基于低次故障特征阶比系数的变转速滚动轴承等效转频估计算法

基于时频表达的阶比跟踪算法能够帮助实现变转速旋转设备的故障诊断而不依靠转速计的帮助。然而,滚动轴承振动信号的时频表达却因缺少明显且易提取的转频成分使得该算法无法得到应用。为此,引入瞬时故障特征频率作为滚动轴承的等效转频,并提出基于低次故障特征阶比系数的估计算法对其进行提取。根据转频的变化范围确定基本滤波带宽并沿频率轴构造一组带通滤波器对原信号进行带通滤波。计算各带通滤波结果的包络时频谱并提取相应的等效转频趋势线。利用等效转频趋势线对相应的滤波结果进行重采样并计算故障特征阶比包络谱。将各阶比包络谱中与一、二、三次故障特征阶比相对应的幅值之和作为标准确定最优滤波带宽与相应的等效转频趋势线(瞬时故障特征频率趋势线)。利用该趋势线对原始信号进行故障相角域重采样,所得结果故障特征阶比包络谱即可用于滚动轴承的故障诊断。仿真算例和应用实例证明了该算法的有效性。

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。

组稀疏低秩矩阵估计的变转速滚动轴承故障特征提取

早期轴承故障特征的有效提取对于避免严重机械事故具有重要的意义。表征轴承故障的脉冲信号往往淹没在强背景噪声干扰中,并且轴承常常在变转速工况下运行,这使故障特征的提取较为困难。针对这一问题,提出一种用于变转速工况下滚动轴承故障特征提取的组稀疏低秩矩阵估计算法。首先,根据变转速工况下轴承故障脉冲信号的角度时间循环平稳特性,利用阶频谱相关(order-frequency spectral correlation, OFSC)将测量信号转换至阶频域中;其次,揭示了轴承故障脉冲在阶频域中的组稀疏性和低秩性,并据此构建一种凸优化问题来增强这两种特性,引入非凸罚函数来提高故障特征的稀疏性;再次,在交替方向乘子法(alternating direction method of multipliers, ADMM)和优化最小化(majorization-minimization, MM)框架下求解该凸优化问题,推导出组稀疏低秩(group sparse low-rank, GSLR)矩阵估计算法;最后,通过构建增强包络阶次谱(enhanced envelope order spectrum, EEOS)对求解得到的目标分量进行故障特征检测。仿真和试验信号的分析验证了该方法在故障特征提取中的有效性。

基于分数低阶Stockwell变换时频的机械轴承故障特征提取

时频分布是机械滚动轴承故障信号的有效分析方法,特殊情况下的机械故障信号或噪声属于非高斯 Alpha(α)稳定分布,传统的 Stockwell 变换( S 变换)时频方法性能退化甚至失效。基于 S 变换时频和分数低阶矩提出了一种分数低阶 S 变换时频分布算法,为了减少计算量及在线及时分析信号,提出了一种快速分数低阶 S 变换时频算法。仿真结果表明,所提出的分数低阶 S 变换时频算法及其快速算法能很好地工作在高斯噪声和α稳定分布噪声环境,性能优于已有的 S 变换时频。在实际应用中,所提出的时频算法能够较好的提取机械轴承故障信号的故障特征。

基于低阶频率响应模型的双馈风电机组下垂系数修正方法

在频率下垂控制期间,由于减载备用曲线运行点会随转子转速变化而发生偏移,造成双馈风电机组实际贡献的一次调频能力低于设定期望值。为了解决这一问题,首先根据小信号分析理论建立了由双馈风电机组与火电机组构成的分布式系统低阶频率响应模型。然后利用该模型分别推导出评估双馈风电机组实际与期望一次调频能力的量化计算式,提出将设定的下垂系数乘以一个缩小因子后,可使双馈风电机组贡献出期望一次调频能力。最后选用某实际分布式系统对提出的下垂系数修正方法进行了有效性验证,仿真结果表明,当双馈风电机组采用所述方法进行下垂系数修正后,不仅能使系统准稳态频率偏差达到期望水平,还进一步改善了系统最大频率偏差。

阶次跟踪能量算子与奇异值分解结合的滚动轴承故障诊断

针对滚动轴承变速过程中振动信号非平稳,早期故障特征微弱的特点,将阶次跟踪与能量算子(EO)相结合,提出阶次跟踪能量算子(OTEO)与奇异值分解(SVD)结合的轴承故障诊断方法。首先,对时域振动信号进行SVD以降低噪声干扰;然后,对降噪后的信号进行OTEO解调分析,即对信号先进行EO解调再对包络信号进行阶次跟踪;最后,采用Fourier变换做出包络阶次谱,从中提取出滚动轴承故障特征阶次。试验结果验证了该方法对于滚动轴承故障特征提取的有效性。

基于阶次倒双谱分析的滚动轴承故障诊断方法

针对齿轮箱升降速过程中振动信号非平稳的特点,将常规的阶次分析与倒双谱技术相结合,提出了基于阶次倒双谱的轴承故障诊断方法.首先对齿轮箱升降速瞬态信号进行时域采样,再对时域非平稳信号进行等角度重采样,转化为角域平稳信号,最后对角域重采样信号进行倒双谱分析,就可提取滚动轴承振动信号的故障特征.通过对滚动轴承内圈、外圈故障实验信号的分析,表明阶次倒双谱分析能有效地诊断滚动轴承故障.

六阶微分方程组次特征值的定量估计

运用Sturm-Liouville特征值定性理论,对六阶微分方程组广义低阶特征值进行估计,获得用主特征值来估计次特征值上界的显式不等式,其估计上界与所论区间的长度有关,而与区间在数轴上的具体位置无关.

轴承振动信号PF分量的分数低阶特征提取

针对分数低阶Alpha稳定分布特性下轴承振动信号乘积函数(product functions,简称PF)的高阶统计特征提取性能退化问题,提出了轴承振动信号PF分量的分数低阶特征提取方法。通过信号平稳化PF分量的概率密度函数(probability density function,简称PDF)曲线拖尾及特征指数α估计,验证轴承振动信号PF分量的分数低阶Alpha分布特性,并提出最优分数低阶统计量和共变低维流行映射矩构成轴承特征矩阵,以降低二阶及高阶统计量对信号分量特征描述误差,实现不同故障轴承特性的准确性表征。通过轴承特征散点图对比分析,结果表明,分数低阶次特征对轴承振动信号PF分量描述更为准确,不同状态轴承特征描述准确性和区分效果提升明显,具有一定的可行性及实际应用优势。

四阶常系数非齐次线性微分方程特解的解法

在已有文献所给的解一元四次方程方法的基础上,给出了求解四阶常系数方程的详细步骤,同时,利用常数变易法和分部积分法,以及高等代数的相关知识,得到了在两种情况下四阶常系数非齐次线性微分方程特解的两个定理.

变速器新产品故障特征提取与分类方法

针对汽车变速箱原始故障特征向量维数过高导致的检测效率低、准确率低的问题,提出一种基于阶次分析理论的特征提取方法和基于遗传算法—反向传播神经网络的特征选择与分类方法。首先运用阶次分析理论提取变速器的阶次域特征,与时域特征共同组成特征向量集;然后将类内类间距离比与惩罚系数之和作为目标函数值,利用遗传搜索策略对特征向量集进行特征选择,得到特征子集;最后用反向传播神经网络算法进行故障分类,得到检测结果,并通过实验验证了所提出方法的有效性。

基于转子启动过程谐波特征的故障诊断方法研究

为对滑动轴承转子系统启停机过程中系统结构模态特性及非线性特征进行分析,提出了一种基于转子启动过程谐波特征的故障诊断方法。该方法利用时间三维谱图初步提取系统谐波成分,继而采用等时间采样的阶次能量比对系统振动能量在谐波成分之间的迁移特征进行深入研究。采用该诊断方法对柔性转子试验台启动过程振动特征进行分析,发现了系统存在的谐波特征及其在系统振动中谐波能量配比关系,提取出了系统存在的主要故障特征,从而验证了该诊断方法的有效性。

变速非平稳条件下滚动轴承故障特征提取方法研究

旋转机械设备启停、电压波动及载荷变化等因素使滚动轴承通常是在变速非平稳条件下运行,利用传统共振解调方法获得的谱图将变得模糊,无法识别故障特征。根据该条件下滚动轴承损伤点冲击引起的固有谐振信号频率不变的特点,利用连续小波分析方法提取固有谐振信号,通过瞬时频率估计、阶比跟踪手段进行阶比谱分析,提出滚动轴承故障特征阶比系数的概念和计算方法。将故障特征阶比系数与阶比谱进行比较,可以很好地识别滚动轴承损伤类故障。

降速工况下滚动轴承微弱故障特征信号提取新方法

研究降转速工况下滚动轴承微弱故障特征信号的提取,提出了一种基于计算阶次分析、三次样条插值分析与包络谱分析相结合的新方法。基于滚动轴承微弱故障实验测得的降速工况下的转速信号和振动信号,首先对转速信号在时域内积分获得角位移-时间信号,再对该信号进行线性插值获得等角度间隔的角位移-时间信号,然后利用该时间序列对振动信号进行三次样条差值获得等角度间隔分布的重采样振动信号,最后对重采样振动信号进行包络分析及快速傅里叶变换获得阶次包络谱。通过对滚动轴承微弱故障实验信号分析,表明该方法能有效提取出滚动轴承微弱外圈故障和滚动体故障特征信息。该方法为轴承微弱故障特征信号提取提供了一种重要手段,具有广泛的应用前景。

基于cICA-Kurtogram的变转速齿轮故障特征提取

在变转速齿轮故障特征提取过程中,针对约束独立分量分析对源噪声免疫能力差的问题,提出一种将约束独立分量分析、计算阶次跟踪和快速谱峭度相结合的方法。根据电机瞬时转频,获得故障齿轮的瞬时啮合频率,建立矩形波参考信号;利用约束独立分量分析提取故障特征更明显的时域信号,即相应的独立分量;然后基于故障齿轮所在轴的瞬时相位,通过等角度重采样将时域相应的独立分量转换为角域平稳信号;从阶次谱中提取故障齿轮特征阶次;根据快速峭度谱选择合适的滤波器参数对角域相应的独立分量进行滤波,获得平方包络谱,以判断故障齿轮所在轴的位置。结果表明,该方法是一种适用于变转速工况下齿轮箱振动状态监测与故障诊断的有效方法。

基于ATF与EEMD变转速齿轮故障特征降噪方法

针对变转速下的齿轮故障特征的降噪问题,提出一种基于自适应时变滤波(Adaptive time-varying filtering,ATF)与集合经验模态分解(Ensemble empirical mode decomposition,EEMD)的齿轮故障特征降噪方法。该方法首先用线调频小波路径追踪(Chirplet path pursuit,CPP)算法从变转速下的齿轮故障振动信号中估计出齿轮啮合频率,并依据该啮合频率设计时变滤波器;再利用该时变滤波器对齿轮故障振动信号进行滤波,将滤波器阻带内的噪声予以去除;然后采用EEMD方法对滤波后的信号进一步降噪,减少滤波器通带内的噪声干扰;接着利用时变滤波器对降噪后的信号再次进行滤波,消除EEMD降噪时在阻带带来的噪声干扰;最后对降噪后的信号进行阶次分析,提取齿轮故障特征。对齿轮局部故障的算法仿真和应用实例分析表明,该方法不仅可以消除阻带的噪声干扰,而且对通带内的噪声也有较好的抑制作用,可有效凸显齿轮的故障特征。

基于分数阶傅里叶变换的直流电弧特征分析

针对单纯从时域或频域方面检测电弧故障的缺陷,提出了采用分数阶傅里叶变换分析电弧的时频特征。通过试验模拟不同负载时直流串行与并行电弧故障,发现改变变换阶次使得电弧分数阶傅里叶域的特征比频域特征更加明显,有利于提取电弧特征。同时比较了负载性质及电弧类型对电弧分数阶傅里叶域特征的影响,及在线检测电弧故障时分数阶傅里叶变换和快速傅里叶变换算法复杂度与实时性。

基于SWT与IEWT的齿轮无转速计阶次跟踪

针对变转速工况下,多级齿轮传动低速级齿轮故障信号易受背景噪声干扰,导致频谱特征模糊,微弱故障特征难以提取的问题,提出一种基于同步压缩小波变换(Synchrosqueezing Wavelet Transform, SWT)与改进经验小波变换(Improved Empirical Wavelet Transform, IEWT)相结合的齿轮无转速计阶次跟踪方法。首先为提高无转速计阶次跟踪瞬时频率估计精度,设计连续小波变换-椭圆时变滤波器(Continue Wavelet Transform-Elliptic Time-Varying Filtering, CWT-ETVF)对齿轮振动信号滤波降噪,依据滤波所得单分量的SWT时频分布进行峰值搜索,以实现高精度的瞬时频率估计,然后对时变故障信号等角度重采样获得角域平稳信号。针对EWT方法频谱分割不合理的问题,提出一种依据频谱包络趋势进行边界划分的改进经验小波变换方法对角域平稳信号自适应分解。最后选择合适分量自相关去噪,并通过阶次解调分析识别故障特征。仿真及实测局部断齿数据分析表明,该方法可以准确提取变转速齿轮时变微弱故障特征。

Volterra核函数法在轴承滚珠磨损中的特征提取及应用

针对滚动轴承滚珠磨损故障特征难以提取的问题,提出一种基于多脉冲激励法下的Volterra级数核的求解算法.该方法是一种非线性系统模型的"交叉"诊断法,利用轴承系统输入输出的采样信号,建立Volterra非线性辨识系统模型,并运用多脉冲激励Volterra低阶核求解算法,将得到的低阶核通过时域和频域进行对比来判断轴承当前所处的运行状态.该文以无心车床主轴轴承为例进行实验验证,并与传统的小波分析法对比得出:多脉冲激励法能够方便准确地提取轴承的故障特征,该方法对此类故障的诊断具有一定的借鉴意义.

基于转速提取和优化MSB的滚动轴承故障诊断

在变转速工况下,齿轮箱滚动轴承的振动信号呈现强烈的非平稳性特征,导致无法对其进行故障诊断。针对这一问题,提出了一种基于转速提取和优化调制信号双谱(MSB)的滚动轴承故障诊断方法。首先,利用同步提取变换(SET),从原始振动信号中提取了参考轴的瞬时转速;再对原始信号进行了预白化和最小熵反褶积(MED)滤波,得到了特征增强的降噪信号,并结合提取的转速信号进行了角域重采样,建立了阶次域调制信号双谱(MSB);基于MSB分布,构造了更能体现主导调制分量与载波分量非线性耦合程度的改进载波谱;最后,根据改进载波谱对载波切片进行了择优挑选,结合MSB和双谱相干函数构造了改进调制谱,进一步消除了噪声的干扰,从而提取到了滚动轴承的显著故障特征。研究结果表明:该方法可以用于有效提取变转速齿轮箱滚动轴承的故障特征阶次,从而实现对滚动轴承进行有效的故障诊断;与传统的诊断方法相比,该方法具有明显的优势。