【正文】 關(guān)濾波，建議納入 瞬態(tài) 建模和參數(shù)辨識(shí)技術(shù) 用來(lái)對(duì) 旋轉(zhuǎn)機(jī)械故障特征檢測(cè)。用所提出的方法，可以從振動(dòng)信號(hào)中 確定 單一的瞬 變 和 瞬變周期 這兩個(gè)參數(shù)，可以基于 這兩個(gè) 參數(shù)，特別是 基于周期 檢測(cè)到 局部 的故障。第一，模擬信號(hào)用于測(cè)試所提出的方法的性能。然后該方法分別應(yīng) 用于 帶有局部故障的 不同類型 軸承 的軸承外圈、 內(nèi)圈和滾動(dòng)體的振動(dòng)信號(hào)，而所有結(jié)果都顯示 描述局部 故障特點(diǎn) 的 瞬變 周期被 成功檢測(cè)到。該 方法也 用于 變速箱故障診斷和通過(guò)識(shí)別瞬態(tài)模型和 周期這兩個(gè)參數(shù)進(jìn)行有效性驗(yàn)證 。此外，可以繪制 出 軸承故障檢測(cè)， 除了 變速箱故障檢測(cè) 適合雙側(cè)小波模型，單側(cè)小波模型比雙側(cè)小波模型更適合用這個(gè)方法 。這項(xiàng)研究 提出對(duì)于旋轉(zhuǎn)機(jī)械故障診斷的局部故障檢測(cè)通過(guò)瞬態(tài)建模和參數(shù)檢測(cè)是一種 有效的方法。 旋轉(zhuǎn)機(jī)械涵蓋范圍廣泛的機(jī)械設(shè)備，并在許多工業(yè)應(yīng)用中，如飛機(jī)發(fā)動(dòng)機(jī)、 傳動(dòng)系統(tǒng)、 電廠等具有重要作用。機(jī) 器 的大部分被 用在 軸承、 齒輪箱及其他旋轉(zhuǎn)的 部件這些 可以 導(dǎo)致機(jī)器 故障 。 這些故障可能會(huì)導(dǎo)致機(jī)器 癱瘓 ，造成重大經(jīng)濟(jì)損失甚至災(zāi)難性的人身傷亡。 因此 旋轉(zhuǎn)機(jī)械故障診斷的研究 在 過(guò)去幾十年 里 引起注意。瞬變或 瞬態(tài) 信號(hào)，特點(diǎn)是 在很短的時(shí)間和 很 寬的頻率范圍 上 包含 關(guān)于 系統(tǒng)動(dòng)力學(xué)研究 的 重要信息。例如，齒輪箱 生成的 振動(dòng)信號(hào)中 的瞬變 通常對(duì)應(yīng)于 局部故障 的軸承或輪齒，如 引起 剝落、 裂紋、 破損和斷裂。 因此，對(duì)于 機(jī)故障診斷程序通過(guò)分析在振動(dòng)信號(hào) 中的瞬變描述機(jī)器正常的特點(diǎn)是非常有用的。 為了提取或分析振動(dòng)信號(hào)的特征，尤其是瞬時(shí)的，在旋轉(zhuǎn)機(jī)器診斷文獻(xiàn)中不同的 技術(shù)已經(jīng)提出，如經(jīng)驗(yàn)?zāi)Ｊ椒纸? (EMD)、 獨(dú)立成分分析 (ICA)、 時(shí)間頻率表示（ TFR) 、小波變換、匹配追蹤 (MP) 等。 EMD，黃提出對(duì)于非線性和非平穩(wěn)作為一種自適應(yīng)分解技術(shù)，最近已擬定并廣泛應(yīng)用于旋轉(zhuǎn)機(jī)械故障診斷，如齒輪故障診斷，滾動(dòng)軸承故障診斷和轉(zhuǎn)子故障診斷。 EMD 分解成一組名為內(nèi)在模式功能 （國(guó)際貨幣基金組織） 的完整和幾乎正交組件的復(fù)雜的信號(hào)。但是，它仍然有一些缺點(diǎn)。當(dāng)談及計(jì)算瞬時(shí)頻率或在某些情況下，由于混合模式它可能揭示似是而非的特點(diǎn)，這一缺點(diǎn)使其在瞬態(tài)檢測(cè)和分析中的有效的應(yīng)用站不住腳。 ICA 被認(rèn)為是盲源分離最有效的工具，同時(shí)還被引入和應(yīng)用于振動(dòng)分析。 ICA可以被看作是一個(gè)主成分分析（ PCA）的延伸，旨在從沒(méi)有任何先驗(yàn)知識(shí)集觀察瞬時(shí)線性混合6 的混合系統(tǒng)中恢復(fù)源信號(hào)。 一些研究將 ICA應(yīng)用于提取振動(dòng)信號(hào)的特征和檢測(cè)瞬變。雖然 ICA 在模擬信號(hào)的盲分離中是有 效的，但是，由于復(fù)雜的原信號(hào)，并且信號(hào)在機(jī)械系統(tǒng)中的傳輸路徑是復(fù)雜多變的再加上噪聲污染，使得 ICA在機(jī)械故障診斷中的有效應(yīng)用仍處于發(fā)展初期。 TFR是最常用的方法，通過(guò)它可以在時(shí)間頻率二維平面中表示瞬態(tài)特征。例如，維格納 – 分布（ WVD）和改進(jìn)的維格納 – 分布已被用于故障診斷中分解振動(dòng)信號(hào)。毫無(wú)疑問(wèn)WVD 在時(shí)間 頻率坐標(biāo)系中很好的融合了。然而，這些方法本質(zhì)上是雙線性的，這些并存的交叉項(xiàng)目在分析結(jié)果中會(huì)干擾特征的解釋。 即使一些改進(jìn)的方法已提出，如 Choi– Willams 分布，錐形分布等，然而無(wú)一例外，伴隨著一 個(gè)缺點(diǎn)的消除總會(huì)有其他優(yōu)點(diǎn)消失。 例如，減少干擾項(xiàng)目將會(huì)帶來(lái)時(shí)間 頻率濃度的損失。小波變換，這實(shí)際上是一種時(shí)間– 頻率分析方法，在時(shí)間和頻率領(lǐng)域提供信號(hào)信息的同時(shí)，在將要被分析的信號(hào)和不同尺度參數(shù)下的基本小波之間進(jìn)行一系列的卷積運(yùn)算。 小波變換在機(jī)械故障診斷中的應(yīng)用已經(jīng)有十年歷史。當(dāng)檢測(cè)到信號(hào)瞬變時(shí)，通常采用正交小波變換和連續(xù)小波變換。正交小波變換和多分辨分析將信號(hào)分解成空間正交小波。 連續(xù)小波變換可以提供一個(gè)更精細(xì)的分辨率比正交小波變換。連續(xù)小波變換更適合機(jī)械故障信息的提取。追蹤匹配，選擇一個(gè)很好應(yīng)用于信號(hào) 的近似部分的迭代波形進(jìn)行貪婪算法在分析瞬變信號(hào)中是有效的；但是，計(jì)算成本過(guò)高限制了其工程應(yīng)用。 相關(guān)濾波，從追蹤匹配，推出基于拉普拉斯小波和通過(guò)計(jì)算最大相關(guān)性數(shù)值的應(yīng)用識(shí)別瞬態(tài)參數(shù)，包括測(cè)試氣動(dòng)和結(jié)構(gòu)顫振模態(tài)參數(shù)識(shí)別、 水輪發(fā)電機(jī)組軸系固有頻率識(shí)別和磨損故障診斷的進(jìn)水閥的內(nèi)燃機(jī)檢測(cè)位置和深度的轉(zhuǎn)子裂紋。 拉普拉斯小波相關(guān)濾波 （ LWCF）檢測(cè)單個(gè)瞬變是有效的，這在本質(zhì)上只使用于作為小波瞬態(tài)模型的拉普拉斯小波和通過(guò)相關(guān)濾波確定的參數(shù)。然而，在旋轉(zhuǎn)的構(gòu)件局部故障會(huì)導(dǎo)致周期性復(fù)雜瞬變，這可能與拉普拉斯小波不吻合，因此 LWCF不適合所有在局部故障場(chǎng)合的瞬變模型。 本文中，考慮到周期性復(fù)雜瞬變，我們提出了一種新的技術(shù)，作為 LWCF 的擴(kuò)展但不限于拉普拉斯小波，納入瞬態(tài)的旋轉(zhuǎn)機(jī)械故障診斷的建模和參數(shù)辨識(shí)。首先，建立瞬態(tài)模型模擬單一瞬變并且標(biāo)記模型的參數(shù)。然后識(shí)別的瞬態(tài)模型及參數(shù)用于構(gòu)造具有相同時(shí)間間隔和周期的階段性復(fù)雜瞬變模型。最后，顯示旋轉(zhuǎn)機(jī)械故障的周期參數(shù)被確定。所提出的方法，并不限于識(shí)別單一瞬變但延長(zhǎng)周期復(fù)雜小波和復(fù)雜瞬變。然后應(yīng)用在典型的機(jī)械部件的故障診斷中。本文的其余部分按下面的順序組織。 第 2 部分中介紹了關(guān)于 瞬變模型和參數(shù)辨識(shí)的基本理論背景。第 3部分通過(guò)仿真研究和分析，驗(yàn)證了所提出的方法。第 4部分講瞬態(tài)檢測(cè)方法在旋轉(zhuǎn)機(jī)械故障診斷中的應(yīng)用，例如滾動(dòng)軸承和齒輪等。最后，第 5部分得出的結(jié)論。