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。     

基于时间-小波能量谱的齿轮故障诊断

振动信号中的冲击现象及其频率特征是诊断齿轮局部损伤故障的重要依据之一。针对齿轮故障特征提出了一种时间-小波能量谱信号处理方法,它能够有效提取振动信号中冲击成分的时域和频域特征。利用时间-小波能量谱方法分析了正常、磨损、断齿等三种状态的齿轮箱振动信号,并与传统频谱分析方法进行相比。结果表明：时间-小波能量谱不仅可以有效提取故障特征,识别出齿轮箱的故障存在,而且可以清晰地分辨出故障类型及故障元件。     

时频谱相似性度量的故障特征提取方法

针对齿轮或轴承在局部故障损伤状态下的振动信号,提出一种基于时频谱相似性度量的故障特征提取方法,用于齿轮或轴承相关故障的诊断。该方法首先利用比例因子可调的S变换对振动信号进行时频变换;然后在S变换时频谱中,选取一个显著的冲击特征,保持其频率不变,令其沿时间轴方向,从初始时间平移至终了时间,同时计算冲击特征与所遮掩时频区块之间的余弦相似度和相关系数;平移结束后获得余弦相似度和相关系数的曲线。仿真信号和齿轮、轴承故障振动信号的处理结果表明,余弦相似度曲线和相关系数曲线均可展现出故障冲击特征的周期性变化规律,且两者的频谱均能够提取出故障特征频率,实现齿轮或轴承相关故障的识别。     

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。     

基于混沌弱信号检测的轧机故障诊断研究

为检测强噪声背景下轧机的转子和齿轮故障,给出了一种Duffing方程检测微弱信号的算法.设计加入待检信号后的混沌振子方程,检测出转子发生早期碰摩以及齿轮偏心和单齿缺陷故障.故障诊断实验可以证明利用Duffing振子的间歇混沌现象对强噪声背景中轧机故障的微弱特征信号进行检测的有效性,与相关函数法比较,证明此方法的优越性.     

基于小波包与倒频谱分析的风电机组齿轮箱齿轮裂纹诊断方法

为实现风电机组齿轮箱及时有效地监测和维护,提出基于小波包与倒频谱分析的风电机组齿轮箱齿轮裂纹诊断方法。该方法针对齿轮裂纹振动信号为转速频率对啮合频率及其倍频调制的特点,利用小波包分解来识别振动信号中的故障特征,通过小波包频带能量监测得到故障部位的啮合频率范围;考虑到倒频谱可以分离和提取难以识别的密集调制信号的周期成分,基于倒频谱识别故障部位的转速频率,综合利用两种频谱分析方法得到的啮合频率和转速频率,能诊断故障部位和类型。实验研究表明,该方法能精确地诊断齿轮裂纹故障,并可以实现对风电机组齿轮在复杂环境中退化状态的监测,预防断齿等重大故障的发生。     

风电齿轮箱两级行星齿轮传动系统的非线性动力学特性

考虑风电齿轮箱两级行星轮系传动系统各齿轮副的时变啮合刚度、综合啮合误差和齿侧间隙等非线性因素的基础上,建立了广义坐标下增速齿轮箱两级行星齿轮传动系统的动力学模型,采用变步长Gill积分法对该模型进行求解;采用分岔图、相图、FFT频谱图、poincaré截面图及最大Lyapunov指数图分析了激励频率和啮合阻尼比对系统振动响应及分岔特性的影响。结果表明:系统在多种非线性因素的耦合作用下会表现出丰富的非线性动力学行为,随着激励频率的增大,系统在混沌运动、拟周期运动和倍周期运动之间切换和变化,且退出混沌的方式多为倒分岔;在保证系统传动效率的前提下适当提高系统的啮合阻尼比,能够明显弱化和抑制系统的混沌运动,减小其振动幅度,对提高系统的稳定性具有一定的作用。     

基于EMD小波阈值去噪和时频分析的齿轮故障模式识别与诊断

建立了齿轮故障系统试验装置,对齿轮传动系统在各种转速与故障状态下进行测试分析,获取了有关振动信号,对齿轮系统的无故障、齿根裂纹、分度圆裂纹、齿面磨损四种状态信号进行特征提取,并对提取的信号进行基于经验模态EMD分解的小波阈值去噪处理,然后对预处理后的信号进行时频分析与诊断。结果表明,采用基于EMD的小波阈值去噪方法比单纯采用小波阈值去噪对测试信号进行预处理,能提高信噪比,并更加有效的提取出故障特征,而在EMD的小波阈值去噪的基础上,再与时频分析方法相结合能够较好的识别不同运转状况下不同种类的故障,如齿根裂纹、分度圆裂纹、齿面磨损等,可用于对实际工程工作的齿轮系统进行故障诊断。     

转子-轴承系统混沌运动的神经网络反馈控制方法

用神经网络技术对刚性Jeffcott转子-轴承系统进行混沌滞延反馈控制研究。研究结果表明,当转子-轴承系统进入混沌状态后,引入时间滞延反馈控制信号,可以消除转子-轴承系统的混沌振动,使嵌入在混沌吸引子中的不稳定周期轨道回到稳定周期轨道上。采用间接误差计算的BP神经网络学习方法和自适应学习率BP算法结合而形成的改进型BP神经网络方法,可以快速搜寻到次优化的滞延反馈控制强度,从而即时有效地消除转子-轴承系统的混沌振动。一旦混沌振动回归稳态周期振动,则反馈控制信号自动消失。该方法为控制转子-轴承系统的振动状态提供了理论依据,特别是对工程实际转子系统有实用价值。     

基于广义形态分量分析的降噪技术研究

针对强噪声环境中有用信号提取的难题,提出了基于广义形态分量分析的降噪方法。通过引入虚拟观测信号,将一维观测信号扩展为多维虚拟观测信号,再通过广义形态分量分析,实现观测信号的盲源分离,从而达到降噪的目的。通过仿真信号和齿轮磨损故障振动实验信号的研究结果表明：广义形态分量分析技术能有效分离强背景噪声中的微弱信号,有效提取故障特征,其降噪性能优于传统的独立分量分析。     

基于多元角域指标离群检测的风电齿轮箱故障预警方法

针对风速和载荷随机波动造成的早期故障特征难以提取和量化的特点,提出基于多元角域指标离群检测的风电齿轮箱故障预警方法。首先利用阶比重采样技术将非平稳的时域振动信号转化为具有平稳或准平稳特性的角域信号,提取角域无量纲指标反映风电齿轮箱早期故障趋势;其次利用多元相关度测量建立风电齿轮箱早期故障识别模型;最后采用多元离群检测方法实现风电齿轮箱早期故障预警。实验表明,该方法能够实现较为准确地的风电齿轮箱早期故障预警,具有较好的工程实际意义。     

基于MOMEDA和增强倒频谱的风电机组齿轮箱多故障诊断方法

风电机组齿轮箱结构复杂,当齿轮、轴承存在多故障时,由于各故障强弱不同、故障间相互耦合及噪声干扰,造成故障诊断准确率低及漏诊问题。提出了一种基于多点最优最小熵解卷积(multipoint optimal minimum entropy deconvolution adjusted,MOMEDA)和增强倒频谱的风电机组齿轮箱多故障诊断方法。依据齿轮和轴承不同部位的故障特征频率设置合理的解卷积周期,利用MOMEDA对原始信号进行预处理;再通过增强倒频谱进一步抑制噪声干扰和增强故障特征;将增强倒频谱中的突出成分与齿轮箱故障特征频率对比,判断故障类型。实际风电机组齿轮箱多故障振动试验数据分析结果表明,该方法可以有效地提取出齿轮箱多故障特征信息。     

基于声发射衰减特性的故障行星轮定位研究

行星齿轮箱是风力机传动装置的重要组成部分,行星轮在低速重载、既自转又公转的复杂环境下容易诱发故障,其故障诊断特别是故障行星轮定位一直是研究重点和难点。建立了行星轮齿轮箱实验装置,模拟了行星轮故障,并利用声发射信号进行故障行星轮定位。实验研究了声发射信号在齿轮内部、齿轮与齿轮之间的传播特性,利用信号的幅值衰减特性简化了故障定位模型。利用信号幅度随信号传播距离增加而呈指数衰减的关系,建立了故障源定位方程组,从而获得故障齿的啮合位置,进一步确定故障行星轮的位置。实验结果表明:利用声发射信号的幅值衰减特性能够较为精确的确定故障行星轮的位置。     

风电齿轮箱磨损状态静电在线监测方法研究

风电齿轮箱的结构复杂且运行环境恶劣,是风电机组中故障率最高的部件,其性能直接影响风电机组的稳定性和安全性,严重时可能会造成财产损失甚至人员伤亡.为此,基于静电监测原理,采用多个静电传感器对风电齿轮箱摩擦磨损产生的二次效应同时进行监测;基于提取到的时域特征参数和复杂度度量参数,运用移动窗局部离群因子(moving win...     

一种基于Triplet loss的齿轮箱复合故障识别方法

随着设备检测点的数量与采样频率的增加,机械健康监测进入了"大数据"时代。深度学习以其强大的自适应特征提取和分类能力也在机械大数据处理方面取得了丰硕的成果。在故障诊断领域,目前深度学习方法的研究对象均集中于单一故障,而复合故障却鲜有人涉足。复合故障因为其各类故障信号间有耦合,变化的工况(负载,转速)也会对信号产生较大影响,所以难以准确诊断。面对复杂的复合故障,传统的Softmax分类器已不能精确高效的完成故障诊断。提出了一种基于Triplet loss的深度度量学习模型的诊断方法,对齿轮箱的轴承及齿轮这两种目标的故障同时进行诊断。其优势在于通过该模型提取故障信号的特征,再利用Triplet loss度量各类故障之间的距离,使得同类故障特征间的距离很近,异类故障特征间的距离很远,从而高效完成诊断任务。试验结果表明,该方法实现了在多种工况,大量样本下对齿轮箱内轴承和齿轮不同故障的准确诊断。     

A prognostic method for fault detection in wind turbine drivetrains

In this paper, a prognostic method is presented for fault detection in gears and bearings in wind turbine drivetrains. This method is based on angular velocity measurements from the gearbox input shaft and the output to the generator, using two additional angular velocity sensors on the intermediate shafts inside the gearbox. An angular velocity error function is defined and compared in the faulty and fault-free conditions in frequency domain. Faults can be detected from the change in the energy level of the frequency spectrum of an error function. The method is demonstrated by detecting bearing faults in three locations: the high-speed shaft stage, the planetary stage and the intermediate-speed shaft stage. Simulations of the faulty and fault-free cases are performed on a gearbox model implemented in multibody dynamic simulation software. The global loads on the gearbox are obtained from a dynamometer test bench and applied to the numerical gearbox model. The method is exemplified using a 750 kW wind turbine gearbox. The case study results show that defects in the high- and intermediate-speed bearings can be detected using this method. It is shown that this procedure is relatively simple, yet accurate enough for early fault detection in wind turbine gearboxes.     

基于小波变换的轧机振动信号降噪技术研究

由于轧机振动信号受到强烈的噪声干扰,给故障特征的有效识别和准确提取带来很大困难。直接采用频域分析方法诊断早期故障的收效甚微。利用小波分析的“带通滤波”特性,可以将信号按照特定的频段进行分解,分解后的单层重构可以将噪声与可用信号进行成功分离;根据预先设定的阈值对高频分解系数处理后进行全局重构同样可以达到消噪的目的。对于现场采集的轧机振动信号,多种方式的消噪结果表明,含有故障特征的低频信息被成功提取。     

基于DSmT与小波网络的齿轮箱早期故障融合诊断

针对齿轮箱早期故障特征十分微弱难以有效辨识问题,提出基于DSmT理论与小波神经网络的齿轮箱早期故障融合诊断模型。利用多个振动传感器合理布置在齿轮箱的多个关键部位采集多源振动信息并进行特征提取;利用多个并联小波神经网络实现齿轮箱早期故障的初级诊断获得彼此独立的多个证据;利用DSmT理论对多个独立证据进行融合决策得出齿轮箱的最终诊断结论。DSmT理论克服了传统DST证据理论的局限性,小波神经网络实现多源证据信度分配的客观化。诊断实验结果表明,该方法能有效提高齿轮箱早期故障特征的辨识精度、降低诊断的不确定性。