基于自适应匹配追踪算法的齿轮箱轴承故障特征提取

为提高对齿轮箱轴承内外圈在传动振动过程中故障的诊断能力,采用自适应匹配追踪算法建立了故障诊断模型,并展开了仿真分析.研究结果表明:轴承外圈故障仿真信号呈周期性波动.轴承外圈的通过频率及其倍频呈现逐步衰减;轴承外圈故障仿真加噪信号被淹没在噪声中.通过SAMP算法对轴承外圈故障仿真加噪信号的处理,能够看出信号呈周期性波动.轴承内圈的通过频率和倍频以及边频带呈现逐步衰减,从SAMP算法重构轴承内圈仿真加噪信号时域波形图中看出,轴承内圈故障仿真加噪信号不呈周期性波动,而经过SAMP算法处理的轴承内圈故障仿真信号则呈周期性波动.     

齿轮系统振动响应信号调制边频带产生机理

齿轮传动系统的振动频率成分复杂多变,许多频率成分难于进行力学解释。建立定轴齿轮系统啮合点处的单自由度动力学模型,并将模型激励划分为线性激励和非线性激励,分别推导正常状态和平稳型故障下的频率响应特性及诱导因素。正常状态下,齿轮振动响应频率成分为啮合频率及其倍频,由齿轮受载后产生的静弹性变形位移和啮合动刚度共同诱发,并由非线性反馈进一步形成更高阶啮合频率成分。平稳型故障下,响应频率成分除正常运行特有的频率成分外,还包括:故障齿轮转频及其倍频,由平稳型位移误差函数与系统参数作用产生的惯性激励力、阻尼激励力和弹性激励力共同诱发;啮合频率及其倍频两侧间隔为转频的调制边频带,是由位移误差函数与啮合动刚度产生的弹性激励力引起的,并经非线性反馈进一步形成更高阶啮合频率及调制边带。有限元仿真和试验均有效地验证了推导和分析的振动响应频率特征规律。     

最优共振频带提取的高速列车轴承故障诊断

在非高斯噪声与周期振动信号的干扰下,高速列车轴承的故障特征提取较为困难,针对这一问题,提出了一种新的最优故障频带的判别方法,并通过经验小波变换（Empirical Wavelet Transform,EWT）对故障频带进行提取,从而实现高速列车轴承故障的有效诊断。该方法首先提供了完整的频域分割框架,得到不同中心频率、不同带宽的频带分布;为了得到各频带所包含的故障信息含量,提出了新的故障特征指标HSIB,根据HSIB的变化趋势识别最优频带;最后进行经验小波变换,将选取的故障频带通过正交滤波器组,对得到的分量信号进行Hilbert变换,得到轴承的故障特征频率。通过仿真和实验数据验证,选取的最优频带包含了丰富的故障信息,可以准确地提取出轴承故障特征频率的基频和倍频成分,有效确定轴承故障。     

不平衡影响下外圈故障滚动轴承振动特征研究

在外圈具有单一缺陷滚动轴承二自由度动力学模型基础上,引入不平衡激励,建立不平衡影响下外圈具有单一缺陷的滚动轴承的动力学模型。通过数值计算,分析了不平衡对外圈具有单一局部故障滚动轴承振动特征的影响。结果表明,当不平衡载荷远小于径向载荷时,外圈缺陷轴承的振动特征变化不明显,其特征频率为滚动体通过外圈故障的振动频率及其倍频。当不平衡载荷逐渐增大至接近径向载荷时,轴承的振动出现了调制现象,其特征频率为轴的旋转频率、滚动体通过外圈的频率以及它们形成的边频。     

齿轮-转子-轴承系统复合故障振动特性研究

针对齿轮-转子-轴承系统发生复合故障时齿轮副振动响应,结合齿轮副模型和滚子轴承模型,基于拉格朗日方程建立了36自由度的齿轮-转子-轴承系统耦合振型,设定齿轮副主动轮剥落和轴承表面损伤复合故障,研究了复合故障下齿轮副的振动响应。结果表明,在健康的齿轮-转子-轴承系统振动响应下,系统振动时域幅值较为均匀,振动频谱主要为轴承外圈特征频率和齿轮副啮合频率;当齿轮副发生剥落单故障时,系统振动频谱上出现啮合频率与转轴频率调制生成的边频带;当齿轮-转子-轴承系统发生复合故障时,系统振动时域上的振动幅值增大,振动愈加复杂,频域信号调制现象严重,而且调制生成的信号幅值增大,但在其振动频域上可以找到其故障频率以及调制生成的谐波频率,以此可以判断系统的故障类型。     

滚动轴承故障特征提取的频谱自相关方法

冲击调制是滚动轴承发生局部故障的重要特征,在频谱上表现为调制边频且能量主要集中在高频共振区非常不利于诊断。根据冲击序列在时域与频域具有相似冲击形式的特点,将时域的自相关概念引入频域,对滚动轴承内、外圈局部故障响应信号的频谱进行自相关分析。该方法将位于高频共振区的调制边频特征有效地转移到低频区,形成以故障特征频率为基频的谐频特征;对于内圈故障信号频谱自相关结果保持了载荷调制的边频。对6220型滚动轴承外圈和内圈点蚀故障信号的分析结果表明:频谱自相关分析在不设计带通滤波器选择共振频段时,分析过程更简洁,对内圈故障特征的提取比包络分析、倒谱分析及时域的自相关方法效果更好、抗噪能力更强、可信度更高,具有较高的工程应用价值。     

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。     

基于EMD和峭度的Hilbert包络解调在滚动轴承故障诊断中的应用分析

针对直接运用快速傅里叶变换（FFT）无法有效提取具有非线性非平稳特性的滚动轴承振动信号故障特征频率的问题,提出了一种基于经验模式分解和峭度指标的Hilbert包络解调方法.首先对滚动轴承的振动信号进行了经验模式分解（EMD）,得到了包含轴承故障特征信息的各阶本征模态函数（IMF）,再计算各阶IMF的峭度值,选取了峭度值较大的几阶IMF分量重构信号,并对重构信号进行了Hilbert包络解调分析,从而获得了滚动轴承的准确故障特征信息.分别对仿真模拟信号和实际滚动轴承发生内圈故障的振动信号进行了分析,清晰地得到了故障特征频率.研究结果表明,利用融合EMD、峭度系数和Hilbert包络解调的诊断方法能够快速、准确地提取滚动轴承的故障特征频率,从而可以对滚动轴承进行有效地故障诊断.     

基于冗余2代小波局部梯度谱熵的轴承故障诊断

用改进的冗余第2代小波包将滚动轴承振动信号分解为多个频带载波,以互相关系数最大原则确定最优载波,求其局部梯度及局部梯度谱图,并提出局部梯度谱熵指标对试验工况滚动轴承进行故障分类。结果表明:最匹配的故障轴承载波信号局部梯度功率谱能找到其对应特征频率及其倍频。局部梯度谱熵指标大小顺序基本为:外圈剥落最大,其次是内圈剥落、滚动体剥落和正常,能较好区分不同试验转速的轴承信号。     

基于小波包敏感频带选择的复材铣边颤振监测研究

针对航空蒙皮类复合材料零件铣边颤振初期频率淹没问题,提出了一种基于小波包敏感频带选择的能量熵颤振监测方法.首先使用频率消除算法(Frequency elimination algorithm,FEA)对铣边采集信号进行去主轴转频、刀齿齿频及其倍频处理.其次对去频后的信号进行小波包分解(Wavelet packet de...     

Gearbox fault detection using Hilbert and wavelet packet transform

Demodulation is an important issue in gearbox fault detection. Non-stationary modulating signals increase difficulties of demodulation. Though wavelet packet transform has better time–frequency localisation, because of the existence of meshing frequencies, their harmonics, and coupling frequencies generated by modulation, fault detection results using wavelet packet transform alone are usually unsatisfactory, especially for a multi-stage gearbox which contains close or identical frequency components. This paper proposes a new fault detection method that combines Hilbert transform and wavelet packet transform. Both simulated signals and real vibration signals collected from a gearbox dynamics simulator are used to verify the proposed method. Analysed results show that the proposed method is effective to extract modulating signal and help to detect the early gear fault.     

Novel adaptation of the demodulation technology for gear damage detection to variable amplitudes of mesh harmonics

In this paper, a novel adaptive demodulation technique including a new diagnostic feature is proposed for gear diagnosis in conditions of variable amplitudes of the mesh harmonics. This vibration technique employs the time synchronous average (TSA) of vibration signals. The new adaptive diagnostic feature is defined as the ratio of the sum of the sideband components of the envelope spectrum of a mesh harmonic to the measured power of the mesh harmonic. The proposed adaptation of the technique is justified theoretically and experimentally by the high level of the positive covariance between amplitudes of the mesh harmonics and the sidebands in conditions of variable amplitudes of the mesh harmonics. It is shown that the adaptive demodulation technique preserves effectiveness of local fault detection of gears operating in conditions of variable mesh amplitudes.     

小波包去器械与改进HHT的微弱信号特征提取

为提取机械设备早期故障微弱信号特征频率,在对信号进行小波包降噪后,利用改进Hilb ert Huang变换(Hilbert Huang transform,简称HHT)进行特征提取,通过经验模态分解(em pirical mode decomposition,简称EMD)得到若干个固有模态函数(intrinsic mode functio n,简称IMF)后,利用IMF与EMD分解前信号的 相关系数作为判断标准,剔除分解中产生的多余低频IMF,选取有效IMF集进行边际谱分析。 改进HHT不仅可消除多余IMF的影响,还可节省Matlab计算内存,提高运算速度。     

Gear fault identification based on Hilbert–Huang transform and SOM neural network

Gear vibration signals always display non-stationary behavior. HHT (Hilbert–Huang transform) is a method for adaptive analysis of non-linear and non-stationary signals, but it can only distinguish conspicuous faults. SOM (self-organizing feature map) neural network is a network learning with no instructors which has self-adaptive and self-learning features and can compensate for the disadvantage of HHT. This paper proposed a new gear fault identification method based on HHT and SOM neural network. Firstly, the frequency families of gear vibration signals were separated effectively by EMD (empirical mode decomposition). Then Hilbert spectrum and Hilbert marginal spectrum were obtained by Hilbert transform of IMFs (intrinsic mode functions). The amplitude changes of gear vibration signals along with time and frequency had been displayed respectively. After HHT, the energy percentage of the first six IMFs were chosen as input vectors of SOM neural network for fault classification. The analysis results showed that the fault features of these signals can be accurately extracted and distinguished with the proposed approach.     

EMD方法在烟机摩擦故障诊断中的应用

提出了一种将经验模式分解（Empirical Mode Decomposition，简称EMD）方法与传统信号处理技术相结合的故障诊断方法。首先将原始信号分解为若干基本模式分量（Intrinsic Mode Functions，简称IMFs），通过希尔波特变换得到每个IMF相应的瞬时频率，再对此瞬时频率曲线做傅里叶变换得到其频谱图，该频谱图即表示了对应IMF的调频频率。利用对应IMF组合成基于EMD的滤波轴心轨迹，这种轴心轨迹可以准确反映轴心的实际运行状况。将该方法应用于某炼油厂烟机摩擦故障诊断中，发现摩擦故障信号具有有色噪声分量存在、工频IMF的调频现象和基于EMD轴心轨迹的反转现象等特征。结果表明提出的方法在旋转设备摩擦故障诊断中非常有效。     

基于卷积稀疏表示及等距映射的轴承故障诊断

针对卷积稀疏表示(convolution sparse representation,简称CSR)在轴承故障脉冲提取过程中过于依赖惩罚因子的缺点,提出了一种基于卷积稀疏表示、希尔伯特变换(Hilbert transform,简称HT)以及流形学习降维相结合的轴承故障诊断方法。首先,通过在不同惩罚因子下的CSR提取不同稀疏特征的脉冲;其次,针对提取的一系列脉冲进行希尔伯特变换,构造脉冲包络空间;最后,利用等距映射(isometric feature mapping,简称Isomap)流形学习算法对脉冲包络空间求解低维本征包络,以实现故障诊断。通过仿真数据以及台架实验数据验证表明:基于CSRHT-Isomap算法的轮对轴承故障诊断方法可以很好地提取轴承内圈及滚动体故障特征,通过与基于聚合经验模态分解和小波包变换的包络空间算法进行比较,证明该方法在提取本征包络、强化本征包络谱以及放大故障特征频率的谐波数方面具备较大优势。     

基于共振解调和小波分析方法的轴承故障特征提取研究

首先研究了共振解调和小波分析的基础理论,并结合两者应用于对轴承外圈和滚子的故障特征提取。该方法先从振动信号频谱中判断系统固有高频成分的大致范围,然后利用小波分解取出固有高频信号成分,再利用Hilbert变换做包络检波,最后对包络信号进行傅里叶频谱分析得出故障信号特征频率。对实际轴承故障数据的分析表明,该方法能有效地提取轴承的外圈故障特征,有一定的应用价值。但该方法不能清晰地提取出滚子故障特征,探讨了其内在原因,并提出了可能改进的措施。     

基于EMD和Hilbert解调的齿轮箱故障诊断

针对复杂的齿轮箱振动信号难以提取出故障特征频率的问题,提出了一种将希尔伯特包络解调技术与经验模式分解(EMD)相结合的分析方法。首先对齿轮箱的故障信号进行了EMD分解,得到了本征模态函数(IMF分量),再对IMF分量进行了包络解调,得到了其调制信号,结合调制信号的频率成分可初步判断出齿轮箱中出现故障的齿轮;然后根据IMF分量与初始信号之间相关系数的大小,选择相关系数较大的分量重构信号,相当于对初始信号进行滤波;最后对重构的信号以啮合频率及其倍频为中心频率进行了带通滤波,对得到的信号进行了包络解调分析,再次进行了故障诊断,以验证故障诊断的准确性。整个过程通过对齿轮箱实测故障信号的分析加以验证。研究结果表明,该方法能够准确地提取出齿轮箱的故障特征频率,从而可以对齿轮箱故障进行有效地诊断。     

采用EWT和OCSVM的高压断路器机械故障诊断

根据断路器故障诊断对可靠性要求较高的实际工程需求,提出了一种采用经验小波变换(EWT)和单类支持向量机(OCSVM)的高压断路器机械故障诊断新方法。首先,通过EWT准确分离断路器振动信号中具有不同物理意义的固有模态函数(IMF);之后,通过Hilbert谱分析,获得时-频矩阵并计算其时-频熵,构成用于分类的特征向量;然后,仅使用易于获取的正常状态振动信号训练经粒子群算法(PSO)常数参数寻优的OCSVM,并通过OCSVM来准确判断断路器是否发生机械故障,提高故障诊断可靠性;如OCSVM判断发生机械故障,则进一步通过支持向量机(SVM)判断具体故障类型。在SF6高压断路器上进行实验证明,新方法能够更加准确地区分故障与正常样本,满足高压断路器故障诊断的高可靠性要求。     

基于Hilbert谱奇异值的轴承故障诊断

针对机械故障振动信号时频特征提取问题,提出一种基于Hilbert谱奇异值的特征提取方法,并将其应用于轴承故障诊断。该方法首先利用经验模式分解方法将振动信号分解为若干个内蕴模式函数之和,接着对每个内蕴模式函数进行Hilbert变换得到振动信号的Hilbert谱,然后对Hilbert谱进行奇异值分解,得到反映机械状态特征的奇异值序列,最后利用奇异值作为特征向量,使用支持向量机进行轴承故障诊断。轴承正常、内圈故障、滚动体故障、外圈故障实测信号实验结果表明,该方法能有效地提取轴承故障振动信号特征。

