信号分解在机械故障诊断中的应用

Stubborn

今天介绍一篇信号分解的综述文献，总共分类几个部分。

1、从时域、频域和时频域三个方面综述信号分解方法。

2、从轴承、齿轮和转子碰摩三个方面综述应用情况。

3、总结信号分解在故障诊断中的挑战。

一、算法层面

1、时域

1.1 迭代分解算法

EMD分解及其变形

1.2 模型优化

通过优化 算法将信号表示为一系列最优参数化波形的线性叠加形式，如匹配追踪、稀疏时频分析方法等。

2、频域

法通过滤波器在频域分离这些信号分量。

EWT算法

VMD算法

基于广义解调的信号分解方法

3、时频域

时频分析方法能够将一维时域信号映射到二维 时频域，从而得到信号的时间-频率联合分布函数 (简称时频分布)。

①利用时频变换得到信号的 时频分布；②确定目标信号分量所在的时频区域并 将该区域之外的时频分布系数置零(即时频滤波)；③对处理之后的时频分布进行逆变换，从而重构目标信号分量。

同步 压缩变换(Synchrosqueezing transform，SST)是一种典型的利用时频变换可逆性实现信号分解的方法。

算法总结如下表

二、应用层面

1、轴承

轴承是旋转机械设备的一种关键部件。据有关资料显示，在旋转机械故障中，有 30%的故障是由滚动轴承失效引起的。

2、齿轮

齿轮是机械传动系统的关键部件。国内外学者围绕齿轮故障诊断开展了大量研究工作。现有研究大多通过检测振动信号频谱中的齿轮特征频率来识 别故障。相比于轴承，齿轮的结构和运动形式更加复杂，其频谱成分异常复杂。

3、转子碰摩故障

转子是旋转机械的关键部件。转子与定子碰摩 是旋转机械的一种常见故障类型。当转子和定子发生周期碰摩时，系统振动响应会出现周期调幅或周 期脉冲特征。但是，对于早期碰摩故障，上述故障特征十分轻微，极易被噪声和无关信号成分淹没。

三、挑战

1、分解结果的稀疏性问题，大多数分解方法(如 EMD)得到的信号分量的数目通常大于实际关注的特征分量的数目。

2、紧邻信号分量的分离问题，机械振动信号异常复杂，会出现某些重要特征 分量的频率间隔很近的情况，如齿轮啮合频率及其 边频带分量，准确识别和分离这类紧邻分量对机械 故障诊断至关重要。

3、微弱信号分量的提取问题，在机械设备发生故障的初期，由于故障十分轻 微，振动信号中的故障特征分量相对微弱，极易被 噪声和其他无关信号成分淹没。

4、强时变调频信号的表征问题，在大幅度变速工况下，旋转机械的振动信号通 常会呈现出强时变的非线性调频特征。