基于信号共振稀疏分解的阶比分析及其在齿轮故障诊断中的应用

为从非平稳转速齿轮箱故障振动信号中有效提取包含故障信息的特征频率,提出一种基于信号共振稀疏分解的阶比分析方法。故障齿轮振动信号中主要包括瞬态冲击成分和周期谐波,该方法先采用信号共振稀疏分解方法将信号分解为高共振分量和低共振分量,提取出故障冲击信号,然后采用线调频小波路径追踪算法对原信号提取转频信息,利用转频对提取的故障冲击信号进行阶比分析,从而得到故障诊断结果。非平稳转速齿轮故障诊断实例表明,该方法可有效提取冲击信号,诊断转速波动齿轮的故障。

基于瞬态声与阶次倒谱的齿轮箱故障诊断

针对自行火炮实车测试中无法得到稳态信号的制约,以及常规的振动测试方法无法实现非接触、不解体、无损在线检测的弊端,提出了利用瞬态过程中的声音信号对齿轮箱进行故障诊断,并将阶次分析和倒谱分析相结合提出了阶次倒谱分析,来克服传统傅里叶变化不能分析非稳态信号的不足。结果表明,此方法可以有效地克服"频率模糊"现象。通过对齿轮箱齿面磨损故障诊断试验,并将声音信号与振动信号进行对比分析,证明了此方法的有效性和优越性。

基于多尺度线调频基稀疏信号分解的包络阶次谱在齿轮故障诊断中的应用

提出了基于线调频基稀疏信号分解的包络阶次谱方法,并将其应用于变速齿轮箱故障诊断之中。采用基于多尺度线调频基的稀疏信号分解得到齿轮箱啮合分量的瞬时频率,由此得到转速信号,并据此对齿轮振动加速度信号的包络信号进行等角度重采样,然后对重采样信号进行频谱分析,得到包络阶次谱,从而进行齿轮故障诊断。该方法无须使用转速计拾取转速信号,用软件方法实现了包络阶次分析,仿真算例与应用实例说明了该方法的有效性。

基于多尺度线调频基稀疏信号分解的齿轮故障信号阶比分析

针对变转速齿轮箱故障振动信号调制边频带难以识别的问题,提出一种基于多尺度线调频基稀疏信号分解的阶比分析方法。该方法先采用基于多尺度线调频基的稀疏信号分解方法对齿轮箱振动信号进行分解,提取齿轮的啮合分量与调制边频分量,由啮合分量的时频分布曲线得到瞬时转频估计,再基于获得的瞬时转频对啮合分量与调制边频分量之和进行等角度重采样,将非平稳的分量信号转化为平稳信号,对重采样后的信号进行阶比分析,诊断齿轮故障。与传统的直接对齿轮箱故障振动信号进行阶比分析的方法比较,结果表明,提出的基于多尺度线调频基稀疏信号分解的阶比分析方法抗噪性强,调制边频带识别效果好。仿真算例与应用实例验证了本方法的有效性。

基于多尺度线调频基稀疏信号分解的包络解调方法及其在齿轮故障诊断中的应用

提出一种基于多尺度线调频基稀疏信号分解的包络信号提取方法,并将其应用于转速剧烈波动情况下的齿轮箱故障诊断。基于多尺度线调频基的稀疏信号分解方法可以根据信号的特点,自适应的选择相应尺度对信号进行投影分解。其库函数的多尺度特性和线调频基函数中频率斜率参数的引入使得该方法比以往使用单一尺度库函数的分解方法更适合分解频率呈曲线变化的非平稳信号。当齿轮出现故障时,振动信号会出现啮合频率调制现象,在齿轮转速大范围波动情况下,载波频率和调制频率均随转速大范围波动。采用基于多尺度线调频基的稀疏信号分解方法,能同时有效提取变转速齿轮故障状态下载波频率和包络信号频率随时间的变化曲线,进而对齿轮箱故障进行诊断,解决经验模态分解方法和小波方法难于对转速剧烈波动情况下的齿轮故障进行诊断的问题。仿真算例和应用实例说明了此方法的有效性。

基于倒阶次谱分析的齿轮故障诊断研究

针对齿轮箱升速过程中振动信号非平稳的特点,将常规的倒谱分析技术与阶次谱结合,提出了倒阶次谱的齿轮箱故障诊断方法。首先对齿轮箱升降速瞬态信号进行时域同步采样,再对时域信号实行等角度重采样,转化为角域平稳信号,最后对角域重采样信号进行倒谱分析,就可提取齿轮的故障特征。通过对齿轮齿根裂纹和齿面磨损故障实验信号的分析,表明该方法能有效地诊断齿轮的故障。

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。

基于信号共振稀疏分解与包络谱的齿轮故障诊断

当齿轮出现断齿、裂纹等局部故障时,其振动信号会出现周期性冲击脉冲。在齿轮故障早期,由于冲击脉冲微弱,常淹没在齿轮的啮合频率、转频等谐波成分以及噪声中,因此,对于齿轮早期故障,直接对齿轮振动信号做包络谱分析以诊断齿轮局部故障通常效果不佳。针对这一问题,将信号共振稀疏分解方法与包络谱分析相结合,提出了基于信号共振稀疏分解与包络谱的齿轮故障诊断方法。该方法采用信号共振稀疏分解将冲击脉冲从齿轮振动信号中分离出来,然后对冲击脉冲做Hilbert包络分析,获取冲击脉冲出现的周期,进而对齿轮状态和故障进行识别。仿真算例和应用实例证明了该方法的有效性。

基于多尺度线调频基稀疏信号分解的广义解调方法及其在齿轮故障诊断中的应用

在基于多尺度线调频基稀疏信号分解的基础上,提出一种基于多尺度线调频基稀疏信号分解的广义解调方法,并将其应用于非平稳转速状态下的齿轮故障诊断。广义解调可以将时频分布呈曲线变化的多分量非平稳信号转化为时频分布平行于时间轴的平稳信号,因此非平稳信号经广义解调后满足傅里叶分析对平稳性的要求,而如何获取多分量信号的广义解调相位函数是广义解调方法的关键和难点。对信号进行基于多尺度线调频基的稀疏信号分解,得到分量信号的相位函数,再对分量信号进行广义解调和频谱分析得到齿轮故障特征频率。该方法非常适合于分析转速波动齿轮的多分量调幅—调频振动信号,仿真算例和应用实例说明了方法对变速齿轮箱故障诊断的有效性。

基于自适应最稀疏时频分析的阶次方法及应用

自适应最稀疏时频分析(Aadaptive and Sparsest Time-Frequency Analysis,ASTFA)是一种新的时频分析方法,该方法将信号分解转化为最优化问题,在优化的过程中实现信号的自适应分解。为解决ASTFA方法初始相位函数的选择问题,采用了分辨率搜索改进的ASTFA方法,并进一步结合阶次分析方法提出了基于ASTFA的阶次方法。该方法首先采用改进的ASTFA方法对原始信号进行分解同时获得分量的瞬时幅值,然后对瞬时幅值进行阶次分析从而提取故障特征信息。将该方法应用于变速齿轮传动过程中的时变非平稳振动信号的分析与处理,仿真与实验分析表明该方法能够准确提取变速齿轮的故障特征信息,具有一定的优越性。

基于稀疏带宽模态分解的变转速滚动轴承故障诊断

针对以往信号处理方法存在的缺陷,提出了一种新的非平稳信号分析方法—稀疏带宽模态分解(Sparse bandwidth mode decomposition,SBMD).该方法将信号分解转化为约束变分问题,自适应地将信号分解为若干个IMF分量之和。另外,在变转速工况下,滚动轴承故障振动信号中含丰富的状态信息,将SBMD、阶次追踪分析和包络谱相结合应用于变转速工况条件下的滚动轴承故障诊断问题。实验分析结果表明,采用SBMD阶次包络谱方法可以及时有效的诊断变转速工况下的滚动轴承故障诊断问题。

齿轮箱起动过程阶次倒双谱故障诊断方法

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齿轮箱故障诊断方法.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,就可提取齿轮的故障特征.通过对齿轮齿根裂纹故障实验信号的分析,表明阶次倒双谱分析能有效地诊断齿轮的裂纹故障.

ANSMD方法及其在齿轮故障诊断中的应用

针对传统信号分析方法难以有效处理具有非平稳、非线性特性信号的问题,提出了一种自适应非线性稀疏模态分解方法(adaptive nonlinear sparse mode decomposition,ANSMD)。该方法通过将奇异局部线性算子约束到信号分解中,自适应地将一个复杂信号分解为若干个瞬时频率具有物理意义的局部窄带分量,以局部窄带分量作为基函数进行迭代,从而逼近原始信号来完成信号的分解,进而得到具有完整时频分布的分量信号。通过仿真信号和齿轮裂纹故障信号进行试验验证,结果表明,相对于经验模态分解、局部特征尺度分解以及变分模态分解方法,ANSMD方法在抑制模态混叠、鲁棒性等方面具有明显的优势,并可以有效的诊断齿轮故障。

齿轮故障诊断技术研究

齿轮故障诊断技术的本质是通过观察及分析齿轮不同状态理化性质变化,达到判别齿轮故障的效果。其研究目的是实现齿轮故障早发现、准诊断,提升各型设备的加工水平及使用寿命。传统的油样分析技术通过设备用润滑油的磨屑情况分析,判断齿轮工作状态。其优势是检出限低,可以把握微米级磨损变化。但是其不具备实时性,且需要人为观察,判别较为繁琐。采用齿轮振动信号进行故障诊断是目前较为常见的另一种诊断方法。通过加速度传感器对齿轮振动信号进行采集,在利用包括传统时域及频域分析在内的多种分析手段,对齿轮故障情况进行判别。其具备不开箱、成本低、时实性强等优点,但其检出限较高。分析基于振动信号的故障诊断办法,在介绍常见时域及频域分析基础上,引出基于特向选择、特向优化且与分类函数结合的先进齿轮故障判别方法。基于稀疏滤波的特向优化技术是目前基于振动信号进行齿轮故障诊断的发展方向。

基于RSIFICA的行星齿轮箱故障诊断方法

为了对行星齿轮箱进行故障检测和诊断,提出了一种基于共振稀疏快速独立分量的分析方法(RSIFICA).该方法首先采用共振稀疏分解对信号进行降维预处理,进行二次共振稀疏分解,构造虚拟通道增加传感器通道数目,同时引入牛顿-辛普森公式对快速独立分量分析方法进行改进.该方法减少包含瞬态冲击的宽带信号的影响,实现信号中振源信号数目的降维.同时,二次分解增加输入FastICA的通道数,解决了独立分量分析方法在提取行星齿轮箱故障特征频率过程中出现欠定盲源和收敛速度缓慢问题,同时提高了FastICA的运算效率.将该方法应用到行星齿轮箱的故障诊断中,包络谱分析结果表明,RSIFICA能准确地提取行星齿轮箱断齿故障特征频率,有效地解决了FastICA的问题,计算效率提高了21.49%.对比实验表明,相比于EMD-FastICA联合方法,RSIFICA能够对齿轮微弱故障特征进行更为有效的提取.

基于振动信号稀疏分解的粮仓通风机轴承故障诊断方法

通风设备的健康运行状态对于保证粮食物资的储备质量至关重要,滚动轴承是通风机中最容易发生故障的部件之一。针对轴承振动监测信号噪声干扰严重、微弱故障信息难以提取的问题,采用稀疏分解方法对振动信号进行预处理,通过构建Gabor原子库,用匹配追踪算法分离出振动信号中反映随机干扰噪声的信号残差成分和反映故障的周期冲击成分,然后对故障成分重构信号做包络谱,进行轴承故障原因的深入分析和识别。通过仿真信号和实测风机振动信号的分析,验证了稀疏分解方法在轴承振动信号早期故障特征提取上的有效性。

基于MCSA和Fisher-SAE的RV减速器故障特征提取研究

针对RV减速器实际监测中振动传感器的安装空间和信号采集容易受到限制和干扰等问题,提出了一种基于电机电流信号分析,稀疏自编码和Fisher准则相结合的RV减速器故障特征提取方法。首先,将采集的驱动电机电流数据转换到频域,研究了不同超参数对稀疏自编码的特征提取能力的影响,利用优化参数后的稀疏自编码对频域信号自动提取故障特征;然后,利用Fisher准则对提取的特征的判别能力进行了降序排名,取排名前n个特征,得到了最优故障特征集;最后,结合SoftMax分类层,实现了对RV减速器的故障诊断;搭建了RV减速器故障实验台,采集了电机电流数据,对基于Fisher-SAE的方法进行了验证,并将其与其他典型机器学习故障诊断方法进行了对比。研究结果表明:该方法能够从RV减速器电机电流信号中提取出故障特征,并选择最有效的故障特征集,解决了振动信号的局限性以及运用电流信号进行故障诊断难以提取有效特征的问题;相比于其他典型机器学习故障诊断方法,该方法的诊断准确率提高了10%~20%,具有更好的诊断效率和准确性。