基于VMD阶比跟踪的变转速齿轮箱齿轮故障特征提取

针对变转速工况下齿轮箱齿轮阶比信号互相干扰故障特征难以提取的问题,提出了基于VMD(Variational Mode Decomposition)和阶比跟踪技术结合的齿轮箱齿轮故障特征提取方法。该方法通过计算阶比跟踪技术对振动信号进行角域重采样;获得重采样信号后,利用VMD按照中心阶比不同,自适应地将重采样信号分解,再利用峭度准则从IMF(Intrinsic Mode Function)分量中选取出故障信号;最后对故障信号进行快速谱峭图处理和滤波平方包络解调。通过变转速下齿轮箱的齿轮故障试验和对比分析,表明该方法能有效提取出变转速下齿轮箱的齿轮故障特征,且降噪效果明显,特征突出,适用于变转速齿轮箱的齿轮故障特征提取。     

基于多尺度线调频基稀疏信号分解的齿轮故障信号阶比分析

针对变转速齿轮箱故障振动信号调制边频带难以识别的问题,提出一种基于多尺度线调频基稀疏信号分解的阶比分析方法.该方法先采用基于多尺度线调频基的稀疏信号分解方法对齿轮箱振动信号进行分解,提取齿轮的啮合分量与调制边频分量,由啮合分量的时频分布曲线得到瞬时转频估计,再基于获得的瞬时转频对啮合分量与调制边频分量之和进行等角度重采样,将非平稳的分量信号转化为平稳信号,对重采样后的信号进行阶比分析,诊断齿轮故障.与传统的直接对齿轮箱故障振动信号进行阶比分析的方法比较,结果表明,提出的基于多尺度线调频基稀疏信号分解的阶比分析方法抗噪性强,调制边频带识别效果好.仿真算例与应用实例验证了本方法的有效性.     

基于阶次分析与循环平稳解调的齿轮箱复合故障诊断方法

针对变转速下的齿轮箱中复合故障的特征提取,提出了一种基于阶次分析与循环平稳解调的齿轮箱复合故障诊断方法.该方法先用线调频小波路径追踪算法从原始振动信号中提取转频信号,再根据转频信号对原始振动信号进行等角度重采样,将时域非平稳信号转化为角域周期平稳信号,最后对角域周期平稳信号进行循环平稳解调分析,根据故障特征阶次处的切片解调谱进行齿轮箱复合故障诊断.通过算法仿真和应用实例对包含齿轮局部故障和轴承局部故障的变转速齿轮箱复合故障进行了分析,分析结果表明,该方法在无转速计的情况下能有效地提取处于变转速下的齿轮箱复合故障的特征.     

自适应MCKD和VMD在行星齿轮箱早期故障诊断中的应用

针对行星齿轮箱早期故障信号微弱且受强背景噪声影响,致使故障信号特征频率难提取,通过自适应最大峭度解卷积（MCKD）和变分模态分解（VMD）进行早期故障特征提取。首先,利用变步长搜索,以峭度值为评判标准,搜索最优滤波器长度L;然后,将信号通过优化后的自适应MCKD算法降噪;最后,利用VMD分解降噪信号,通过包络谱进行分析,寻找故障特征频率。经仿真信号和实验信号验证,这里所提方法能够有效地提取出强噪声背景下的行星齿轮箱故障特征。     

VMD和奇异差分谱在齿轮早期故障诊断中的应用

针对齿轮故障振动信号的多分量、多频率调制特性且早期故障振动信号信噪比低,故障特征微弱难以提取的问题,提出了基于变分模态分解(Variational Mode Decomposition,VMD)和奇异值差分谱的故障诊断方法。首先对采集到的齿轮故障振动信号进行VMD分解,得到一系列窄带本征模态分量(band-limited intrinsic mode functions,BLIMFS),由于噪声的干扰,从各个模态分量的频谱中很难对故障做出正确的判断;然后根据相关系数准则,选取与原始信号相关系数较大的分量构建Hankel矩阵并进行奇异值分解,求取奇异值差分谱,从差分谱中确定重构信号的有效阶次对信号进行降噪处理;最后对降噪处理后的信号进行Hilbert包络谱分析,即可从中准确地识别出齿轮的故障特征频率。仿真信号和齿轮箱齿轮故障模拟实验结果表明,该方法能够有效地降低噪声的影响,准确地提取到齿轮微弱的故障特征信息。     

基于非线性短时傅里叶变换阶次跟踪的变速行星齿轮箱故障诊断

针对变速行星齿轮箱信号频率模糊且受噪声影响的问题,提出了基于非线性短时傅里叶变换（NLSTFT）无键相阶次跟踪与变分模态分解的故障诊断方法。用NLSTFT算法估计信号瞬时频率,对其积分获得瞬时相位曲线,通过重采样得到角域信号;利用NCOGS算法对角域信号降噪,采用VMD算法进行角域信号模态分解,通过各模态分量信号包络谱解调实现故障诊断。实验结果表明,新方法计算效率高、鲁棒性好,提高了变转速行星齿轮箱故障诊断性能。     

可变负载的准零刚度隔振器特性

针对风机滚动轴承微弱故障信号所具有的非线性和非平稳特征及易被强背景噪声掩盖的特点，提出了一种变分模态分解(variational modal decomposition, 简称VMD)和最大相关峭度解卷积(maximum correlated kurtosis deconvolution, 简称MCKD)相结合的滚动轴承微弱故障诊断方法。为实现VMD和MCKD的参数自适应选择，采用粒子群优化算法(particle swarm optimization, 简称PSO)，对两种算法中的参数进行优化。首先，利用PSO优化VMD算法中的α和K，再基于VMD对微弱故障信号分解后的结果，选取最优模态分量；其次，利用PSO优化MCKD算法中的L和T，再基于MCKD算法加强最优分量信号中的故障冲击成分；最后，通过包络谱提取出轴承微弱故障特征。仿真和试验均表明，此方法能够自适应增强轴承微弱故障中的冲击成分，有效提取出被强噪声淹没的轴承微弱故障特征。     

基于VMD和最小熵反褶积的齿轮早期故障诊断

针对强噪声环境下齿轮早期故障特征信号微弱,故障特征信息难以提取的问题,提出了变分模态分解(Variational Mode Decomposition,VMD)和最小熵反褶积(Minimum Entropy Deconvolution,MED)的诊断方法。首先,利用VMD对采集到的齿轮故障振动信号进行自适应分解,得到一系列窄带本征模态分量(band-limited intrinsic mode functions,BLIMFS),由于噪声的干扰,从各个模态分量的频谱中很难对故障做出正确的判断;然后依据相关系数准则,选取包含故障特征信息较丰富的分量进行MED滤波处理以消除噪声影响,凸显故障特征信息。最后对降噪后的信号进行Hilbert包络解调分析,即可从包络谱中准确地识别齿轮故障特征频率。通过仿真信号和齿轮箱实验数据对所提方法进行了验证,结果表明,该方法能够有效地降低噪声的影响,准确地提取齿轮早期故障信号中微弱的特征信息。     

基于VMD-SVD和SVM的旋转机械故障诊断研究

旋转机械的振动信号具有非线性、非平稳特点,同时其早期的微弱故障信号易受噪声的干扰,因此在故障诊断中难以提取其故障特征,识别其故障类型,针对这一问题,提出了一种基于变分模态分解(VMD)-奇异值分解(SVD)和支持向量机(SVM)的旋转机械故障诊断方法.首先,对原始振动信号进行了VMD分解,并得到了其若干个分量信号;然后...     

基于多项式Chirplet变换和变分模态分解的变转速工况轴向柱塞泵故障诊断

针对变转速工况轴向柱塞泵故障诊断时故障特征提取困难的问题,提出了基于多项式Chirplet变换和变分模态分解的诊断方法。首先使用多项式Chirplet变换估计瞬时频率;然后基于估计的瞬时频率重采样,将时域非平稳信号转化为角域平稳信号;最后对角域信号进行变分模态分解。根据峭度对所得的本征模态函数分量进行重构并作包络阶次谱分析,判断轴向柱塞泵中轴承的故障类型。实验结果表明,该方法有效提取了变转速工况轴向柱塞泵轴承的故障特征。     

基于变分模态分解和PSO-SVM的起重机齿轮箱故障诊断

起重机齿轮箱的振动信号具有信噪比低、非线性的特点,需要一定的专业知识和经验才能实现故障诊断。为了实现起重机齿轮箱的智能故障诊断,提出了一种基于变分模态分解(Variation?al modal decomposition,VMD)改进小波降噪和粒子群算法(Particle swarm optimization,PSO)优化支持向量机(Support vector machine,SVM)的智能故障诊断方法。首先,利用VMD将振动信号分解,得到不同尺度的本征模态函数(Intrinsic mode function,IMF),将分解的高频分量进行改进小波降噪后和低频分量完成信号重构;然后,提取重构信号的特征参数构建特征向量,使用核主分量分析(Ker?nel principal component analysis,KPCA)对向量降维处理实现特征信息融合;最后,利用PSO优化后的SVM进行故障识别分类。实验验证表明,基于VMD改进小波信号预处理和PSO算法优化SVM的模型具有很高的识别准确率,能够有效、准确地对起重机齿轮箱的故障类型进行识别和分类。     

基于线调频小波路径追踪阶比跟踪算法的齿轮箱故障诊断研究

针对阶比跟踪转速获取硬件方法需要额外安装转速测量设备,软件方法精度不高、抗噪能力弱的问题,提出基于线调频小波路径追踪瞬时频率估计的齿轮箱阶比跟踪故障诊断方法。该方法利用基于线调频小波路径追踪瞬时频率估计算法适于分解频率呈曲线变化的非平稳信号的特点,采用其对齿轮箱的啮合频率分量进行估计以获取转速信号,依据转速信号对等时间间隔采样信号进行等角度重采样,将非平稳信号转化为角域平稳信号,得到振动信号的阶次谱,判断齿轮箱故障。仿真算例与应用实例表明上述方法在瞬时频率估计方面具有精度高和抗噪能力强的优点,可以根据信号自身的特点自适应的选择基函数,准确地对转速进行估计,其与阶比跟踪算法的结合能有效诊断齿轮箱故障。     

Sparse signal decomposition method based on multi-scale chirplet and its application to the fault diagnosis of gearboxes

Based on the chirplet path pursuit and the sparse signal decomposition method, a new sparse signal decomposition method based on multi-scale chirplet is proposed and applied to the decomposition of vibration signals from gearboxes in fault diagnosis. An over-complete dictionary with multi-scale chirplets as its atoms is constructed using the method. Because of the multi-scale character, this method is superior to the traditional sparse signal decomposition method wherein only a single scale is adopted, and is more applicable to the decomposition of non-stationary signals with multi-components whose frequencies are time-varying. When there are faults in a gearbox, the vibration signals collected are usually AM-FM signals with multiple components whose frequencies vary with the rotational speed of the shaft. The meshing frequency and modulating frequency, which vary with time, can be derived by the proposed method and can be used in gearbox fault diagnosis under time-varying shaft-rotation speed conditions, where the traditional signal processing methods are always blocked. Both simulations and experiments validate the effectiveness of the proposed method.     

基于自适应时变滤波阶比跟踪的齿轮箱故障诊断

针对多输入多输出齿轮箱传动系统和齿轮箱集群的振动信号中各啮合频率阶次相互干扰,从而导致故障诊断困难的问题,研究提出一种基于自适应时变滤波阶比跟踪的齿轮箱故障诊断方法。该方法利用基于多尺度线调频基稀疏信号分解提取各对传动齿轮的啮合频率,以各啮合频率为中心频率,对应转频的倍频为滤波带宽分别设计自适应时变滤波器对信号进行滤波,逐个提取振动信号中的啮合频率调制分量,再分别对提取的啮合频率调制分量单独进行阶比分析,有效地抑制其他无关联轴上齿轮啮合振动信号和其他非阶比噪声信号对阶比谱的影响,较好地解决阶比信号相互干扰的问题,提高阶比谱的调制识别效果,为多输入多输出齿轮箱系统和齿轮箱集群的故障诊断提供一条有效途径。仿真算例和应用实例说明方法的有效性。     

改进小波去噪Teager算子的齿轮微弱故障提取方法

针对齿轮箱在强噪声背景下齿轮微弱故障振动信号的特征不易被提取的问题,提出将改进小波去噪和Teager能量算子相结合的微弱故障特征提取方法。采用改进小波阈值函数对振动信号进行去噪处理,与形态学滤波和传统小波阈值函数相比能够有效地提高信号的信噪比。对去噪后的信号进行集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)得到若干本征模式函数(intrinsic mode function,简称IMF),计算各IMF分量与原信号的相关系数并结合各IMF分量的频谱剔除虚假分量。对有效的IMF分量计算其Teager能量算子,并重构得到Teager能量谱,对重构信号进行时频分析并将其结果与原信号的希尔伯特黄变换(HilbertHuang transform,简称HHT)得到的边际谱进行对比。实验研究结果表明,本研究方法相比HHT能够对齿轮微弱故障特征进行更为有效地提取,验证了本研究方法在齿轮箱微弱故障诊断中的可行性。     

Compound fault diagnosis of bearings using improved fast spectral kurtosis with VMD

The fast spectrum kurtosis (FSK) algorithm can adaptively identify resonance bands of a signal, and fault characteristics can be extracted by analyzing the selected frequency bands. However, in practical applications, the bearing failure may be composed of various faults (inner ring/outer ring/rolling element) and the faults may be located in different resonant bands. Due to the interference between different fault components and noise, the weak components may be submerged when FSK is used to deal with compound fault signals. To improve the accuracy of an FSK processing compound fault located in different resonance bands, an improved FSK method combined with the variational mode decomposition (VMD) is proposed. First, the parameters (number of components K / penalty factor α ) in the VMD decomposition are selected, and the original compound fault signal is preprocessed by VMD decomposition, so that the original signal is decomposed into K variational intrinsic mode function (VIMF) components. The resonance center bands of these signals are different from each other, so the different fault information is located in different VIMF. Finally, each VIMF component is calculated by FSK. Through the simulated and experimental analysis, the method can accurately identify the resonance bands, and identify the weak fault characteristics of compound bearing fault.     

变分模态分解在转子故障诊断中的应用

针对转子故障诊断问题,提出一种基于变分模态分解(variational mode decomposition,简称VMD)的信号处理方法。该方法在获取分解分量的过程中通过迭代搜寻变分模型最优解来确定每个分量的频率中心及带宽,从而能够自适应地实现信号的频域剖分及各分量的有效分离,对各单分量信号进行希尔伯特变换,即可得到瞬时的频率和幅值信息。对仿真信号和典型转子故障信号进行VMD方法和经验模态分解(empirical mode decomposition,简称EMD)方法的分析比较,以验证所提方法的有效性。仿真信号的分解结果表明,变分模态能够准确分离出信号中的固有模态分量且不存在模态混叠;转子故障实验信号的分析结果表明,所提方法能够有效提取出明显的故障特征,从而准确诊断出转子存在的故障。     

基于改进型峰值搜索法的变速箱振动阶比分析

基于传统内燃机汽车发动机引起振动噪声阶次特征明显的特点，运用短时傅里叶变换（short-time Fourier transform，简称STFT）进行转速估计，结合阶次追踪法，对汽车加速工况变速器振动信号进行阶次分析。首先，利用STFT对加速工况变速箱振动信号进行时频分析；其次，利用改进型峰值搜索法提取特征阶次所对应的瞬时频率值，进一步计算得到发动机转速信号表达式；然后，根据发动机转速信号表达式对振动信号在角域重采样，进行阶次分析；最后，利用本研究方法对变速箱加速过程振动信号进行阶次分析，并与商用软件LMS.Test.lab分析结果进行对比。结果表明，本研究方法无需布置转速传感器即可对变速箱振动信号进行阶次分析，为整车振动噪声试验分析提供参考。     

内燃机变分模态Rihaczek谱纹理特征识别诊断

针对内燃机故障诊断中振动响应信号强耦合、弱故障特征的问题,提出一种基于内燃机振动谱图纹理特征提取的故障诊断方法。首先,为了清晰地刻画内燃机振动信号时频联合分布中的非平稳时变分量,将变分模态分解(VMD)与Rihaczek复能量密度分布方法有效结合,得到了时频聚集性好、无交叉项干扰的内燃机振动谱图像;针对VMD分解过程中的参数选取问题,提出将功率谱熵作为目标函数,对VMD的分解参数进行网格寻优,提高了VMD分解的自适应性。为了实现对内燃机振动谱图像的自动识别及故障诊断,提出了改进的局部二值模式(ILBP)方法,用来对振动谱图中蕴含的纹理信息进行分析,提取低维特征参量并采用最近邻分类器对内燃机不同工况的振动谱图像进行模式识别。将该方法应用于内燃机故障诊断实例中,结果表明该方法能有效提取内燃机振动信号中的微弱故障特征,实现内燃机故障的自动诊断。