齿轮故障诊断中的单齿分析技术

齿轮故障诊断通常先对振动信号进行时域同步平均降噪处理,进而利用频谱分析或包络分析等方法,得出故障特征信息。本文在此基础上提出了单齿分析技术。它将振动平均信号等距分段(所分段数与被监测齿轮齿数相等),然后对分段信号进行频谱分析等。比较各段信号的异同以揭示故障齿的确切位置。该方法对齿轮的表面局部损伤故障的早期诊断和断齿故障早期诊断十分有效,可以准确地辨别出有故障齿的位置,为齿轮故障诊断提供了一种有效手段。      

减速器振动信号的经验模态分解

时域同步平均是直升机减速器诊断技术的基础,目前这种方法依赖于转速传感器提供相位同步信号。探讨了应用经验模态分解代替时域同步平均分析减速器振动信号的方法。构建了一个减速器振动信号模型,提取了故障特征信号。对经验模态分解过程进行了理论推导,证明经验模态分解可以分离出故障特征信号,给出了信号分离的充分条件。将这种方法应用于直升机减速器的两种故障(点蚀和裂纹)振动数据,结果表明经验模态分解正确地分离出了故障特征信号,信号特征更为显著。     

航空发动机中介轴承的故障特征与诊断方法

提出了转差域频谱和转差域包络谱的概念,建立了诊断航空发动机中介轴承故障的方法.利用发动机高、低压转差作为触发信号,对发动机振动信号进行等转差周期采集,并在转差域对振动信号进行频谱和包络谱分析.结果表明:不平衡响应、不对中响应以及外环静止的轴承故障响应等振动信号在转差域频谱和转差域包络谱上的位置随转速变化;而中介轴承的故障响应在转差域频谱上的边频成分间距不随转速变化,具有倍频“恒间距”特征;在转差域包络谱上的位置也不随转速变化,具有“恒频”特征.带外环故障的中介轴承实验表明:转速变化时,在转差域包络谱中,外环故障特征倍频成分位置不变;在转差域频谱中,出现间隔宽度恒定为外环故障特征倍频的频率成分.      

基于局部同步拟合和窄带解调的行星传动齿根裂纹故障检测

为实现较少旋转圈数工况下的行星传动齿轮故障检测，本文提出一种基于局部同步拟合和窄带解调的行星传动齿根裂纹故障检测方法。该方法首先对行星齿轮箱振动信号进行角域重采样，再采用局部同步拟合方法估计出确定性分量；随后，由研究中提出的啮合谐波能量比最大准则自动选择包含齿轮故障信息最丰富的滤波阶次频带，并进行窄带解调；最后，通过幅值解调和相位解调揭示齿轮故障特征。实验和对比结果表明：该方法可以有效检测出齿根裂纹引起的周期性幅值和相位突变，且所需数据量较传统的加窗同步平均方法更少，在少转数工况下的齿根裂纹故障检测具有一定的优势。     

聚类分析的数据挖掘方法及其在机械传动故障诊断中的应用

采用网格化处理的思想,通过对基于密度的聚类分析方法进行改进,提出了一种新的聚类算法.这种算法通过对齿轮传动系统的故障信号进行测试、对故障类型进行了判定,对不同转速下齿轮传动振动信号进行谱熵计算、并采用网格划分方法将其表示在二维和三维空间分布平面内,可以较好地将正常、裂纹、磨损等类型的故障进行聚类和识别,并通过试验验证表明能够对不同工作状态的齿轮传动信号进行可靠的聚类与区分,聚类率为96%以上.说明该方法对齿轮故障进行区分与诊断是切实可行和有效的.      

齿轮箱中滚动轴承的故障诊断

提出了一种基于自适应除噪技术(ANC)和共振解调技术(DRT)的齿轮箱中滚动轴承的故障诊断方法。该方法先后用同一传感器和测量系统、在同一位置采集被诊断轴承在无故障时的振动信号和在状态监测过程中的振动信号,然后把这两次拾取的信号分别作为自适应除噪系统的参考输入和主输入进行除噪处理,最后用共振解调技术对除噪后的振动信号进行包络解调,实现齿轮箱中滚动轴承的故障诊断。实际应用表明,该方法能够从齿轮箱振动信号中剔除齿轮啮合振动等背景噪声,提高滚动轴承振动信号的信噪比,可以有效地诊断齿轮箱中滚动轴承的故障。      

基于EMD-ICA与遗传算法的轴承故障诊断方法

针对振动信号中轴承故障特征信号微弱难以识别的问题,对通过试验采集到的内环故障、外环故障以及滚动体故障振 动信号进行处理。采用最小二乘法和指数平滑法对振动信号进行预处理,利用EMD分离振动信号的局部特征,并根据IMF分量 的信息熵增益比实现重构;采用ICA对混叠的振动信号进行分离,并对分离后的振动信号进行特征提取;采用遗传算法对多维振 动特征参量进行降维,筛选出最优特征参量;采用遗传算法优化的极限学习机对轴承故障振动特征集进行识别,将常见的SVM、 BP等诊断模型作为对比算法。试验结果表明：采用ICA能将混叠信号有效分离,实现故障信号的提取;遗传算法不仅能够实现最 优特征的选择,同时能够对极限学习机算法进行有效优化,提升算法的诊断效果。优化的算法相比其它诊断识别方法性能较佳, 使3种故障的平均诊断效果达到90%以上。     

齿轮剥落故障信号的LMD包络谱分析

齿轮剥落故障是常见的齿轮故障形式。为了对齿轮剥落故障特征进行分析,提出了一种利用局部均值分解(LMD)结合包络谱分析的频谱分析方法。为了进行对比,使用该方法分别对正常齿轮和剥落故障齿轮的振动信号进行了分析。分析结果表明,正常齿轮振动信号各乘积函数(PF)分量的幅值谱和包络谱主要包含齿轮的啮合频率及其倍频、大齿轮转频及其倍频成分。剥落故障齿轮振动信号各PF分量的幅值谱和包络谱除了包含上述正常齿轮振动信号的特征谱线外,还包含大齿轮转频的倍频对齿轮啮合频率及倍频的调制频率成分。     

基于粗糙集理论的振动信号数据挖掘研究

利用转子试验台,采集了转子不对中、支座松动和转子碰磨等三种振动信号。以采集到的部分振动信号为例,在时域上进行小波变换的能量特征提取。并以能量为特征参数,利用粗糙集理论对采集到的信号进行数据挖掘和获取故障规则。在获取的规则基础上,对余下的振动信号进行了验证,结果表明诊断全部正确,规则是有意义的。     

基于小波包能量谱的航空发动机故障特征提取方法

使用成熟的旋转机械振动信号频谱分析方法,对采集到的多台航空发动机试车振动信号进行分析,找出能反应出发动机转子不对中、转子不平衡和转静件碰磨3种故障频谱特征的振动信号.再使用小波包将信号分解为不同的频段,之后分别计算能反应出故障信息的特征频段的能量,将它们组成用来区分上述3种故障的特征向量,为以后的航空发动机故障的模式识别做准备.     

基于Wigner分布和经验模态分解的减速器故障诊断

为了降低全寿命费用和增强飞行安全性,对减速器故障进行检测和故障诊断是非常必要的。减速器振动信号的冲击性振动信号往往可以与故障引起的冲击联系在一起,因此冲击性信号可以作为一个故障的表征形式。为了刻画故障信号,许多研究探索在时频域内寻找微弱的故障特征信号。Wigner分布是最为常用的一种时频分布。然而,故障特征信号经常被其他部件的振动信号和Wigner分布双线性运算固有的交叉项所污染。为了减少这些干扰,本文将Wigner分布与经验模态分解结合起来。不同于传统的直接计算Wigner分布,将经验模态分解作为一个预处理环节。振动信号被分解为一系列固有模态函数。仅仅计算与啮合振动相关的固有模态函数的Wigner分布。这种方法应用于减速器试验台数据,结果表明诊断效果得到了明显提高。      

Semi-supervised gear fault diagnosis using raw vibration signal based on deep learning

In aerospace industry, gears are the most common parts of a mechanical transmission system. Gear pitting faults could cause the transmission system to crash and give rise to safety disaster. It is always a challenging problem to diagnose the gear pitting condition directly through the raw signal of vibration. In this paper, a novel method named augmented deep sparse autoencoder (ADSAE) is proposed. The method can be used to diagnose the gear pitting fault with relatively few raw vibration signal data. This method is mainly based on the theory of pitting fault diagnosis and creatively combines with both data augmentation ideology and the deep sparse autoencoder algorithm for the fault diagnosis of gear wear. The effectiveness of the proposed method is validated by experiments of six types of gear pitting conditions. The results show that the ADSAE method can effectively increase the network generalization ability and robustness with very high accuracy. This method can effectively diagnose different gear pitting conditions and show the obvious trend according to the severity of gear wear faults. The results obtained by the ADSAE method proposed in this paper are compared with those obtained by other common deep learning methods. This paper provides an important insight into the field of gear fault diagnosis based on deep learning and has a potential practical application value.     

基于机匣测点信号的航空发动机滚动轴承故障诊断灵敏性分析

研究了基于机匣测点信号进行航空发动机滚动轴承故障诊断的灵敏性问题.首先利用两个带机匣的航空发动机转子试验器进行了冲击响应试验,比较了滚动轴承处冲击激励引起的轴承座测点响应和机匣测点响应的差别;然后利用这两个带机匣的转子试验器进行了滚动轴承故障模拟试验,详细对比分析了轴承座测点信号和机匣测点信号的时域波形、频谱和小波包络谱.结果表明:当滚动轴承和机匣的连接刚度较小时,故障滚动轴承的振动信号传递到机匣上时会产生很大的衰减,然而利用传统的基于小波包变换的包络解调方法仍然可以很好地诊断出外圈故障和内圈故障,对于滚动体故障的诊断效果略差.研究结果对于实际中基于机匣测点信号进行航空发动机滚动轴承故障诊断提供了试验依据.      

裂纹转子非线性振动特征的谐波小波与分形识别

通过对谐波小波的分析研究,指出了谐波小波对振动信号局部频段分析的优良特性。采用谐波小波对裂纹转子的非线性振动信号在低频段进行了分析。理论分析与实验结果表明:对实际裂纹转子信号,经谐波小波的频段分析后,能够得到通常难以由理论分析与实验结果获得的非整数倍周期分叉的非线性特征频谱。计算了裂纹转子的分形维数,发现裂纹转子的振动信号比理论结果要复杂、可以用多重分形作为判断实际转子是否有裂纹的一个特征。提出了用谐波小波变换后的奇异谱来识别裂纹转子非整数倍周期分叉的非线性特征频谱的方法,并对实际转子信号进行分析,得到了明显的非整数倍周期分叉的奇异谱。      

旋转机械振动诊断技术展望

 本文简要地论述了机械设备故障振动诊断的理论基础,进而基于理论上的分析及作者个人的经验,对旋转机械故障振动诊断的前景作了评述,提出了若干建议。     

某双转子发动机冲击振动的分频小波提取与故障分析

采用小波-时频方法对某双转子发动机地面实测数据进行了分析,得到了试车过程中系统在不同工作状态下振动的时频特征。在振动能量的时频分布图中,不同的频率区间内含有不同的冲击成份;在此基础上对信号在不同的频带进行谐波小波包分解,分解信号能量主要集中在某一个频带范围内,进一步分析可以确定系统滚动轴承失效模式。      

周期性碰摩激励作用下薄壁机匣支撑系统响应机理

针对发动机薄壁机匣支撑系统在碰摩激励作用下动力学响应复杂,基于机匣振动信号的碰摩故障特征识别难度大的问题,提出了一种用于故障特征机理分析的数值仿真方法。通过建立薄壁机匣系统的等效动力学三维实体模型,将碰摩激励进行等效力学简化,利用瞬态动力学方法对周期性碰摩故障进行了数值仿真。在系统固有特性分析的基础上,对机匣测点在碰摩激励作用下的时域、频域响应特征展开研究,得到了碰摩故障特征的产生机理。机匣位移振动信号主导频率为系统整体低阶固有频率,加速度振动信号主导频率为碰摩脉冲激励频率及其倍频,上述结论可作为碰摩故障发生的依据,为故障早期诊断提供参考。