基于改进的EWT+小波阈值的齿轮振动信号去噪研究

针对采集到的齿轮振动信号含有较多噪声,严重影响后续齿轮故障诊断准确性的问题,提出一种改进的经验小波变换(EWT)结合小波阈值的去噪方法。该方法对传统的EWT频谱分割方法进行了改进,首先使用寻峰算法对频谱寻峰,然后采用平滑算法对峰值曲线进行平滑处理,取平滑曲线的极小值点作为频谱分割边界,使得划分出的滤波器组更精确。模拟信号和实验信号的去噪结果表明:本文使用的方法的信噪比达到16.27,均方根误差达到7.54e-07,相较于小波阈值、经验模态分解和传统EWT具有更好的去噪效果和更高的鲁棒性。

平移不变量小波阈值去噪法在齿轮振动信号处理中的应用

齿轮振动信号往往受到噪声干扰,用传统的小波阈值去噪法去噪时,由于信号中存在不连续点,会在不连续点处引起Pseudo-G ibbs现象。采用平移不变量小波阈值去噪法对信号进行去噪,首先对含噪声信号进行循环平移,然后对信号进行小波阈值去噪,最后对信号进行反平移后平均,得到去噪后的信号。应用这种方法对仿真信号和实验采集的含噪声齿轮故障信号进行去噪,并和小波阈值去噪效果进行对比,结果表明这种去噪方法有效抑制了Pseudo-G ibbs现象,并有更好的去噪效果。

基于频谱相关性分析的齿轮早期磨损诊断

基于振动分析的齿轮故障检测已被证明在故障识别中是有效的,但对表征早期磨损的振动信号的提取和识别仍没有得到很好的解决.本文提出一种基于频谱相关性分析的变分模态分解(VMD)和核支持向量机(SVM)相结合的齿轮早期磨损诊断方法,对能够揭示早期磨损状态的微弱齿轮振动信号采用近似完全重构的准则来初始化模式数,并采用信号功率谱密度最大值对应的频率初始化VMD方法的中心频率,用以有效提取齿轮磨损信息,进而结合核支持向量机进行齿轮的早期磨损诊断.实验结果表明,所提方法可有效克服背景噪声大无法预设模式数的问题,对噪声具有更好的鲁棒性,诊断准确率达到94.4%,可为齿轮早期磨损检测提供解决方法.

基于双频精细复合多尺度排列熵的齿轮箱损伤识别

齿轮箱振动信号的非线性会导致其损伤特征难以得到有效提取,针对这一问题,提出了一种基于双频精细复合多尺度排列熵(DFRCMPE)和鲸鱼算法优化支持向量机(WOA-SVM)的融合损伤识别方法。首先,采用小波包分解(WPD)对齿轮箱损伤振动信号进行了两层分解,获得了反映齿轮箱损伤特性的低频和高频分量;然后,利用精细复合多尺度排列熵(RCMPE)对两组频带分量进行了分析,以充分提取嵌入在振动信号中的损伤信息,构建损伤特征;最后,将损伤特征输入至WOA-SVM分类模型中,成功对损伤进行了智能识别,并以实验采集到的齿轮箱振动信号为对象,对基于DFRCMPE和WOA-SVM的融合损伤识别方法的有效性开展了对比讨论。研究结果表明:与基于精细复合多尺度样本熵(RCMSE)、精细复合多尺度模糊熵(RCMFE)、RCMPE、精细复合多尺度散布熵(RCMDE)的特征提取方法相比,基于DFRCMPE和WOA-SVM的融合损伤识别方法的准确率和稳定性更高,平均识别准确率达到了100%;该方法能够为解决实际应用中的齿轮箱故障识别问题提供可行的思路。

基于EMD和非线性峭度的齿轮故障诊断

采用经验模式分解(empirical mode decomposition,简称EMD)和非线性峭度的统计特性对振动加速度传感器获取的齿轮箱振动响应信号进行特性分析。利用EMD分解获得振动响应信号的本征模式函数,用非线性Tea-ger能量算子计算每个本征模式函数的瞬时能量,并对本征模式函数进行系数的非线性峭度计算,提取系统的特征信息。仿真结果表明,用经验模式分解和非线性峭度可实现在线监测齿轮运转工作状态,及时发现齿轮的早期故障,提高了故障检测的可靠性。

Hilbert-小波变换的齿轮箱故障诊断

采用希尔伯特—小波变换对振动加速度传感器获取的齿轮箱振动响应信号进行特性分析。利用小波变换分解获得振动响应信号的各层高频信号小波系数和低频信号小波系数,对小波系数进行重构获得具有不同特征时间尺度的各高频信号和低频信号;再对分解的信号进行希尔伯特变换获得时频信息谱以提取系统的统计特征信息,实现监测齿轮运转工作状态,及时发现齿轮的早期故障,提高机械运行的安全性。仿真研究结果表明,小波变换分解和希尔伯特边际谱方法在故障信息诊断方面是可行和有效的,提高了故障检测的可靠性。

共振解调技术在设备故障诊断中的应用

共振解调技术是利用冲击脉冲含有无限丰富频谱成分的特点来提取设备在运转过程中存在的冲击故障的一种有效方法。介绍了共振解调技术在国内外机械设备故障诊断中的应用情况,通过齿轮的仿真数据验证了共振解调提取微冲击信号的有效性,并且利用该技术成功提取了某钢厂精轧机振动信号中的故障信息。

Wavelets applied to early fault analysis of hoist gear box

Using wavelets, the vibration signal of a certain mine hoist gear box was analyzed. By multiple comparison analysis, the rational wavelet basis function was determined. Fault characteristic frequencies of hoist gear box were identified. The research indicates that the hoist＇s fault information is non-stationary, and non-stationary signal is clearly extracted by using db20 wavelet as basis function. The db20 wavelet is the proper wavelet base for vibration signal analysis of the hoist gear box.