齿轮局部故障振动信号分析及提取方法研究

以齿轮局部故障为研究对象,建立了齿轮故障的振动模型,导出了齿轮局部故障的振动机理,分析了齿轮无故障振动信号和齿轮局部故障振动信号成分的异同点。在MATLAB环境下,采用小波变换算法对故障信号进行降噪处理,用希尔伯特变换对故障振动信号进行解调处理。结果表明,小波变换对强噪声干扰的机械振动信号能够进行有效的降噪处理,希尔伯特变换能从降噪后的故障振动信号中提取齿轮局部故障的特征信息。该结果在机械故障诊断中具有良好的实用价值。     

基于小波包分析和BP网络识别的齿轮故障诊断

针对齿轮故障信号的能量所引起的变化会淹没在常规振动与噪声之中，用传统的信号处理方法不易提取故障特征，给齿轮的故障诊断带来很大困难这一事实，本文描述了用于从振动信号中提取故障信息的小波包和用于识别故障类型的BP网络，研究了BP网络故障模式识别与小波包故障特征提取结合在一起对齿轮故障进行诊断的方法，研究结果表明该方法可以成功地用于轮常规故障的识别和诊断。     

齿轮信号特征识别的谱相关密度分析

针对齿轮初期故障以调频形式表现且包络解调仅能够解调幅的现状,以一般调制信号为模型,引入解析思想,对各类型调制信号进行二阶循环平稳分析,理论推导了各自的分析结果,给出了调制信号谱相关密度分析的统一构架,证明了解析形式的谱相关密度同时提取调幅、调频特征的能力.仿真分析和齿轮故障实例验证了该分析方法对于调制特征的提取能力,表明该方法能够准确反映齿轮振动信号调制特征的变化,适用于齿轮初期故障的监测和识别.     

基于S变换的自适应降噪方法

简要介绍S变换后的时频特征,提出一种新的基于S变换的自适应信号降噪方法.利用于S变换高质量的时频分布,在时频平面中设计自适应时频滤波器,用于非平稳信号中信号分量的提取,展示该方法在信号噪声抑噪和提高信噪比方面取得了满意的效果.在信号模型的仿真试验与齿轮箱的齿轮故障诊断中,显示该方法在信号提取和压制噪声的效果,且滤波后信噪比有较大提高.结果表明,该方法可以有效提取故障齿轮的故障特征,消除虚假成分的影响,从而提高齿轮故障诊断的准确性.     

二次FFT分析法与齿轮故障边频识别

在分析齿轮振动信号频谱特征的基础上,提出了二次ＦＦＴ分析法·该方法可识别出齿轮啮合中有故障的齿轮·将这一方法用于齿轮振动信号的实测分析,取得了对边频解调的效果,为解决提取具有边频故障特征信息一类诊断问题,提供了一种新的简便可行的方法·     

基于EEMD能量熵和支持向量机的齿轮故障诊断方法

针对齿轮振动信号的非平稳特征和现实中难以获得大量典型故障样本的实际情况,提出基于总体平均经验模态分解(EEMD)和支持向量机的齿轮故障诊断方法.通过EEMD方法将非平稳的原始加速度振动信号分解成若干个平稳的本征模函数(IMF);齿轮发生不同的故障时,在不同频带内的信号能量值会发生改变,故可通过计算不同振动信号的EEMD能量熵判断是否发生故障;从包含有主要故障信息的IMF分量中提取出来的能量特征作为输入建立支持向量机,判断齿轮的工作状态和故障类型.实验结果表明:文中提出的方法能有效地应用于齿轮的故障诊断.     

基于鲁棒局部均值分解与二阶瞬态提取变换的滚动轴承故障诊断

利用传统故障诊断方法对滚动轴承进行诊断时存在故障特征提取困难以及提取特征不明显的问题。针对此问题,提出了一种基于鲁棒局部均值分解（robust local mean decomposition,RLMD）以及二阶瞬态提取变换（Second-order transient-extracting transform,STET）的故障特征提取方法。首先对滚动轴承故障信号进行RLMD处理,得到一系列故障信息丰富的特征分量。然后利用二阶瞬态提取变换善于提取信号中强脉冲分量的特点,对筛选出的分量进行二阶瞬态提取变换以提取脉冲故障特征进行诊断分析。实验分析结果表明,该方法能够有效地提取出故障特征,且特征提取效果优于传统诊断方法,适用于滚动轴承故障诊断。     

采用参数自适应最大相关峭度解卷积的滚动轴承故障特征提取

针对滚动轴承故障特征信号因受传输路径和强噪声的干扰而导致周期性故障脉冲难以提取以及最大相关峭度解卷积(MCKD)参数依赖人为经验选择的问题，提出一种参数自适应MCKD的滚动轴承故障特征提取方法。以解卷积信号的包络谱熵作为适应度函数，利用麻雀搜索算法强大的全局搜索能力自适应地选择MKCD方法的最佳参数组合；利用参数优化后的MCKD方法对故障信号进行解卷积运算，滤除掉信号中的噪声，以突显由轴承故障激发的周期性故障脉冲；对解卷积信号进行包络解调，以提取出轴承故障特征频率成分。仿真结果表明，与遗传算法和粒子群算法相比，采用麻雀搜索算法可使MCKD参数在优化中具有更快的收敛速度和更强的稳定性。对滚动轴承进行全寿命周期实验及对工程案例的实验结果表明：所提方法能自适应提取强噪声中的轴承周期性故障脉冲成分，信号的峭度提高了3倍，鲁棒性更强；与直接谱分析和快速谱峭度方法相比，所提方法能完整提取信号中的故障特征频率成分，成功率可达100%,有效提高了滚动轴承的故障诊断精度。     

基于声信号分析的齿轮故障诊断方法

为了解决齿轮故障诊断中传统的声振信号分析方法容易受到周围设备及环境噪声干扰的问题,提出了一种独立分量分析和自相关分析相结合的齿轮故障诊断方法.首先用独立分量分析分离特征信号和干扰信号,然后用自相关分析提取特征信号中的周期成分.实验结果表明,该方法可以有效地提取在强背景噪声干扰下的齿轮故障特征.     

EMD方法在齿轮故障诊断中的应用

将EMD（Empirical Mode Decomposition）方法应用于机械故障诊断中，提出了一个新的齿轮故障诊断方法。EMD方法基于信号的局部特征时间尺度，能把复杂的信号分解为有限的内在模态函数（Intrinsic Mode Function）之和，这种自适应的分解方法非常适于非线性和非平稳过程的分析。用该方法对齿轮故障振动信号进行了分析，结果表明该方法能够有效地降低噪声，提高信噪比，突出齿轮故障振动信号的故障特征，从而提高齿轮故障诊断的准确性。     

利用ICA的局域波分解及其在机械故障诊断中应用

局域波分解算法的自身局限使得分解分量之间的正交性不能得到保证,分解分量存在信息冗余,从而影响了分解质量.针对这个问题,将独立分量分析(ICA)引入局域波分解过程中,以消除分解分量的信息冗余,使得局域波分解得到的基本模式分量之间相互正交独立,改善局域波分解算法的局限性,准确地进行局域波分解.应用该方法对转子早期碰摩振动信号进行了分析,并对分解得到的高频基本模式分量进行Hilbert包络解调分析,准确提取了转子碰摩故障特征.试验数据的分析结果证明了方法的准确性和有效性.     

HHT方法在轴承故障诊断中的应用

为研究滚动轴承故障问题,将HHT(Hilbert-Huang transform)分析方法应用于轴承信号故障的提取。用HHT对复合信号进行了仿真分析,表明此方法分析信号的有效性。将HHT方法应用于轴承内外圈的故障诊断,结果表明,所求出的轴承故障的信息特征与理论计算吻合,表明了HHT方法能够有效的提取轴承故障的特征信息,提高轴承故障诊断率。这为类似机械零部件的故障诊断提供了参考。     

基于EEMD与模糊信息熵的旋转机械故障诊断方法

针对旋转机械故障识别率偏低的问题,提出一种基于EEMD与模糊信息熵的旋转机械故障诊断方法.该方法结合EEMD分解和模糊信息熵在特征提取方面的优势,构造出一种能够精细度量不同类别振动信号故障概率复杂度的特征集合.首先将原振动信号进行EEMD分解,获得若干个本征模态函数(IMFs);计算出前5个高频IMF分量的模糊信息熵组成高维特征集;利用LPP对高维特征集进行维数约简剔除冗余不相关特征;最后将约简后的样本集输入到KNN分类器中进行故障识别.用双跨转子实验台采集的数据对所述方法进行验证,并与EMD模糊熵、EMD模糊信息熵、EEMD模糊熵方法进行故障识别率对比,结果表明该方法能够有效提取转子振动信号的故障特征,并且具有更高的故障识别率.     

广义变分模式分解降噪在齿轮早期故障诊断中的应用

针对齿轮早期故障特征的微弱性和耦合性,本文提出广义变分模式分解(generalized variational mode decomposition, GVMD)-峭度-包络谱法诊断齿轮故障。首先利用GVMD的频域多尺度定频分解属性,根据齿轮故障频谱信息和信号特点设置GVMD主要参数,按需分解信号,准确获取微弱特征分量,避免VMD对微弱特征提取存在的不足和小波包变换能量泄漏引起的微弱特征混淆问题。然后结合峭度准则和齿轮故障频率信息选择故障冲击分量,融合更多故障信息重构降噪信号。最后对降噪信号进行包络解调分析,实现齿轮故障诊断。实际信号分析表明,由于GVMD能够按需获取微弱特征分量,本文所提方法能够获得更丰富的微弱故障信息准确识别齿轮早期故障位置。     

An adaptive morphological impulses extraction method and its application to fault diagnosis

An adaptive morphological impulses extraction method (AMIE) for beating fault diagnosis is proposed.This method uses the morphological closing operation with a flat structuring element (SE) to extract impulsive features from vibration signals with strong background noise.To optimize the flat SE, firstly, a theoretical study is carried out to investigate the effects of the length of the flat SE.Then, based on the theoretical findings, an adaptive algorithm for the flat SE optimization is proposed.The AMIE method is tested by the simulated signal and bearing vibration signals.The test results show that this method is effective and robust in extracting impulsive features.     

基于EEMD与形态滤波的滚动轴承故障诊断方法研究

为从滚动轴承故障信号中提取出包含故障信息的特征频率,提出集合经验模式分解法(EEMD)与形态滤波相结合的解调方法。该方法首先利用EEMD自适应地将信号分解成多个IMF分量,然后计算各IMF分量与原信号的相关系数,选择合适的IMFs进行信号重构,再对重构后的信号进行形态滤波,滤除脉冲干扰,提取出故障特征信息。将该方法应用于滚动轴承故障诊断实例中,并将分析结果与直接对原信号进行包络谱分析解调的结果进行对比。结果表明,该方法提取故障信息的效果较包络谱分析解调的效果要好。     

Feature Extraction Technique for Fault Prognosis Based on Fault Trend Analysis

Fault prognosis is one of the key techniques for prognosis and health management,and an effective fault feature can improve prediction accuracy and performance. A novel approach of feature extraction for fault prognosis based on fault trend analysis was proposed in this paper. In order to describe the ability of tracking fault growth process,definitions and calculations of fault trackability was developed, and the feature which had the maximum fault trackability was selected for fault prognosis. The vibration data in bearing life tests were used to verify the effectiveness of the method was proposed. The results showed that the trackability of energy entropy for bearing fault growth was the maximum,and it was the best fault feature among selected features root mean square( RMS),kurtosis,new moment and energy entropy. The proposed approach can provide a better strategy for fault feature extraction of bearings in order to improve prediction accuracy.     

基于无损约束降噪稀疏自编码的滚动轴承故障诊断技术

在滚动轴承故障诊断过程中,时域振动信号容量大且易受噪声污染,难以建立准确的故障诊断模型。针对上述难题,本文采用无损约束降噪方法对稀疏自编码进行优化,提出了基于无损约束降噪稀疏自编码的滚动轴承故障诊断方法。该方法可直接作用于时域振动信号,消除对人工特征提取的依赖性,无需降噪预处理,降低了故障诊断模型建立的难度。为验证本方法的有效性,利用滚动轴承时域振动信号进行仿真实验,并对诊断过程中学习到的故障特征进行可视化分析。实验结果表明,本方法可以在噪声数据下建立有效的故障诊断模型,且比传统的栈式稀疏自编码诊断算法具有更强的噪声鲁棒性。     

基于神经网络的自动化生产监控系统

为了使自动化生产系统始终处于高效的工作状态,在工作过程中就必须对其进行实时监控,以及时地发现系统中的故障情况和异常现象并进行诊断和处理。基于多层感知器和线性联想记忆的神经网路提出了一种新的自动化生产系统的故障发现及诊断的理论方法。运用这种理论方法,我们可以很方便地对自动化生产系统中的多特征复杂故障、多故障及多过程故障模式进行监测和诊断。同时,这种方法解决了以往所用方法算法复杂和难于实现的困难,且对于多过程的自动化生产系统,这种方法不存在优先权的选择问题,克服了以往所采用的方法不能同时监控多个过程的局限性,增强了系统监控的实时性。经仿真研究表明:这种方法较为理想和实用。