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。

多阶FRFT自适应滤波及齿轮微弱故障特征提取

提出了一种基于稀疏信号分解的多阶分数阶傅里叶变换(Fractional Fourier Transform,FRFT)自适应滤波方法,用于分离加减速过程啮合频率包络调制信号,提取微弱故障特征。首先提出基于两级步长FRFT确定基函数来改进多尺度线调频基稀疏信号分解方法,然后根据分解信号将分析信号分成具有较好LFM特性的信号段,采用确定基函数时保留的最佳阶次和分数阶域聚集点对各段信号进行单阶FRFT滤波,实现多阶FRFT自适应滤波。采用该方法对变速器加减速过程振动信号进行滤波解调分析。试验结果表明:基于两级步长FRFT确定基函数,速度快、精度高、抗干扰能力强;该滤波方法计算效率高,不需要选择和设置复杂滤波器,解决了信号频率呈曲线变化时,单阶FRFT滤波失效和多阶FRFT滤波各阶次难以确定的问题,能有效剥离出啮合频率包络调制信号,滤波分量的解调谱能有效提取出早期齿轮故障微弱特征。

基于FRFT滤波的轴承微弱故障特征提取

针对变速器轴承单一和并发早期故障微弱特征难以提取的问题,提出基于分数阶傅里叶变换(FRFT)的阶次包络解调方法。利用线性调频信号在分数阶傅里叶变换域上具有很好时频聚焦性的特点,根据变速器输入轴转速信号及传动比确定FRFT最佳阶次,理论上推导分数阶域聚集位置。根据最佳阶次和聚集位置在分数阶域对目标分量进行分离,并对分离后信号阶次包络解调分析,得到基于FRFT的阶次包络解调谱。经对实测轴承早期故障振动信号进行分析表明,基于FRFT的阶次包络解调谱能有效隔离其他分量和噪声干扰,解除并发故障特征间的互相干扰,提取出轴承单一和并发早期故障微弱特征。

基于压缩小波变换与增强的发动机故障特征提取

针对发动机强噪声条件下故障信号信噪比低、提取困难的问题,提出基于压缩小波变换与同步增强的故障特征提取方法。首先,对测取的发动机信号进行压缩小波分解,得到不同尺度下对应的瞬时频率,并进行解调及消噪处理,提取微弱故障特征;其次,采用循环特征同步增强方法,强化故障特征表示,最终对故障特征进行诊断识别。仿真及实例分析表明,该方法能有效提取发动机故障特征及诊断故障。

基于EEMD和GA-LSTM算法的行星齿轮故障诊断方法

在强烈的背景噪声下,如何较好地提取行星齿轮的微弱故障特征,这是行星齿轮故障诊断领域需要解决的难题。针对行星齿轮振动信号的非线性和非平稳性,为了提高其故障诊断的准确性,提出了一种利用遗传算法优化的长短时记忆网络(GA-LSTM)和集合经验模式分解(EEMD)的行星齿轮故障诊断方法。首先,通过试验采集了4种行星齿轮故障类型的振动信号,并采用EEMD方法将行星齿轮的原始振动信号分解为6个本征模态函数(IMF)分量,将其作为特征分量以便进一步处理;然后,使用遗传算法(GA)对LSTM网络的超参数进行了优化,以提高故障类型识别的准确性;最后,将特征分量输入到已经训练好的GA-LSTM模型中,将其网络模型作为最终分类器,对行星齿轮进行了故障诊断识别,并通过对比未经优化的网络,以及在原始信号中人为地加入噪声模拟的实际工程信号,验证了基于EEMD和GA-LSTM算法的有效性和泛化性。研究结果表明:训练后的网络实现了不到2%的损失率,具有良好的稳定性,GA-LSTM方法故障分类精度达到了94.17%;与未经优化的网络相比,GA-LSTM模型的验证精度高于LTSM,该网络模型在所有分量上都表现出更好的时序性能,在识别添加了噪声的工程信号时,也能保持较高的故障诊断精度,从而表明其在行星齿轮故障诊断中的优越性。该研究在提高机械传动设备故障诊断能力方面有一定的理论参考价值。

基于局域均值分解的行星齿轮箱故障诊断方法

在低转速工况下,容易出现行星齿轮箱故障的微弱信号和强信号难以分离的情况,导致行星齿轮箱存在微弱故障诊断精度较差的问题,为此,提出了一种基于局域均值分解(LMD)的行星齿轮箱故障诊断方法。首先,采用DASP数据采集系统,采集了行星齿轮箱不同工况下的振动信号,采用平移不变量小波降噪方法,对其振动信号进行了降噪处理;然后,采用局域均值分解方法分解了其振动信号,分别采用了能量算子和循环频率对其进行了解调处理,获取了微弱故障信号分量所对应的幅值和相位调制信息,准确提取了行星齿轮箱的微弱故障信号特征;最后,采用最小二乘支持向量机(LSSVM)识别了齿轮箱不同故障特征,判断了行星齿轮箱的运行状态,实现了行星齿轮箱的故障诊断。研究结果表明:采用基于LMD的方法,可以对行星齿轮箱的微弱异常信号及强异常信号进行准确诊断,获得满意的行星齿轮箱故障诊断结果,有效保障行星齿轮箱的安全、稳定运转。

周期稀疏导向超小波在风力发电设备发电机轴承故障诊断中的应用

机械故障特征提取的内积变换原理要求匹配基函数与目标特征之间的相似性。在缺乏故障特征的精确信息这一不利条件下,根据故障呈现出的确定性以及统计特性能够有效指导基函数的选择和构造针对发电机轴承发生故障时常伴随周期性特征的先验知识,提出冲击故障特征周期性稀疏为导向的超小波构造方法。所提出的超小波变换利用可调品质因数小波变换作为匹配字典库,从而改进经典的基于单一固定基函数的小波分析思想。在技术路线上:首先采用超小波字典库对信号进行分解,计算各小波尺度上的周期性稀疏故障特征能量权重指标;以该权重指标优化为目标函数作为评价超小波字典与微弱故障特征匹配相适度的依据选择的可调品质因数小波最优刻画参数(即最优超小波);利用最优的超小波基函数对信号进行最终分解,获取其中的关键故障特征。所提出方法成功地应用于某风力发电机组上发电机轴承故障诊断,从中提取振动信号中隐藏的微弱冲击性故障特征。

自适应TQWT滤波器算法及其在冲击特征提取中的应用

微弱故障的冲击特征提取,对于旋转机械设备平稳工况下的状态监测与诊断至关重要。针对强背景噪声下机械故障微弱冲击特征有效提取的难题,提出基于自适应可调品质因子小波变换(TQWT)滤波器的冲击特征提取算法。TQWT作为新兴的频域显式小波构造理论,具有匹配特定振荡行为信号成分、可利用FFT算法快速实现的优点。所提自适应TQWT滤波器算法,主要涉及TQWT参数(品质因子Q、冗余度r以及分解层数J)的优化选择以及最优特征子带的自适应选择,不依赖于先验知识。算法根据所提出的中心频率比指标以及能量加权归一化小波熵,分别对分解层数以及品质因子和冗余度进行优化选择,构造出适合揭示冲击信号成分振荡行为的优化可调品质因子小波基函数,进而利用冲击特征指标引导含冲击特征信息的最优特征子带选择,最后利用TQWT逆变换实现信号的重构与降噪,提取周期性微弱冲击特征。仿真试验与实测轴承信号的分析结果表明,算法能够自适应选择TQWT参数并实现微弱冲击特征的有效提取。

基于振动信号的断路器机械零部件故障程度识别

如何有效识别高压断路器机械零部件故障严重程度是目前还未解决的问题,针对该问题,提出一种基于振动信号混沌吸引子形态特性的断路器零部件故障程度识别方法。为了更好地提取零部件早期故障的微弱故障特征,首先将振动信号按照断路器动作时序进行分时分割处理;然后提出一种参数自适应的信号分解方法,将分时振动信号各模态分量自适应地分离出来;最后重构模态分量混沌吸引子,利用混沌吸引子形态特性判断断路器零部件故障严重程度。两种不同型号断路器的试验结果表明,振动信号的模态分量混沌吸引子对故障程度具有较高的敏感度,正常与故障状态下的吸引子形态差异明显、吸引子形态随故障程度的加剧表现出一定的变化规律。该方法可为识别高压断路器机械零部件故障严重程度提供一条新思路。