基于特征增强倒频谱分析的齿轮故障诊断方法

齿轮发生故障后,由于采集到的振动信号同时包含故障冲击、确定性啮合信号及噪声等多种信号,同时,各种信号还会受传递路径的影响,使得齿轮故障特征提取难度较大。倒频谱分析是常见的齿轮故障诊断方法,能将边频带中的周期成分显示为单根谱线,有助于故障诊断,但当故障特征信号较微弱时,倒频谱中得到的故障特征并不明显。为此,提出一种特征增强倒频谱分析方法,利用最小熵解卷积、自回归线性预测和小波去噪3种特征增强方法,逐步增强齿轮振动信号中的故障冲击特征,再利用倒频谱进行故障特征提取。通过实验,验证了所提方法的有效性。     

定量诊断齿轮箱故障方法的探讨

本文探讨了如何通过对齿轮箱噪声、振动谱的分析来定量诊断齿轮箱故障。在对齿轮箱故障定性判断的基础上,作者提出了通过频谱的谐波分析和倒频谱分析方法可以判断齿轮的故障程度。文中给出了诊断方法的思路与计算公式,并由试验分析得出了诊断齿轮不同程度故障的阈值。     

基于谱熵的齿轮故障诊断方法研究

齿轮故障诊断中,采用何种有效的方法对随机动态信号进行分析和特征提取是关键所在。在实际工程当中所采集到的系统信号不可避免地受到噪声的污染,所以普通的一些处理方法如功率谱分析法等,对噪声的存在很敏感,检测分析结果往往不很理想,且很难准确区分故障。谱熵方法从统计学理论入手,反映了信号的无序性,对噪声具有一定的鲁棒性。本文将谱熵理论引入到机械齿轮传动系统中,对齿轮发生的裂纹、磨损故障进行了特征提取、区分与诊断,并与正常齿轮进行了对比,分析模拟和实验结果表明,效果良好,识别诊断的精度在90%以上,为机械齿轮传动系统的故障识别与诊断提供了一种有效方法。     

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。     

Hilbert解调与倒阶次谱的变工况齿轮特征提取

为了对变工况齿轮信号进行特征提取,对变工况齿轮故障特征进行了研究,采用Hilbert解调的方法对变工况齿轮角域信号进行解调,但Hilbert解调在处理变工况齿轮角域信号时有局限性,所以采用Hilbert解调与倒阶次谱相结合的方法对变工况齿轮角域信号进行诊断研究。首先,分析了角域信号的组成成分以及齿轮角域信号的故障特征;其次,对Hilbert解调和倒阶次谱进行了分析;再次,对Hilbert解调的局限性以及改进方法进行了分析;最后,通过实验仿真与验证说明了Hilbert解调与倒阶次谱相结合的方法对角域信号特征提取的有效性。     

基于多维度模糊熵的齿轮故障诊断方法

针对齿轮的故障诊断问题,引入模糊熵的方法对齿轮振动信号进行分析。通过研究嵌入维数和延迟时间对信号模糊熵的影响,提出多维度模糊熵的齿轮故障特征提取方法。利用多维度模糊熵特征提取方法提取故障特征,并结合支持向量机建立了齿轮故障诊断模型。对实测齿轮故障数据进行分析,证明了多维度模糊熵方法可以有效提取齿轮不同状态的特征信息,与支持向量机结合可以精确地诊断齿轮典型故障,具有一定的优势。     

采煤机摇臂齿轮传动系统振源定位分析方法

为了研究采煤机摇臂传动齿轮的振动分析方法并进行实机振源定位验证,首先,采用小波分析对采煤机摇臂振动信号进行降噪处理和频谱分析,依据特征频率下的振幅结果确定故障齿轮的啮合频率;然后,通过Morlet小波包络解调分析获取边频带信号频谱特征,依据边频带特征频率下的振幅结果确定故障齿轮的转动频率;最后,对频谱分析和Morlet小波包络解调分析的结果进行综合分析,锁定故障齿轮的准确位置。对一台国产采煤机摇臂齿轮传动系统进行了振动测试与信号分析,结果表明,基于小波分析、频谱分析和Morlet小波包络解调分析相结合的振动分析方法可以实现对采煤机摇臂故障齿轮的准确定位,为强噪声环境下复杂齿轮传动系统的故障快速定位和现场定点维修提供了方法支持。     

双谱估计结合EEMD的齿轮故障特征提取

以实测齿轮箱振动信号为分析对象,对锥齿轮系统进行故障特征提取。通过总体平均经验模态分解(EEMD)将采集到的振动信号进行分解,对比分析原始信号功率谱密度特性和各本征模态函数(IMF)频谱特性,抽取相关频带的IMF分量进行信号重构;对重构信号利用直接法进行双谱估计,计算重构信号的双谱熵和非高斯性强度并分析其随试验时间的变化趋势。结果表明,双谱熵和非高斯性强度可以有效反映齿轮运行实时状况,可作为故障诊断和趋势预测的故障特征值。     

基于最小熵解卷积的谱峭度法在行星齿轮箱故障诊断中的应用

针对噪声干扰状态下行星齿轮箱故障诊断中的齿轮故障特征提取,提出最小熵解卷积与谱峭度结合(Spectral Kurtosis Method based on Minimum Entropy Deconvolution,MEDSK)的行星齿轮箱齿轮故障特征提取方法。利用MED对原始扭转振动信号进行预处理,抑制信号中的噪声干扰,提升行星齿轮箱中被噪声淹没的故障冲击成份。利用谱峭度对预处理后的信号选择最优的带通滤波器参数进行带通滤波,然后通过Hilbert变换进行包络解调,最后将解调出来的低频信号进行频谱分析得到MED-SK方法的包络谱。通过对仿真信号和承受多种载荷状态下采集到的行星齿轮箱输出轴实际行星齿轮故障扭转振动信号进行分析,验证了这种方法能准确地提取行星齿轮故障特征。     

基于传动误差检测法的齿轮故障测试系统设计

将检测传动误差的方法应用到齿轮故障诊断中,通过测量齿轮箱轴端角编码器输出的两路脉冲的脉宽时间,获得齿轮系统的传动误差信号;然后采用经验模态分解方法(EMD)将传动误差信号分解为有限个本征模态分量(IMF),从中筛选出包含故障信息的有用IMF分量,合并成新的信号;最后对该信号进行阶次谱图和倒阶次谱图分析,获得齿轮的故障特征,实现故障诊断。在自主设计的一款两通道数据采集卡的基础上,搭建了基于传动误差检测法的齿轮故障分析测试系统,试验结果表明,设计的齿轮故障测试系统能够有效诊断出齿轮的故障。     

应用EMD和倒包络谱分析的故障提取方法

针对倒频谱分析方法难以提取滚动轴承早期微弱故障的问题,提出了一种利用最小熵反褶积(minimum entropy deconvolution,简称MED)和倒包络谱分析的故障特征提取方法,并应用于滚动轴承诊断中。首先,采用MED方法对故障信号进行降噪处理,同时增强信号中的周期成分;然后,计算降噪后信号的包络,再对包络信号进行倒频谱分析;最后,得到倒包络谱,提取故障特征。试验结果表明,所提出的方法优于传统的倒频谱分析,能够有效提取强背景噪声下的滚动轴承早期故障特征频率信息。     

IMF分量的倒频谱分析在滚动轴承故障诊断中的应用

轴承局部损伤故障引起的振动响应往往会被较大的振动信号所掩盖,影响故障的正确诊断。本文提出IMF分量的倒频谱分析方法,首先将复杂的信号分解为有限的内禀模态函数（IMF）之和,对原始振动信号进行降维;再对IMF分量进行倒频谱分析,利用倒频谱方法准确地提取振动信号幅值谱上的周期特征。对EMD分解得到的多个IMF分量同时做倒频谱分析,可以相互验证,从而得到更可靠、更准确、更可信的诊断结果。通过对IMF分量的倒频谱分析法和Hilbert包络谱分析法诊断效果进行比较,结果表明,IMF分量的倒频谱分析方法比Hilbert包络谱分析提取的故障频率特征更精准、可靠。     

MOMEDA结合数学形态滤波的齿轮故障特征提取

为了实现齿轮故障特征的有效提取,针对齿轮早期故障振动信号非线性、非平稳且信噪比低的特点,提出了一种基于多点最优最小熵反卷积(MOMEDA)和数学形态滤波的齿轮故障特征提取方法。首先利用MOMEDA恢复信号中的周期性故障特征并实现信号的降噪,再运用形态差值滤波器对解卷积后的信号进行滤波以增强信号中的冲击特征,最后对滤波结果求取频谱以进行故障特征提取;通过对仿真结果和实验数据的分析验证了该方法的可行性和有效性。结果表明,该方法具有抑制噪声和提取周期性故障冲击特征的能力,能够实现齿轮故障特征的提取。     

矿井设备齿轮与轴承故障的诊断基础及信号特征研究

应用齿轮振动和轴承振动的数学模型,对齿轮和轴承故障的诊断基础和信号特征进行研究,认为:齿轮和轴承不同形式的故障对应不同特点的振动信号,根据振动信号的时域和频谱特征可以得到特定的故障形式;齿轮发生故障时会在其频谱图中形成频率和幅值调制现象。     

基于EEMD与奇异熵增量谱的齿轮故障特征提取

针对齿轮振动信号非线性、非平稳的特点,提出一种基于集合经验模态分解(EEMD)与奇异熵增量谱的齿轮故障特征提取方法。首先,利用EEMD方法将齿轮振动信号分解为若干个平稳的本征模态函数(IMF)分量。EEMD方法利用正态分布白噪声的二进尺度分解特性,能够有效抑制经验模态分解(EMD)中的模态混叠现象。但由于背景噪声和残余辅助白噪声的影响,EEMD分解得到的IMF分量难以准确提取齿轮故障特征。利用奇异值分解(SVD)对IMF分量进行消噪和重构,根据奇异熵增量谱确定重构阶次,准确地提取齿轮的故障特征频率。仿真信号分析和齿轮箱齿轮故障实验验证了该方法的准确性和有效性。     

基于多尺度排列熵的复合行星齿轮故障诊断研究

针对行星齿轮传动系统复合故障特征提取问题,以行星齿轮箱的运行状态为研究背景,建立了考虑路面随机激励下的行星齿轮箱复合故障动力学模型,利用多尺度排列熵对齿轮箱正常、断齿故障和复合故障时的振动信号进行了对比分析,通过对处于不同状态的行星齿轮箱进行分析,发现行星齿轮箱正常振动信号的多尺度排列熵值要高于单一断齿和复合断齿故障信号,熵值平均高出约5.3%,单一断齿的多尺度排列熵高于复合断齿故障信号,熵值平均高出约7.4%。研究结果证明,多尺度排列熵可以有效地诊断多排行星齿轮系统的故障类型。     

基于形态小波去噪的齿轮故障诊断

针对在强背景噪声情况下,齿轮故障信号信噪分离难,给故障诊断带来麻烦的问题,提出了一种基于形态小波去噪的齿轮故障诊断方法。方法结合了数学形态学的特征识别和小波分解的多分辨率分析特性,先采用形态小波方法对齿轮的振动信号进行消噪预处理,再计算信号的时频谱和功率谱,提取故障特征。给出了形态小波方法在齿轮故障诊断中的应用原理、方法步骤和评价指标。仿真和实验结果表明,方法可以有效地去除强噪声的干扰,提高信噪比,突现出信号的故障特征,提高了齿轮故障诊断的精度。     

基于MCKD和改进HHT多尺度模糊熵的齿轮故障诊断方法

针对齿轮故障信号常伴有大量噪声,故障特征难以提取的问题,提出一种基于最大相关峭度解卷积(MCKD)和改进希尔伯特-黄变换(HHT)多尺度模糊熵的故障诊断方法。首先采用MCKD算法对采集到的齿轮振动信号进行降噪处理,以提高信号的信噪比;然后利用自适应白噪声完备经验模态分解(CEEMDAN)对降噪后信号进行分解,获得一系列不同尺度的固有模态函数(IMF),并通过相关系数-能量的虚假IMF评价方法选取对故障敏感的模态分量;最后计算敏感IMF分量的模糊熵,将获得的原信号多尺度的模糊熵作为状态特征参数输入最小二乘支持向量机(LS-SVM)中,对齿轮的故障类型进行诊断。实测信号的诊断结果表明,该方法可实现齿轮故障的有效诊断。     

Wigner分布及其在齿轮故障诊断中的应用

齿轮传动是机械设备中最常用的传动方式,在生产中因齿轮故障而酿成的设备事故时有发生,特别是石油化工等行业中连续运转的大型机组,一旦出现传动部件的故障,常常会造成突然停机事故的发生,给企业造成很大的经济损失。因此齿轮运行状态的监测和诊断,对于降低设备的维修费用、预防因齿轮失效而诱发的设备事故,具有现实意义。现有的齿轮故障诊断方法有多种,例如,通过时域平均分析,可以识别齿轮安装错位、断齿等缺陷;通过啮合频率及其谐波分量幅值变化的功率谱分析,可以识别齿面均匀磨损;通过倒频谱分析,可以消除信号传递路径的影响、提取信号中的周期成分;通过包络分析,可以对信号进行幅值解调;通过F/v跨零频率分析及瞬时频率波动分析,可以进行频率解调等。这些方法在齿轮故障的识别中,发挥了积极的作     

频谱分析法在齿轮故障诊断中的应用研究

为寻找有效的齿轮故障诊断法,建立了以微机为主体的频谱诊断系统,对Ｃ６１６Ａ—１ 精密车床主轴箱振动进行故障诊断。分析了齿轮啮合的调制边频特点和结构,提出了用细化谱及倒频谱分析法两者相结合来对诊断系统的输出信号进行频谱分析,得到了相当满意的结果。这为齿轮状态监测与故障诊断提供了有效的工具