基追踪在齿轮损伤识别中的应用

针对齿轮的振动特点,设计了复合过完备时频字典,利用基追踪方法在匹配信号特征结构、直接提取特征信息方面的优势分析了齿轮箱的现场测试振动信号.根据基追踪分解结果,在时频联合域内提取了齿轮局部损伤的周期性冲击特征,识别了齿轮点蚀缺陷.与短时Fourier变换和小波变换等时频分析方法进行了对比分析,验证了基追踪检测齿轮损伤的有效性.     

匹配追踪信号分解与往复机械故障特征提取技术研究

提出了一种自适应提取往复机械振动信号冲击特征的信号处理方法,方法的核心是基于特别选定的基元函数将信号展开,在采用匹配追踪算法分解信号时,应用指数衰减正弦波函数作为信号分解的基元函数,能够十分理想地匹配信号中的冲击响应波形,与往复机械振动信号有最好的相似性,往复机械的故障诊断实例证明,利用该方法提取信号中的瞬态冲击响应特征是可行的,研究结果为机械冲击故障的特征提取与诊断提供了一条新途径。     

倒频谱在齿轮故障诊断中的应用

根据倒频谱所具有的特性，将原来信号频谱图上成族的边频带谱线简化为单根谱线。利用这一特点来识别齿轮振动复杂频谱图上的周期结构，分离和提取出密集泛频信号中的周期成分、多成分边频等复杂信号，使测试系统的在线故障诊断更加快速准确。     

HHT在齿轮故障诊断问题中的应用

齿轮作为一种重要的机械传动设备,对其进行故障诊断具有重要意义。传统的齿轮故障诊断大都采用FFT或者小波分析方法,对处理具有非平稳性的齿轮故障信号效果不太明显。HHT由经验模态分解方法(EMD)和Hilbert变换两步组成。经验模态分解方法(EMD)把时间序列信号分解成不同特征时间尺度的固有模态函数(IMF),适合处理非线性和非平稳过程。Hilbert变换对具有调制现象的信号的分析有很大优势。介绍了该方法的基本原理,并将HHT应用于齿轮断齿故障诊断,齿轮故障实验信号的研究结果表明:基于HHT的分析方法,能有效地诊断齿轮的故障。     

基于双谱分析的齿轮故障诊断研究

针对不同上齿轮的振动信号具有不同的高斯性和对称性的特点,利用三阶累积量的性质,对双谱分析用于轮故障诊断的方法和物理意义进行了研究。采用双谱估计的直接算法,给出了正常、裂纹和断齿三种不同状态的齿轮信号的双谱的等高线图,成功地对三种不同状态的齿轮进行了鉴别。同时,利用上述双谱中的一个“对角切片”Bx(ω,ω）将齿轮信号进行分离,发现不同状态下“对角切片”Bx(ω,ω）的谱线分布具有不同特点,进而实现了不同状态齿轮的自动识别。     

改进的匹配追踪在方波信号滤波中的应用

为了克服常规滤波方法对方波信号滤波能力的不足,实现对方波信号的精确滤波,提出了一种改进的匹配追踪算法。针对方波信号特征,构建了与方波信号匹配而对噪声不敏感的方波原子;基于正交匹配追踪,并吸收子空间追踪的回溯思想,改进了最优原子选择方法;鉴于有用信号与噪声信号的能量差异,使用了一种自适应迭代停止标准,能准确找到有用信号和噪声的临界点,解决噪声能量未知的预估问题。对不同信噪比下的仿真方波信号进行滤波,经实测验证,所提方法在信噪比和均方误差方面都优于常规去噪算法,且保留了方波的特征,适用于方波信号的滤波。     

主分量分析法在齿轮故障诊断中的应用

探讨了主分量分析法在齿轮故障诊断中的应用问题,从理论上对主分量分析法进行了推导和分析,讨论了其误差,编写了用该法诊断故障的程序,并给出了齿轮诊断的应用实例。该方法直接利用齿轮振动噪声信号进行分析,具有速度快、准确性高的优点。     

倒频谱分析在齿轮故障诊断中的应用

齿轮传动的动态性能和许多因素有关,情况是非常复杂的.本文分析了齿轮传动的频率特性和它所产生的频率和幅值调制信号.利用倒频谱技术可以区分齿轮箱中不同转速的齿轮所产生的振动信号;同时倒频谱不会受信号传递通道和相位所影响.因此倒频谱是分析齿轮缺陷的有效工具.本文并介绍了作者研制的倒频谱分析软件.     

分形维数在齿轮故障诊断中的应用

为了识别齿轮的故障模式,运用分形理论,提出了分段关联维数的计算方法 ,并以分段关联维数为特征量,通过建立状态距离函数,实现了模式识别.该方法 克服了通常只通过计算一段数据的关联维数就进行故障识别的缺点.通过对仿真信号、实测信号的诊断,表明所提出方法 的有效性和实际应用价值.     

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。     

支持向量机在齿轮故障诊断中的应用

针对齿轮故障诊断中的小样本事件,采用了支持向量机（SVM）方法.采集齿轮3种典型故障（断齿、磨损、剥落）和正常状态的振动信号,提取时域指标和能量特征作为SVM输入向量,并采用交叉验证（K-CV）法优化SVM参数,最终得到的故障诊断准确率为100%.结果表明SVM是一种有效的齿轮故障诊断方法.     

Hilbert能量谱及其在齿轮故障诊断中的应用

将Hilbert—Huang变换引入齿轮故障诊断，提出了局部Hilbert能量谱的概念，同时建立了一种基于Hilbert—Huang变换的齿轮故障诊断方法：Hilbert能量谱方法。该方法首先采用EMD方法将齿轮故障振动信号分解为若干个固有模态函数(Intrinsic Mode Function，简称IMF)之和，然后选择包含故障信息的IMF分量进行Hilbeft变换得到局部Hilbert能量谱。在局部瞬时能量图中可以发现，齿轮故障振动信号具有明显的冲击特征，从而可进一步对齿轮故障进行诊断。     

齿轮磨损故障诊断方法

通过对齿轮从跑合到磨损报废全过程的振动信号分析,证明时域无量纲因子、标准差及倒频谱对齿轮磨损故障诊断很有效.随着磨损量增加,无量纲因子及标准差皆增大,1/fm处倒谱值减小而2/fm处倒谱值增大.     

齿轮磨损故障诊断方法

通过对齿轮从跑合到磨损报废全过程的振动信号分析,证明时域无量纲因子、标准差及倒频谱对齿轮磨损故障诊断很有效．随着磨损量增加,无量纲因子及标准差皆增大,1／fm处倒谱值减小而2／fm处倒谱值增大．     

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。     

齿轮磨损在振动诊断中的识别初探

首先介绍齿轮磨损诊断的动力学方法,计算齿轮特征频率,然后在试验的基础上论证齿轮磨损的敏感特征频率,并提出诊断中对这个频率分量的处理方法。     

基于阶次双谱分析的齿轮故障诊断研究

针对齿轮箱升降速过程中振动信号非平稳的特点，将双谱分析技术与阶次谱分析相结合，提出了阶次双谱的齿轮箱故障诊断方法．首先对齿轮箱升降速瞬态振动信号进行时域等时间间隔采样，再对时域信号实行等角度间隔重采样，转化为角域平稳信号，最后对角域重采样信号进行双谱分析，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，表明阶次双谱分析能有效地诊断齿轮的裂纹故障．