基于瞬时频率估计的自适应Vold-Kalman阶比跟踪研究

结合旋转机械启停阶段振动信号的特点,提出了一种基于Viterbi算法和短时傅里叶变换(STFT-VA)的瞬时频率估计算法,STFT-VA算法在高噪声、临近阶比和交叉阶比情况下有较高的精度.实现了基于STFT-VA算法的自适应Vold-Kalman阶比跟踪(AVKF-OT),和传统的以硬件实现的Vold-Kalman阶比跟踪(VKF-OT)相比,此方法具有无需转速计等硬件、用纯软件的方法实现.实验结果表明,该方法能够在时域中准确地提取幅值和复杂频率变化的阶比,适合于复杂旋转机械振动响应特征提取.     

弗德卡曼滤波阶比跟踪解耦新方法

摘要：弗德卡曼（Vold-Kalman）滤波阶比跟踪法是目前旋转机械阶比分析中能对阶比耦合干扰进行有效解耦操作的方法。但是传统的弗德卡曼升滤波解耦方法存在计算效率低,在无法充分获得耦合阶比瞬时频率信息时不能使用等不足。本文提出了一种基于独立分量分析技术的弗德卡曼滤波阶比跟踪解耦方法。其先将混合观察信号分解为阶比分量、耦合干扰等不同的独立信号分量,再在此基础上对分离出的阶比分量信号对应独立信号分量进行弗德卡曼滤波阶比跟踪分析,有效解决了传统解耦方法计算效率低,解耦需要干扰信号瞬时频率的不足。文中对弗德卡曼滤波阶比跟踪和独立分量分析的基本原理进行了简要介绍,在此基础上提出了本方法的实现方案。通过仿真试验和实际测试对本方法的有效性进行了评价。
     

基于谱峭度的滚动轴承故障包络阶比跟踪分析

通过对旋转机械变速运行工况的齿轮箱振动分析研究,提出一种基于谱峭度的滚动轴承故障包络阶比跟踪分析方法。该方法利用旋转机械运行过程中滚动轴承故障引起的冲击性振动会激起其周围结构共振的原理,应用谱峭度方法自适应地确定优化的共振解调带通滤波中心频率和滤波带宽,进而通过共振解调算法获得包含轴承故障初始阶段振动特征的包络信号,再将变速工况下的非平稳包络信号通过等角度重采样转化为角度域的准平稳信号,进而获得消除了频率模糊的阶比谱,实现对旋转机械变速运行工况下的滚动轴承故障诊断。仿真和测试试验结果验证了本方法的有效性。     

非平稳振动信号的角域重采样小波解调分析方法

对于旋转设备的非平稳多分量振动信号,在已知转速变化规律的情况下,采用转速跟踪分析中的角域重采样方法使其变成阶比值固定的信号,再利用小波解调方法的带通滤波与解调分析两重功能,就能从混合振动信号中提取出各个阶比分量并获得对应的解析信号。该方法成功地解决了旋转设备严重非平稳振动信号的分析问题,并可拓展应用于至其它非平稳信号的分析。拓展算法具有类似HHT的算法结构,适用面广。文中同时给出的数值计算方法配合采用了细化分析及快速解卷积运算,保证了整体算法的稳定性、精确性和快速性,克服了HHT稳定性差的缺陷。论文最后对航空发动机试车过程中的振动数据采用本文方法和其它方法的应用效果进行了分析对比,证明了本文方法的有效性。     

基于瞬时频率估计的自适应Void-Kalman阶比跟踪研究

结合旋转机械启停阶段振动信号的特点,提出了一种基于Viterbi算法和短时傅里叶变换（STFT-VA）的瞬时频率估计算法,STFT-VA算法在高噪声、临近阶比和交叉阶比情况下有较高的精度。实现了基于STFT-VA算法的自适应Void—Kalman阶比跟踪（AVKF—OT）,和传统的以硬件实现的Vold—Kalman阶比跟踪（VKF—OT）相比,此方法具有无需转速计等硬件、用纯软件的方法实现。实验结果表明,该方法能够在时域中准确地提取幅值和复杂频率变化的阶比,适合于复杂旋转机械振动响应特征提取。     

基于广义解调时频分析和瞬时频率计算的阶次谱方法在齿轮故障诊断中的应用

针对齿轮启停过程中故障振动信号的调频特性,提出了基于广义解调时频分析和瞬时频率计算的阶次谱方法,并将其应用于齿轮瞬态信号的分析。广义解调时频分析是一种新的时频分析方法,它可以将多分量的信号分解为若干个瞬时频率具有物理意义的单分量信号,每个单分量信号可以是调幅-调频信号,因此非常适合处理多分量的调幅-调频信号。而当齿轮发生故障时,其启停过程中的振动信号就表现为多分量的调幅-调频特征。在基于广义解调时频分析和瞬时频率计算的阶次谱方法中,首先采用广义解调时频分析方法将齿轮瞬态信号分解为若干个单分量信号,然后计算各个分量的瞬时频率,再对其瞬时频率信号进行重采样,最后对重采样信号进行频谱分析得到阶次谱,从而提取齿轮振动信号的故障特征,判断齿轮的工作状态。仿真信号和实验信号的分析结果表明了该方法的有效性。     

基于振动信号分离的行星轴承故障特征提取

由于行星轴承振动信号传递路径的时变性,且行星齿轮箱中齿轮啮合振动信号较强,导致行星轴承故障特征提取较为困难。为此,提出了一种基于振动信号分离的行星轴承故障特征提取方法。该方法首先采用阶比分析技术将原始振动信号进行等角度采样;每当行星架旋转一周,采用Tukey窗进行加窗截取,按照啮合齿序重新拼接,构造振动分离信号。再采用离散随机分离从振动分离信号中提取行星轴承故障分量;最后进行包络谱分析提取故障特征。行星轴承内圈故障实测信号分析表明,该方法能有效提取行星轴承故障特征。     

柴油机加速振动信号的阶比双谱特征提取

针对发动机加速过程振动信号的非平稳性和混有大量噪声的特点,提出计算阶比跟踪和双谱相结合的方法,将振动信号按等角度间隔进行软件重采样,得到阶域内的平稳信号,再进行双谱分析,通过仿真信号验证了该方法优于传统双谱。为了充分利用阶比双谱图中的信息,提出双谱特征阶比面的概念,通过比较阶比平面内的累加能量来反映不同工况的变化。诊断实例表明,该方法能有效提取柴油机曲轴轴承的故障特征。     

基于叶尖定时的旋转机械叶片振动频率辨识ESPRIT方法

基于叶尖定时原理采集的旋转机械叶片振动信号是多频率混叠的欠采样信号,通过分析振动信号的数学模型,提出了在均匀转速下利用两个叶尖定时传感器构成有延迟的双通道,采用旋转不变子空间技术(ESPRIT)辨识多个叶片振动频率的新方法。介绍该方法的理论依据,推导了频率估计解模糊的具体步骤,通过计算机仿真和模拟振动平台气激实验分析该方法频率估计性能,验证了其在工程实践中的有效性。     

基于局部均值分解与形态谱的旋转机械故障诊断方法

针对旋转机械不同类型故障会使振动信号具有不同形态特征及振动信号信噪比低等特点,提出基于局部均值分解（Local Mean Decomposition,LMD）与形态谱的旋转机械故障诊断方法。其中的LMD能对旋转机械原始振动信号进行降噪处理,而形态谱则能反映振动信号的形态特征,从而能判断旋转机械的工作状态。将该方法用于转子系统故障诊断,分析结果表明,该方法能有效提取旋转机械故障振动信号的故障特征,能准确识别旋转机械的故障状态。     

基于改进峰值搜索法的旋转机械瞬时频率估计

提出了一种用于提取转子瞬时频率的改进峰值搜索法,并将该方法应用于旋转机械阶比跟踪。改进的峰值搜索法将瞬时频率中相邻两点一阶导数的差值作为搜索峰值是否合理的判别条件,避免了传统峰值搜索法在干扰信号作用下提取到的虚假峰值,提高了瞬时频率的估计精度。仿真实验表明,改进的峰值搜索法能够降低干扰信号对瞬时频率提取的影响,效果优于传统的峰值搜索法。用该方法对实测转子升速振动信号进行阶比分析,取得了良好的效果。     

基于弗德卡曼阶比跟踪的转子起停车故障特征提取方法及应用

针对传统起停车过程分析采用短时傅里叶变换提取瞬时幅值及相位会损失瞬变信息的不足,用弗德卡曼阶比跟踪原理（Vold-Kalman Filter Based Order Tracking,VKF-OT）结合全息谱原理,提出新的转子起停车故障特征提取方法。由转子起停车瞬态响应数据中提取随转速变化的阶比分量,通过各阶分量复包络直接求幅值、相位,能克服傅里叶变换的平均效应,保留转子振动瞬变信息;通过VKF-OT集成转子截面振动信息,结合全息谱理论绘制阶比全息瀑布图,提取转子起停车状态的故障特征,并用于起停车瞬态动平衡。结果表明,该方法可有效提取转子典型故障特征、降低转子系统一阶临界振动。     

阶次跟踪在齿轮磨损中的应用

研究旋转机械在变速过程中振动信号的分析方法。在利用B＆K3560多分析仪对齿轮箱加速时测得的振动信号进行时域采样的基础上,利用样条插值算法进行角域重采样得到等角度分布的采样点,并对其进行阶次跟踪分析。结果显示出阶次跟踪分析法在处理转速变化信号时的优越性：能够有效地避免传统频谱方法所无法解决的“频率模糊”现象,对齿轮箱的早期故障有一定的识别能力。该方法是对传统的频谱分析法的有力补充,具有很广阔的应用前景。     

基于MCKD和重分配小波尺度谱的旋转机械复合故障诊断研究

针对强噪声环境下旋转机械复合故障信号难于提取与分离的问题,提出了基于最大相关峭度解卷积(Maximum Correlated Kurtosis Deconvolution,MCKD)和重分配小波尺度谱的旋转机械故障诊断方法。机械信号中存在的噪声会降低重分配小波尺度谱的时频分布可读性,故先要对信号进行MCKD降噪,同时从振动信号中分离出各个故障成分,然后进行Hilbert变换得到包络成分,最后再对包络成分进行重分配小波尺度谱分析,根据尺度图中冲击成分的周期诊断转机械复合故障,算法仿真和应用实例验证了该方法的有效性。     

基于t-SNE和LSTM的旋转机械剩余寿命预测

针对旋转机械的剩余使用寿命预测问题,提出了一种基于t分布随机近邻嵌入(t-SNE)和长短期记忆网络(LSTM)的预测方法。将t-SNE降维方法引入旋转机械振动信号特征提取,实例验证表明无论针对时频域特征或小波包分解得到的能量特征,经t-SNE降维后特征区分度更加明显,利用降维后的特征进行故障模式识别,正确率接近100%;提出利用样本间散度作为旋转机械退化指标,实验表明样本间散度对旋转机械性能退化趋势的表现相比其他指标更加明显;以不同的训练样本量,利用LSTM方法进行剩余使用寿命预测,为了验证LSTM方法的有效性,将其与BP神经网络、灰色预测模型、支持向量机等方法进行比较,结果表明LSTM方法能够预测旋转机械退化趋势,显著提高剩余使用寿命的预测精度,对旋转机械的健康监测和寿命预测具有一定的理论指导意义。     

RS-LOD方法及其在旋转机械故障特征提取中的应用

局部波动特征分解(LOD)方法是一种新的自适应时频分析方法。该方法通过采用微分、坐标域变换、分段线性变换三种运算,可以高效地将信号自适应分解为一系列的单一波动分量(MOC),非常适合于处理多分量信号。然而,由于分段线性变换的使用,虽可以显著提高算法的计算效率,但会使MOC分量缺乏光滑性,从而导致失真。对此,将样条曲线形状可调可控的有理样条函数引入LOD方法替代分段线性变换,提出了基于有理样条函数的局部波动特征分解(RS-LOD)方法。在详细阐述RS-LOD分解原理的基础上,通过仿真信号将RS-LOD、LOD和经验模态分解(EMD)进行了对比分析,结果表明RS-LOD方法可以明显改善原LOD方法中MOC分量光滑度差的问题。此外,针对旋转机械故障振动信号的多分量调制特点,将RS-LOD方法应用于旋转机械的故障特征提取,对滚动轴承和齿轮箱故障振动信号的分析结果表明,RS-LOD方法可以有效地提取旋转机械振动信号的故障特征。