基于线调频小波路径追踪阶比循环平稳解调的齿轮故障诊断

为从变转速齿轮箱振动信号中提取齿轮故障特征,提出基于线调频小波路径追踪的阶比循环平稳解调方法。该方法利用线调频小波路径追踪算法估计振动信号中的转速信号,根据转速信号对信号进行等角度采样,获取角域周期平稳信号,求取角域信号的循环自相关函数,在特征循环阶比处对循环自相关函数进行切片,并对切片进行解调分析得到切片解调谱,依据切片解调谱进行齿轮故障诊断。由于线调频小波路径追踪算法具有精度高和抗噪能力强的优点,而循环平稳解调算法可以有效提取淹没在噪声中的周期性故障特征,因而,该方法结合了二者的优点,适合于变转速齿轮信号的故障特征提取。算法仿真和应用实例表明,该方法能有效地提取变转速齿轮箱振动信号中的齿轮故障特征。     

齿轮箱故障振动信号的阶比多尺度形态学解调

为从非平稳转速齿轮箱故障振动信号中提取包含故障信息的特征频率,提出阶比多尺度形态学解调方法,该方法采用线调频小波路径追踪算法获得齿轮箱转速信号,根据转速信号对时域振动信号进行等角度重采样,并用基于信号局部峰值的方法确定多尺度形态学分析的结构元素,用各结构元素对重采样信号进行形态学操作,对操作结果的平均值做频谱分析,以完成阶比多尺度形态学的解调过程。由于噪声与线调频基元函数的相似性很小,使得线调频小波路径追踪算法能从低信噪比的时域振动信号中准确获得转速信号,而多尺度形态学解调是对各尺度形态学分析结果的平均值进行频谱分析,能有效地抑制噪声,从而使得该方法具有很好的抗噪性能,适合用于工程实际中转速波动齿轮箱振动信号的分析,仿真分析和应用实例证明该方法的有效性和优越性。     

基于线调频小波路径追踪阶比能量解调的齿轮轮齿裂纹故障诊断

针对变速下齿轮裂纹故障信号微弱,难以提取这一特点,提出了基于线调频小波路径追踪的阶比能量解调算法,并将其应用于变速下的齿轮裂纹故障诊断。该方法先采用线调频小波路径追踪算法提取齿轮的啮合频率分量,由此得到转速信号;然后利用转速信号对原始信号进行等角度采样得到角域平稳信号;接着对角域平稳信号进行带通滤波和角域平均运算以消除干扰噪声的影响;最后使用能量算子解调求取瞬时频率和瞬时幅值,根据瞬时频率和瞬时幅值进行故障诊断。应用实例表明,该方法能有效地提取变速下的齿轮裂纹故障。     

基于多尺度线调频基稀疏信号分解的齿轮故障信号阶比分析

针对变转速齿轮箱故障振动信号调制边频带难以识别的问题,提出一种基于多尺度线调频基稀疏信号分解的阶比分析方法.该方法先采用基于多尺度线调频基的稀疏信号分解方法对齿轮箱振动信号进行分解,提取齿轮的啮合分量与调制边频分量,由啮合分量的时频分布曲线得到瞬时转频估计,再基于获得的瞬时转频对啮合分量与调制边频分量之和进行等角度重采样,将非平稳的分量信号转化为平稳信号,对重采样后的信号进行阶比分析,诊断齿轮故障.与传统的直接对齿轮箱故障振动信号进行阶比分析的方法比较,结果表明,提出的基于多尺度线调频基稀疏信号分解的阶比分析方法抗噪性强,调制边频带识别效果好.仿真算例与应用实例验证了本方法的有效性.     

线调频小波路径追踪算法和FrFT相结合的升降速齿轮故障诊断方法

针对升降速阶段齿轮振动信号的非平稳特性,提出线调频小波路径追踪算法和分数阶傅里叶变换(Fractional Fouriertransform,FrFT)相结合的齿轮故障诊断方法。该方法采用线调频小波路径追踪算法获得升、降速阶段齿轮振动信号所包含的能量最大信号分量的瞬时频率,并通过对该瞬时频率时频曲线的观察,获得该瞬时频率近似于线性上升或下降的时间范围,提取该时间范围的齿轮振动信号段,用FrFT对所提取的振动信号段进行处理,得到齿轮振动信号段的FrFT频谱图,从FrFT频谱图存在的调制现象来判断齿轮故障。其中FrFT的最佳阶次可由瞬时频率的调频系数计算得到。由于噪声与Chirplet原子的相关性很小,使得线调频小波路径追踪方法对噪声不敏感;另一方面,选择合适的分数阶,信号的FrFT将具有很好的信噪分量效果,因此该方法可用于处理升降速阶段的低信噪比齿轮振动信号。仿真分析和应用实例验证了该方法的有效性和良好的抗噪性。     

基于阶次分析与循环平稳解调的齿轮箱复合故障诊断方法

针对变转速下的齿轮箱中复合故障的特征提取,提出了一种基于阶次分析与循环平稳解调的齿轮箱复合故障诊断方法.该方法先用线调频小波路径追踪算法从原始振动信号中提取转频信号,再根据转频信号对原始振动信号进行等角度重采样,将时域非平稳信号转化为角域周期平稳信号,最后对角域周期平稳信号进行循环平稳解调分析,根据故障特征阶次处的切片解调谱进行齿轮箱复合故障诊断.通过算法仿真和应用实例对包含齿轮局部故障和轴承局部故障的变转速齿轮箱复合故障进行了分析,分析结果表明,该方法在无转速计的情况下能有效地提取处于变转速下的齿轮箱复合故障的特征.     

基于角域AR模型滤波的滚动轴承故障诊断

在齿轮噪源存在的变转速滚动轴承故障诊断过程中,因混合信号中转频分量相对较小,使得基于时频表达的阶比跟踪技术受到限制。虽然基于故障特征频率的角域重采样能提取轴承的故障特征,但这种算法不能确定故障位置,而且可能会出现误判。针对这一问题,提出了基于角域自回归(auto regressive,简称AR)模型滤波的处理方法。该方法利用线调频小波路径追踪算法从降采样处理的混合信号中提取齿轮瞬时啮合频率趋势线并估计转速,根据估计转速信息对原混合信号进行等角度重采样,获得了角域信号。利用角域信号中齿轮啮合振动成分具有周期性的特点,使用AR模型对其滤波,并且对滤波后信号进行包络阶比分析,完成故障判断。通过处理仿真信号和实验信号,验证了该方法不仅能有效地去除齿轮噪声,并且可以判断轴承故障位置。     

基于时变零相位滤波的变转速滚动轴承故障诊断

针对变转速下齿轮箱中滚动轴承故障调制特征的提取与分离,提出了基于时变零相位滤波的变转速滚动轴承故障诊断方法。该方法先用线调频小波路径追踪(CPP)算法从齿轮箱滚动轴承故障振动信号中估计出齿轮啮合频率,由啮合频率除以齿数得到齿轮箱的转速,同时,采用Hilbert包络解调方法获取轴承故障振动信号的包络信号;然后根据获取的转速信息设计各阶时变零相位滤波器;再采用各时变零相位滤波器对包络信号进行分析,获取各调制信号;最后,利用转速信号对求取的各调制信号进行阶次分析,并根据各阶次谱来诊断滚动轴承故障。算法仿真和应用实例分析表明,该方法可有效提取和分离变速齿轮箱中滚动轴承的各阶故障调制特征。     

旋转机械转速波动检测及故障诊断

针对旋转机械运行转速波动导致信息获取及诊断决策困难问题,以非平稳信号的瞬时频率估计为切入点,结合快速路径优化算法进行非平稳信号的瞬时频率估计,以实现转速波动信息的准确获取。基于参数化时频分析理论的短时阶比原理,依据估计的振动信号瞬时频率变化函数构造匹配旋转算子,将转速波动信号的时频特征进行旋转,获得各时频窗内的短时阶次谱,进而完整保留转速波动信号的瞬态信息。仿真及实验结果表明,该方法可以准确提取出旋转机械转速波动工况下的状态信息及故障特征,为后续故障精密诊断奠定基础。     

基于故障特征趋势线模板的滚动轴承故障诊断

齿轮噪声和变转速工况干扰下的滚动轴承故障诊断存在两个问题,一是转速波动限制了齿轮噪声滤除算法的使用,二是常用于克服变转速条件的阶比跟踪技术存在计算效率低及包络畸变等问题。为避免这两个问题,提出基于故障特征趋势线模板的滚动轴承故障特征提取方法。使用线调频小波路径追踪算法分别在降采样的时域信号和经Hilbert变换得到包络信号中提取齿轮峰值啮合倍频趋势线和瞬时故障特征频率趋势线;计算齿轮峰值啮合倍频趋势线与瞬时故障特征频率趋势线对应时间点的比值,并连接各个时间点的比值得到故障特征趋势线;将故障特征趋势线与理论计算的故障趋势线模板进行匹配,观察匹配结果完成故障诊断。该算法的创新点是将较难提取的包含轴承故障信息频带的获取直接转换为瞬时频率趋势线的提取,定义了故障特征趋势线的概念,根据故障特征趋势线寻找轴承故障特征。仿真算例和应用实例证明了该方法的有效性。     

基于自适应时变滤波阶比跟踪的齿轮箱故障诊断

针对多输入多输出齿轮箱传动系统和齿轮箱集群的振动信号中各啮合频率阶次相互干扰,从而导致故障诊断困难的问题,研究提出一种基于自适应时变滤波阶比跟踪的齿轮箱故障诊断方法。该方法利用基于多尺度线调频基稀疏信号分解提取各对传动齿轮的啮合频率,以各啮合频率为中心频率,对应转频的倍频为滤波带宽分别设计自适应时变滤波器对信号进行滤波,逐个提取振动信号中的啮合频率调制分量,再分别对提取的啮合频率调制分量单独进行阶比分析,有效地抑制其他无关联轴上齿轮啮合振动信号和其他非阶比噪声信号对阶比谱的影响,较好地解决阶比信号相互干扰的问题,提高阶比谱的调制识别效果,为多输入多输出齿轮箱系统和齿轮箱集群的故障诊断提供一条有效途径。仿真算例和应用实例说明方法的有效性。     

瞬时频率估计的齿轮箱升降速信号阶次跟踪

提出了基于瞬时频率估计的齿轮箱升降速信号阶次跟踪的新方法。首先对振动信号进行经验模态分解得到信号的固有模态函数，再求各个固有模态函数的Hilbert变换，得到信号的瞬时频率，从而直接从振动信号得到参考轴的转速信号，然后根据参考轴的转速信号对时域振动信号进行等角度重采样，最后对重采样信号进行阶次分析。通过仿真信号和对齿轮磨损故障实验信号的分析，表明该方法能有效地诊断齿轮的故障。     

Sparse signal decomposition method based on multi-scale chirplet and its application to the fault diagnosis of gearboxes

Based on the chirplet path pursuit and the sparse signal decomposition method, a new sparse signal decomposition method based on multi-scale chirplet is proposed and applied to the decomposition of vibration signals from gearboxes in fault diagnosis. An over-complete dictionary with multi-scale chirplets as its atoms is constructed using the method. Because of the multi-scale character, this method is superior to the traditional sparse signal decomposition method wherein only a single scale is adopted, and is more applicable to the decomposition of non-stationary signals with multi-components whose frequencies are time-varying. When there are faults in a gearbox, the vibration signals collected are usually AM-FM signals with multiple components whose frequencies vary with the rotational speed of the shaft. The meshing frequency and modulating frequency, which vary with time, can be derived by the proposed method and can be used in gearbox fault diagnosis under time-varying shaft-rotation speed conditions, where the traditional signal processing methods are always blocked. Both simulations and experiments validate the effectiveness of the proposed method.     

基于改进阶次分析与自适应VMD的变转速齿轮箱故障诊断研究

变转速齿轮箱由于工况复杂导致转频不稳定,齿轮箱的微弱故障信号可能会被掩盖在强噪声中,不能直接应用传统的时频分析方法,为故障特征的提取增加一定的难度.针对变转速信号的处理,传统的计算阶次分析方式(COT)很好地解决了变转速齿轮箱的故障特征难以提取出来的问题,但由于传统COT中所使用的重采样方法是基于样条插值法的,无法根据...     

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。     

基于改进型峰值搜索法的变速箱振动阶比分析

基于传统内燃机汽车发动机引起振动噪声阶次特征明显的特点,运用短时傅里叶变换（short-time Fourier transform,简称STFT）进行转速估计,结合阶次追踪法,对汽车加速工况变速器振动信号进行阶次分析。首先,利用STFT对加速工况变速箱振动信号进行时频分析;其次,利用改进型峰值搜索法提取特征阶次所对应的瞬时频率值,进一步计算得到发动机转速信号表达式;然后,根据发动机转速信号表达式对振动信号在角域重采样,进行阶次分析;最后,利用本研究方法对变速箱加速过程振动信号进行阶次分析,并与商用软件LMS.Test.lab分析结果进行对比。结果表明,本研究方法无需布置转速传感器即可对变速箱振动信号进行阶次分析,为整车振动噪声试验分析提供参考。     

ASTFA-BSS方法及其在齿轮箱复合故障诊断中的应用

自适应最稀疏时频分析（adaptive and sparsest time-frequency analysis,ASTFA）方法以分解得到的单分量个数最少为优化目标,以单分量的瞬时频率具有物理意义为约束条件,使得到的分量更加合理;结合盲源分离,提出了一种基于ASTFA的盲源分离方法并应用于齿轮箱复合故障诊断中。该方法首先利用ASTFA将单通道源信号进行分解,然后利用占优特征值法进行源数估计,根据源数重组观测信号,最后对观测信号进行盲源分离得到源信号的估计。实验结果表明,该方法可以有效地对齿轮箱复合故障信号进行分离进而实现齿轮箱的复合故障诊断。     

Gearbox fault diagnosis using adaptive zero phase time-varying filter based on multi-scale chirplet sparse signal decomposition

When used for separating multi-component non-stationary signals, the adaptive time-varying filter(ATF) based on multi-scale chirplet sparse signal decomposition(MCSSD) generates phase shift and signal distortion. To overcome this drawback, the zero phase filter is introduced to the mentioned filter, and a fault diagnosis method for speed-changing gearbox is proposed. Firstly, the gear meshing frequency of each gearbox is estimated by chirplet path pursuit. Then, according to the estimated gear meshing frequencies, an adaptive zero phase time-varying filter(AZPTF) is designed to filter the original signal. Finally, the basis for fault diagnosis is acquired by the envelope order analysis to the filtered signal. The signal consisting of two time-varying amplitude modulation and frequency modulation(AM-FM) signals is respectively analyzed by ATF and AZPTF based on MCSSD. The simulation results show the variances between the original signals and the filtered signals yielded by AZPTF based on MCSSD are 13.67 and 41.14, which are far less than variances (323.45 and 482.86) between the original signals and the filtered signals obtained by ATF based on MCSSD. The experiment results on the vibration signals of gearboxes indicate that the vibration signals of the two speed-changing gearboxes installed on one foundation bed can be separated by AZPTF effectively. Based on the demodulation information of the vibration signal of each gearbox, the fault diagnosis can be implemented. Both simulation and experiment examples prove that the proposed filter can extract a mono-component time-varying AM-FM signal from the multi-component time-varying AM-FM signal without distortion.