无转速阶次跟踪的滚动轴承故障诊断方法

机械装备轴承运行速度多变导致振动监测信号频谱模糊,一定程度影响了轴承故障诊断的准确性.目前的无转速阶次跟踪技术在转速波动较小且转频谐波不重叠时效果较好,但当轴承转频谐波重叠时则难以进行分析.针对以上问题,提出了一种基于广义解调的无转速阶次跟踪轴承故障诊断方法.首先,采用广义傅里叶变换和改进的基于成本函数脊线提取技术准确提取出轴承的转频谐波分量;同时,采用快速谱峭度算法和带通滤波器对轴承振动信号进行去噪处理;然后,通过角度重采样将去噪后的时域信号转换为角域信号;最后,通过包络谱分析得到轴承的阶次谱信息,从而识别轴承的故障类型.研究结果表明:通过数值模拟信号和实际轴承监测信号验证了提出方法的有效性,通过与传统包络谱方法对比可知,提出的方法可进行无转速信息时的滚动轴承阶次跟踪故障诊断.

基于EOE_LMD和阶次跟踪分析的变转速轴承故障诊断

振动信号分析是轴承故障诊断中的重要技术手段之一。变转速工况下的滚动轴承振动信号是典型的非平稳信号,并且在转频变化较小的工况中还存在噪声干扰的问题,使传统的时频分析技术难以应用。为解决该问题,提出了一种基于经验最优包络(empirical optimal envelope,EOE)的局部均值分解(local mean decomposition,LMD)和采用分段线性插值的计算阶次跟踪(computing order tracking,COT)算法相结合的故障诊断方法。首先,确定低通滤波器的截止频率和滤波阶数,对滚动轴承振动信号进行滤波,并对滤波后的包络信号进行COT,以获得角域平稳信号。然后,利用EOE_LMD对重采样后的平稳信号进行处理,得到若干乘积函数(product function,PF)分量。最后,通过计算各分量的信息熵和相关系数,选取合适的分量进行阶次分析,以判断变转速滚动轴承的故障类型。结果表明,该方法可以消除转速波动对故障特征提取的影响,在不同转速变化条件下对滚动轴承具有良好的故障诊断能力。

时变工况的风电机组齿轮箱无转速计阶次跟踪方法研究

针对时变工况风电机组齿轮箱振动信号受噪声干扰和频率模糊问题,通过研究无转速下风电机组齿轮箱振动信号与转频波动规律间的联系,提出了基于VMD⁃SET时变工况的风电机组齿轮箱无转速计阶次跟踪方法。该方法利用变分模态分解(VMD)滤波,利用同步提取变换(SET)对齿轮箱振动信号时频分析,分别从轴承故障时域振动信号中初步提取故障特征频率趋势,从正常齿轮啮合调制时域振动信号中提取啮合频率时频脊线,进一步利用精细化时频脊线交叉解耦优化瞬时频率提取效果,再用提取的转速曲线对轴承故障振动信号进行阶次跟踪,从角域阶次谱中得到故障特征阶次的单根谱线。通过仿真及实验验证了所提方法的优越性和有效性。

阶次跟踪和Hilbert变换在滚动轴承非平稳信号故障诊断中的应用

风力发电机组传动链因风速的时变特性而处于变转速运行状态,其主轴承因低速、重载导致振动信号具有非平稳和调制特点,常规分析时频谱会出现“模糊”现象,不能及早提取故障特征频率。提出了阶次跟踪和Hilbert变换联合分析方法,使用阶次跟踪在角度域进行等角度重采样,把时域非平稳信号转换成角度域平稳信号,然后应用Hilbert变换把低频故障信号从高频载波信号中解调出来,以及早发现隐患。结果表明,阶次跟踪和Hilbert变换联合分析能够较早地提取出故障特征频率并对故障进行精确定位,对低速重载风电主轴承故障诊断十分有效。

基于谐波匹配补偿和无键相阶次跟踪的轴承故障诊断

煤矿机械设备轴承在强冲击、大载荷工况下产生的振动信号表现出强烈的瞬态非平稳与局部非线性特性。经典的时域统计分析方法和全局域变换方法难以识别故障特征;传统阶次跟踪方法存在设备安装不便、难以获取瞬时频率的问题;传统的无键相阶次跟踪方法在转速波动剧烈的条件下估计出的瞬时频率精度低,导致故障识别效果差。针对上述问题,提出了一种基于谐波匹配补偿和无键相阶次跟踪的轴承故障诊断方法。首先,利用基于谐波匹配补偿的时频分析方法对轴承振动信号进行处理,准确估计瞬时频率;其次,通过Vold-Kalman滤波方法自适应提取谐波分量信号;再次,采用Hilbert变换计算谐波的瞬时相位,进而获得时间域与角度域的映射关系,完成原始时间域信号在角度域的重采样;最后,对重采样的信号进行快速傅里叶变换,通过分析包络阶次谱,实现轴承故障特征识别。仿真和试验结果表明,该方法估计的瞬时频率与实际值之间的最大相对误差不超过1%,表征轴承故障特征阶次准确且明显,可有效诊断轴承故障。

一种极值搜索的齿轮系统振动信号阶次跟踪方法

在变速工况下,齿轮系统的振动信号具有非平稳性,频谱特征模糊,不利于特征提取和故障诊断。阶次跟踪方法作为一种非平稳信号分析方法,将原信号从时间域转换到角度域,有助于抑制变转速导致的频率模糊现象。广泛应用的计算阶次跟踪分析方法在实现等角度重采样过程中,通过提取瞬时转速积分求取瞬时角位移,或者基于相位解调获取角度‑时间关系,受限于积分累计误差或小的转速跟踪范围。利用齿轮系统啮合振动信号峰峰值对应的等角度间隔特征,提出一种基于时域信号极值搜索的无键相阶次跟踪方法。所提方法不需要通过转速积分获取瞬时角位移,同时允许较大转速变化范围,降低了阶次分析域变换过程的误差,抗噪性能良好,使阶次谱能量集中度和特征成分辨识度得到明显提高。理论分析、仿真对比分析和试验测试结果均验证了所提方法的有效性,适用于变转速工况下的齿轮箱非平稳振动信号频谱分析和故障诊断。

CWT-ETVF与SWT结合的齿轮无转速计阶次跟踪及其应用

变转速齿轮故障振动信号特别微弱时,同步压缩小波变换(synchrosqueezing wavelet transform,SWT)无转速计阶次分析方法的提取效果不佳。基于此,提出一种连续小波变换的椭圆时变滤波(continuous wavelet transform-elliptic time-varying filtering,CWT-ETVF)与SWT相结合的无转速计阶次跟踪方法,用以提取齿轮时变低频故障特征。将CWT-ETVF与SWT结合对振动故障信号进行瞬时频率估计,以获得参考轴相位;再对原信号进行等角度重采样得到角域平稳信号,并作其阶次谱分析和SWT分解;最后,选取SWT重构分量进行阶次谱分析与阶次包络谱分析,以提取齿轮断齿的时变故障特征。仿真及实验结果验证了该方法在齿轮变转速工况下低频微弱故障特征提取的有效性。

阶次跟踪在齿轮磨损中的应用

研究旋转机械在变速过程中振动信号的分析方法。在利用B&K3560多分析仪对齿轮箱加速时测得的振动信号进行时域采样的基础上,利用样条插值算法进行角域重采样得到等角度分布的采样点,并对其进行阶次跟踪分析。结果显示出阶次跟踪分析法在处理转速变化信号时的优越性:能够有效地避免传统频谱方法所无法解决的“频率模糊”现象,对齿轮箱的早期故障有一定的识别能力。该方法是对传统的频谱分析法的有力补充,具有很广阔的应用前景。

运用阶次跟踪和奇异谱降噪诊断齿轮早期故障

针对齿轮箱升降速过程中振动信号非平稳的特点,将阶次跟踪分析与奇异谱降噪技术相结合,提出了一种针对齿轮早期故障的诊断方法。首先对齿轮箱加速时测得的瞬态信号进行时域采样,再对时域信号进行等角域重采样,转化为角域伪稳态信号;然后对角域信号进行奇异谱降噪处理,以减小背景噪声的影响;最后对降噪后的信号进行阶次谱分析。通过对齿轮箱早期故障信号的分析表明,该方法能准确地识别出齿轮的故障特征。

基于阶次跟踪和经验模态分解的滚动轴承包络解调分析

针对齿轮箱升降速过程中振动信号非平稳的特点,将计算阶次跟踪方法与经验模态分解技术相结合,提出一种研究旋转机械瞬态信号故障诊断的分析方法。首先对齿轮箱启动时测得的振动信号进行时域采样,再对时域信号进行等角度重采样,将其转化为角域准平稳信号,然后对角域里的信号进行经验模态分解得到多个固有模态函数分量,最后对包含轴承故障信息的高频固有模态分量进行包络解调分析。结果显示:阶次跟踪技术能够有效地避免传统频谱方法所无法解决的'频率模糊'现象,将非平稳信号转化为准平稳信号;经验模态分解方法能够提取包含故障信息的固有模态分量,将两种方法相结合是对传统频谱分析法的有力补充,具有很广阔的应用前景。

基于局部均值分解的阶次跟踪分析及其在齿轮故障诊断中的应用

针对齿轮升降速过程中故障振动信号为多分量的调制信号以及故障特征频率随转速变化的特点,将局部均值分解(LMD)与阶次跟踪分析相结合,提出了一种新的齿轮故障诊断方法。首先采用阶次重采样将齿轮的时域振动信号转换为角域平稳信号,然后对角域信号进行LMD分解,得到若干个乘积函数(PF)分量,最后对各个PF分量的瞬时幅值进行频谱分析来提取齿轮的故障特征。通过对齿轮齿根裂纹故障试验振动信号的分析可知,该方法能有效地提取齿轮故障特征。

基于角加速度的复合计算阶次跟踪方法

针对旋转机械振动信号分析中的计算阶次跟踪方法的局限性,提出基于匀角加速度方程的计算阶次跟踪方法,并将该方法与线性插值、三次样条插值等方法复合在一起,根据旋转机械转角加速度的大小,选择相应的方法进行阶次重采样,实现基于角加速度的复合计算阶次跟踪。在转速变化缓慢时,采用线性插值方法;在转速变化比较大时,采用匀角加速度方程方法;在转速变化剧烈时,采用三次样条插值的方法。复合计算阶次跟踪方法兼顾计算的效率和精度,对某滤波减速器性能试验台中交流伺服电动机在升、降速阶段引起的振动实测试验结果表明了此方法的正确性机可行性。

基于阶次跟踪和HHT边际谱的轴承故障诊断研究

提出一种研究旋转机械瞬态信号的分析方法。对齿轮箱启动时测得的原始振动信号进行角域重采样,然后对角域里的信号进行EMD(Empirical Mode Decomposition)分解得到多个IMF(Intrinsic Mode Function)分量,最后对各个IMF分量进行了边际谱分析。结果显示:阶次跟踪技术能够有效地避免传统频谱方法所无法解决的"频率模糊"现象,EMD方法能够将稳态信号分解为多个IMF分量,边际谱能够对轴承故障进行准确诊断。将两种方法相结合是对传统的频谱分析法的有力补充,具有很广阔的应用前景。

基于阶次跟踪和经验模式分解的齿轮故障诊断

提出了一种研究旋转机械瞬态信号的分析方法.对齿轮箱加速时测得的原始振动信号进行角域重采样,并对角域里的信号进行经验模式分解(EMD)得到多个固有模式函数(IMF),最后对包含齿轮故障信息的IMF分量进行阶次谱分析.结果表明,阶次跟踪技术能够有效地避免传统频谱方法所无法解决的频率模糊现象,EMD方法能够提取包含故障信息的IMF分量,将两种方法相结合是对传统的频谱分析法的有力补充,具有很广阔的应用前景.

基于阶次跟踪的变速箱啸叫噪声分析

运用阶次跟踪分析方法,研究某车型手动变速箱二挡啸叫噪声现象。在阶次跟踪等角度间隔重采样算法中,提出用分段三次埃尔米特(Hermite)多项式代替传统最小二乘法多项式拟合变速箱输入轴转速曲线,再分段对其积分获得变速箱输入轴转角表达式,提高转速拟合与阶次跟踪分析精度;将短时傅里叶变换(STFT)用于阶次跟踪分析;对实车进行啸叫噪声实验,并结合变速箱噪声实验评价经验,定量分析与研究变速箱二挡啸叫现象。

基于阶次跟踪和变换时频谱的轴承故障诊断

综合利用阶次跟踪和Teager-Huang变换时频分析技术,进行齿轮箱起动过程轴承故障诊断。首先,对齿轮箱升降速瞬态信号进行时域同步采样,并对时域信号进行等角度重采样转化为角域平稳信号,再对角域信号进行EMD分解,将振动信号分解成不同特征时间尺度的单分量固有模态函数。然后,用Teager能量算子计算各固有模态函数的瞬时频率和瞬时幅值,进而得到Teager-Huang变换时频谱。通过对齿轮箱起动过程轴承故障振动信号的分析表明,该方法能有效地识别轴承故障。

基于非线性短时傅里叶变换阶次跟踪的变速行星齿轮箱故障诊断

针对变速行星齿轮箱信号频率模糊且受噪声影响的问题,提出了基于非线性短时傅里叶变换(NLSTFT)无键相阶次跟踪与变分模态分解的故障诊断方法。用NLSTFT算法估计信号瞬时频率,对其积分获得瞬时相位曲线,通过重采样得到角域信号;利用NCOGS算法对角域信号降噪,采用VMD算法进行角域信号模态分解,通过各模态分量信号包络谱解调实现故障诊断。实验结果表明,新方法计算效率高、鲁棒性好,提高了变转速行星齿轮箱故障诊断性能。

基于LMD和阶次跟踪分析的滚动轴承故障诊断

变转速工况下的滚动轴承故障振动信号具有多分量调制以及故障特征频率受到转频调制的特点,从而导致故障特征提取困难。对此,将局部均值分解(local mean decomposition,简称LMD)与阶次跟踪分析相结合,提出了一种变转速工况下的滚动轴承故障诊断方法。首先,采用阶次跟踪采样将时域滚动轴承故障振动信号转换到角域;然后,对角域信号进行LMD分解得到若干个乘积函数(product function,简称PF)分量;最后,对各个PF分量的瞬时幅值进行频谱分析,判断滚动轴承的故障部位和类型。通过对滚动轴承实验故障振动信号的分析,结果表明该方法能有效地应用于变转速工况下的滚动轴承故障诊断。

基于阶次跟踪的变速箱噪声源识别

随着汽车工业的不断发展,噪声控制已成为各汽车生产商竞争的焦点。变速箱作为汽车的重要组成部分,对其噪声控制也越来越重要。利用日本Onosokki公司的DS2000数据采集系统对某变速箱分别在定转速和加速时测得声压信号,并对其进行功率谱分析和阶次跟踪分析,找出变速箱噪声的特征频率及噪声源。该方法对变速箱的噪声源有一定的识别能力,具有很广阔的应用前景。

基于阶次跟踪与伪魏格纳分布的齿轮故障诊断

提出了一种研究旋转机械瞬态信号的分析方法。对齿轮箱加速时测得的原始振动信号进行角域重采样,然后对角域里的信号进行伪魏格纳分布研究。结果显示:阶次跟踪技术能够有效避免传统频谱方法无法解决的"频率模糊"现象,伪魏格纳分布能够从三维的角度来描述齿轮的啮合情况,将两种方法相结合是对传统的频谱分析法的有力补充,具有广阔的应用前景。