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。

基于ITD和改进形态滤波的滚动轴承故障诊断

为从受谐波和随机噪声干扰的振动信号中提取出故障冲击成分,融合四大基本形态学算子提出了改进形态滤波方法——平均组合差值形态滤波(ACDIF)方法,同时与固有时间尺度分解(ITD)相结合,并将ITD-ACDIF方法应用到滚动轴承的故障诊断中。首先,对轴承振动信号进行ITD分解得到一系列旋转分量(PRC);然后,以峭度为准则筛选出含故障信息丰富的有效PRC,对每个有效分量进行ACDIF滤波提取冲击成分进行信号重构;最后,利用频谱分析提取重构信号中的故障特征。数值仿真和轴承故障振动信号的试验结果表明,本文方法可有效滤除谐波干扰,提取强背景噪声下的冲击故障特征,实现设备的故障诊断。

基于IITD样本熵和支持向量机的齿轮故障诊断方法

基于ITD方法的线性变换和Akima插值,提出了一种改进的固有时间尺度分解方法(Improve Intrinsic Timescale Decomposition,简称IITD)方法。齿轮振动信号具有非平稳特征,其典型的故障样本难以获取,为此进一步提出了一种基于IITD样本熵和支持向量机的齿轮故障诊断方法。采用IITD法对非平稳的原始加速度振动信号进行分解,并提取包含主要故障特征信息的PR分量,将其样本熵值作为特征向量;然后将特征向量输入到支持向量机中识别齿轮的故障特征。实验分析结果表明:相比BP神经网络,能更有效地应用于齿轮的故障诊断。

基于小波包的EITD风力发电机组齿轮箱故障诊断

基于三次样条插值和固有时间尺度分解中的线性变换,提出了集成固有时间尺度分解(EITD)方法,将该方法与小波包变换相结合,实现了风电机组齿轮箱故障的精确诊断.首先使用三次样条插值拟合基线控制点,将振动信号分解为一系列固有旋转分量;然后选择相关系数最大的PR分量进行小波包分解,计算分解后小波包系数的能量分布,选择能量比重较大的小波包系数重构PR分量;最后计算重构PR分量的关联维数,实现振动信号的故障诊断.利用所提出的方法对风电机组齿轮箱振动信号进行了分析,结果表明:与经验模态分解(EMD)方法处理后直接计算关联维数和经小波包的EMD方法处理后计算关联维数相比,采用小波包的EITD方法处理后计算关联维数更具有区分性,可有效识别齿轮的工作状态和故障类型.

基于ITD-MOMEDA联合降噪的滚动轴承故障诊断研究

在滚动轴承的实际运行过程中,其故障信号往往容易淹没于强背景噪声中,使其故障的类型难以得到识别,针对这一问题,提出了一种基于固有时间尺度分析(ITD)和多点最优调整的最小熵解卷积(MOMEDA)相结合的联合降噪方法,并将其应用于滚动轴承的故障诊断中。首先,用ITD算法对滚动轴承故障原始信号进行了分解,得到了多个固有旋转分量(PRC);其次,依据相关系数和峭度原则,挑选出了与原信号相关度较大的PRC分量,并对其进行了重构;然后,采用MOMEDA算法对重构信号进行了进一步降噪处理,完成了有用信号与噪声信号的分离;最后,对降噪后的信号进行了包络解调分析,提取出了故障特征频率,诊断出了轴承故障具体位置;此外,为了验证该方法的有效性,通过ITD与局域均值分解(LMD)、MOMEDA与最大相关峭度解卷积(MCKD)算法对仿真信号进行了对比分析,并对轴承外圈进行了实例分析。研究结果表明:相比于ITD-MCKD方法,基于ITD-MOMEDA联合降噪方法的故障诊断准确率提高4.3%,能更有效地去除强噪声,并成功地检测出轴承的故障类型。

ITD算法在电能质量扰动信号特征量提取中的应用

针对电能质量扰动信号非线性特点,采用固有时间尺度分解算法(Intrinsic Time-scale Decomposition,ITD)准确快速地提取电能质量扰动信号的幅值、频率、相位、衰减因子、扰动起止时刻等特征量。首先利用固有时间尺度分解算法提取电压扰动信号的固有旋转分量(Proper Rotation Component,PRC)。然后对PRC分量进行Hilbert变换求取相位和瞬时频率,根据高频突变点得到扰动起止时刻;由包络函数得到扰动信号的幅值,并计算衰减因子。运用Matlab对单一和复合扰动信号进行仿真计算,结果表明该方法能准确地识别电能质量扰动信号的特征量,具有抗噪能力,验证了所提方法的实时性和可行性。

基于IITD和奇异值差分谱的滚动轴承故障诊断

基于ITD方法的线性变换和Akima插值,提出了一种改进的固有时间尺度分解方法 (Improve Intrinsic Time-scale Decomposition,简称IITD),将该方法与奇异值差分谱相结合,实现了滚动轴承故障的精确诊断。首先通过IITD方法将非平稳的原始加速度振动信号分解成若干个平稳的固有旋转分量(Proper Rotation Component,简称PRC);然后挑选包含故障特征信息最丰富的PR分量作为主PR分量;构造主PR分量的Hankel矩阵并进行奇异值分解,得到相应的奇异值差分谱,选择奇异值差分谱中的最大突变点来确定重构信号的奇异值个数,进而得到降噪后的主PR分量;最后对降噪后的主PR分量进行包络解调分析,提取滚动轴承的故障特征。实例分析表明,相比传统包络谱分析和基于经验模态分解和奇异值差分谱的方法,该方法能更有效地提取出滚动轴承的故障特征。