下载文档原格式
Hilbert解调与倒阶次谱的变工况齿轮特征提取邹新光;崔彦平;乔智利;王博磊【摘要】为了对变工况齿轮信号进行特征提取,对变工况齿轮故障特征进行了研究,采用Hilbert解调的方法对变工况齿轮角域信号进行解调,但Hilbert解调在处理变工况齿轮角域信号时有局限性,所以采用Hilbert解调与倒阶次谱相结合的方法对变工况齿轮角域信号进行诊断研究.首先,分析了角域信号的组成成分以及齿轮角域信号的故障特征;其次,对Hilbert解调和倒阶次谱进行了分析;再次,对Hilbert解调的局限性以及改进方法进行了分析;最后,通过实验仿真与验证说明了Hilbert解调与倒阶次谱相结合的方法对角域信号特征提取的有效性.【期刊名称】《机械设计与制造》【年(卷),期】2016(000)011【总页数】5页(P38-41,45)【关键词】角域;Hilbert;倒阶次谱;解调;变工况;特征提取【作者】邹新光;崔彦平;乔智利;王博磊【作者单位】河北科技大学机械工程学院,河北石家庄050018;河北科技大学机械工程学院,河北石家庄050018;河北科技大学机械工程学院,河北石家庄050018;河北科技大学机械工程学院,河北石家庄050018【正文语种】中文【中图分类】TH16;TH17齿轮运行中断齿、点蚀、磨损等故障是齿轮常见的故障，这些故障不仅会使齿轮信号的一些成分幅值增大，也会出现转速轴的调制信息，所以从被调制的齿轮故障信号中提取出故障的特征，确定故障发生所在轴，是齿轮箱故障诊断的关键。
由于变工况齿轮时域信号比较复杂，传统的分析方法提取出故障信息会有一些困难，所以针对变工况齿轮故障特征提取问题，首先需要对变工况齿轮时域信号进行阶次分析获取准平稳的角域信号，然后对角域信号进行特征提取。
对角域信号进行故障特征提取，需要首先确定齿轮故障发生在某一个轴上，然后再确定轴上的齿轮故障。
因而需要解调出故障所在轴。
目前常用的特征提取方法包括周期相加平均分析、频谱分析、倒谱分析、Hilbert解调分析[1]等，但针对变工况齿轮信号这些方法都存在一定的局限性，如利用Hilbert解调方法在处理相加信号时，阶次谱图会出现一些其他成分干扰[2]。
基于奇异值分解的掘进机振动信号特征量提取佚名【摘要】针对掘进机动载荷识别难度大的问题,提出了基于奇异值分解的掘进机振动信号特征量提取方法.对采集的振动信号进行小波包分解,重构底层各频带节点系数,进而构造时频矩阵;对该矩阵进行奇异值分解,并基于Fisher判据,利用基于散度矩阵的类可分性准则,选择对不同截割岩壁硬度较为敏感的奇异值作为振动信号的特征量,并利用散度矩阵准则值来解决无法定量衡量各阶奇异值对截割硬度敏感程度的问题.与小波包频带能量法提取的特征向量进行比较,结果表明,对于掘进机水平截割、垂直截割和纵向钻进3种工况下的振动信号,基于奇异值分解法提取的特征向量都具有更好的类可分性.【期刊名称】《工矿自动化》【年(卷),期】2019(045)001【总页数】7页(P28-34)【关键词】掘进机;动载荷识别;振动信号;特征量提取;奇异值分解;时频矩阵;小波包分解;散度矩阵准则值;截割硬度敏感程度【正文语种】中文【中图分类】TD421.50 引言岩巷掘进机因具有炮掘无法比拟的优点而逐渐成为我国煤矿巷道掘进的主要设备[1]，但由于其作业环境复杂恶劣，司机无法根据截割状态实时调整掘进机截割速度，有可能导致截齿损坏，因此提高掘进机的自动化、智能化水平成为国内外采煤行业追求的目标[2]。
截割头动载荷识别是实现掘进机自动控制的关键技术之一，而载荷的变化会引起截割头振动的变化，对振动信号进行分析可以实现掘进机动载荷的识别[3]。
近年来，掘进机截割头载荷识别方法得到长足的发展，具有较高时频分辨率的小波包分解被引入到掘进机振动信号处理中。
文献[3]提出的掘进机振动信号的去噪方法取得了较好的去噪效果，但未提取振动信号特征量；文献[4]和文献[5]提取小波包频带能量作为信号的特征量，但只考虑了不同频带的能量分布，未对每个频带内信号的时域信息进行描述，实际上弱化了小波包的时频分析能力。
奇异值分解具有良好的稳定性，当矩阵有微小变化时，对其奇异值的影响很小，即信号中的干扰不会引起奇异值的较大变化。
齿轮故障诊断的几种具体方法，经验总结齿轮在运行中如果发生故障就会影响到真个设备的运行状态,要如何来发现和诊断齿轮故障呢?有四种方法——时域平均法、边频带分析、倒频谱分析、Hilbert解调法，下面我们就来了解一下。
这是齿轮时域故障诊断的一种有效的分析方法。
该方法能从混有干扰噪声的信号中提取出周期性的信号。
因为随机信号的不相关性，经多次叠加平均后便趋于零，而其中确定的周期分量仍被保留下来。
时域平均法要拾取两个信号：一个是齿轮箱的加速度信号，另一个是转轴回转一个周期的时标信号。
时标信号就经过扩展或压缩运算，使原来的周期T转换为T’，相当于被检齿轮转过一整转的周期。
这时加速度测过来的信号以周期T’截断叠加，然后进行平均。
这种平均过程实质上是在所摄取的原始信号中消除其他噪声的干扰，提取有效信号的过程。
最后，再经过光滑滤波，得到被检齿轮的有效信号。
边频带成分包含有丰富的齿轮故障信息，要提取边频带信息，在频谱分析时必须有足够高的频率分辨率。
当边频带谱线的间隔小于频率分辨率时，或谱线间隔不均匀，都会阻碍边频带分析，必要时应对感兴趣的频段进行频率细化分析（ZOOM分析），以准确测定边频带间隔。
由于边频带具有不稳定性，在实际工作环境中，尤其是几种故障并存时，边频带错综复杂，其变化规律难以用具体情况描述，但边频带的总体水平是随着故障的出现而上升的。
对于有数对齿轮啮合的齿轮箱振动的频谱图中，由于每对齿轮啮合时都将产生边频带，几个边频带交叉分布在一起，仅进行频率细化分析识别边频特征是不够的，如偏心齿轮，除了影响载荷的稳定性而导致调频振动以外，实际上还会造成不同程度的转矩的波动，同时产生调频现象，结果出现不对称的边频带，这时要对它进行分析研究，最好的方法是使用倒频谱分析。
倒频谱分析将功率谱中的谐波族变换为到频谱图中的单根谱线，其位置代表功率谱中相应谐波族（边频带）的频率间隔，可以检测出功率谱图中难以辨别的周期性，从而便于分析故障。
时域同步平均技术
时域同步平均（Time Synchronous Averaging, TSA）是一种用于信号处理和分析的技术，特别是在机械设备的状态监测和故障诊断领域中广泛应用。
该技术主要用于从包含大量噪声或随机干扰的振动信号中提取出周期性或准周期性的有用信息。
在机械设备如旋转机械（如电动机、发电机、风扇、齿轮箱、直升机主减速器等）的振动信号分析中，由于其运行时的振动往往具有与转速相关的周期性特征，原始采集的振动信号会混合有各种噪声和不稳定因素。
时域同步平均技术正是利用这种周期性，通过选择适当的参考点（通常是机器的转动频率或其倍频），将多个连续工作周期内的振动信号片段按照相同的相位关系对齐，并进行平均运算，从而有效地抑制随机噪声和非周期性干扰，增强周期性故障特征信号，提高信噪比。
具体步骤包括：
1. 根据被测设备的转速或特征频率，确定信号采样的同步点。
2. 将多次测量或者长时间内获取的同一类型振动信号分割成多个与旋转周期相对应的时间窗口。
3. 对每个窗口内的信号值进行平均计算。
4. 得到的同步平均后的信号能够清晰地显示原本淹没在噪声中的周期性振动成分，便于进一步识别和诊断潜在的机械故障。
这种方法对于诸如不平衡、不对中、滚动轴承缺陷等导致的周期性振动响应尤其有效，可以帮助工程师精确识别和定位机械设备中的早期故障，从而实现预测性维护和提高设备运行的安全性和可靠性。
机械系统的信号处理与特征提取在现代工业中，机械系统的信号处理与特征提取是十分重要的一个领域。
机械系统的信号处理是指对机械系统所产生的信号进行处理与分析，以获取其中蕴含的有用信息。
而特征提取则是对信号进行转化与提取，以便更好地理解和预测机械系统的行为。
一、信号处理的基本原理机械系统的信号处理基于信号的一些基本原理，其中最重要的是信号的频域分析与时域分析。
在频域分析中，我们可以通过傅里叶变换将信号从时域转换为频域，从而观察到信号的频谱分布，进而分析信号中的频率成分。
而时域分析则是观察信号在时间上的变化，可以通过时域分析来获得信号的幅值、相位等信息。
二、信号处理在故障检测中的应用机械系统的故障检测是机械工程领域中的一个重要方向。
通过对机械系统信号的处理与分析，可以实现对故障的检测与诊断。
例如，在一个齿轮传动系统中，当齿轮存在缺陷时，会导致高频振动信号的出现。
通过对振动信号的频域分析，可以发现其频谱中的特殊频率成分，从而判断该齿轮是否存在故障。
三、特征提取的方法与技术特征提取是信号处理中的一个重要环节。
它可以将信号中的有用信息提取出来，并将其转化为易于分析和理解的特征。
常用的特征提取方法包括时域特征和频域特征。
时域特征可以通过统计分析来获得，例如均值、方差、峰值等。
频域特征则可以通过傅里叶变换等方法得到，例如主频、频率谱等。
四、机械系统故障预测与维护除了故障检测外，信号处理与特征提取还可以应用于机械系统的故障预测与维护。
通过对机械系统信号进行长期的监测与分析，可以获得系统运行状态的演变规律，从而提前预测故障的发生。
同时，在系统故障发生后，通过对信号的处理与特征提取，可以为故障诊断和维护提供有力的支持。
五、机械系统信号处理的挑战与前景机械系统的信号处理与特征提取虽然在工业领域已经取得了许多成果，但仍然面临着一些挑战。
首先，机械系统产生的信号通常是复杂且噪声较多的。
因此，信号处理算法需要具备很好的抗干扰能力。
振动信号的处理方法
振动信号的处理方法包括以下几种：
1. 时域分析：对振动信号进行时间上的分析，例如计算振动信号的均值、方差、峰峰值等。
2. 频域分析：将振动信号转换为频域上的能量分布，常用的方法有傅里叶变换、小波变换等。
3. 统计分析：通过统计学方法对振动信号进行分析，例如计算振动信号的自相关系数、互相关系数等。
4. 谱分析：根据振动信号的功率谱密度分布，对其频域特性进行分析，常用的方法有功率谱密度函数、自相关函数、自谱和互谱等。
5. 模态分析：通过模态分析方法，对振动信号的主要模态和频率进行识别和分析，可以了解结构的固有特性和振动形态。
6. 故障诊断：通过振动信号的特征参数提取和比较，对机械设备的故障进行诊断，并提出相应的维修措施。
以上方法可根据具体情况和要求进行选择和组合，用于振动信号的处理和分析。
时频分析方法在齿轮箱故障特征提取中的研究应用的开题报告题目：时频分析方法在齿轮箱故障特征提取中的研究应用一、选题背景随着机械设备的广泛应用，如何保障其安全运行，保证其长期有效使用的问题越来越受到重视。
此外，齿轮箱作为机械传动的重要部件，在使用过程中容易出现故障。
因此，如何有效地监测和诊断齿轮箱故障问题具有重要的实际应用价值。
其中，齿轮箱故障的特征提取是故障诊断中的重要环节。
时频分析方法作为一种有效的信号处理方法，能够提取信号中的时域和频域信息，对齿轮箱故障诊断具有重要的应用价值。
二、研究内容本课题旨在研究时频分析方法在齿轮箱故障特征提取中的研究应用，具体研究内容包括以下几个方面：1. 齿轮箱故障特征分析对齿轮箱故障特征进行分析，了解故障产生的原因和信号特征，为后续的时频分析提供基础理论支撑。
2. 时频分析方法研究介绍和研究常见的时频分析方法，如小波变换、时频分析等，深入探究其特点和应用范围。
3. 信号预处理针对齿轮箱故障信号的特征，对其进行预处理，如降噪、滤波等，优化信号的质量。
4. 齿轮箱故障特征提取运用时频分析方法对齿轮箱故障信号进行分析，提取其中的故障特征。
5. 验证实验对提取到的故障特征进行实验验证，并进行分析和比较，该部分主要是对结果进行信息分析，以验证特征提取的有效性。
三、研究意义通过时频分析方法的应用，能够提高故障特征提取的准确性和效率，为齿轮箱故障监测和诊断提供了可靠的手段。
同时，通过对齿轮箱故障信号特征分析和提取，也对齿轮箱的设计和加工提供了有价值的参考。
四、研究难点1. 齿轮箱故障信号包含的信息很多，涵盖的频域和时域范围较广，需要运用多种时频分析方法进行处理。
2. 时频分析方法需要高水平的数学、信号处理等基础，要求研究者具备较强的理论基础。
3. 对于齿轮箱故障信号的预处理和特征提取方法需要进一步探讨，对操作和技术要求较高。
五、研究方法本课题主要采用实验和理论相结合的研究方法，具体包括信息理论、基础数学理论、实验分析等方法。
2010年第三届国际会议图像和信号处理（CISP2010） 齿轮箱振动信号特征提取的一种新方法 彭立，何清波，孔繁嚷 (精密机械与精密仪器系 中国科技大学）
摘要：本文基于小波分析提出一种对于齿轮箱振动信号特征提取的新方法，并进行了研究！变速箱振动信号和1 / f过程的信号之间的功率谱相似，使基于小波变换的变速箱故障诊断的分形分析变得自然。那么对这种方法的原理进行了讨论。为了验证这一方法的可行性和实用性，进行了实验基础上的汽车变速器。箱体表面上附着的加速度传感器所收集的不同工作阶段的振动信号。然后预处理后，这些振动信号在不同小波尺度分解10个详细的信号通过离散小波变换与Dubieties小波。然后对3至7尺度的细节系数的差异进行了计算和加速度信号的分形特征，估计从斜坡的详细系数方差进展。时间窗口试验的结果表明，这些分形特征有显着不同的变速箱不同的工作阶段，并表现出较高的重复性，这表明，本文提出的方法提取的分型特征是说服和基于小波变换分形分析分类齿轮箱的振动信号有效。
关键词：特征提取，变速箱，振动，小波变换 1.导言 变速箱是在工业应用中最重要的设备之一。一个变速箱的意外故障可能导致人身伤亡和重大经济损失。在许多情况下，精度的仪器和设备是高度依赖于所使用的变速箱的动态性能。因此，变速箱的状态监测和故障诊断成为宝贵的系统维护和过程自动化，通常这些情况有必要制定，实施和部署在线诊断监测系统是独立经营的条件。齿轮典型故障包括腐蚀和更严重的打击[1]。许多功能生成方法已经被提出，如短时傅立叶变换（STFT），时间尺度小波分解[2，3]，累积频谱等。结合信号检测与识别方法的故障诊断系统，可以实现多种故障的自动识别和正确的诊断。被认为是各种信号，如声音，图像和振动状态监测与故障诊断。通常用于齿轮箱状态监测振动信号，因为它很容易聚集，并有高的相关性与变速箱的工作条件。 变速箱振动产生的噪音会降低产品质量。重型齿轮箱振动甚至可以导致整个系统的异常运行，造成系统停机和客户的经济损失。因此，适当的变速箱振动监测在尽量减少维修停机时间是极具成本效益，同时通过提供预先警告和交货时间进而准备适当的纠正措施，并确保该制度不恶化到一个需要采取紧急行动的条件[8]。因此，重要的是要把齿轮箱振动诊断纳入计划的电机系统的故障诊断。较早的方法进行振动信号分析，概率分析，频率分析，时域分析和有限元分析[9，10，11，12]。振动信号的特点，是众所周知的，更容易被发现，而不是在时域频域。频率分析技术涉及的频率振动信号分析和进一步处理所产生的频谱，以获得诊断明确界定信息，如高频冲击脉冲。最近的时频分析方法变得越来越受欢迎。 齿轮箱的振动信号通常是嘈杂。因此，它是很难找到一个潜在的故障在变速箱的早期症状。一个显着的变速箱诊断的最新发展是时频分析中的应用。它能够揭示在整个频率范围内的信号随时间变化的频谱，因此可以在很大程度上克服传统技术的弊端。小波变换是一个功能强大的时频分析工具，披露在信号瞬态信息。最近，小波分析方法的应用范围从振动信号，声音信号在机械故障诊断和状态监测等领域迅速增加。具体来说，它已成为一个强大的光谱特性随时间变化的替代品的，因为广泛使用的频谱分析方法提供所观察到的频率成分的本地化信号的频率内容的非平稳信号的分析。这是因为这些信号的统计特性，大部分都是非平稳振动信号分析中非常重要的。因此，在实践中，小波变换方法对振动信号高频率的密切合作是短暂的，持续时间长的密切频率位于元件间距元件组的分析时间是适当的。本文所设计的功能，通过提取方法选择时频信号分析技术，分析振动信号的分形特征的离散小波变换。 分形分析的分形数据的建模。它由一个信号，数据集或对象，这可能是声音，图像，分子，网络或其他数据到指定的分形特征的方法。目前分形分析广泛使用在科学的所有领域。分形维数是一个非平稳信号的良好指标，它有不同的定义。变速箱的加速度信号代表复杂的图案，非固定的复杂的信号可以通过一些分形特征量化[13]。 据统计，牙齿断裂是最严重的变速箱故障。因此，我们的实验中关注的汽车变速器疲劳试验四个阶段，包括检测正常，轻微磨损，严重磨损及牙坏了。预处理后，变速箱的四个工作阶段的振动信号是离散小波变换的分析。信号分解为十个使用Dubieties的水平小波的阶数N= 12。然后进行了分形分析估算数据定义的分形特征。最后，反复试验结果表明，该方法是稳定和有效的，这表明，这种新的变速箱特征提取方法能起到良好的性能，具有很大的应用价值。 本文组织如下：第一节的背景介绍；第二节中，基于小波变换的功能估计的 原则进行了探讨；在第三节中，所提出的方法用于分析振动信号从汽车变速器到时间窗口试验的疲劳试验研究，第四节讨论。 2．原理 A.小波变换 小波变换，特别是小波函数的线性组合称为数据包。离散小波变换使用一组基函数分解成详细的信号，近似信号的D 2 j和原始信号的A2 j。他们形成一个正交基的平滑度和其相应的小波时频局部化特性，可以保留。小波变换系统的设计中有两个基本功能。第一个是缩放功能，这就是所谓的基本舒张功能。第二个是主要的小波函数。一个信号x（n）的离散小波变换的定义在下面的公式：
（1）
其中，e，j是规模扩张指数和K代表时间的指数。 j是分解水平的深度和*表示复共轭。小波和尺度函数的定义如下：
这里，J控制扩张或压缩函数和小波函数。缩放函数φJ，K（N）和小波函数ψj K（N），分别为低通和带通滤波器傅里叶变换的基本属性 [14]。 以较低的分辨率的信号A2 J（N）代表平滑A2 J 1（K）。D 2 J（n）的详细信号A2 J（n）的近似信号和A2 J 1（K）之间的差异。近似的信号A2 J（n）和D 2 J（N）的详细信号被替换，由下面的公式：
其中h和g代表分别与尺度函数和小波函数，离散低通和高通滤波器系数 [15]。 B.基于小波变换的特征估计 分形是由曼德尔布罗特首次提出，现在的分形分析成为一个重要的工具来分析非平稳信号。在这一理论中，分形信号的不规则性可以衡量非整数之间的一到两个（越光滑的曲线，更接近一）的分形维数。机械振动信号是典型的已被许多研究探讨的非线性的分形特征。虽然这些振动信号通常是不严格的1 / f过程或分形布朗运动，它们之间存在着一些相似的字符。几乎集中在低频部分能量的1 / f过程时，变速箱的振动信号的能量集中在中高频率。变速箱振动信号的功率谱按频率分为两个部分，低频部分的功率谱是令人满意的：
ω0是中间频率的功率谱达到峰值。与此相对应的1 / f过程一般定义[4]的过程，其经验功率谱的形式：
因此，它通常是方便的1 / f过程的概念扩展到1/ F广义功率谱界根据定义的流程：
其中k1和k2满足0 分比偏差，表现出标称的1/ f特性，因此，有效地保留尺度不变性和长期依赖的特性，通常是1 / f现象[4，5，7]。功率谱的1 / f过程和变速箱振动信号之间的相似性使人们有可能使用基于小波变换的分形分析来估计变速箱的工作条件。 小波分解后，一维小波变换的分形维数可以估算为D =2 H。细节信号D2 J差异可以作为[4]估计：
其中j代表的规模，β代表斜坡 δ是衡量尺度方差进展，代表原始信号的方差。 细节信号在尺度j的方差为[4,7]：
其中Mj是在尺度j的平均细节信号和Nj 代表在样本的每个细节信号的尺度 j。 β已经提出了有关的参数H，这显示其统计自相似性财产高=（β-1）/ 2。对于一维信号，H是直接相关的分形维数D为：D =2 H，它呈现出复杂的信号。很大程度上启发Mandelbrot和Van Ness，探讨这些研究中的自相似性和远距离依赖的1 / f
过程的文学主体已经演变。模仿这种想法，我们探索了类似的分形特征在齿轮箱振动，估计从斜坡的详细系数方差进展。 三．实验 调查所提出的基于小波变换的健康退化监测的齿轮箱振动信号分形分析方法的有效性，我们的实验中涉及的汽车变速器疲劳试验，变速箱的结构如图1，5前进档和一个落后的速度可以加载。当它与第三速变速箱加载，变速箱外壳上安装加速度计的振动信号不断被收集，转速为1600转/分和相应的啮合频率的第三个高速计算为500赫兹。
图1安装汽车变速器 在运行周期为10的时候，传动齿轮齿被打破。由于没有明显发生故障，直到牙齿被打破，考虑1~9循环周期对应一个完整的穿着过程中，它是合理的，对应于一个完整的穿着过程中，其中1周期对应在磨合阶段，周期2到4对应的正常穿着阶段和周期5至8对应轻微磨损阶段和周期9对应到最终的运行阶段。表一列出了测试时间和变速箱的状况之间的关系。第三速度的工作参数列于表二。 这是有挑战性的，因为从变速箱的振动信号是复杂的诊断工程。他们通常代表从许多不同的来源和功能部件的振动隐藏着许多不相关的组件之间的。为了有效地诊断出变速箱故障，最重要的是从原来的复杂信号隔离功能组件。基于小波变换的分形分析的优势之一是它收集的特点是始终与整个信号，这使得这种方法在实践中不断。这里基于小波变换的分形过程进行了MATLAB7.1和实现信号的分形维数。在本文中，加速度信号被分解为十个使用Dubieties小波阶数 N= 12的水平。这个阶N2 N-14[14]，确定支撑长度的小波函数ψ和尺度函数φ。小波函数ψ的消失矩的数目为N。图2显示了原始信号的小波分解后的结果的一组信号。我们分解成十级的信号，因为更广泛的频率范围内能够使用的分形维数估计。在这项研究中，被选定为3至7尺度最小二乘逼近的数据源。图3和图4显示了这个过程的结果。
