基于故障特征系数模板的变转速滚动轴承故障诊断

与恒转速相比,机械中普遍存在的变转速工作模式使滚动轴承的故障诊断更加困难;另外变转速条件下的常规方法—阶比分析存在误差以及计算效率方面的问题,因此,提出了基于故障特征系数模板的滚动轴承故障诊断方法。该方法主要包括六部分:(1)根据目标轴承的几何参数计算其故障特征系数以设定模板;(2)利用快速谱峭度滤波算法对滚动轴承振动信号进行滤波;(3)根据Hilbert变换以及短时傅里叶变换计算滤波信号的包络时频图;(4)通过峰值搜索算法从滤波信号的包络时频图中提取瞬时故障特征频率趋势线;(5)根据转速脉冲信号计算滚动轴承的转速曲线;(6)瞬时故障特征频率与瞬时转频相比获取瞬时故障特征系数,进而通过故障特征系数模板实现滚动轴承的故障诊断。随即以变转速情况下的故障轴承仿真信号以及实测的外圈故障、内圈故障和健康轴承的振动信号为例验证了该算法的有效性。     

基于低秩约束的旋转机械内激励激发的振源信号分离研究EI北大核心CSCD

随着机械设备向自动化程度更高的方向发展,机械系统变得更加复杂,给基于振动的健康监测带来了巨大的挑战。振源信号分离对于机械系统的噪声控制、准确的状态监测及故障诊断具有重要意义。现有的方法中的关键之一是要已知振源信号的统计特性、源的个数等。但这些有效的特征在工程应用中很难获得。对旋转机械和往复式机械的工作特性进行了分析,发现内部激励激发的信号具有低秩性。并建立了低秩噪声分离模型,提出了一种多低秩约束的振源信号分离方法。仿真信号和试验信号验证了该方法的有效性。与基于独立分量分析的盲源分离(BSS-ICA)方法相比,该方法分离后的振源信号具有更好的分类效果和更低的噪声。     

基于角域AR模型滤波的滚动轴承故障诊断

在齿轮噪源存在的变转速滚动轴承故障诊断过程中,因混合信号中转频分量相对较小,使得基于时频表达的阶比跟踪技术受到限制。虽然基于故障特征频率的角域重采样能提取轴承的故障特征,但这种算法不能确定故障位置,而且可能会出现误判。针对这一问题,提出了基于角域自回归(auto regressive,简称AR)模型滤波的处理方法。该方法利用线调频小波路径追踪算法从降采样处理的混合信号中提取齿轮瞬时啮合频率趋势线并估计转速,根据估计转速信息对原混合信号进行等角度重采样,获得了角域信号。利用角域信号中齿轮啮合振动成分具有周期性的特点,使用AR模型对其滤波,并且对滤波后信号进行包络阶比分析,完成故障判断。通过处理仿真信号和实验信号,验证了该方法不仅能有效地去除齿轮噪声,并且可以判断轴承故障位置。     

基于迭代广义解调算法的变转速滚动轴承复合故障特征的提取

变转速工作模式使得本来就互相干扰、彼此联系的滚动轴承复合故障特征的提取更加困难。为此提出了基于迭代广义解调算法的变转速滚动轴承复合故障特征提取方法。该方法根据复合故障轴承信号包络时频谱中代表故障特征频率的时频曲线的突出性,结合迭代广义解调算法可以将特定时频曲线转换成平行于时间轴的直线这一特点,直接对滚动轴承振动信号中的特定成分进行分析和提取。整个算法由以下四部分组成:对同步测取的故障轴承转速脉冲信号进行处理得到转频曲线,根据转频曲线以及目标轴承的故障特征系数确定迭代广义解调算法需要的相位函数;其次,对故障轴承信号进行包络分析获取包络信号;根据计算的相位函数对故障轴承包络信号进行迭代广义解调;对解调信号进行频谱分析,通过分析频谱中独立峰的位置对滚动轴承的健康状况进行判断。仿真与实验结果表明,该算法可以消除转速变化对滚动轴承复合故障特征的影响,有效实现复合故障特征的识别和提取。