一种基于双谱的齿轮故障诊断方法

提出了一种基于高阶谱(双谱)的齿轮故障诊断方法.该方法首先对非线性特征的齿轮振动信号进行提取,利用双谱对Gauss信号的'盲'性消除Gauss背景噪声,随后借助双谱的数值估计算法获得特征信号的双谱幅频图.由于高阶谱具备了高阶统计量的优点,因此在齿轮故障过程中可以将双谱幅频图作为实现齿轮故障早期诊断的量化指标.     

矢Wigner高阶谱在齿轮故障诊断中的研究

全矢谱技术能够有效的融合同源双通道的信息,融合后的信息无论从结构上还是能量上都能够真实的反映转子的实际运行状态。针对Wigner高阶谱只能处理单通道信息这一缺点,将全矢谱技术与Wigner高阶谱相结合,提出矢Wigner高阶谱分析方法,给出了其定义与算法,并将其应用到齿轮故障诊断中。仿真研究及实例验证结果表明,矢Wigner高阶谱能够克服基于单通道信息的Wigner高阶谱的片面性,并且该分析方法同时具备两者的优点,为齿轮故障诊断提供更可靠的依据。     

基于高阶倒谱熵的齿轮故障诊断

在高阶统计量的基础上提出了高阶倒谱的概念,利用信息熵作为其结果的量化指标,应用于齿轮的故障诊断中。由于高阶倒谱同时具备了高阶统计量和倒谱的优点,因此在进行齿轮的故障诊断中具有其独特的优越性,对齿轮的故障反应灵敏,可以用于实现齿轮的早期故障识别;结合其他诊断方法,能够更好地获得齿轮的在线运行状态和故障分析结果。     

基于高阶累积量的齿轮裂纹故障检测与识别

介绍了高阶累积量理论,分析了它提取复杂耦合信号和非线性特性的理论基础。在此基础上将高阶累积量方法应用于机械齿轮故障特征分析诊断之中,对无故障齿轮和故障齿轮受力激振后的振动耦合信号进行了分析和特征提取,从而成功地实现了对不同裂纹类故障的识别与诊断,通过与传统的功率谱等方法的比较,说明了高阶累积量方法在齿轮故障诊断中的可靠性和有效性。     

Hilbert-Huang变换在齿轮故障诊断中的应用

为齿轮故障诊断提供了一种新的途径,将Hilbert-Huang变换引入齿轮故障诊断,提出了局部Hilbert能量谱的概念,同时根据齿轮故障振动信号的特点建立了两种基于Hilbert-Huang变换的齿轮故障诊断方法:基于EMD的频率族分离法和Hilbert能量谱方法。采用EMD(Empiricalmodedecomposition)方法对齿轮振动信号能有效地将各个频率族分离;局部Hilbert能量谱可以反映齿轮振动信号的能量随时间和频率的分布情况,从而可以提取齿轮振动信号的故障信息。将这两种方法应用于齿轮故障诊断中,结果表明,基于EMD的频率族分离法和Hilbert能量谱方法都能有效地提取齿轮故障特征信息。     

基于高阶统计量的滚动轴承故障诊断方法

针对滚动轴承故障振动信号易受高斯噪声影响的问题,从高阶统计量的理论入手,提出了由信号的高阶谱恢复功率谱.由恢复的功率谱提取故障特征信息的高阶统计量方法,建立了通过高阶谱恢复功率谱的数学模型,并对仿真数据和实测故障数据进行了分析.结果表明,利用高阶累积量对高斯噪声不敏感的特点,可实现高斯噪声下瞬态信号频率与功率谱的正确估计.与传统方法相比,本研究方法可以有效地提取滚动轴承故障特征,同时具有更高的分辨率.     

齿轮振动信号分解及其在故障诊断中的应用

对齿轮振动信号的测试及分解进行了研究。根据信号基频,把齿轮振动信号分解为啮合振动与旋转振动,这些振动信号可用于对齿轮状态进行定量研究。基于不同形式的齿轮振动信号,介绍了几种方法来提取信号中的故障信息。利用时域平均技术及齿轮振动信号分解理论对某齿轮箱早期故障信号进行了检测。研究表明,齿轮运动信号分解能够有效检测齿轮的各类故障,高阶加速度信号对齿轮某些类型的早期故障更加敏感。     

矢Wigner三谱分析及其在齿轮故障诊断中的研究

Wigner高阶谱作为分析非高斯信号的重要工具,其实现了时域和频域的同时分析,能有效提取信号的非线性特性。但常规Wigner高阶谱以单通道信号为研究对象,不能全面反映转子的特征信息,并且基于同一截面不同通道信号的分析结果也会不一致。为解决这个问题,以全矢谱技术为基础,对同源双通道信息进行融合,给出了一种矢Wigner三谱切片分析方法,并完成了仿真分析,通过齿轮故障实例验证了所给出方法的有效性,为转子特征提取和故障诊断提供了一种可用方法。     

高阶统计量与RBF网络结合用于齿轮故障分类

提出一种基于高阶统计量特征提取的径向基函数网络齿轮故障分类方法,以齿轮箱振动信号的高阶统计量估计值作为齿轮故障特征,以径向基函数神经网络作为分类器,成功地对齿轮故障进行了分类。研究表明,高阶统计量和径向基函数神经网络相结合的齿轮故障分类方法是有效的。     

一种基于对角切片高阶谱的故障识别方法

针对轴承故障信号中调制信号二次相位耦合的特点,提出了一种基于对角切片高阶谱的故障识别方法。该方法利用希尔伯特变换构造原始信号的解析信号,在高阶谱分析的基础上求其对角切片谱,可以有效地分析二次相位耦合引起的非线性信号。通过理论分析和轴承故障诊断实例,表明该方法可以有效地抑制噪声,提取振动信号的非线性特征,完成对轴承外圈故障和内圈故障特征的识别。     

基于电机电流经验模态分解的行星轮故障诊断

在故障诊断领域,电机电流信号分析法(MCSA)已经逐渐应用于齿轮故障诊断中,但该方法在诊断行星轮缺齿故障时由于电流基频干扰较大,导致故障特征不明显,难以实现故障诊断。因此提出一种基于电流信号经验模态分解(EMD)的故障诊断方法。通过对电机电流信号进行EMD分解,选取合适的IMF分量经傅立叶变换求其频谱图,根据频谱图中是否存在与故障特征频率相关的频率,实现了对行星轮缺齿故障的有效诊断。并通过实验分析,验证了该方法的有效性。     

35CrMo调质齿轮弯曲疲劳断齿失效分析

以３５ＣｒＭｏ调质齿轮弯曲疲劳断齿综合失效分析为主线,叙述了一种包括宏观分析、微观扫描电镜分析、能谱分析、金相分析等方法的较全面的断齿失效分析过程,并借助于故障树分析法,探寻了３５ＣｒＭｏ调质齿轮弯曲疲劳极限偏低的原因,进一步提出了改进与提高的措施。文中提出的方法和过程对其他的疲劳失效现象的分析也有较好的参考价值。     

机车走行部故障在线诊断的特征分析方法研究

在讨论特征分析方法原理的基础上，针对机车走行部故障在线监测过程中存在的信号分析与处理问题，运用整周期等角度采样方法将时域振动信号转换为角域信号，采用FFT变换将角域信号变换为对应的特征频谱，通过谱估计、谱图分析得到机车走行部各零部件的故障特征谱值，再根据该特征谱值识别机车走行部各零部件的故障。然后，根据机车走行部故障诊断的实际需要，设计了一套基于特征分析方法的机车走行部故障在线诊断系统。实验结果表明，该方法能准确、可靠地识别机车走行部故障。     

基于小波包分析和改进自适应遗传算法的齿轮故障诊断

齿轮是传动系统中最重要的元件之一,针对齿轮故障问题,在综合小波包降噪、模糊逻辑、高阶BP网络、改进自适应遗传算法各自优点的基础上,提出了一种基于小波包分析和改进自适应遗传算法的齿轮故障诊断新方法。试验证明,这种方法与传统方法相比,无论在分类精度,还是对训练总误差控制方面都具有更大的优势。     

IEWT和FSK在齿轮与滚动轴承故障诊断中的应用

改进的经验小波变换方法(improved empirical wavelet transform,简称IEWT)是一种新的自适应性信号处理方法,将这种方法和快速谱峭度(fast spectral kurtosis,简称FSK)相结合,进行齿轮与滚动轴承的故障诊断。首先,采用IEWT对信号进行分解,筛选出故障特征最为明显的2个分量并重构信号;其次,对重构信号进行快速谱峭度滤波;最后,对滤波后的信号进行包络谱分析,提取出信号的故障特征。分析齿轮断齿及滚动轴承故障信号,与直接包络谱和基于EMD经验模态分解(empirical mode decomposition,简称EMD)方法的FSK滤波包络谱分析方法相比可知,采用IEWT处理后再进行FSK滤波的信号进行包络谱分析更具有区分性,可有效识别齿轮和滚动轴承的故障特征。     

基于倒谱和包络解调的齿轮箱故障诊断

齿轮箱是设备上重要的传动部件,齿轮故障诊断对设备的长期安全运行起着至关重要的作用.根据齿轮振动机理及谱分析来进行振动信息处理和特征提取,是目前齿轮故障诊断中的一种有效方法.分析了齿轮箱的振动故障特性,提出了用解调谱和倒谱两种分析法相结合来对系统的输出信号进行故障诊断的方法.最后在齿轮故障模拟实验台上采集了故障下的振动信...     

船用机械设备故障诊断系统研究与开发

为了解决船用设备运行的可靠性这一问题,在工控机等硬件设备上开发了基于C#平台的船用机械故障诊断系统。首先,构建了工控机、信号调理器等硬件组成部分;在此基础上,采用C#编制了采集卡接口、信号处理方法、图形绘制等程序;最后进行了调试并应用于船用现场试验。结合齿轮故障设备模拟试验台,运用故障诊断系统采集信号,利用信号处理软件分析了正常齿轮与磨损齿轮的时域波形和频谱波形,分析了断裂齿轮的细化频谱的边频带,以此识别出了各类齿轮失效所在位置和原因。研究结果表明,船用机械设备故障诊断系统对于故障齿轮的检测具有有效性和可行性,同时该结果为利用故障诊断系统对轴承、柴油机等其他故障设备的诊断开发过程奠定了基础。     

[设备健康管理]深度置信网络在齿轮故障诊断中的应用

针对齿轮传动系统中齿轮等零部件易出现故障或失效等问题,提出了一种基于深度学习理论的齿轮传动系统故障诊断方法。首先利用深度置信网络强大的特征自提取能力,对齿轮传动系统的振动信号进行特征提取,然后通过DBNs的复杂映射表征能力对故障信号进行故障判别。诊断实例表明,若不对齿轮振动的原始时域信号进行特征提取,直接利用DBNs对其进行诊断时,故障识别正确率只能达到 60%左右;如果对时域信号进行简单的傅里叶变换后,再利用 DBNs 对处理后的振动信号频谱进行诊断分析,正确率能达到 99.7%,从而证明了所提故障诊断方法的简易性和有效性。