含行星轮局部故障的行星齿轮箱振动仿真及实验研究EI北大核心CSCD

针对现有行星齿轮箱局部故障振动仿真模型使用小波变换和加窗振动分离技术进行故障诊断时效果不明显的问题,提出了一种以齿轮啮合冲击响应和齿轮啮合顺序为基础的行星轮局部故障振动仿真模型。以齿轮啮合冲击响应为基础,仿真正常齿和故障齿的单次啮合冲击振动响应;计算每次齿轮啮合的时间点,按照轮齿啮合顺序使用单次啮合冲击振动响应进行拼接,综合考虑振动信号的时变传递路径和太阳轮、行星轮和行星架转频的调制影响;建立了满足加窗振动分离技术故障特征提取的行星轮局部故障振动仿真模型。通过与行星齿轮箱的试验平台实测振动信号和振动仿真信号的分析对比,验证了所建立模型的正确性。     

基于生成微分方程的行星齿轮箱故障振动信号解调分析

行星齿轮箱振动信号具有明显的调制特点,幅值解调和频率解调分析能够有效提取其中的故障信息。生成微分方程(GDE)方法可以估计调制信号的幅值包络和瞬时频率,实现解调分析,但该方法需要信号满足单分量要求。实际行星齿轮箱振动信号通常由复杂多分量成分组成,为实现信号的幅值解调和频率解调分析,应用经验模式分解(EMD)将信号分解为单分量本质模式函数,基于生成微分方程计算瞬时频率和幅值包络,根据瞬时频率的波动特点选择本质模式函数作为敏感分量,由敏感分量的包络谱和瞬时频率的Fourier频谱识别故障特征频率。通过行星齿轮箱故障模拟实验数据分析验证了解调分析方法的效果。     

行星齿轮箱振动信号特征提取新方法

与轴承、定轴齿轮箱相比,提取行星齿轮箱的故障特征更加困难,且传统方法对行星齿轮箱的诊断效果不好。针对行星齿轮箱故障振动信号的非线性、复杂性等特性,提出一种基于小波包样本熵和均方根值的故障特征提取新方法。该方法首先对原始信号进行连续等长度截取,获得样本信号,再利用小波包变换分解样本信号,计算分解后各频段的样本熵和均方根值,并进行归一化处理。将归一化参数作为加权平均的权重,计算加权平均的样本熵和均方根值。最后将两参数做商得到新参数。故障诊断及抗噪试验结果表明,新特征提取方法能增大行星齿轮箱不同故障特征的区分度且有较好的稳定性,同时新参数具有一定的抗噪性。     

基于自相关降噪的混叠转子振动信号分离

航空发动机在运行过程中,传感器测得的振动信号是各振源的混叠信号,且含有很强的噪声。常规的信号处理方法难以分离混叠信号,对机器的健康监测和故障诊断造成了很大的困难。介绍了盲源分离基本原理和方法,指出盲源分离算法在强噪声环境下失效。针对强噪声环境下的混叠振动信号,提出首先通过时延自相关降噪方法对振动信号进行降噪,然后通过盲源分离算法对降噪后的信号分离。仿真结果验证了提出方法的有效性。最后,利用该方法对实测混叠转子振动信号成功实现了降噪和盲分离,为噪声环境下的混叠信号分离提供了一种新的方法。     

电机转子振动信号故障特征提取方法

电机振动信号具有非平稳、非线性特性,在进行时频域特征提取时需要人工确定时间窗口和基函数。针对该问题,提出一种基于EEMD(Ensemble Empirical Mode Decomposition)分解和权重熵变换的特征提取方法。该方法应用EEMD进行自适应分解,同时提取IMF(Intrinsic Mode Function)方差作为初始特征值,并提出将权重熵作为衡量特征值重要性的标准,通过权重熵对原始特征值进行空间变换,扩大特征向量间的差异。为验证该方法的有效性和优越性,对4 种状态下的电机转子进行振动信号采集,用于制作转子故障数据集,并运用EEMD进行特征提取。实验结果表明,基于EEMD分解和权重熵变换的特征提取方法能够更好地从振动信号中提取特征向量,在对电机进行故障诊断时具有更高的准确性。     

行星齿轮箱齿轮组合故障振动频谱特征

行星齿轮箱的局部故障容易发展成为组合故障,复合故障频谱特征与局部故障有明显区别。研究太阳轮与齿圈、太阳轮与行星轮、行星轮与齿圈等组合故障频谱结构对行星齿轮箱故障诊断具有重要意义。考虑组合故障对振动信号的调幅-调频作用,以及时变振动传递路径的调幅作用,建立了组合故障振动信号模型,推导了Fourier频谱公式,总结了组合故障的频谱特征规律。推导了太阳轮与齿圈、太阳轮与行星轮、齿圈与行星轮两两组合故障以及太阳轮、行星轮与齿圈三种齿轮同时故障的特征频率计算公式。通过行星齿轮箱实验信号分析验证了理论推导结果,基于Fourier频谱分析诊断了太阳轮与齿圈、太阳轮与行星轮、齿圈与行星轮组合故障。     

基于粒子滤波的多模态振动信号在线跟踪

针对多模态振动信号的在线监测和跟踪,提出基于随机子空间（SSI）和粒子滤波（PF）算法的仿真振动信号在线监测和跟踪方法。通过SSI算法提取得到振动系统的模态主频和阻尼比,根据振动系统模型模态主频和阻尼比的计算公式,得到系统的状态矩阵和输出矩阵。将计算所得状态矩阵和输出矩阵代入状态方程,利用PF算法进行信号的在线监测和跟踪,实现信号的降噪处理和预测分析。对于大型机械、桥梁等建筑物,对其进行在线监测保障其正常营运对社会经济发展具有深远影响。文中利用SSI算法提取系统的模态参数,进一步构建振动系统的状态矩阵和输出矩阵,并利用PF算法进行信号滤波抑噪和预测,在此基础上可以对结构状态实施在线监测及预警控制,实际大桥斜拉索振动信号测试也表明本文算法可以提供稳定可靠的信号跟踪与预测技术。     

基于高阶累积量的柴油发动机曲轴轴承故障特征提取

利用基于高阶累积量降维处理的1.5维谱、2.5维谱分析曲轴轴承不同磨损间隙下的发动机振动信号,提取曲轴轴承磨损故障的特征参数,有效地解决了高阶累积量计算量巨大,难以实现在线应用的缺点。试验时将振动加速度传感器放置在发动机缸体的5个不同的位置测取振动信号并分析,提取高阶谱降维处理后的特定频段内的频带能量作为特征值。结果表明,本文提出的方法能够有效地抑制噪声的干扰,提取出的特征参数能够较好地反映曲轴轴承的技术状态,且当发动机转速达1300r/min以上,振动加速度传感器置于油底壳与缸体接缝处的左右两侧时,采集的振动信号最能反映曲轴轴承的技术状况。     

基于机匣振动信号的滚动轴承故障特征提取

通过进行带机匣测点的滚动轴承故障模拟实验,获取滚动轴承在故障状态条件下,轴承座测点和机匣测点的振动数据。分析结果显示,相对于轴承座,机匣上的振动信号成分复杂,轴承故障特征不明显,直接进行包络解调无法提取故障特征。通过奇异值分解(singular value decomposition,SVD),差分谱中各峰值处奇异值可以表征不同成分的信号。当轴承故障信号微弱时,第一个峰值处的奇异值重构信号往往代表转频及其调制信号分量,选取该靠后峰值处的奇异值进行信号重构可以有效提取轴承故障特征信号。研究内容为实际基于机匣测点信号的航空发动机滚动轴承故障特征提取提供了一种新的方法。     

基于贝叶斯网络的汽轮机组轴承工频振动诊断

将贝叶斯网络方法用于汽轮机组轴承振动诊断。根据现场诊断经验,建立了轴承工频振动诊断的质朴型贝叶斯网络,网络中融合了振动频谱、相位和运行工况等诊断信息;提出了网络推理计算方法,并在LabVIEW软件平台上实现。诊断结果的准确性在多个实际案例中得到证实,表明本文的诊断方法能有效地识别轴承振动的单一故障和复合故障。     

基于MSPCA的缸盖振动信号特征增强方法研究

针对发动机缸盖振动信号信噪比低的问题,提出了基于多尺度主元分析的故障特征增强方法。将缸盖振动信号小波包分解后,利用主成分分析对所有子带系数进行坐标变换,信号重构后再进行小波包分解,计算新坐标系下各子带的能量作为发动机故障的特征向量。仿真信号验证了本文所提算法对微弱冲击信号的增强能力,与支持向量机结合用于发动机十一种故障的诊断实例表明,故障分类准确率可达到98.76%。     

基于多重分形去趋势波动分析的齿轮箱故障特征提取方法

齿轮箱故障信号通常是具有多标度行为的非平稳信号,去趋势波动分析(Detrended Fluctuation Analysis, DFA)不能准确揭示隐藏在这类信号中的动力学行为。多重分形去趋势波动分析(Multifractal Detrended Fluctuation Analysis, MF-DFA)是DFA方法的拓展,能够有效地揭示隐藏在多标度非平稳信号中的动力学行为。利用MF-DFA计算齿轮箱故障信号的多重分形奇异谱,而多重分形奇异谱的宽度、最大奇异指数、最小奇异指数和极值点对应的奇异指数都具有明确的物理意义,能够表征齿轮箱故障信号的内在动力学机制,适合作为齿轮箱振动信号的故障特征。提出一种基于MF-DFA的齿轮箱故障特征提取方法,将该方法用于包含正常、轻度磨损、中度磨损和断齿故障齿轮箱的故障诊断,并与DFA方法的结果进行了对比。结果表明,提出的方法对齿轮箱故障状态的变化非常敏感,能够完全分离相近的故障模式,有效地克服了传统DFA方法存在的缺陷,为齿轮箱的故障特征提取提供了一种新方法。     

基于特定听觉特征的盲信号提取方法

针对参考信号波形难以构造等情况,提出一种利用期望源信号听觉特征进行信号盲提取的方法,根据源信号的听觉特征先验知识,将提取信号与期望信号听觉特征向量的接近程度作为度量,使用非线性最小二乘法进行迭代计算分离向量,提取出与期望信号在听觉特征上最为接近的源信号。对这种方法进行了理论推导,并使用不同类型的信号进行了仿真。仿真结果表明,该方法具有良好的效果,且由于仅利用了信号的听觉特征,而不需要参考信号的具体波形,对于不同类型的信号,具有广泛的适应性,具有良好的应用价值。     

基于快速kurtogram算法的共振解调方法在滚动轴承故障特征提取中的应用

共振解调方法是滚动轴承故障特征提取和故障诊断中最为常用的一种方法。然而传统的共振解调技术存在带通滤波参数(中心频率和滤波带宽)需要人工进行预先确定,其具有很大的偶然性、局限性等缺陷。本文作者将快速Kurtogram算法用于共振解调技术带通滤波器参数的确定中,并结合共振解调技术成功运用于滚动轴承的故障特征提取,弥补了传统共振解调方法需要人工干预进行带通滤波参数确定的不足,并分别进行仿真和实验来验证该方法的有效性。     

基于改进VMD的风电齿轮箱不平衡故障特征提取

变分模态分解(Variational Mode Decomposition,VMD)是一种不同于递归式模态分解新方法,具有优良的频率剖分特性,但其在处理信号时受分量个数影响严重,通过主观经验难以合理设置该参数。针对该问题,利用奇异值分解清晰的信噪分辨能力,根据奇异值最佳有效秩阶次自动搜寻VMD的分量个数,提出了一种改进变分模态分解的风电齿轮箱不平衡故障特征提取方法。通过仿真信号及轴不平衡实验信号对该方法进行了验证,并将其应用于风电齿轮箱稳定工况下的现场故障诊断中,均成功提取出微弱特征频率信息,实现对齿轮箱不平衡故障的有效判别,具有一定可靠性。     

时变工况行星齿轮箱对数时频脊阶次谱故障特征提取

风电机组齿轮箱工作于强噪声且变转速变载荷的工况下,其振动信号非常复杂。建立了一个时变转速变载荷的行星齿轮箱振动信号模型。提出了时频脊阶次谱故障特征提取方法。对振动信号进行Wigner-Ville时频变换,取对数后进行重排;采用Crazy climber方法提取对数重排时频谱图中的峰值脊线;将脊线转换为时频脊阶次谱。通过仿真信号与转速、载荷连续波动实验数据表明,对数时频脊阶次谱故障特征能够为时变复杂工况行星齿轮箱故障预警提供有效的依据。     

基于字典学习的轴承早期故障稀疏特征提取

针对低速重载机械滚动轴承早期故障的振动信号中故障特征冲击成分微弱易被噪声覆盖难以识别,而利用稀疏表示方法提取冲击成分时因轴承工况非平稳性,准确匹配冲击成分字典难以构造问题,提出基于字典学习的轴承早期故障稀疏特征提取方法。利用改进型K-SVD字典学习算法构造自适应字典;采用正交匹配追踪算法(Orthogonal Matching Pursuit,OMP)对振动信号进行稀疏分解,计算每次迭代逼近信号的峭度值,找出最大峭度值对应的逼近信号;重构特征成分并进行包络谱分析,获得故障类型。仿真及轴承振动数据测试结果表明,所提方法能更好匹配早期故障特征成分、满足轴承实时故障监测需求。     

振动信号随机与周期成分分离技术研究

本文运用傅立叶谱估计方法对振动信号中周期成分进行估计和精确定位，设计出V型滤波器和梳状滤波器并由程度实现振动信号中的随机和周期成分的分离。     

RS-LOD方法及其在旋转机械故障特征提取中的应用

局部波动特征分解(LOD)方法是一种新的自适应时频分析方法。该方法通过采用微分、坐标域变换、分段线性变换三种运算,可以高效地将信号自适应分解为一系列的单一波动分量(MOC),非常适合于处理多分量信号。然而,由于分段线性变换的使用,虽可以显著提高算法的计算效率,但会使MOC分量缺乏光滑性,从而导致失真。对此,将样条曲线形状可调可控的有理样条函数引入LOD方法替代分段线性变换,提出了基于有理样条函数的局部波动特征分解(RS-LOD)方法。在详细阐述RS-LOD分解原理的基础上,通过仿真信号将RS-LOD、LOD和经验模态分解(EMD)进行了对比分析,结果表明RS-LOD方法可以明显改善原LOD方法中MOC分量光滑度差的问题。此外,针对旋转机械故障振动信号的多分量调制特点,将RS-LOD方法应用于旋转机械的故障特征提取,对滚动轴承和齿轮箱故障振动信号的分析结果表明,RS-LOD方法可以有效地提取旋转机械振动信号的故障特征。     

小波尺度谱在AE信号特征提取中的应用

通过分析典型声发射信号及其特征提取,将小波尺度谱引入到声发射故障诊断领域,首次提出了声发射信号的小波尺度谱分析法。给出了小波基函数及其参数的选取,克服了声发射信号小波尺度谱的时、频分辨率不能同时达到最好的缺陷。将小波尺度谱用于声发射检测的滚动轴承损伤类型及部件的识别,诊断结果十分直观、清晰、准确。仿真分析和实验研究均表明小波尺度谱能有效应用于基于声发射技术的状态监测与故障诊断。