依据。计算机仿真分别采用单频、多频、实际载荷信号，试验系统采用冲击载荷加载，验证了该定阶方法的正确性和有效性，结果表明定阶理论适用于不同载荷类型。