参数化S谱幅值调制及轴承故障诊断应用

针对传统谱幅值调制方法易受噪声影响的问题,利用参数化S变换得到信号在时频域中的幅值,提出了一种参数化S谱幅值调制方法。该方法首先使用参数化S变换将信号转换到时频域并得到幅值和相位,然后将不同权重赋予时频域中的幅值以改变不同能量频率成分在信号中的占比,最后将调制后的幅值与原相位结合,使用参数化S逆变换重构一系列修正信号并计算其平方包络谱以提取故障特征。仿真和实验结果表明,该方法获得的幅值信息相比传统谱幅值调制方法更加准确和全面,对强噪声环境更具鲁棒性,能够有效实现滚动轴承的外圈、内圈和复合故障诊断。将所提方法与传统谱幅值调制方法和快速谱峭度方法进行对比,证明了参数化S谱幅值调制既能检测强噪声环境下的轴承故障信息,又能同时提取多种故障分量,在滚动轴承的故障特征提取中更具优越性。

基于改进延伸奇异值分解包的滚动轴承故障诊断

针对延伸奇异值分解包算法中依靠经验设定参数的问题,提出了一种可自适应设定参数的改进延伸奇异值分解包算法。该方法利用信号的关键函数对其频谱趋势进行估计,以此实现原算法中2个重要参数——分解精度和分解层数的自适应设定。引入了时域负熵指标,在实现信号自适应分解的同时,可对分解分量进行降噪处理,提高分量的信噪比,为之后的特征提取和故障诊断奠定基础。仿真信号和实验结果均表明该方法能有效地提取振动信号中的故障特征,实现滚动轴承的故障诊断。

基于DeepLabV3+网络的滚动轴承故障特征识别

滚动轴承的故障信号一般具有非平稳、非线性的特点,通过时频分析可以得到信号中频率随时间的变化关系,有利于识别故障特征。提出了使用DeepLabV3+网络识别时频分布中故障特征的方法,对采集到的滚动轴承振动信号使用短时傅里叶变换得到时频分布,对时频分布中故障区域使用labelme进行标注;将振动信号数据集划分为训练集、验证集和测试集,训练集和验证集用来训练DeepLabV3+网络模型并调整其中的超参数,测试集用来测试网络的泛化能力。使用滚动轴承模拟信号与试验信号对提出的方法进行验证,结果表明该方法可以成功识别滚动轴承的故障特征。

镀Ni层对MnCuAl合金/430SS钎焊接头中金属间化合物的影响研究

母材与钎缝界面处的金属间化合物会降低MnCuAl阻尼合金与430不锈钢钎焊接头的结合强度,进而降低焊接结构的使用性能。采用在430不锈钢表面电镀Ni层后再进行钎焊的方法对有害的金属间化合物进行抑制,同时探究不同厚度Ni层对接头组织、金属间化合物的影响规律和机理。结果表明,镀Ni层与基体界面处无明显缺陷,镀Ni层能够与430SS母材良好结合。对于钎焊接头,未镀Ni时,在430SS侧界面处分布着γ-(Fe,Mn)固溶体层,在两侧的反应层与钎缝中心区之间均存在连续分布的IMC,且伴随着钎剂残留;电镀8μm Ni层时,焊后镀Ni层完全溶解,在430SS侧界面处仍分布着γ-(Fe,Mn)固溶体层,但接头中金属间化合物消失,且只有极少数钎剂残留;镀层为20μm时,焊后在430SS侧有一层残余镀Ni层,未发现γ-(Fe,Mn)固溶体层,金属间化合物消失,且未见钎剂残留。分析认为,当镀层厚度分别为8μm、20μm时,Ni层分别是通过合金化作用、阻隔作用抑制了金属间化合物的生成。

均匀化及时效处理对Al-Zn共析阻尼合金组织及性能的影响

采用井式电阻炉熔炼及真空感应熔炼的方法制备名义成分为50Al-48.9Zn-1Ti-0.1Ce(原子百分数,at%)的合金,然后在380℃保温20 h进行均匀化处理,并于150℃下分别进行1 h、2 h、4 h、6 h,10 h的时效处理,研究了均匀化及时效处理对Al-Zn共析阻尼合金组织和性能的影响。结果表明:均匀化处理消除了原铸态组织中的枝晶偏析,此时合金主要由α-Al分布在η-Zn基体上的共析组织所构成。然而经不同时间时效处理后的合金则主要由η-Zn分布在α-Al基体上的共析组织所构成。随着时效时间的增加,α-Al相含量逐渐增加(在均匀态下以及时效1 h、2 h、4 h、6 h、10 h后α-Al相的面积百分数分别约为16.1%、40.3%、47.2%、54.7%、60.1%、68.2%),共析组织不断粗化,且其形貌逐渐从不规则片层或颗粒状向近似等轴的颗粒状而转变。随着时效时间的延长,Al-Zn共析阻尼合金的阻尼性能不断上升(对于时效10 h后的合金试样,当应变振幅为8×10^(-4)时,其tanδ的值约为0.052)。与均匀态下的合金相比,短时时效处理后Al-Zn共析阻尼合金的拉伸性能明显改善拉伸性能(在时效1 h时获得最高拉伸强度,其σ_(b)值约为197.6 MPa),但随着时效时间的进一步延长,合金抗拉强度呈现逐渐下降的趋势。

机电设备早期故障微弱信号的非线性检测方法及工程应用

阐述了并联随机共振、混沌振子、差分振子的基本原理和数学模型。并联随机共振利用相关分析从多个随机共振输出结果中提取出相同成分,在一定程度上减小了对参数设置的依赖性。当混沌振子从混沌状态向大尺度周期状态转变时,其相图的Hu氏不变矩值将发生明显的跃变,利用Hu氏不变矩的跃变对混沌振子的状态进行自动定量识别。差分振子相图的大小与待检测信号幅值之间呈现出一种线性比例关系,弥补了差分振子不能检测信号幅值的缺陷。将这三种非线性方法应用于机电设备故障诊断中,成功地提取出了设备早期故障的微弱特征信息,取得了理想的效果。

基于双树复小波和奇异差分谱的齿轮故障诊断研究

针对齿轮故障振动信号的非平稳特性和包含强烈噪声,很难提取故障特征频率的情况,提出了基于双树复小波和奇异差分谱的故障诊断方法。首先将非平稳的故障振动信号通过双树复小波分解为几个不同频段的分量;由于噪声的影响,从各个分量的频谱中难以准确地得到故障频率。然后对包含故障特征的分量构建Hankel矩阵并进行奇异值分解,求奇异值差分谱曲线,确定奇异值个数进行SVD重构降噪,由此实现对故障特征信息的提取。最后再求希尔伯特包络谱,便能准确地得到故障频率。实验结果和工程应用表明,该方法可以有效地提取齿轮的故障特征信息,验证了方法的可行性和有效性。

独立分量分析及其在故障诊断中的应用

独立分量分析是盲源分离的一种新方法 ,其处理的对象是相互统计独立的信号源经线性组合而产生的一组混合信号 ,最终目的是从混合信号中分离出各独立的信号分量。本文简要介绍了独立分量分析的基本思想及算法 ,并对现场采集到的多组振动信号进行了分析 ,结果表明 ,独立分量分析在对混合信号进行盲分离方面具有很强的能力 ,从而为机械设备状态监测与故障诊断提供了一种行之有效的信号预处理的新方法。

近似熵及其在机械设备故障诊断中的应用

近似熵从衡量时间序列复杂性的角度提供了一种表征信号整体特征的无量纲指标 ,具有计算所需数据短、抗噪及抗野点能力强、对确定性信号和随机信号都适用等特点 .本文介绍了近似熵的概念、性质及其快速算法 ,并对某汽轮机组轴瓦松动维修前后不同状态下的振动信号进行了分析 ,结果表明 ,近似熵在表征信号的复杂性方面具有很强的能力 。

基于双树复小波包变换能量泄漏特性分析的齿轮故障诊断

为有效利用双树复小波包变换提取齿轮故障特征信息,提出基于双树复小波包能量泄漏特性分析的故障诊断方法。首先根据高斯白噪声频率充满整个频带的特性,通过双树复小波包变换对高斯白噪声进行分解,利用频带能量泄漏的定量分析方法,验证了双树复小波包变换具有较低的频带能量泄漏特性;其次利用双树复小波包变换逐层分解信号,对每层分解所得分量求其FFT谱的峭度,得到基于双树复小波包变换的谱峭度图,根据图中峭度最大的原则,可以自动准确的选择信号分解最佳层数和最佳分量;最后将基于双树复小波包变换的谱峭度图的故障诊断方法应用于实际工程中,对齿轮故障振动信号进行分析,选择最佳分解层数和分量后利用希尔伯特包络解调,有效准确地提取了故障特征信息,验证了方法的可行性和有效性。该研究可为旋转机械设备中齿轮箱故障诊断的故障特征提取提供参考。

基于ITD的齿轮磁记忆信号特征提取方法的研究

针对低速重载齿轮潜故障状态下磁记忆信号特征信息难以获取的问题,提出了一种基于固有时间尺度分解法(ITD)的磁记忆信号特征提取方法。首先利用ITD方法将原始磁记忆信号分解为若干固有旋转分量PRC和一个单调趋势项,然后将前四阶PRC分量重新组合重构,剔除磁记忆信号自身的大周期成分和磁场噪声,最后再利用周期平均和局部统计法提取出该齿轮每个齿根的磁信号强度。实验结果表明,该方法非常适用于信号有效成分的精确拾取和判断,能有效实现信号的特征提取,对低速重载齿轮潜故障早期诊断领域具有重要的应用价值。

双树复小波和奇异差分谱在滚动轴承故障诊断中的应用

针对滚动轴承故障振动信号中包含强烈噪声,很难提取故障特征频率的情况,提出了基于双树复小波和奇异差分谱的故障诊断方法。首先利用双树复小波将非平稳振动信号分解为几个不同频段的分量;然后对包含故障特征的分量构建Hankel矩阵并进行奇异值分解,求奇异值差分谱曲线,根据奇异值差分谱最大突变点来确定奇异值个数进行重构;最后再求希尔伯特包络谱,便能准确地得到故障频率。实验结果和工程应用表明,该方法可以有效地提取轴承故障的故障信息,提取出了故障特征,验证了方法的可行性和有效性。

基于双树复小波包变换的滚动轴承故障诊断

针对滚动轴承故障的振动信号具有非平稳特性,存在强烈噪声干扰,难以提取故障特征频率的情况,提出了基于双树复小波包变换阈值降噪的故障诊断方法。首先将非平稳的故障振动信号进行双树复小波包分解,得到不同频带的分量;然后对每个分量求其峭度值和相关系数并进行比较;最后选取峭度值和相关系数较大的分量进行软阈值降噪和双树复小波包重构,即可有效地消除振动信号中噪声的干扰,同时保留信号中的有效信息即实现了故障特征信息的提取。本文对轴承外圈故障试验和实际工程数据进行了相关分析,并对比传统离散小波包降噪的效果,本文方法处理后的信号冲击周期性更好,较理想地去除了噪声的影响,验证了该方法可以有效地去除噪声并提取滚动轴承故障的特征信息。

基于独立分量分析的机械故障信息提取

独立分量分析是盲源分离的一种新方法,其处理的时象是相互统计独立的信号源经线性组合而产生的一组混合信号,最终目的是从混合信号中分离出各独立的信号分量．为此,论证了机械振动信号盲源分离的可行性,并对盲源分离中的“源”赋予了新的含义,利用互相关函数估计不同通道之间的时延参数,适当截取后组成混合信号再进行盲源分离,可以保证振动信号分离的有效性．盲源分离技术在涡流传感器失效故障诊断和早期碰摩故障诊断的成功应用,表明该技术在机械设备状态监测和故障诊断中有着广阔的应用前景．

基于双树复小波变换的轴承复合故障诊断研究

针对滚动轴承复合故障信号特征难以分离的问题,提出将双树复小波变换和独立分量分析(ICA)结合的故障诊断方法。该方法首先将非平稳的故障信号通过双树复小波变换分解为若干不同频带的分量;由于各个分量存在一定的频率混叠,对故障信号特征提取有很大的干扰,进而引入ICA对各个分量所组成的混合信号进行盲源分离,从而尽可能消除频率混叠;最后对从混合信号中分离出来的独立分量信号进行希尔伯特包络解调,即可实现对复合故障特征信息的分离和故障识别。实验结果表明,该方法有效地分离和提取了滚动轴承复合故障的特征信息,验证了方法的可行性和有效性。

基于LCD和Teager能量算子的滚动轴承故障诊断

提出了一种基于局部特征尺度分解和Teager能量算子包络解调的滚动轴承故障诊断方法.首先,在定义具有物理意义瞬时频率的单分量信号——内禀尺度分量(intrinsic scale component,ISC)的基础上介绍了一种全新的信号自适应分解方法——局部特征尺度分解(local characteristic-scale decomposition,LCD).然后,在滚动轴承故障模拟试验台上采集振动信号,并对信号进行局部特征尺度分解,将其分解成为若干个内禀尺度分量,之后对包含故障信息的ISC进行能量算子包络解调,从而得到轴承故障的特征频率.实验和工程实践的轴承故障信号分析结果表明:该方法可以准确识别滚动轴承的故障,可以应用于工程实践.

双树复小波包和ICA用于滚动轴承复合故障诊断

针对滚动轴承复合故障信号特征难以分离的问题,提出将双树复小波包变换和独立分量分析(independent component analysis,简称ICA)结合的方法应用到滚动轴承复合故障诊断中。首先,利用双树复小波包变换将复杂的、非平稳的复合故障信号分解为若干不同频带的分量;其次,引入ICA对各个分量所组成的混合信号进行盲源分离,从而尽可能消除频率混叠;最后,对从混合信号中分离出来的独立信号分量进行希尔伯特解调,即可实现对复合故障特征信息的分离和故障识别。试验结果表明,该方法可以有效地分离和提取轴承复合故障的特征频率,验证了方法的可行性和有效性。

双树复小波和局部投影算法在齿轮故障诊断中的应用

齿轮故障振动信号往往表现为非线性非平稳特性,并且早期故障振动信号往往包含较强的背景噪声,不利于故障特征的提取。针对该问题,提出了基于双树复小波变换和局部投影算法的齿轮故障诊断方法。首先,对故障信号进行双树复小波变换,得到不同尺度下的小波系数和最后一层的尺度系数,并计算各层小波系数的模与相角。然后,选择模周期性较强的小波系数或尺度系数进行局部投影算法处理,得到周期性增强的系数的模,并选择合适的阈值进行软阈值处理。最后,利用处理后的系数进行双树复小波重构,从而提取出齿轮故障特征信号,进行希尔伯特包络解调分析便能准确地得到故障特征频率。仿真信号和工程应用表明,该方法能够有效地提取齿轮故障特征信息,提供了一种齿轮故障特征提取的新方法。

分形维数和近似熵用于度量信号复杂性的比较研究

本文介绍了两种度量时间序列复杂性的方法 ,一种是建立在分形理论基础上的分形维数 ,一种是最近新发展起来的度量序列复杂性的统计方法———近似熵。应用这两种方法对机械设备振动信号进行了复杂性特征的提取 ,对比研究表明 ,它们都可以作为表征信号复杂性的一种度量 ,各具特点。但近似熵具有一定的抗噪、抗野点的能力 ,包含了更多的时间模式的信息 ,是一种值得重视的、很有应用前景的故障诊断新方法。

基于奇异值分解的磁记忆信号特征提取方法

针对金属磁记忆信号容易受到环境噪声影响,使得缺陷信号可检测性降低的情况,首先,利用传统的奇异值分解方法对场桥主梁磁记忆信号进行分解和重构,发现尽管可以取得较为理想的降噪效果,但如何自适应确定重构时的奇异值个数仍存在困难;然后,将磁记忆信号按照二进递推方法构造矩阵,重复进行奇异值分解可以获得具有不同分辨率的近似信号和细节信号,从而形成多分辨奇异值分解,其中细节信号对应磁记忆中的噪声成分,近似信号为去除噪声之后的有效磁记忆信号,从而实现了磁记忆信号的降噪。将该方法用于某场桥主梁磁记忆信号的处理,有效地提高了重构信号的信噪比,准确地判断出了该主梁的应力集中区域,为评估其应力状态和早期故障诊断奠定了基础。