齿轮损伤诊断的非参数统计检验方法

提出一种基于振动信号频谱的双样本Kolmogorov-Smirnov (K-S)检验的齿轮损伤诊断方法。从齿轮箱振动信号中获得齿轮啮合振动的时域同步平均信号及其频谱,与齿轮初始啮合阶段的振动时域同步平均信号及其频谱比较,计算其K-S统计距离和相似概率,并将其作为齿轮磨损的量化指标。针对齿轮全生命周期啮合试验的振动信号数据,计算该量化指标。结果表明:时域信号K-S检验的统计距离可以反映齿轮状态的变化,相似概率的变化无规律,频域的这2个指标值均能指示出齿轮破损。     

基于LabVIEW的齿轮调制故障检测系统设计

针对齿轮故障振动信号的调制特点,设计了一种基于振动信号的齿轮状态检测分析系统,实现齿轮传动过程中异常状态的实时在线检测。以LabVIEW为开发平台,在开发齿轮状态监测各个程序模块的基础上,设计了基于Hilbert的包络解调分析模块。最后通过仿真和实验对齿轮故障的调制振动信号进行了解调分析,分析结果表明,基于包络解调分析模块的齿轮检测系统可准确地对齿轮故障的类型和位置进行识别。     

基于EEMD的特征提取及其在齿轮裂纹故障诊断中的应用

为了提取齿轮裂纹故障的特征参数并识别不同裂纹深度齿轮的类型,以单级齿轮箱中的圆柱齿轮为实验对象,采集3种不同裂纹深度齿轮的振动信号。对采集到的信号进行时频域分析和EEMD分解,分别提取时域特征参数和EEMD能量特征参数,分析和构造齿轮裂纹故障特征向量,选用基于径向基核函数的支持向量机分类方法进行不同裂纹深度齿轮的识别。结果表明：结合时域特征参数和EEMD能量特征参数构造的齿轮裂纹故障特征向量能准确识别不同裂纹深度齿轮的类型。     

基于倒谱分析的齿轮箱齿轮点蚀故障诊断研究

齿轮箱是各种机械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。阐述了近年来国内外齿轮传动系统故障特征提取和模式识别方法的研究现状;介绍了倒频谱分析的原理及其在齿轮箱诊断中的优点;在对齿轮箱的振动信号进行幅值谱、功率谱分析的基础上,利用倒谱分析诊断出齿轮箱中的点蚀故障,并确定点蚀故障所在的齿轮,证明了倒谱分析的有效性和可行性。     

基于复解析带通滤波器的ZOOMFFT法应用于齿轮故障诊断

齿轮出现故障时,在振动信号频谱图中出现形式各异的调制边频带,其中包含有丰富的齿轮故障信息,对边频带进行分析,必须有足够高的频率分辫率.搭建齿轮故障诊断试验台,基于LABVIEW的虚拟仪器平台建立数据采集系统.将基于复解析带通滤波器的ZOOMFFT法应用到故障齿轮振动信号的边频带分析.实验证明,该法提高了频谱分析的频率分辨率,便于准确提取边频带信息,进行故障诊断.     

虚拟环境下机床主传动系统故障诊断的仿真实现

本文介绍了用AutoCAD完成机床主传动系统三维实体造型，用Visual C ,Visual LISP等工具完成主轴箱轴承，齿轮，轴等部们在运行中出现故障时的立体动画，经压电晶体加速度传感器实时检测机床的振动信号，对这些信号进行分析（统计处理，频谱分析等），提取出故障特征，经人工神经网络，模糊决策及专家系统等手段进行决策，判断故障部位和程度，可在微机上直观地观察主轴箱在运行过程中，各故障具体部位及损伤程度的虚拟现实情况。     

往复式压缩机气阀故障模拟实验与数据处理

研究往复压缩机气阀故障原理,在2D-90MG两列一级往复压缩机实验平台上对进气阀、排气阀进行一系列破坏性实验,模拟气阀的各类故障,最大限度地保证采集到的振动信号与实际情况相符。通过设计气阀故障模拟实验,搭建实验平台,采集气阀振动信号数据。通过分析所采集到的振动信号的时域波形与频谱,总结气阀振动信号特征,对气阀故障类别进行初步诊断。     

齿轮传动系统齿根裂纹早期故障识别

建立齿轮系统动力学模型,分析不同深度的齿根裂纹齿轮系统的振动响应和裂纹的故障特征,采用经验模式分解EMD(Empirical Mode Decomposition)方法与频域分析对齿轮早期裂纹故障实验中振动加速度传感器获取的齿轮箱振动信号进行分析。用EMD方法分别将0 mm、2 mm、4 mm的齿轮齿根裂纹故障信号分解为本征模式IMF(intrinsic mode function),对各IMF分量进行频域分析并与仿真信号对比。结果表明:仿真结果可清晰得到齿轮早期裂纹故障的特征频率,通过频谱分析,齿轮裂纹故障其对啮合频率的幅值影响不大,但随裂纹深度增加,啮合频率及其倍频附近的边频带幅值增加;与实验信号进行对比,现象均符合裂纹故障特征。由此可以看出EMD方法可以有效的实现齿轮裂纹早期故障的识别。     

回归法在机械性能衰退预测及故障诊断中的应用

机械运转时会发生渐进式的故障,为了尽早侦测出现的异常征兆,并对机械系统建立预兆式维护作业。利用回归分析法建立性能衰退预测模型,从机械振动变化预测机械性能衰退趋势,分析机械系统故障种类、故障问题,建立机台振动总量估算法及性能衰退管理方法。探讨故障诊断层级,建立振动信号测量诊断平台,通过对振动时域信号特征提取与分析,从而实现对机械系统进行性能评估及故障识别。实验结果表明:指数模型和测量数据具高关联性,适合于预估机械性能衰退,为机械系统的预兆式维护提供了技术参考。     

基于振动信号残差法的齿轮故障诊断分析与仿真

为了防止齿轮故障,文章基于振动信号残差法,将采集的振动信号进行同步时域平均后,再将其进行快速傅里叶变换,将平均后的信号独立分离成两部分,从而得到齿轮的常规信号和故障信号。然后,再通过计算残差信号有效值,对故障变化程度给出定量描述。通过比较,可以明显看出时域图中信号波形无明显差异,而经处理后的残差图中常规振动信号幅度较小,波形中出现明显的峰值变化处,即故障信号,同时峰值越突出的地方即故障越严重的位置。     

基于小波变换的齿轮箱故障诊断

时域同步平均(Time Synchronous Averaging,TSA)信号只包含齿轮啮合频率信号和倍频信号,若齿轮出现故障,会使TSA信号得到某种程度的调制.文章将连续小波变换应用于齿轮箱振动采样的TSA信号,检测和分析齿轮箱的轮齿缺陷,设计并制作齿轮箱故障诊断试验台,通过齿轮全运行周期啮合试验,利用LABVIEW虚拟仪器采集系统采集振动信号,然后利用MATLAB编写相应的程序,绘制出所需信号的波形图,对所采集的数据文件进行信号分析处理,以达到齿轮箱故障诊断的目的,并验证了小波变换对齿轮故障诊断的有效性.     

传感器位置对齿轮故障的敏感性研究

齿轮的故障特征信息常常隐藏在齿轮的振动信号中,而振动信号则往往通过加速度传感器采集获得。在不同位置所采集到的振动信号,其噪声干扰也往往存在着强弱差异,因此找到传感器对信号采集的敏感位置在信号采集中显得尤为重要。通过采用故障特征参数值分析方法中的不同的故障状态指标作为参考依据,同时在去噪方法中采用能明显提高信噪比的时域同步平均方法进行去噪,结果发现:安装在靠近轴承座附近位置的A04号传感器所采集的振动信号噪声干扰较小;通过加速度传感器采集齿轮箱的振动故障信号时,最敏感位置应存在于轴承座附近。     

基于频域窗函数的短时傅里叶变换及其在机械冲击特征提取中的应用

提取冲击特征是实现轴承、齿轮故障识别的关键,但是容易受到噪声和其他无关成分的干扰。区别于经典的时频分析方法如短时傅里叶变换和同步压缩小波变换,提出基于频域窗函数的短时傅里叶变换法。利用最大相关峭度反卷积的方法对振动信号进行滤波,使信号的质量得到提高;通过频域窗函数,实现二维时频平面中时间的精准定位和冲击特征的准确识别,进一步锐化了复杂多组分信号的时频脊线。利用所提方法对数值仿真信号和实际轴承故障信号进行分析,验证了所提方法的有效性。     

直升机动力传动系统故障诊断方法

为降低飞行事故,保证飞行安全性,对直升机动力传动系统进行故障诊断研究。分析行星齿轮振动机理以及信号分离方法,设计并制作行星齿轮箱故障诊断试验台,利用LABVIEW虚拟仪器采集系统采集振动信号,通过行星齿轮啮合试验,对所采集的数据文件进行信号处理,检测和分析行星齿轮箱的轮齿缺陷。结果表明:对从行星齿轮传动机构获得的振动数据进行信号时域平均,可实现对行星齿轮振动信号的充分分离,清晰地检测出故障所在,以达到直升机动力传动系统故障诊断的目的。     

基于最大相关峭度反褶积法的行星齿轮故障诊断

针对行星轮系结构复杂,故障信号特征提取困难,提出使用扭振信号对行星齿轮箱故障进行诊断。通过对行星齿轮箱横向振动信号与扭振信号的频谱分析发现,扭振信号相对于往复振动信号更适合行星轮系的故障诊断。针对扭振信号微弱,冲击特性不明显,提出基于最大相关峭度反褶积处理扭振信号。首先对采集的行星齿轮扭振信号先进行零均值化预处理,然后使用MCKD方法增强扭振信号的冲击特性。以故障冲击特性的峭度值作为选择FIR滤波器长度的选择依据,最终使得行星齿轮箱扭振信号的故障冲击特征得到显著提升。该方法对于扭振信号的降噪与提高周期故障冲击特征有效,适用于行星齿轮箱扭振信号的故障诊断。     

基于最佳小波包分解和HMM的齿轮故障模式识别

齿轮故障模式识别的关键问题在于对故障振动信号的特征提取。为了快速准确识别齿轮故障模式,提出了一种基于最佳小波包分解(OWPD)和隐马尔可夫模型(HMM)的识别方法。该方法对采集的振动信号进行小波包分解,再利用OWPD自动选择提取最佳小波包能量构造特征向量,输入HMM中进行训练与测试,实现了齿轮故障模式识别。实验结果表明该方法在齿轮故障模式识别方面的有效性和准确性。     

Gear tooth stiffness reduction measurement using modal analysis and its use in wear fault severity assessment of spur gears

Due to excessive service load, inappropriate operating conditions or simply end of life fatigue, damage can occur in gears. When a fault, either distributed or localised, is incurred by gears, the stiffness and consequently vibration characteristics of the damaged tooth will change. A possible non-destructive technique for damage detection and severity assessment can be derived from vibration analysis. This paper presents the use of vibration analysis in the detection, quantification, and advancement monitoring of damage incurred by spur gear teeth. The stiffness of a single spur gear tooth is analysed theoretically, and due to the difficulties in measuring the gear tooth stiffness, an experimental procedure based on the modal analysis is developed to assess the severity of the gear tooth damage. A pair of spur gears was tested under accelerated wear conditions, and conventional time and frequency domain techniques are applied to the gear vibrations to indicate the presence and progression of the wear. The developed modal stiffness assessment technique is then used to quantify the resulting wear damage to the spur gear teeth.     

VMD复合熵值法在齿轮故障诊断中的应用

针对齿轮实际工况复杂、故障特征难以提取的问题,提出一种基于变分模态分解(Variational Mode Decomposition,VMD)复合熵值法的故障诊断方法。首先,采用VMD方法对不同工况下齿轮振动信号进行分解,并对分解过程中关键参数的选择进行了研究;其次,根据频域互相关系数准则筛选出可有效表征齿轮状态特征的固有模态函数(Intrinsic Mode Function,IMF)进行信号重构,为反映齿轮信号在不同尺度上的时-频细节复杂度特征,计算重构信号的样本熵、奇异值熵、功率谱熵和能量熵,形成高维状态特征向量;最后,将高维状态特征向量作为最小二乘支持向量机(Least Square Support Vector Machine,LS-SVM)的输入,对齿轮的工作状态和故障类型进行识别分类。通过实测齿轮信号的分析,结果表明,该方法能够有效实现齿轮故障的诊断。