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.     

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。     

改进奇异值分解技术在齿轮故障信号降噪中的应用

改进了奇异值分解技术,利用仿真信号验证了改进的奇异值分解技术对齿轮故障信号提取的有效性,并从实测齿轮裂纹信号和齿轮断齿信号中提取出了故障特征信号.研究表明该方法能在强噪声背景下提取出齿轮故障信号,但强噪声对提取效果有一定影响.     

基于联合近似对角化的盲源分离在齿轮箱故障诊断中的应用

提出一种采用盲源分离技术对齿轮箱混合故障进行诊断的方法．该方法利用白化信号自相关矩阵的联合近似对角化算法，从观测信号中分离故障特征源信号，并根据分离信号的频谱成功地提取了混合故障的特征信息，有效地诊断出齿轮箱所处的故障状态．     

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。     

发动机瞬时角速度波动分析

发动机在一定稳定工况下运转，瞬时转速会呈现一定的波动现象。本文介绍一种以发动机瞬时角速度的实时检测为基础，在一个工作循环内按着火顺序将做功冲程中瞬时角速度波动作为评价依据的判定发动机工作状况的方法。     

R4轧机主传动系统齿轮座及其基础振动的故障诊断

本文针对武钢热轧厂1700热连轧机组R4轧机主传动系统工作中振动强烈、设备事故频繁的实际问题，在轧机实际生产的条件下，对该轧机主传动系统的齿轮座极其基础的振动信号进行了监测，运用振动诊断法进行了故障诊断，预测了该设备存在的故障问题，并分析了故障产生的主要原因。     

发电用柴油机气门漏气故障的振动诊断研究

阐明了引起气缸盖振动的激励源特征，实测了气门不同技术状态下气缸盖表面的振动信号，经分析与计算后提出了信号的特征参数。研究表明：可以用柴油机气缸盖表面振动信号诊断气门漏气故障，为建立气门漏气故障的实时监测与诊断系统提供了诊断方法。     

基于ADAMS的动车组齿轮箱断齿故障特征研究

以国内某型号动车组齿轮箱为研究对象,主要研究齿轮断齿时箱体的振动信号特征。综合运用SolidWorks、ANSYS和ADAMS等软件建立齿轮箱的刚柔耦合动力学模型,然后建立正常齿轮和断齿齿轮模型,最后导入到齿轮箱模型中进行仿真,得到正常和断齿齿轮的箱体振动信号。与正常齿轮箱体振动信号对比发现,齿轮断齿故障的振动信号幅值会增大,同时伴有冲击和调制现象,冲击信号出现次数与小齿轮转频接近,在小齿轮转频的高倍频率、齿轮的啮合频率及其倍频附近会出现宽且高的调制边频带,细化谱中调制现象更为明显,解调谱中在小齿轮转频及其高倍频率附近会出现峰值。以上研究方法与内容,能够为动车组齿轮箱的状态监测和故障预判提供参考。     

基于倒阶比谱的滚动轴承故障诊断

为从变速滚动轴承振动信号中提取轴承故障特征,利用了基于倒阶比分析的诊断方法.该方法利用计算阶比跟踪算法,采集转速信号和振动信号,并对振动信号进行角度域重采样,获得角度增量恒定的角度域周期平稳信号,再进行倒谱分析,最后依据倒阶比谱分析结果进行故障识别和诊断.由于阶比分析能将非平稳时域信号转换为平稳的角度域信号,而倒谱分析能很好的抑制频率模糊,所以将阶比分析和倒谱分析相结合,充分利用二者优点,能从干扰中准确识别故障特征,适合于变速滚动轴承信号的故障特征提取.实验证明该方法有效,能够提取变转速滚动轴承故障特征,具有一定的工程应用价值.     

基于小波和模糊模式识别的齿轮故障诊断

利用小波把齿轮振动信号分解到独立的频带里,提供无冗余,无疏漏的诊断信息,使用各个独立频带内的能量作为信号的特征量,然后用模糊模式识别方法对特征量进行定性分类,从而克腚状态类型,结合表明,特征量是有效的,齿轮状态得到了较好的分类。     

航空发动机转子碰摩故障瞬时频率诊断方法

分析了航空发动机转子碰摩故障振动信号的基本特征,提出了故障信号瞬时频率诊断方法。运用解析小波将故障信号变换到小波域,利用小波系数的振幅和相位信息综合确定瞬时频率,根据瞬时频率的特征诊断故障,并对比了故障信号瞬时频率诊断方法与窗口Fourier变换方法故障诊断结果。数值分析结果表明:利用瞬时频率诊断方法提取碰摩信号的瞬时频率比利用窗口Fourier变换得到的结果更精细,并可获得用短时Fourier变换无法得到的一些瞬时频率曲线。     

基于局域波和混沌的微弱故障信号检测方法

为了利用微弱信号准确诊断转子系统早期故障,提出了一种基于局域波法和混沌振子相结合的信号检测方法。利用局域波法将微弱的故障信号分解为有限的并且具有不同基本模式的分量,每个分量是单一成分信号,实现了信噪分离。将局域波分量输入混沌振子,通过混沌振子系统行为由混沌状态变为大周期运动状态,表明检测信号中含有特征成分,实现了利用混沌振子对低信噪比的微弱信号识别。故障诊断结果表明:所提出的检测方法是可行的,能准确诊断转子系统早期不对中故障。     

复杂传递路径下轴承滚动体故障特征提取

为消除复杂传递路径对轴承滚动体振动信号的影响并提高故障特征提取的能力，研究了基于变分模态分解(VMD)、优化最大相关峭度解卷积(MCKD)和1.5维谱的轴承滚动体故障特征提取问题；分析了轴承滚动体原始振动信号特点、早期故障信号的特性以及复杂传递路径对振动信号的影响，运用VMD将原始振动信号分解为一系列本征模态函数(IMFs),提出了转频分量剔除方法，通过峭度准则优选2个峭度较大的IMFs分量进行重构；基于网格搜索法研究了MCKD算法参数优化方法，用以增强重构信号的周期性故障特征，消除复杂传递路径对轴承滚动体故障信号的影响；利用1.5维谱分析重构信号，建立了复杂传递路径下轴承滚动体故障特征提取新方法，实现了轴承滚动体故障的准确诊断；为了证明方法的有效性，选取美国凯斯西储大学轴承SKF6205基座滚动体数据进行试验验证与分析。试验结果表明：网格搜索法获得了MCKD算法的最优滤波长度与冲击周期参数(365、85),优化MCKD算法增强了重构信号的故障特征，减少了无关频率分量，明显降低了其他成分的干扰；提出的故障特征提取方法在0、735和1 470 W负载条件下均提取到了轴承滚动体的故障特征频...     

典型时频分析技术在故障诊断中的应用

针对旋转机械发生故障时振动信号的不平稳性,利用典型时频分析技术对故障特征进行提取分析。该方法利用信号构造矩阵,再根据典型时频分析技术的变换特性,均值化时频分布参数,然后重构信号以实现降噪。仿真和试验结果表明,该方法能有效地提取故障特征信息,在机械故障诊断领域有广泛应用前景。     

柴油机气缸工作状态的诊断

本文利用柴油机曲铀瞬时角速度的变化规律,作为判断柴油机故障的有效手段。提出在柴油机和曲轴输出端安装一个瞬时角速度传感器,运用微机系统对采集的电磁脉冲信号进行数据处理,以确定故障气缸之所在。具体方法有实验法和数学分析法两大类。     

齿轮箱故障诊断技术及其发展

综述了机器故障诊技术的重要组成部分－齿轮箱的故障诊断技术及其发展状况，从齿轮和轴承两个方面介绍了各种故障的诊断方法以及作的研究成果。     

基于信号预处理和Hilbert变换的滚动轴承故障诊断

针对滚动轴承振动信号复杂和非平稳的特点,及故障信号常常淹没于各种噪声的情况,先利用消除趋势项和小波降噪对包含故障信息的信号进行预处理,再应用Hilbert变换对信号进行包络解调和频谱分析,提取滚动轴承故障特征频率,并判断其故障模式.对滚动轴承内圈、外圈和滚动体故障的诊断试验,证明了信号预处理和希尔伯特(Hilbert)变换相结合的方法对滚动轴承内圈和外圈局部损伤故障的诊断是有效的和可行的,但不能很好地检验出轴承滚动体的故障特征     

基于振动分析的齿轮断齿故障研究

断齿是齿轮发生故障最主要最严重的损伤形式.通过对齿轮断齿机理分析,指出激励源是齿轮产生振动和疲劳裂纹的主要因素;利用振动分析对变速箱中齿轮断齿的故障特性进行试验研究,对振动信号进行时域和频谱分析,得出振动分析数据和图谱.     

基于深度时频特征的机车轴承故障诊断

针对现有机车轴承诊断方法存在故障特征提取不理想、诊断精度低等问题,提出了一种基于深度时频特征的机车轴承故障诊断新方法;利用双通道一维和二维卷积神经网络(CNN)分别对输入的一维原始信号和连续小波变换(CWT)提取的二维时频信号进行深度特征提取;为使输入的一维原始信号简单而有效地反映出信号在时域的全局特征,上通道使用一维CNN,为使输入的二维时频域信号能多角度地反映出信号的细微局部变化,下通道使用二维CNN;在融合层中将上下通道特征自动融合成一个新的深度时频特征,并将提取到的深度融合时频特征经归一化指数函数进行故障分类识别;在此基础上,分析了某局机务段实测的7种机车轴承数据,验证了本文方法的实际工程应用价值。研究结果表明:基于深度时频特征的机车轴承故障诊断方法对7种机车轴承故障的平均诊断精度达到了100%,与一维CNN模型、二维CNN模型和支持向量机(SVM)模型相比,平均诊断精度分别提高了0.7%、1.9%和2.2%;本文方法提取的深度时频特征中每类故障分布间隔规则有序,类内间距很小,而单个一维CNN模型和二维CNN模型提取的特征的每类故障分布间隔不规则,类内间距较大,说明基于深度时频特征的机车轴承故障诊断方法提取深度特征的能力优越,是一种解决机车轴承故障诊断问题的有效模型。