基于改进的自适应噪声消除和故障特征阶比谱的齿轮噪源干扰下变转速滚动轴承故障诊断

变转速工作模式和齿轮噪源干扰是阻碍滚动轴承故障诊断的两个难题。虽然基于转速信号的角域重采样技术和基于参考信号的自适应噪声消除算法为这两个问题提供了可靠的解决路线,但是由于安装空间和成本的限制,转速信息和参考信号在实际工程中往往难以获取。为解决这一难题,提出了一种不依靠上述辅助设备的滚动轴承故障诊断新算法。整个算法由五部分组成:(1)利用峰值啮合倍频趋势线构造参考信号对混合信号进行自适应滤波以削弱齿轮噪源对轴承故障共振频带获取的干扰;(2)利用谱峭度快速算法确定由轴承故障引起的高频共振所对应的中心频率,滤波带宽和对应的尺度并直接得到最能反映轴承故障的滤波包络;(3)利用短时傅里叶变换求得两次滤波后包络信号的包络时频谱并利用峰值搜索算法对瞬时故障特征频率趋势线进行提取;(4)提出基于采样频率重调的重采样算法,对谱峭度滤波结果进行故障阶比域重采样;(5)利用傅里叶变换求取重采样信号的故障特征阶比谱,并提出新的故障诊断策略对滚动轴承的运行状态进行判断。仿真算例和应用实例证明了该算法的有效性。

齿轮噪源干扰下滚动轴承故障特征频率的提取

在齿轮噪源干扰下的滚动轴承的故障诊断过程中,齿轮较大幅值的振动往往会掩盖轴承的故障冲击特征,齿轮啮合振动的基频、谐频谱线也影响轴承故障特征频率的获取。利用线调频小波路径追踪算法提取频率的可选择性,根据振动信号中各频率成分的分布特点,使用线调频小波路径追踪算法在不进行滤波处理的前提下直接对滚动轴承故障特征频率提取。仿真算例和应用实例证明了该方法的有效性。

变转速及齿轮噪源干扰下基于IDMM与EMD的滚动轴承故障诊断方法

旋转设备中变转速工作模式和齿轮噪源是影响滚动轴承故障诊断的关键性难题,现有的方法虽然取得一定进展,但是对辅助设备的依赖以及方法步骤繁琐等问题依然突出,因此提出了基于峰值啮合倍频(Instantaneous Dominant Meshing Multiply,IDMM)和经验模式分解(Empirical Mode Decomposition,EMD)的滚动轴承故障诊断方法。该方法首先采用峰值搜索算法从混合信号的时频图中提取齿轮啮合倍频趋势线,将该趋势线等效为轴承转频对混合信号进行等角度重采样;其次对重采样信号进行EMD分解得到本征模态函数(Intrinsic Mode Function,IMF)之和,计算各IMF分量与重采样信号的互相关系数后根据预设的互相关系数阈值选取合适的IMF分量;最后对选取的IMF分量进行包络谱分析,进而判断轴承是否发生故障。仿真和实测信号分析证明该方法在无转速测量装置的情况下能有效去除齿轮噪声对滚动轴承故障诊断的影响。

基于线调频小波路径追踪的滚动轴承故障特征提取

针对齿轮噪源以及变转速的工作条件双重干扰下的滚动轴承的故障诊断,提出了一种基于线调频小波路径追踪的滚动轴承故障特征提取方法。对混合信号进行Hilbert变换得到包络信号,并在满足采样定理的条件下对包络信号进行降采样;对降采样包络信号应用线调频小波路径追踪算法提取轴承的瞬时故障特征频率趋势线,再对轴承的瞬时故障特征频率趋势线和转速曲线进行等时间重采样,并求各时间点的计算瞬时故障特征系数;根据计算瞬时故障特征系数与轴承的外圈、内圈和滚动体的故障特征系数进行比较,完成故障诊断。通过处理仿真信号和实测信号证明了该方法在不对混合信号进行滤波和使用阶比分析的情况下,不仅能检测滚动轴承是否出现故障,而且能确定故障的发生位置。

基于角域AR模型滤波的滚动轴承故障诊断

在齿轮噪源存在的变转速滚动轴承故障诊断过程中,因混合信号中转频分量相对较小,使得基于时频表达的阶比跟踪技术受到限制。虽然基于故障特征频率的角域重采样能提取轴承的故障特征,但这种算法不能确定故障位置,而且可能会出现误判。针对这一问题,提出了基于角域自回归(auto regressive,简称AR)模型滤波的处理方法。该方法利用线调频小波路径追踪算法从降采样处理的混合信号中提取齿轮瞬时啮合频率趋势线并估计转速,根据估计转速信息对原混合信号进行等角度重采样,获得了角域信号。利用角域信号中齿轮啮合振动成分具有周期性的特点,使用AR模型对其滤波,并且对滤波后信号进行包络阶比分析,完成故障判断。通过处理仿真信号和实验信号,验证了该方法不仅能有效地去除齿轮噪声,并且可以判断轴承故障位置。