基于k值优化VMD的滚动轴承故障诊断方法

针对旋转机械中滚动轴承早期信噪比较低的故障特征提取困难问题,提出了一种基于能量的变分模式分解(variational mode decomposition,简称VMD)模态数k优化选取方法,用以提取滚动轴承早期故障特征,同时避免了信号分解过分或不足。首先,对振动信号进行VMD预分解,分别在不同k值条件下计算分量信号能量与原始信号总能量;其次,根据基于能量的模态数k选取准则,确定最佳模态数值对信号进行VMD分解;最后,通过峭度准则选择分量进行信号重构,对其进行包络分析,提取故障特征频率。将该方法运用到实际故障信号中,有效提取出滚动轴承内圈微弱故障特征,实现了早期故障特征判别,具有一定的应用价值和实际意义。     

基于最优窗函数Gabor变换的变工况行星齿轮箱故障诊断

强噪声背景下变工况行星齿轮箱振动信号具有非平稳、调制等特点,传统时频分析方法难以获得高时频分辨率的时频图像.本文提出一种分数域最优窗函数Gabor变换方法,利用分数阶傅里叶变换(Fractional Fourier Transform,FrFT)处理线性调频信号的优越性,在分数域优化时频窗函数,获得最小广义时间带宽积原...     

基于高阶模糊度函数的内蕴模式分量瞬时频率计算

瞬时频率计算是关系到经验模式分解实用性的关键,但是传统瞬时频率的计算方法对于信号分析的准确性有很大的影响。尽管非平稳信号的频率变化率可以用有限次的多项式表示,而最大似然估计、最小二乘法等相位建模估计方法计算量大,因此对于内蕴模式分量计算得到的瞬时频率仍然存在一些问题,其中边界效应更为明显。提出采用高阶模糊度函数来进行相位参数估计的方法,对内蕴模式分量的瞬时频率进行计算,在此基础上构建Hilbert时频谱进行信号分析。应用高阶模糊度进行瞬时频率计算,可以减小计算量,提高瞬时频率估计的准确性。采用仿真和实际信号验证方法的有效性,研究表明此方法可以有效消除边界效应影响,提高Hilbert时频谱的可靠性。     

基于小波包—坐标变换的滚动轴承故障特征增强方法

滚动轴承早期故障特征信号微弱且易受正常成分干扰,因此不易准确识别滚动轴承的早期故障.对含有微弱故障的滚动轴承信号进行小波包分解,通过对小波包分解得到的各子带进行研究,提出一种基于小波包—坐标变换(Wavelet packet-coordinate transformation,WP-CT)的故障特征增强方法.考虑到各频...     

基于小波包分析的铣刀状态监测方法研究

应用小波分析方法,通过对声发射信号的处理及分析判别铣刀状态.以三齿牛鼻铣刀为实验对象,分别以铣刀3种状态为例,采用不同的切削参数进行铣削实验,将采集到的AE信号进行小波分解后再进行时频域对比,结果表明:该方法可以比较准确的判断铣刀状态,并且有较好的理论基础、直观性与易操作性.     

基于时频分析的欠定信号盲分离与微弱特征提取

盲源分离对于多振源信号的故障诊断与识别是一种有效的方法,但是传统的盲源分离算法都是针对观察信号大于或等于源信号的情况,但对于观察信号小于源信号的欠定盲分离问题,这在很大程度上制约了盲源分离的实际应用。通过应用经验模式分解和时频分析对非平稳信号分析的优势,提出基于时频分析的欠定盲源分离方法进行设备微弱特征提取。对振动信号进行经验模式分解,并根据分解得到的内蕴模式分量估计源信号个数并选择最优的观察信号,将振动信号与选择的最优观察信号组成新的观察信号进行基于时频分析的盲源分离,通过对仿真信号和齿轮箱实测信号进行验证分析。并与基于独立分量分析的盲源分离算法进行对比,研究表明基于时频分析的盲源分离对混合信号具有更好的分离效果,能够较好地对微弱特征进行提取。     

基于切削电流系数的铣刀磨损状态监测

基于切削力系数的铣刀磨损状态监测方法提出了与切削参数独立的刀具磨损指标。由于存在干扰机床正常加工、实时性不佳、传感器安装不便和成本过高等问题,限制了其在实际工业环境中的应用。针对上述问题,结合切削力与主轴电流的关系,提出一种基于主轴切削电流系数的铣刀磨损状态监测方法。首先,融合切削力系数和主轴电流的优点,建立铣削电流模型;其次,根据切削电流模型进行切削电流系数辨识,记录新刀状态下切削系数;然后,使用切削系数实时估计相同加工工况下新刀切削电流,监测实际切削电流偏离估计值的程度,判断铣刀磨损状态;最后,通过实验与力信号对比验证该方法的正确性。实验结果表明,该方法可以替代基于切削力系数的磨损状态监测方法,能有效、实时、无干扰、便利和低成本地识别新刀、正常和严重3种磨损状态。     

离心压缩机动静干涉信号特征识别方法

离心式压缩机由于内部静、动叶片排的相对运动,气流在压缩机内部流动时会产生动静干涉,从而会产生不定常气流激振力和高振幅压力脉动。这种非定常动静干涉对压缩机的稳定正常运行和实际工作效率有着重要的影响。为了有效研究动静干涉的信号特征,首先,对某模型级压缩机试验台离心叶轮进行运行模态仿真计算从而得到叶轮干涉图;其次,确定进口导叶(inlet guide vanes,简称IGV)和出口扩压器(outlet guide vanes,简称OGV)对叶轮存在干涉的转速;最后,在确定的试验转速工况下进行应变测试和压力脉动测试。通过分析对比,验证了仿真转速工况下干涉特征频率的存在,也证实了应变信号更适用于识别干涉信号特征。通过总结干涉较严重的转速工况干涉特征频率与叶轮固有频率的关系,为离心压缩机进一步改进设计奠定了基础。     

基于单稳态随机共振的冲击信号自适应检测方法研究

针对强背景噪声环境下微弱故障冲击信号特征提取困难等问题,对单稳态随机共振系统和衡量指标等方面进行了研究,对低速回转支承的故障诊断策略进行了分析,提出了一种基于单稳态随机共振的冲击信号自适应检测方法。考虑到系统参数的关联性,利用灰狼优化算法(GWO)对系统的多个参数进行了优化,实现了系统参数间的同步优化过程;并以加权负熵指标作为GWO的适应度函数,对仿真冲击信号和低速回转支承振动信号进行了状态监测与故障分析。研究结果表明:该系统方法简单易行、收敛速度快、参数优化效果理想,能够在强背景噪声环境下,有效地利用噪声能量来增强微弱故障信号,凸显仿真冲击信号的特性;能准确地诊断出低速回转支承故障模式,在工程实际中具有良好的工程应用前景。     

SDICA方法在单通道信号故障分类中的研究

提出了一种针对工程单通道信号的子带分解独立分量分析(subband decomposition independent component analysis,简称SDICA)故障分类方法。利用经验模态分解方法(empirical mode decomposition,简称EMD)得到的多个基本模式分量作为子带信号,对子带信号进行独立分量分析(independent component analysis,简称ICA),在ICA方法过程中提取了分离过程特征中产生的残余互信息值,在估计子带信号中计算各自的近似熵值,并把残余互信息和近似熵值作为特征参数,输入广义回归神经网络实现故障分类。SDICA方法在单通道信号故障分类中引入了ICA理论,成功实现了工程单通道轴承信号3种故障高精度的识别,验证了具有良好表征故障能力的残余互信息值和估计子带近似熵能够成为故障分类的重要参数。