CN116304648A - 基于优化脉冲增强与包络同步平均的齿轮故障识别方法 - Google Patents
基于优化脉冲增强与包络同步平均的齿轮故障识别方法 Download PDFInfo
- Publication number
- CN116304648A CN116304648A CN202310580102.4A CN202310580102A CN116304648A CN 116304648 A CN116304648 A CN 116304648A CN 202310580102 A CN202310580102 A CN 202310580102A CN 116304648 A CN116304648 A CN 116304648A
- Authority
- CN
- China
- Prior art keywords
- envelope
- signal
- fault
- gear
- average
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/021—Gearings
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—Acoustic or vibration analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Acoustics & Sound (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了基于优化脉冲增强与包络同步平均的齿轮故障识别方法,通过消除各段最优脉冲增强信号包络线间的相位误差,对最优脉冲增强信号进行包络同步平均来提取故障特征,实现对航空发动机齿轮箱故障的准确故障特征提取。首先获取齿轮箱壳体振动信号并进行分解与重构,获得重构信号。针对重构信号进行优化脉冲增强,获得最佳脉冲增强信号。对最佳脉冲增强信号作包络解调,对所得包络信号分别进行包络分段和分段相位检测,对各包络分段信号进行相位补偿,实现各包络信号分段的同步,同步后的包络分段信号进行平均处理便得到包络平均信号。对包络平均信号做频谱分析获得平均包络谱,从中提取幅值最大的主导分量,对齿轮是否发生故障进行识别。
Description
技术领域
本发明涉及机械状态监测与故障诊断技术领域,具体涉及一种基于优化脉冲增强与包络同步平均的齿轮故障识别方法。
背景技术
在各类旋转机械中的齿轮故障诊断已经日趋丰富、成熟,且获取了良好的工程应用;然而这些常规的诊断技术迁移至航发附件齿轮箱中的齿轮时,却面临着灵敏度降低、分辨率减弱、实用性变差等严峻挑战,通常难以取得预期成效。究其原因主要有两点,一是航发附件齿轮箱的内部含有众多的齿轮、轴承以及转轴等部件,外部连有各种泵、调节器等装置,激振源不计其数,使得所测振动信号成分异常冗杂,齿轮相关振动往往被掩盖;二是航发附件齿轮箱的振动数据只可从其外壳上测取,在复杂路径的传递过程中,大量噪声涌入,本就微弱的齿轮振动进一步弱化,同时难以测取与振动同步的转速信息来辅助信号处理。同时存在各种复杂频率成分干扰,所以实现航发齿轮箱的故障诊断还面临着许多困难。齿轮局部缺陷诱发的周期性冲击是最为关键的故障信息,能有效且直观地指示故障位置。但对于航发附件齿轮箱来说,仅能测取箱体外壳的振动信号,其中齿轮故障特征受多源振动干扰和复杂路径传递而变得异常微弱。因此,有必要对微弱脉冲成分进行增强,以此提高特征提取的成功率,这一特征增强过程常通过滤波降噪的形式实现。同时,时间同步平均(TSA)是一种从复合信号中提取周期分量的强大技术。广泛应用于降噪和故障诊断。尤其适用于齿轮箱等机械系统的振动分析,因为它可以将单个齿轮的振动与整个系统的振动分开。在TSA中,被精确的周期分开的段被平均。任何与此周期不同步的分量都将被衰减。
目前有很多关于脉冲增强算法在齿轮故障诊断中的研究,
Endo等在Enhancement of autoregressive model based gear tooth faultdetection technique by the use of minimum entropy deconvolution filter一文中提出:基于自回归(AR)模型对源信号滤波后,采用MED进一步强化局部缺陷诱发的脉冲,在齿轮点蚀和裂纹缺陷的诊断中优势明显。
王子涵等在基于MED-SK算法的行星变速箱故障特征提取一文中提出:采用MED有效强化源信号中的微弱脉冲,并结合SK和解调处理提取出裂纹特征。
唐道龙等在基于参数优化MCKD的行星齿轮箱微弱故障诊断研究一文中提出:在MCKD中联合峭度和自相关处理后的峰度进行参数寻优,尽量避开参数设定不当的不利影响,通过滤波结果的解调分析,成功检测出齿轮特征频率。
吴磊等在基于最大重加权峭度盲解卷积的风电故障诊断一文中提出:基于可规避偶发冲击干扰的重加权峭度指标开发了新的解卷积手段,这一指标的本质上体现的是平均性的峭度,对周期性出现的脉冲更敏感,风机齿轮损伤的检测效果验证了该方法。
赵修平等在MOMEDA结合数学形态滤波的齿轮故障特征提取一文中提出:引入MOMEDA对非平稳源信号作滤波,强化故障诱发的周期性冲击,并结合形态滤波削弱干扰,有效提升了齿轮的特征频率辨识度。
得益于强大的周期成分提取能力,目前也有很多基于TSA实验齿轮诊断的研究,Bonnardot等人提出了一种利用齿轮箱的加速度信号进行角度重采样的方法。在此基础上,提出了一种基于网格局部谐波信噪比的自适应TSA方法。
Kim等在Phase-based time domain averaging (PTDA) for fault detectionof a gearbox in an industrial robot using vibration signals一文中提出利用同步性更好的TSA处理源信号后,通过作差的形式获取剩余信号,进而采用其均方根和功率谱熵成功量化出齿轮箱故障程度。
魏伟等在基于扭振信号加窗RMS时域同步平均的行星齿轮箱裂纹故障诊断一文中提出:以扭振信号为分析对象,将传统TSA方法中的算术平均值替换为均方根,更好地反映齿轮缺陷诱发出的冲击,并完成了早期的齿根裂纹特征挖掘。
Ha 等在Autocorrelation-based time synchronous averaging for conditionmonitoring of planetary gearboxes in wind turbines一文中提出将自相关分析优异的降噪能力引入到TSA方法中,优化设计窗函数,提高了行星齿轮故障诊断效率和准确性。
Wang等人在Time Synchronous Averaging Based on Cross-power Spectrum一文中通过基于各分段信号的互功率谱进行相位补偿,补偿后的各段信号具有相同的相位,从而叠加平均后的信号得到有效同步,并能准确提却齿轮故障中特征。
多点最优最小熵解卷积(MOMEDA)是一种通过引入表征故障冲击位置和权重的向量求解最优滤波器,利用MOMEDA增强故障信号中的脉冲成分的过程如下所示:
假设原始信号x(n)与微弱故障冲击信号y(n)的关系式为:
其中,f为最优滤波器参数。
多点D范数被用于评估周期性冲击,解卷积的过程由此变成MDN的最大化问题:
式中,t为常量目标向量,指示着故障脉冲的位置和权重;
通过对式(3)求导计算得到最优滤波器f,滤波后的最优滤波信号y为:
在特征增强方法中, MOMEDA能基于给定的目标向量强化故障脉冲,适用于特征定向加强,该方法对于目标冲击周期的准确性依赖较强,而预估故障周期往往都有偏差,因而通常不易取得预期冲击强化效果。
但目前多数研究仅看到了MOMEDA的优势,在默认参数理想的条件下进行滤波,少见对于MOMEDA自身滤波性能的优化研究,关键参数的取定仍容易偏离最优解。同时对于传统的TSA的实质就是谐波提取,在所有的段都同步的情况下才能很好地工作。
对于齿轮局部缺陷而言,针对冲击类故障的识别方法,最后大多以包络谱的形式展示其提取效果,包络谱齿轮所在轴的转频及其谐频就是目标特征,而目前现有的TSA、CTDA方法均趋向于对复合信号进行时域同步平均处理,并没有应用于齿轮故障特征比较明显的包络信号中,因此,现有的同步平均方法的效果展示中与故障信号频率成分无关的高频分量并未完全消除。
基于以上现有技术,在航空发动机齿轮箱故障信号中提取齿轮故障特征仍存在一定的困难,单纯采用多点最优最小熵解卷积(MOMEDA)的滤波技术以及时域同步平均(TSA)方法对时域信号进行相位补偿后仍不能实现航空发动机齿轮箱故障的准确故障特征提取等问题。
发明内容
有鉴于此,本发明提供了基于优化脉冲增强与包络同步平均的齿轮故障识别方法,通过消除各段最优脉冲增强信号包络线间的相位误差,对最优脉冲增强信号进行包络同步平均来提取故障特征,实现了对航空发动机齿轮箱故障的准确故障特征提取。
为达到上述目的,本发明的技术方案包括如下步骤:
步骤1:获取齿轮箱壳体振动信号x(n),并对振动信号x(n)进行分解与重构,获得重构信号。
步骤2:针对重构信号进行优化脉冲增强,获得最佳脉冲增强信号。
步骤3:对最佳脉冲增强信号作包络解调,对所得包络信号分别进行包络分段和分段相位检测,对各包络分段信号进行相位补偿,实现各包络信号分段的同步,同步后的包络分段信号进行平均处理便得到包络平均信号。
步骤4:对包络平均信号做频谱分析获得平均包络谱,从中提取幅值最大的主导分量,当幅值最大的主导分量对应的频率等于理论故障特征频率的一倍频时,即判定齿轮发生故障。
进一步地,对振动信号x(n)进行分解与重构,具体为:
对振动信号x(n),利用EMD处理实现不同频段成分的分离,并获得多个IMF分量;
针对全部IMF分量,计算其CRK指标及其平均值MCRK;筛选出指标值在平均值之上的第一阶分量IMF1进行重构,获得重构信号。
进一步地,步骤2:针对重构信号进行优化脉冲增强,获得最佳脉冲增强信号,具体为:
以重加权峭度RK指标为适应度函数,利用鲸鱼优化算法WOA对输入故障周期进行寻优,找到使得适应度最大的故障周期,即为最优故障冲击周期;将最优故障冲击周期输入到MOMEDA滤波算法中,获得最优滤波增强结果,即为最佳脉冲增强信号。
进一步地,步骤3中,对最佳脉冲增强信号作包络解调,对所得包络信号分别进行包络分段和分段相位检测,对各包络分段信号进行相位补偿,具体为:对最佳脉冲增强信号作包络解调,对所得包络信号进行等长度截取,得到若干包络信号分段,基于相位计算信号与标准余弦序列的互功率谱检测出所有包络分段信号的相位,通过循环平移的方式完成相位补偿。
有益效果:
本发明提供的一种基于优化脉冲增强与包络同步平均的齿轮故障识别方法,通过建立CRK指标来反映EMD分解后的IMFs分量中周期性冲击成分的强度,并根据CRK对周期冲击强度较大的IMF分量进行重构得到脉冲增强后的重构信号。然后用RK指标作为WOA的适应度函数,在指定周期范围内寻优来实现MOMEDA最优滤波从而得到故障特征明显的脉冲增强信号。通过对脉冲增强信号进行包络同步平均的方法来进一步增强故障特征,实现了对航空发动机齿轮箱故障的准确故障特征提取。
附图说明
图1为基于优化脉冲增强与包络同步平均的特征提取方法流程图;
图2(a)为原始数据的时域波形图;
图2(b)为原始数据的包络频谱图;
图3为原始信号EMD分解的前三阶IMF分量示意图;
图4为IMF分量的CRK指标及平均MCRK示意图;
图5(a)为重构信号示意图;
图5(b)为包络频谱示意图;
图6为重构裂纹故障信号MOMEDA滤波中WOA迭代曲线示意图;
图7(a)为裂纹故障最优脉冲增强信号图;
图7(b)为裂纹故障最优脉冲增强信号的包络频谱图;
图8为裂纹故障最优脉冲增强信号的包络同步平均频谱图;
图9(a)为最优脉冲增强信号的包络频谱图;
图9(b)经过包络同步平均频谱图。
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
实施例1:
本发明用于针对航发附件齿轮箱结构中部件进行故障诊断,基于航发附件齿轮箱结构繁杂特殊且激振源众多,箱体内故障齿轮诱发的冲击成分通过复杂路径传递后,在外壳振动信号中表现得十分微弱的特性,采用MOMEDA特征增强方法后故障特征可能仍不显著,本发明提供了一种优化MOMEDA并结合包络信号平均,能够针对现有MOMEDA冲击特征强化后效果不显著等问题,并采用包络同步平均(ISA)实现齿轮故障微弱特征的进一步强化。
实现本发明的技术方案其流程如图1所示,基于优化脉冲增强与包络同步平均的故障诊断方法,包括以下步骤:
步骤1-获取齿轮箱壳体振动信号x(n),并对振动信号x(n)进行分解与重构,获得重构信号。
本发明实施例中,结合经验模态分解EMD和相关重加权峭度CRK指标进行原始壳体振动的信号分解和特征分量重构,剔除宽频振动中故障信息量低的干扰成分;
步骤2-针对重构信号进行优化脉冲增强,获得最佳脉冲增强信号。
本发明实施例中,以重加权峭度RK指标为适应度函数,利用鲸鱼优化算法WOA对重构信号的MOMEDA滤波结果进行寻优,获取最佳脉冲增强信号;具体地,以重加权峭度RK指标为适应度函数,利用鲸鱼优化算法WOA对输入故障周期进行寻优,找到使得适应度最大的故障周期,即为最优故障冲击周期;将最优故障冲击周期输入到MOMEDA滤波算法中,获得最优滤波增强结果,即为最佳脉冲增强信号。
步骤3-包络同步平均。
对脉冲增强信号作包络解调,从所得包络信号中等长度截取,得到若干包络信号分段,基于相位计算信号与标准余弦序列的互功率谱检测出所有分段的相位,通过循环平移的方式完成相位补偿,对同步后的包络分段进行平均处理便得到包络平均信号。
步骤4-特征提取结果分析。
将平均包络谱中的主导分量与齿轮的理论特征频率作比较,判定特征提取结果的正确性,完成齿轮箱齿轮故障诊断。具体地,对包络平均信号做频谱分析获得平均包络谱,从中提取幅值最大的主导分量,当幅值最大的主导分量对应的频率等于理论故障特征频率的一倍频时,即判定齿轮发生故障。
本发明的提供了一种基于优化脉冲增强与包络同步平均的特征提取方法,其核心改进点为建立CRK指标对EMD分解后的信号进行重构,以RK指标为适应度函数,利用WOA对重构信号的MOMEDA滤波结果进行寻优得到最佳脉冲增强信号,采用包络同步平均方法对增强后的包络解调信号进行相位误差补偿来达到齿轮箱中复杂齿轮故障的特征提取。
实施例2
将本发明所提的基于优化脉冲增强与包络同步平均的特征提取方法对试验台齿轮箱故障信号进行分析,实验预先在一个正常SS1.5-36齿轮的根部加工出一道深1.5mm裂纹,再将它装到齿轮箱的中间轴上进行壳振数据测量,采样频率同为16384Hz,电机转速调为1200r/min,加速度测点仍位于齿轮箱外壳体。中间轴小齿轮出现裂纹的理论特征频率为5.8Hz。
步骤1:获取齿轮箱壳体振动信号x(n),并对振动信号x(n)进行分解与重构,获得重构信号。本实施例中,对于齿轮箱的原始壳振信号,利用EMD处理实现不同频段成分的分离,并获得多个IMF分量,如图2(a)和图2(b)所示分别为原始信号的时域波形及包络频谱,可以得到在包络频谱中存在模糊的齿轮裂纹故障的特征频率,在各阶IMF分量中可见一些零散的冲击,齿轮的故障特征仍存在较强的干扰和掩盖。如图3示出了原始的振动信号进行EMD分解的前三阶IMF分量。本发明实施例针对齿轮箱的原始壳振信号,处理得到的IMF分量的CRK指标及平均MCRK具体如图4所示。在图4中可以看到第1阶IMF分量的CRK指标最大,由CRK能够有效衡量故障冲击特征,筛选出指标值在平均值之上的第一阶分量IMF1进行重构,重构后的信号及包络频谱如图5(a)和图5(b)所示,重构后的信号故障信息量低下的分量被剔除,所得重构信号中微弱特征获得强化。
步骤2:针对重构信号进行优化脉冲增强,获得最佳脉冲增强信号。
本实施例中,获取重构信号后,利用WOA算法优化MOMEDA的滤波效果,同样虑及实际预知故障周期可能是不准确的,将裂纹故障频率的可能取值设置在5~7Hz之间,那么可知T的范围是[2340, 3277],结合鲸鱼优化算法,以所得滤波信号的RK值为适应度对输入故障周期进行寻优,最终基于RK所得寻优曲线如图6所示。在图6中,可见迭代至第10代时,找到了使得适应度最大的故障周期为2824,对应频率即为5.8Hz,需要说明的是,由于模拟实验台相对装配精度高、组成简单且转速低,预估故障周期并没有出现误差,但工程应用中预估偏差是难以避免的。
将WOA搜索到的最优故障冲击周期输入到MOMEDA中,所得最佳脉冲增强信号如图7(a)和图7(b)所示。在图7(a)和图7(b)中可以看到,经过最优脉冲增强后的信号波形中目标故障冲击得到有效强化,而在包络频谱中,中间轴齿轮裂纹故障特征频率及其2倍频占据主导,实现了壳振信号中预置齿轮故障特征的有力提取。
步骤3:对最佳脉冲增强信号作包络解调,对所得包络信号分别进行包络分段和分段相位检测,对各包络分段信号进行相位补偿,实现各包络信号分段的同步,同步后的包络分段信号进行平均处理便得到包络平均信号。
本实施例中,对脉冲增强信号作包络解调,从所得包络信号中等长度截取,得到若干包络信号分段,基于相位计算信号与标准余弦序列的互功率谱检测出所有分段的相位,通过循环平移的方式完成相位补偿,对同步后的包络分段进行平均处理便得到包络平均信号,包络同步平均后的信号如图8所示,在图8中可以看到,对裂纹故障最优脉冲增强信号分段,经过消除各段之间的相位误差后,中间轴齿轮裂纹故障特征频率及其2倍频占据主导,实现了壳振信号中预置齿轮故障特征的有力提取。
步骤4:对包络平均信号做频谱分析获得平均包络谱,从中提取幅值最大的主导分量,当幅值最大的主导分量对应的频率等于理论故障特征频率的一倍频时,即判定齿轮发生故障。
在图8中可以看出,齿轮裂纹的最优脉冲增强信号在经过包络同步平均后,平均包络谱中齿轮故障特征频率5.8Hz及其2倍频成分相当突出,由此可以清晰的判断齿轮发生故障。同时,与未经过包络同步平均处理的最优脉冲增强信号相比,齿轮故障特征频率更加突出,其他干扰频率成分严重衰减,齿轮故障的识别能力更有效。验证了本发明的有效性,微弱齿轮故障的特征频率清晰且显著,出色的特征强化效果为齿轮故障诊断提供了坚实依据。
本实施例中,将平均包络谱中的主导分量与齿轮的理论特征频率作比较,如图9(a)和图9(b)所示,在图9(a)和图9(b)中可以看到,经过包络同步平均后的裂纹最优脉冲增强信号包络频谱可以明显的看到5.8Hz的故障特征及其倍频成分,验证了本发明的有效性,微弱齿轮故障的特征频率清晰且显著,出色的特征强化效果为齿轮故障诊断提供了坚实依据。
本发明提出CRK指标对原始信号经过EMD分解后的IMFs分量进行重构,初步解决了故障特征微弱的问题。并以RK作为适应度函数,利用WOA算法寻优得到MOMEDA的最优故障周期,通过消除各段最优脉冲增强信号包络线间的相位误差,对最优脉冲增强信号进行包络同步平均来提取故障特征,进一步增强了故障特征。
综上,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.基于优化脉冲增强与包络同步平均的齿轮故障识别方法,其特征在于,包括如下步骤:
步骤1:获取齿轮箱壳体振动信号x(n),并对振动信号x(n)进行分解与重构,获得重构信号;
步骤2:针对所述重构信号进行优化脉冲增强,获得最佳脉冲增强信号;
步骤3:对所述最佳脉冲增强信号作包络解调,对所得包络信号分别进行包络分段和分段相位检测,对各包络分段信号进行相位补偿,实现各包络信号分段的同步,同步后的包络分段信号进行平均处理便得到包络平均信号;
步骤4:对包络平均信号做频谱分析获得平均包络谱,从中提取幅值最大的主导分量,当所述幅值最大的主导分量对应的频率等于理论故障特征频率的一倍频时,即判定齿轮发生故障。
2.如权利要求1所述的基于优化脉冲增强与包络同步平均的齿轮故障识别方法,其特征在于,所述对振动信号x(n)进行分解与重构,具体为:
对所述振动信号x(n),利用EMD处理实现不同频段成分的分离,并获得多个IMF分量;
针对全部IMF分量,计算其CRK指标及其平均值MCRK;筛选出指标值在平均值之上的第一阶分量IMF1进行重构,获得重构信号。
3.如权利要求1所述的基于优化脉冲增强与包络同步平均的齿轮故障识别方法,其特征在于,所述步骤2:针对所述重构信号进行优化脉冲增强,获得最佳脉冲增强信号,具体为:
以重加权峭度RK指标为适应度函数,利用鲸鱼优化算法WOA对输入故障周期进行寻优,找到使得适应度最大的故障周期,即为最优故障冲击周期;将所述最优故障冲击周期输入到MOMEDA滤波算法中,获得最优滤波增强结果,即为最佳脉冲增强信号。
4.如权利要求1所述的基于优化脉冲增强与包络同步平均的齿轮故障识别方法,其特征在于,所述步骤3中,对所述最佳脉冲增强信号作包络解调,对所得包络信号分别进行包络分段和分段相位检测,对各包络分段信号进行相位补偿,具体为:对所述最佳脉冲增强信号作包络解调,对所得包络信号进行等长度截取,得到若干包络信号分段,基于相位计算信号与标准余弦序列的互功率谱检测出所有包络分段信号的相位,通过循环平移的方式完成相位补偿。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310580102.4A CN116304648B (zh) | 2023-05-23 | 2023-05-23 | 基于优化脉冲增强与包络同步平均的齿轮故障识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310580102.4A CN116304648B (zh) | 2023-05-23 | 2023-05-23 | 基于优化脉冲增强与包络同步平均的齿轮故障识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116304648A true CN116304648A (zh) | 2023-06-23 |
CN116304648B CN116304648B (zh) | 2023-08-29 |
Family
ID=86780116
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310580102.4A Active CN116304648B (zh) | 2023-05-23 | 2023-05-23 | 基于优化脉冲增强与包络同步平均的齿轮故障识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116304648B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117609692A (zh) * | 2023-11-14 | 2024-02-27 | 中节能风力发电股份有限公司 | 一种风力发电机组齿轮箱平行级故障诊断方法及装置 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106053070A (zh) * | 2016-06-30 | 2016-10-26 | 中国人民解放军国防科学技术大学 | 基于分离信号包络谱特征的轴承滚动体故障增强诊断方法 |
CN109101936A (zh) * | 2018-08-21 | 2018-12-28 | 北京工业大学 | 一种基于自适应的med滚动轴承早期故障诊断方法 |
CN109612732A (zh) * | 2019-01-24 | 2019-04-12 | 北华大学 | 一种基于解卷积和包络谱的滚动轴承故障诊断方法 |
CN112461547A (zh) * | 2020-12-22 | 2021-03-09 | 河北建投能源投资股份有限公司 | 一种基于多岛遗传和变分模态分解的轴承故障诊断方法 |
CN112507769A (zh) * | 2020-08-10 | 2021-03-16 | 北京化工大学 | 一种基于仿真传感器谐振增强特征的轴承故障诊断方法 |
CN113850181A (zh) * | 2021-09-23 | 2021-12-28 | 华北电力大学 | 基于特征信息融合的燃气轮机进口导叶系统故障诊断方法 |
CN114813123A (zh) * | 2022-03-21 | 2022-07-29 | 江苏泰隆减速机股份有限公司 | 一种基于pso-vmd-mckd的滚动轴承微弱故障诊断方法 |
CN114894481A (zh) * | 2022-04-21 | 2022-08-12 | 山东大学 | 基于解卷积算法的滚动轴承故障诊断方法及系统 |
CN115266094A (zh) * | 2022-07-03 | 2022-11-01 | 三峡大学 | 基于tvd和med的滚动轴承故障诊断方法 |
WO2023029455A1 (zh) * | 2021-08-31 | 2023-03-09 | 江南大学 | 一种变转速工况下减速机振动信号的故障频带识别方法 |
CN116028844A (zh) * | 2022-12-13 | 2023-04-28 | 西安交通大学 | 滚动轴承微弱故障增强诊断方法、装置、设备及存储介质 |
-
2023
- 2023-05-23 CN CN202310580102.4A patent/CN116304648B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106053070A (zh) * | 2016-06-30 | 2016-10-26 | 中国人民解放军国防科学技术大学 | 基于分离信号包络谱特征的轴承滚动体故障增强诊断方法 |
CN109101936A (zh) * | 2018-08-21 | 2018-12-28 | 北京工业大学 | 一种基于自适应的med滚动轴承早期故障诊断方法 |
CN109612732A (zh) * | 2019-01-24 | 2019-04-12 | 北华大学 | 一种基于解卷积和包络谱的滚动轴承故障诊断方法 |
CN112507769A (zh) * | 2020-08-10 | 2021-03-16 | 北京化工大学 | 一种基于仿真传感器谐振增强特征的轴承故障诊断方法 |
CN112461547A (zh) * | 2020-12-22 | 2021-03-09 | 河北建投能源投资股份有限公司 | 一种基于多岛遗传和变分模态分解的轴承故障诊断方法 |
WO2023029455A1 (zh) * | 2021-08-31 | 2023-03-09 | 江南大学 | 一种变转速工况下减速机振动信号的故障频带识别方法 |
CN113850181A (zh) * | 2021-09-23 | 2021-12-28 | 华北电力大学 | 基于特征信息融合的燃气轮机进口导叶系统故障诊断方法 |
CN114813123A (zh) * | 2022-03-21 | 2022-07-29 | 江苏泰隆减速机股份有限公司 | 一种基于pso-vmd-mckd的滚动轴承微弱故障诊断方法 |
CN114894481A (zh) * | 2022-04-21 | 2022-08-12 | 山东大学 | 基于解卷积算法的滚动轴承故障诊断方法及系统 |
CN115266094A (zh) * | 2022-07-03 | 2022-11-01 | 三峡大学 | 基于tvd和med的滚动轴承故障诊断方法 |
CN116028844A (zh) * | 2022-12-13 | 2023-04-28 | 西安交通大学 | 滚动轴承微弱故障增强诊断方法、装置、设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
张蓝宁等: "《基于EHNR与PSO-MOMEDA的轴承故障诊断》", 《组合机床与自动化加工技术》, pages 76 - 79 * |
王子涵: "《基于MED-SK算法的行星变速箱故障特征提取》", 《 兵器装备工程学报》, pages 256 - 261 * |
陈丙炎: "《改进MOMEDA方法及其在...动轴承故障特征增强中的应用_改进MOMEDA方法及其在...动轴承故障特征增强中的应用》", 《机械强度》, vol. 43, no. 1, pages 1 - 8 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117609692A (zh) * | 2023-11-14 | 2024-02-27 | 中节能风力发电股份有限公司 | 一种风力发电机组齿轮箱平行级故障诊断方法及装置 |
CN117609692B (zh) * | 2023-11-14 | 2024-04-30 | 中节能风力发电股份有限公司 | 一种风力发电机组齿轮箱平行级故障诊断方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116304648B (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jiang et al. | A coarse-to-fine decomposing strategy of VMD for extraction of weak repetitive transients in fault diagnosis of rotating machines | |
CN110470475B (zh) | 一种航空发动机中介轴承早期微弱故障诊断方法 | |
Qin | A new family of model-based impulsive wavelets and their sparse representation for rolling bearing fault diagnosis | |
Li et al. | Application of bandwidth EMD and adaptive multiscale morphology analysis for incipient fault diagnosis of rolling bearings | |
Chen et al. | Optimal frequency band selection using blind and targeted features for spectral coherence-based bearing diagnostics: A comparative study | |
Wang et al. | A time–frequency-based maximum correlated kurtosis deconvolution approach for detecting bearing faults under variable speed conditions | |
Schmidt et al. | A methodology for identifying information rich frequency bands for diagnostics of mechanical components-of-interest under time-varying operating conditions | |
He et al. | Feature extraction of gear and bearing compound faults based on vibration signal sparse decomposition | |
Wang et al. | Sparse and low-rank decomposition of the time–frequency representation for bearing fault diagnosis under variable speed conditions | |
CN111896260B (zh) | NGAs同步优化小波滤波器与MCKD的轴承故障诊断方法 | |
Ding et al. | Sparsity-based algorithm for condition assessment of rotating machinery using internal encoder data | |
CN116304648B (zh) | 基于优化脉冲增强与包络同步平均的齿轮故障识别方法 | |
CN109063668B (zh) | 一种基于峰值保留降采样的冲击信号包络解调方法 | |
Lin et al. | A review and strategy for the diagnosis of speed-varying machinery | |
Wang et al. | Weak fault diagnosis of rolling bearing under variable speed condition using IEWT-based enhanced envelope order spectrum | |
CN108398260B (zh) | 基于混合概率方法的齿轮箱瞬时角速度的快速评估方法 | |
Wu et al. | A modified tacho-less order tracking method for the surveillance and diagnosis of machine under sharp speed variation | |
Zhao et al. | Rolling element bearing instantaneous rotational frequency estimation based on EMD soft-thresholding denoising and instantaneous fault characteristic frequency | |
Wang et al. | Tacholess order-tracking approach for wind turbine gearbox fault detection | |
Sun et al. | Application of a novel improved adaptive CYCBD method in gearbox compound fault diagnosis | |
Kestel et al. | Informed sparsity-based blind filtering in the presence of second-order cyclostationary noise | |
Zheng et al. | Zero-phase filter-based adaptive Fourier decomposition and its application to fault diagnosis of rolling bearing | |
CN111623968B (zh) | 一种基于自适应形态滤波的故障特征提取方法 | |
Xu et al. | Rolling bearing fault feature extraction via improved SSD and a singular-value energy autocorrelation coefficient spectrum | |
Chen et al. | A fault characteristics extraction method for rolling bearing with variable rotational speed using adaptive time-varying comb filtering and order tracking |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |