基于小波-倒频谱的齿轮故障诊断方法及应用

利用振动信号采集到的齿轮故障信息,依据点蚀的故障机理和频谱特征,采用小波分解将信号分解在不同频带,有效抑制了背景噪声,从而得到故障特征频带,获得周期性突变的故障信息。选择故障所处频带重构信号,对故障进行诊断。结合倒频谱方法可以有效地识别故障特征频率。结果表明小波分析与倒频谱相结合是齿轮故障检测中一种有效的诊断方法。     

基于VMD倒频变换的风电机组齿轮箱复合故障诊断

风电机组齿轮箱结构复杂,零部件多,可能产生复合故障。同一旋转轴上的不同零部件(齿轮、轴承等)的故障信息往往具有相同的转频边带频率成分,分布在信号频谱的不同频带中,倒频谱对边带频率信息进行了压缩处理,不能识别此类复合故障;基于窄带倒谱变换的思想,将变分模态分解(variational mode decomposition, VMD)应用到振动信号的对数谱中,提出了一种基于变分模态分解VMD倒频变换的方法,实现了对这一复合故障的精细诊断。通过仿真信号和风电场实例信号的验证,相比于窄带倒谱变换,该方法在有效区分此类风电机组齿轮箱复合故障的基础上,改善了频域和倒频域的分辨率,拥有更高的诊断定位精度。     

基于MOMEDA和增强倒频谱的风电机组齿轮箱多故障诊断方法

风电机组齿轮箱结构复杂,当齿轮、轴承存在多故障时,由于各故障强弱不同、故障间相互耦合及噪声干扰,造成故障诊断准确率低及漏诊问题。提出了一种基于多点最优最小熵解卷积(multipoint optimal minimum entropy deconvolution adjusted,MOMEDA)和增强倒频谱的风电机组齿轮箱多故障诊断方法。依据齿轮和轴承不同部位的故障特征频率设置合理的解卷积周期,利用MOMEDA对原始信号进行预处理;再通过增强倒频谱进一步抑制噪声干扰和增强故障特征;将增强倒频谱中的突出成分与齿轮箱故障特征频率对比,判断故障类型。实际风电机组齿轮箱多故障振动试验数据分析结果表明,该方法可以有效地提取出齿轮箱多故障特征信息。     

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.     

基于谐波小波包变换的齿轮箱包络解调分析

齿轮箱发生某些故障时所产生的非平稳信号具有多分量调制的特点,啮合分量及倍频受噪声干扰影响严重且相互交叠,信号频带较宽异常复杂,给故障诊断带来了很大的障碍。在研究谐波小波频段分解与Hibert解调分析的基础上,提出了基于谐波小波包变换的解调分析法的实现过程。该方法首先对预处理后的信号进行三次样条插值并作必要的频谱分析;然后结合频谱特征与齿轮箱故障特征频率的理论计算值,确定所需提取的特征啮合分量;继而确定谐波小波包分解层数与提取的频带带宽,再通过傅立叶变换及反变换得到相应的特征啮合分量;最后采用Hilbert算子对提取出的啮合分量进行包络解调分析。将该方法应用到实际齿轮箱的磨损及点蚀故障的诊断试验中,验证了该方法对任意频段调制信息的精确提取能力,为齿轮箱故障源及故障程度的准确定位提供了可靠的判断依据。     

基于小波-倒频谱的齿轮故障诊断方法及应用

利用振动信号采集到的齿轮故障信息,依据点蚀的故障机理和频谱特征,采用小波分解将信号分解在不同频带,有效抑制了背景噪声,从而得到故障特征频带,获得周期性突变的故障信息.选择故障所处频带重构信号,对故障进行诊断.结合倒频谱方法可以有效地识别故障特征频率.结果表明小波分析与倒频谱相结合是齿轮故障检测中一种有效的诊断方法.     

全矢小波包-包络分析方法及其在齿轮故障诊断中的应用

在旋转机械故障诊断中,针对传统单源信息采集的不全面性,提出了一种基于全矢谱技术的小波包-包络分析方法。首先对同源双通道信息分别采用小波包分解,根据需要选择频段的信息,并对提取的信号进行重构。然后采用全矢Hilbert解调分析方法对重构信号实现包络解调,并与两单源信息的包络解调相比较,说明了仅以单源信息为诊断依据的不足。利用全矢谱技术进行融合的全矢小波包-包络解调技术,不仅继承了小波包-包络分析方法的优势,而且更加全面地反映出了信号的真实性。最后通过仿真信号对其算法的可行性进行了验证,同时又以齿轮的故障振动信号为例,进一步表明了该方法在故障诊断中的有效性。     

小波包分析在齿轮故障诊断中的应用

基于小波包对信号的高分辨率分解和重构能力,把信号分解到不同频段,然后选择有效频段进行故障信号重构,分离出故障信息。通过对含有周期冲击的信号进行分解处理,展示了小波包分析在特征提取中的优点。通过对减速箱齿轮故障信号进行降噪、分解处理,表明该方法可以有效地提取故障信号中的周期冲击成分。     

基于小波包和PSO-BP的风机滚动轴承故障诊断

为了识别风电机组运行过程中滚动轴承的运行状态并提高故障诊断率,该文提出了一种基于小波包分解和粒子群算法优化BP神经网络的滚动轴承故障识别方法。以滚动轴承4种故障状态下的振动信号为研究对象,首先,采用小波包对振动信号进行分解、重构,提取各故障状态下的故障特征向量,将其作为BP神经网络模型的输入值。其次,针对BP神经网络的缺点,通过粒子群算法优化BP神经网络的权值和阈值构建PSO-BP故障诊断模型,试验结果表明,基于小波包和PSO-BP的方法能够很好地提高风电机组滚动轴承故障模式识别的准确率。     

基于小波包变换的减速机降噪方法研究

在小波包降噪的基础上,提出了一种对小波包降噪后的残差信号进行频谱分析和统计分析的新方法．该方法首先对原始振动信号进行小波包降噪,然后根据降噪后的振动信号和原始振动相比的差值提取残差信号,最后通过对残差信号进行频谱分析提取产生噪声信号的特征频率,通过对残差信号的统计量分析判断设备运行状况。实例验证了小波包降噪和小波包降噪后残差统计分析的正确性。     

基于小波包的调频波解调软件方法

提出了基于小波包的调频波解调方法 ,通过对各种调频信号进行时频分析 ,给出了信号的时间—频率谱图 ,能有效地检测到瞬时频率和获取调频信息 ,该方法可广泛应用于动态测试和软件无线电等领域     

基于小波包的胃电信号消噪处理的研究

对胃电信号进行了快速傅立叶分析、功率谱分析,并重点进行了小波包分析,利用小波包变换所具有的优良时频分析特征和多尺度传播特性,消除胃电信号的噪声,从而提高了胃电信号的信噪比,为胃电信号的深入研究提供了良好的基础.     

含裂纹故障的齿轮系统动力学特性研究及其故障特征分析

考虑齿轮的时变啮合刚度、传动误差和轴承支撑刚度的影响,建立含齿根裂纹故障的齿轮系统多自由度力学模型,基于动力学方法对其故障机理进行研究。通过材料力学的方法计算齿轮在正常和含裂纹两种情况下的啮合刚度,对比两种刚度曲线的变化趋势,便于进行精确的动力学特性分析;对建立的模型求解系统的动态响应,结果表明当齿根存在裂纹时,其时域波形中会出现周期性的冲击现象,频谱中在啮合频率的基频及其倍频等地方形成一系列等间隔的边频谱线,其间隔大小等于故障齿轮的转频;这些边频成分幅值较低,能量分散且分布不均匀,在不同频带的幅值大小存在差异。针对上述特点,通过正交小波包方法对信号的频带进行分解,应用倒频谱分析各子频带信号的边频成分;结果表明,该方法能够有效的提高信号的信噪比,有助于识别和提取信号中由裂纹故障引起的边频成分。     

一种基于Triplet loss的齿轮箱复合故障识别方法

随着设备检测点的数量与采样频率的增加,机械健康监测进入了大数据时代.深度学习以其强大的自适应特征提取和分类能力也在机械大数据处理方面取得了丰硕的成果.在故障诊断领域,目前深度学习方法的研究对象均集中于单一故障,而复合故障却鲜有人涉足.复合故障因为其各类故障信号间有耦合,变化的工况(负载,转速)也会对信号产生较大影响...     

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。     

倒谱和复倒谱在被动声纳目标识别中的应用

基于声纳员的感受被动声纳可以认为是一个发声体,这个发声体可以表示为激励噪声源与发声体冲激响应的卷积。在这种情况下,使用倒谱和复倒谱的形式分析被动声纳目标噪声的时域特征,得到的目标特征不够明显,因此提出了利用指数倒谱和指数复倒谱的频谱特性来提取目标噪声的特征,进行分类识别。设计了BP神经网络分类器,利用实测数据对三类目标进行分类。分析比较了两种方法的分类结果,验证了基于倒谱和复倒谱的指数运算的被动声纳目标特征提取方法的可行性。     

基于小波包能量谱的结构损伤预警方法试验研究

摘 要：通过钢梁损伤试验,验证基于小波包能量谱的结构损伤预警方法在实际结构上应用的有效性。对钢梁进行完好工况和三个损伤工况的动力响应测试,对得到的响应进行小波包分解,考察损伤前后各个特征频带的能量变化。试验结果显示,损伤预警指标ERV和ERVD能够对三种损伤工况做出有效预警;同一工况的多次测试得到的损伤预警指标ERVD虽有变化但变化不大。基于小波包能量谱的结构损伤预警指标对结构损伤具有敏感性、对测试噪声具有鲁棒性,可以用于实际结构损伤预警。