【摘 要】
：
齿轮箱振动信号具有调幅调频特征,其中的调制频率包含齿轮故障信息.迭代Hilbert变换方法通过迭代运用Hilbert变换和滤波,能从多分量信号中提取出调幅-调频单分量成分.这种方法具有完备的数学理论基础和良好的自适应性,而且算法简单,收敛速度快.将迭代Hilbert变换应用于齿轮箱故障诊断:首先运用迭代Hilbert变换方法从多分量信号中分别提取单分量成分的幅值和瞬时相位;再对瞬时相位求导得到瞬时
【机 构】
：
北京科技大学机械工程学院,北京100083
【出 处】
：
2016年全国设备监测诊断与维护学术会议、第十五届全国设备故障诊断学术会议、第十七届全国设备监测与诊断学术会议、2016
论文部分内容阅读
齿轮箱振动信号具有调幅调频特征,其中的调制频率包含齿轮故障信息.迭代Hilbert变换方法通过迭代运用Hilbert变换和滤波,能从多分量信号中提取出调幅-调频单分量成分.这种方法具有完备的数学理论基础和良好的自适应性,而且算法简单,收敛速度快.将迭代Hilbert变换应用于齿轮箱故障诊断:首先运用迭代Hilbert变换方法从多分量信号中分别提取单分量成分的幅值和瞬时相位;再对瞬时相位求导得到瞬时频率;然后选取出瞬时频率围绕啮合频率或啮合频率倍频上下波动的单分量:最后,对选取的单分量幅值和瞬时频率分别做Fourier频谱分析,提取故障特征频率.通过对齿轮箱实验信号分析,验证了该方法的有效性.
其他文献
传统的基于EMD的轴承故障诊断存在模式混淆、端点效应等问题.为此提出一种基于VMD的时频分析方法提取滚动轴承故障特征.该方法利用VMD将信号分解成一系列有限带宽的本征模态函数(BLIMFs),通过对各个本征模态函数进行Hilbert变换,得到瞬时频率和VMD时频谱,有效的提取出信号的时频信息,诊断出轴承故障.通过仿真试验以及轴承故障诊断的工程实例,验证了该方法的有效性.
为了在无诊断专家的情况下,仍然可以准确地对故障类别进行区分,提出了一种基于快速搜索密度峰值聚类(Clustering by fast search and find of density peaks)的智能故障诊断模型.该模型分别采用小波包变换(WPT)和变分模态分解(VMD)方法对原始振动信号进行分解,提取各分解信号的时域指标和频域指标组成联合特征,然后利用距离评估技术对联合特征进行评估,并选取
随着机械设备日趋大型化、高速化、集成化和自动化,在长时间运转在变工况条件下,机械设备的轴承、齿轮等关键部件容易产生摩擦磨损和润滑失效故障.因此,开展机械设备的油液磨粒监测将具有极其重要的科学意义和实用价值.本文采用三线圈油液磨粒传感器对设备润滑油液中的金属磨粒信号检测,并研究了该传感器电路系统的性能,特别是三线圈油液磨粒传感器两路激励源相位差对该传感器检测金属磨粒灵敏度及输出电压波形的影响.实验分
叶片是离心式压缩机的核心部件.在压缩机高速运转的过程中,叶片承受离心力,气流脉动压力和摩擦力等的交互作用,容易产生裂纹出现疲劳失效,严重影响离心式压缩机的正常工作.因此针对压缩机叶片早期裂纹的检测工作显得尤为重要.由于离心式压缩机工作在封闭的管道内,对其叶片进行裂纹检测较轴流式压缩机更加困难.采用一种无损检测的方式,在某离心式压缩机上进行测试.通过安装在压缩机机壳上的压力传感器对叶片附近的压力脉动
主流形识别降噪方法中约简维数随意选取可能导致相空间的主流形畸变,使得降噪效果降低.针对此问题,提出了一种基于包数方法与局部切空间重构的故障特征提取方法.首先,利用相空间重构技术将一维信号重构到高维相空间,运用包数方法估计高维相空间的本征维数;其次,采用局部切空间排列算法(Local Tangent Space Alignment,LTSA)将含噪信号从高维相空间投影到本征维空间中,剔除分布于高维相
针对滚动轴承故障成分周期性强且易被强烈的背景噪声所湮没的特点,提出了基于EEMD自适应形态学滤波的滚动轴承故障诊断方法.首先,对采集到的复杂振动信号进行EEMD分解,根据自相关函数峰态系数和峭度准则重构IMF分量以突出故障特征信息:然后,对重构信号进行基于峭度准则的自适应形态滤波;最后,将滤波后的信号进行包络解调分析.通过轮对跑合实验台实测数据的研究分析,验证了该方法的有效性和可行性.
在基于固定字典的形态分量分析(Morphological Component Analysis,MCA)方法基础上,提出了字典学习形态分量分析的滚动轴承故障诊断方法.分别以轴承内圈、外圈故障信号为训练样本,应用K-SVD(K-Singular Value Decomposition)字典学习算法对训练样本学习字典,寻求最优的字典空间;将学习到的字典取代MCA中的固定字典,根据信号所包含各成分的形态
针对刀具损伤状态的识别问题,以提高刀具故障状态的识别精度为目标,结合信号处理和统计分析技术,提出了一种KPCA-Chi2数控铣床刀具损伤状态识别方法.首先,采用激光测振仪提取数控铣床运行状态下的振动时域信号.然后,选取振动信号时域和频域分布的8个统计特征参数,基于核主成分分析对特征参数进行降维融合,获得反映铣床刀具故障特征的时频主成分.在此基础上,构建时频主成分的Chi-2统计量,建立刀具损伤特征
机械振动信号呈现分形特征,多重分形方法既能描述信号整体的不规则性,同时还可精细地刻画信号局部的特性.为提取非线性信号特征,提出一种基于多重分形去趋势波动分析(MFDFA)与变量预测模型(VPMCD)相结合的滚动轴承故障诊断方法.首先采用多重分形去趋势波动分析方法得到振动信号的多重分形奇异谱,并提取能够反映信号动力学行为的特征参数组成特征向量;其次建立基于VPMCD方法的预测模型,估计测试样本的特征
针对轮对轴承声音信号故障特征难以提取的问题,将非局部均值消噪算法(Non-Local Means,NLM)引入基于声音信号的轴承故障诊断中.考虑到NLM算法仅适用于强信噪比信号的特征提取,对于微弱故障状态下的强噪声信号,其加权运算时取平均值的特性会导致循环故障冲击信息均值化的问题,在NLM算法的基础上提出权重包络谱诊断方法.该方法无需进行滤波操作,而是直接对原始信号加权运算得到信号各点的权值分布曲