基于奇异值分解技术的轮边减速器故障信号降噪研究

利用改进的奇异值分解技术,用仿真信号验证了该技术对轮边减速器齿轮故障特征提取的有效性,并从模拟信号中提取出了故障特征频率。研究发现,噪声的奇异值分布趋于直线,凸显出了有用信号的奇异值,有利于特征信号提取。仿真结果表明,该方法能在强噪声背景下提取行星系统齿轮故障特征,为轮边减速器故障诊断提供了一个新的思路。     

噪声背景下提取调制信息的改进奇异值分解技术

在介绍现有奇异值分离技术基本原理及其在故障诊断中的应用的基础上，研究了利用信号时间序列重构的吸引子轨迹矩阵奇异值分布特征与信号特征的关系，引入自相关函数定量计算重构矩阵的延时步长，改进了现有算法，使得吸引子轨迹矩阵的重构更加合理。研究表明该方法能在强噪声背景下提取出所需的调制信号，并成功用于齿轮箱调制故障信号的提取。     

齿轮微弱故障信息的提取方法

在强噪声背景下诊断齿轮故障一直是一个难题，分析了齿轮振动信号调制的原因，提出利用数字滤技术提取齿轮微弱故障信息的新方法，经实测数据检验证明是一个较为有效的诊断方法。     

基于互相关奇异值分解的滚动轴承故障诊断

滚动轴承在机械装置中非常重要,其运行状态与整台机械设备的工作状态有直接的关系,但在早期弱故障检测时,特征信号经常被淹没在噪声中。为了提高该故障特征的识别精度,提出了基于互相关奇异值分解的故障诊断方法。首先利用奇异值分解将轴承故障信号分解为多个分量信号;其次使用峭度值作为衡量标准,选择两个合适的奇异值分量用于互相关包络分析以获得包络谱;最后通过信号的频谱分析,得到轴承的故障频率,从而完成早期微弱故障检测。通过仿真信号和滚动轴承内圈故障实测数据仿真对比,验证了该方法的有效性。     

基于盲源分离的共振解调技术在齿轮齿面接触故障诊断中的应用

提出一种运用基于盲源分离的共振解调技术对齿轮齿面接触故障进行诊断的方法.该方法利用盲源分离算法对传感器采集的混合信号进行分离,获取纯粹的故障源信号;采用共振解调技术对分离后的故障源信号进行频谱分析,成功地提取了齿轮齿面直接接触的故障特征.     

车辆传动系统变参小波流形融合故障诊断方法

应用流形学习方法非线性融合信号在不同小波参数下中央尺度对应的小波包络,研究了强背景噪声下车辆传动系统振动信号故障瞬态脉冲包络的有效提取问题,并与传统信号时频分解方法进行了对比研究;采用不同小波参数对振动信号进行连续小波变换,提取了每组参数下中央尺度上的小波包络;采用基尼指数选择若干包含故障瞬态脉冲信息的小波包络,构造了高维小波包络矩阵;采用局部切空间排列算法对高维小波包络进行流形融合,获得了反映故障瞬态脉冲包络本质结构的小波包络流形;为了验证所提方法的有效性和优越性,采用不同方法对轨道车辆轮对轴承和汽车变速齿轮箱的故障振动信号进行了对比分析。研究结果表明:在分析轴承外圈故障信号时,所提方法基尼指数比传统信号时频分解方法提高27.32%以上;在分析齿轮磨损故障信号时,所提方法基尼指数比传统信号时频分解方法提高26.74%以上。可见,所提方法通过综合具有不同形态的变参小波包络,可以在无需优化小波参数情况下,对车辆传动系统中的不同关键部件故障振动信号具有较好的自适应性,提取的故障脉冲包络中的带内噪声少,故障脉冲特性明显,容易识别其频谱中的故障特征频率,是检测车辆传动系统故障的一种有效方法。      

航空发动机转子碰摩故障信号广义S变换方法

为了有效提取航空发动机转子碰摩故障信号,提高碰摩故障诊断的准确性,采用广义S变换方法,把碰摩信号变换到相空间中,在相空间检测和提取故障特征,并与连续小波变换的结果进行了比较。变换分析结果表明:在广义S变换域可以更清楚地反映出信号的时频局域化特性和奇异点位置,易于检测出碰摩点的位置,广义S变换有较好的抗干扰能力,在变换域易于信号与噪声的分离。     

基于压缩感知的滚动轴承故障信号提取技术研究

针对目前奈奎斯特采样方式对信号进行采集所产生的数据量较大的问题,提出一种基于压缩感知并结合神经网络的滚动轴承故障信号检测方法,通过K-奇异值分解算法构造冗余字典,利用神经网络以映射后观测矩阵的前一部分值预测全部观测值,实现信号的二次压缩,最终利用子空间追踪算法基于预测出的观测矩阵对信号进行重构,通过重构信号频谱可获得轴承故障信息.经过对测量矩阵、算法参数及神经网络等内容的分析,可在较少的数据量下以较高精度实现对滚动轴承故障信息的提取,并通过仿真对比实验证明了方法的有效性,在总压缩比为0.72～0.92时,此方法能够保证信号匹配度约为0.83,明显优于传统方法,且对于轴承内圈、外圈和滚动体故障信号皆有较好的重构效果.     

形态小波变换在轴承故障信号处理中的应用

基于数学形态学的形态小波变换是对信号基于形态特征的非线性分解，选取合适的信号分解算子既能够抑制噪声，又能够提取信号中的冲击成分。形态小波变换只有加减法和取极大、极小运算，与通用的时频分析方法相比计算简单。仿真数据和实验信号的分析表明：形态小波变换能够准确有效地提取轴承故障的特征频率成分，适用于轴承故障的在线诊断。     

基于EEMD-TEO熵的高速列车轴承故障诊断方法

为了解决高速列车轴承早期故障中低频信号的类间分离性较弱、保持架故障难以识别等的问题,提出了基于Teager能量算子（Teager energy operator,TEO）聚合经验模态分解（ensemble empirical mode decomposition,EEMD）熵的自适应诊断方法.该方法将EEMD、样本熵、TEO相结合,利用EEMD的自适应性得到固有模态（intrinic mode function,IMF）信号,用改进的TEO从IMF中提取得到样本熵,使用支持向量机（support vector machine,SVM）判断轴承工作状态与故障类型;讨论了EEMD能量熵、EEMD奇异值熵、EEMD-TEO时频熵生成的故障特征向量以及该向量在SVM中识别结果;对正常轴承、保持架故障、滚动体故障3种状态的轴承样本数据进行了故障诊断.研究结果表明:对3种轴承的故障识别率可以达到98%,较传统的经验模态熵识别率提高了2.6%,该方法可用作高速列车轴承状态诊断.