高速列车转向架区气动噪声分离研究

提出了一种基于快速路径优化的自适应短时傅里叶变换时频分析方法，并将该方法用于行星齿轮箱的故障诊断。该时频分析方法通过使用快速路径优化获得瞬时频率变化规律，在短时傅里叶变换过程中自适应的改变时窗长度，从而获得更恰当的时频分辨率。针对行星齿轮箱运行状态不稳定的特点，通过使用笔者提出的时频分析方法可以有效地提取出行星齿轮箱的转速信息，利用参考转速对故障信号角度域重采样和阶次分析，从而实现变转速情况下的行星齿轮箱故障诊断。仿真分析表明，与传统短时傅里叶变换相比基于快速路径优化的自适应短时傅里叶变换得到的时频分布能量更加集中；试验分析证明了基于快速路径优化的自适应短时傅里叶变换方法在行星齿轮箱故障诊断中的有效性。     

基于自适应短时Chirp-Fourier变换的瞬时转速估计及应用

回转设备的瞬时转速是实现故障诊断的重要参数之一,也是提取表征设备运行状态其他关键参数的基本前提。针对传统短时傅里叶变换方法存在瞬时转速估计精度不足的问题,提出一种基于自适应短时Chirp-Fourier变换的瞬时转速估计方法。该方法建立调频参数的自适应选取策略,可根据信号的时频分布特性对信号进行自适应匹配分解,不但提高了计算效率,而且避免了谱图模糊问题,实现瞬时转速的精确估计。在此基础上结合信号解调技术,形成无键相幅值相位解调方法,并成功应用于变工况下的齿轮箱故障诊断。     

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。     

基于时频分析的设备故障特征提取方法研究

本文分析了三种典型的时频分析方法的特点,搭建故障诊断平台,设计试验方案,获取试验数据,以快速傅里叶变换为基础,采用短时傅里叶、连续小波和S变换三种时频分析方法分别对原始数据进行预处理。     

基于时变滤波与CWT的齿轮箱无转速计阶次跟踪

针对转频波动工况下复杂齿轮箱系统振动信号中各啮合阶次成分相互干扰,导致对啮合频率估计困难的情况,提出一种基于时变滤波与连续小波变换(CWT)结合的无转速计阶次跟踪齿轮箱故障诊断技术。基于短时傅里叶变换(STFT)设置时变滤波器;通过时变滤波及连续小波变换(CWT),获得平滑的瞬时频率估计(IFE);再基于Vold-Kalman滤波(VKF)获得参考轴相位。该方法获得的阶次谱与计算阶次跟踪(COT)相当。最后,结合快速谱峭度算法可准确判断故障齿轮位置。通过仿真和实验表明,无转速计方法能为强噪声转速明显波动工况下的机械故障诊断提供一种新的有效手段。     

基于二维深度卷积网络的旋转机械故障诊断

针对旋转机械振动信号复杂且难以提取有效故障特征的问题,提出了一种短时傅里叶变换和二维深度卷积网络相结合的故障诊断方法。首先对旋转机械振动信号进行短时傅里叶变换,得到时频图;接着将时频图输入到二维深度卷积网络中进行识别,得到最终分类结果。将该方法分别应用于滚动轴承与齿轮箱故障诊断中,在凯斯西储大学滚动轴承数据集、PHM2009直齿齿轮箱数据集上均取得了较好效果,正确率优于将时域信号直接输入到经典CNN中,验证了该方法的优越性。     

广义参数化同步压缩变换及其在旋转机械振动信号中的应用

广义参数化时频分析通过构造匹配的参数化变换核,能够有效提高强调频信号的时频能量聚集性。然而,受短时傅里叶变换中窗函数结构的影响,利用该方法获得的时频能量分布在真实瞬时频率附近始终存在能量扩散现象。同步压缩变换利用同步压缩操作可将短时傅里叶变换处理后的时频能量压缩至真实瞬时频率位置,然而,同步压缩变换仅适用于分析频率成分恒定的纯谐波信号。以短时傅里叶变换为纽带,将两种时频分析方法相结合,提出了广义参数化同步压缩变换。考虑到旋转机械振动信号多为多分量信号,通过迭代处理的方式,依次获取各单分量信号的时频能量分布,对其进行叠加得到最终的时频能量分布。通过数值仿真以及变转速下转子不对中、滚动轴承外圈故障模拟试验验证了所提方法的有效性。     

窗口伸缩优化的同步压缩算法及其在变转速工况瞬时频率估计上的应用

针对传统时频分析方法的固定窗在分析非线性调频信号时存在时频聚集性不高等问题,在短时傅里叶变换基础上引入同步压缩理论,利用信号的局部信息特征,提出一种窗口伸缩优化的时频同步压缩变换算法,并在此基础上推导出二阶及高阶的窗口伸缩优化的同步压缩变换算法.该方法能够兼顾同步压缩变换和重排的优势,进一步锐化时频脊线,从而增强时频表...     

基于FDM的机械故障信号诊断处理方法研究

傅里叶分解(FDM)是一种新的自适应时频分析方法,该方法首先定义了瞬时频率具有物理意义的傅里叶固有频带函数(FIBFs),然后在整个傅里叶域自适应地搜寻解析傅里叶固有频带函数(AFIBFs),从而将非平稳非线性信号自适应地分解为若干个傅里叶固有频带函数和一个残余分量。FDM方法基于傅里叶变换,且是一种完备的、正交的、局部的和自适应的信号处理方法,数学理论充分,并且可以直接依据解析傅里叶固有频带函数直接求得时频能量谱,时频分辨率高,优点非常明显。仿真结果表明,与EMD相比,该方法无端点效应,不存在模态混叠效应,且数学理论充分。最后成功地将该方法应用到实际的滚动轴承故障诊断中。     

基于WVD谱峭度法在轴承故障诊断中的应用

在对基于短时傅里叶变换(STFT)和基于小波变换的谱峭度法分析的基础上,提出了基于W igner Vil le分布的谱峭度法。将其作为检测工具,利用谱峭度构造最优滤波器提取轴承故障 信息。将这三种谱峭度法应用于滚动轴承故障诊断中进行对比分析。分析结果表明，时频分析方法对信号能量的集中程度和时窗与滤波器的选取是影响谱峭度法应用效果的主要因素。该结果对基于时频分析的谱峭度法理论体系的形成及其在故障诊断中的应用具有实际意义。     

基于WVD的谱峭度法在轴承故障诊断中的应用

在对基于短时傅里叶变换(STFT)和基于小波变换的谱峭度法分析的基础上,提出了基于Wigner-Ville分布的谱峭度法.将其作为检测工具,利用谱峭度构造最优滤波器提取轴承故障信息.将这三种谱峭度法应用于滚动轴承故障诊断中进行对比分析.分析结果表明,时频分析方法对信号能量的集中程度和时窗与滤波器的选取是影响谱峭度法应用效果的主要因素.该结果对基于时频分析的谱峭度法理论体系的形成及其在故障诊断中的应用具有实际意义.     

基于NLSTFT与TSA相结合的风电齿轮箱故障诊断

针对变工况风电齿轮箱振动信号存在频谱频率模糊问题,以及传统时域同步平均方法需要键相信号及转速稳定要求.提出了一种不需要键相信号可跟踪变转速振动信号瞬时频率的时域同步平均方法.该方法通过非线性短时傅里叶变换(Non-linear short-time fourier transform,NLSTFT)获取变转速齿轮箱振动信号瞬时频率曲线,积分得到瞬时相位曲线;根据瞬时相位对原始信号进行角域重采样,获得阶次信号;最后对阶次信号进行TSA处理进行齿轮故障诊断.以某机组的齿轮箱实测数据,有效地验证了所提方法在风电齿轮箱故障诊断中的有效性及工程实用性.     

基于时频融合和注意力机制的深度学习行星齿轮箱故障诊断方法

针对行星齿轮箱振动信号频率成分复杂和时变性强的问题,提出了基于时频融合和注意力机制的深度学习行星齿轮箱故障诊断方法。首先,采用小波包分解将原始振动信号分解到频带和时间两个维度作为输入数据;然后,使用卷积神经网络融合数据的频带特征,使用双向门控循环单元融合时序特征;接着采用注意力结构对不同时间点的特征自适应地进行动态加权融合;最后通过分类器进行识别,实现行星齿轮箱的端对端故障诊断。实验表明,该方法对比现有的深度学习故障诊断模型具有更高准确率,能够对行星齿轮箱多种健康状态进行准确地诊断。     

基于时频分析的雨刮直流电机故障分析

分别采用短时傅里叶变换和小波变换对雨刮直流电机的轴承异响和蜗轮蜗杆异响故障的振动和噪声信号进行了分析,得出了这两类故障的时频特性,为特征参数提取和实现故障诊断提供了直接依据。通过对比,初步验证了短时傅里叶分析和小波分析的正确性与适用性,发现小波分析更具有优势。     

基于ITD和短时傅里叶变换的故障诊断方法

根据固有时间尺度分解和短时傅里叶变换方法的优点,提出固有时间尺度分解和短时傅里叶变换相结合的故障诊断方法。采用ITD方法故障信号分解为若干个固有旋转分量和一个单调趋势项,提取特征信号并确定故障;运用短时傅里叶变换方法对分解的PR分量进行时频分析得到特性频率并进行相关预判断。以齿轮箱为试验对象进行诊断,结果表明,该方法可以有效地提取故障特征信号,并对隐藏的信号进行提取,实现有效诊断故障和预防故障发生。     

自适应窗口旋转同步压缩变换及其在电机转速估计上的应用

针对同步压缩变换(Synchrosueezing Transform,SST)中短时傅里叶变换(Short-time Fourier Transform,STFT),固定窗效应在处理非线性时变信号上的不足,提出了一种自适应窗口旋转短时傅里叶变换(Adaptive Window Rotating Short Time Fourier Transform,AWRSTFT)方法,该方法通过自适应匹配一系列的旋转算子,实现信号在全局上的频率带宽最小。进一步地,在SST的框架下,用AWRSST方法替换STFT,提出了自适应窗口旋转同步压缩变换(Adaptive Window Rotating Synchrosueezing Transform,AWRSST)方法,并用于电机转速信号的处理,该方法能够兼顾AWRSTFT和SST的优势,进一步锐化时频脊线,从而增强时频表示的能量聚集水平。通过数值仿真和电机转速估计实验,验证了该方法的有效性。     

基于1.5维谱活跃频率的行星齿轮箱磨损故障诊断研究

行星齿轮箱中多种频率成分相互耦合导致无法提取故障特征,针对这一问题,提出了基于1.5维谱(三阶累积量一维对角切片谱)活跃频率的行星齿轮箱磨损故障诊断的方法。该方法先将1.5维谱能够识别的二次相位耦合推广到符合实际意义的二次频率耦合,再将解耦出的参与耦合频率与耦合产生频率逐点相乘,以得到其活跃频率;然后通过观察活跃频率与故障频率之间的关系,判断行星齿轮箱是否发生故障;实验部分首先运用该方法从仿真信号中提取出了活跃频率,然后通过搭建行星齿轮箱齿面磨损故障实验台采集振动信号,最后运用该方法提取出了其磨损故障特征频率。研究结果表明:传统的傅里叶变换方法不能提取出故障特征频率,基于1.5维谱活跃频率的磨损故障诊断方法能够从行星齿轮箱振动信号中提取出故障特征频率,实现了对行星齿轮箱磨损故障的诊断,对行星齿轮箱磨损故障诊断具有重要意义。     

基于动态加权密集连接卷积网络的变转速行星齿轮箱故障诊断

针对变转速工况下基于深度学习的行星齿轮箱故障诊断问题,提出动态加权密集连接卷积网络的故障诊断方法。将行星齿轮箱振动信号的小波包系数二维矩阵输入到密集连接卷积网络作为网络的初始特征图;在密集连接卷积网络的跨层连接中加入动态加权层,形成动态加权密集连接卷积网络,加强网络的深层信息传递;通过动态加权网络层自适应提取不同频带内的故障特征信息进行行星齿轮箱故障诊断。试验表明了所提的动态加权密集连接卷积网络能有效诊断变转速行星齿轮箱故障。     

6205-2RS轴承内圈故障特征时频分析

分析6205-2RS轴承内圈故障时变信号,提取故障特征。通过对短时傅里叶变换与Wigner-Ville分布数值仿真实验比较,明确了短时傅里叶变换与Wigner-Ville分布的时频分析优缺点。针对非平稳轴承振动信号,利用短时傅里叶变换,结合Wigner-Ville分布进行了故障特征提取。通过提高短时傅里叶变换汉明窗点数,结合Wigner-Ville分布参数调整与轴承部件的旋转频率计算,给出了6205-2RS轴承内圈故障特征结果。该方法能较准确地诊断轴承内圈的故障现象。     

强耦合结构动载荷识别方法

以高速列车转向架构架为研究对象对强耦合结构的动载荷识别方法进行了研究.分析构架的结构特点及载荷系分布,以齿轮箱载荷识别为例通过加载齿轮箱载荷工况及干扰载荷工况获得强耦合边界测点的应变响应,通过三次样条空间插值的方法分别获得了三种工况下的强耦合区域内部的应变分布,将两种干扰载荷工况应变等高线交叉为零的点选为齿轮箱载荷识别测点,通过逐级加载的"载荷-应变"传递系数标定试验获得了标定散点,通过对散点进行回归分析获得最终的齿轮箱载荷系"载荷-应变"传递系数从而完成了载荷识别.通过线路实测获得了齿轮箱载荷系的时域数据,利用短时傅里叶变换得到了齿轮箱载荷系的时频图及频谱图,通过频域分析验证了该载荷解耦方法的有效性.