基于信号共振稀疏分解和最大相关峭度解卷积的齿轮箱故障诊断

当齿轮箱内旋转零件发生故障时,其振动信号中的故障脉冲成分易被箱体中其他旋转部件的谐波信号和背景噪声所淹没,故障特征难以被有效提取。针对这一问题,提出了基于信号共振稀疏分解和最大相关峭度解卷积的故障诊断方法。该方法首先通过信号共振稀疏分解将信号中的低共振冲击成分从谐波分量和噪声中分离,然后对低共振分量进行最大相关峭度解卷积计算,进一步突出低共振分量中的周期脉冲成分,最后通过包络谱分析进行故障诊断。算法仿真、实验分析和工程应用结果表明,该方法能够有效提取强噪声信号中的周期性冲击成分,凸显故障特征,从而提供准确可靠的诊断结果。     

改进的共振稀疏分解方法及其在滚动轴承复合故障诊断中的应用

滚动轴承复合故障信号中各故障特征受到传输路径和其他干扰源的影响,在多缺陷共存条件下提取单个缺陷诱发的故障特征存在困难。提出一种基于双参数优化、子带重构改进的共振稀疏分解(RSSD)滚动轴承复合故障诊断方法：首先利用人工鱼群算法自适应选择RSSD的品质因子和分解层数以构造与故障特征匹配的最优小波基,获得包含瞬态冲击的低共振分量;然后依据提出的子带筛选准则选择并重构低共振分量中包含瞬态冲击成分的最佳子带;最后通过多点最优最小熵反卷积（MOMEDA）方法识别并提取重构信号中周期性故障冲击。仿真信号和轴承全寿命周期复合故障信号分析结果表明,与RSSD-MCKD方法相比,所提出方法能有效提取复合故障信号中各故障特征,精确实现轴承复合故障诊断。     

基于信号共振稀疏分解与包络谱的齿轮故障诊断

当齿轮出现断齿、裂纹等局部故障时,其振动信号会出现周期性冲击脉冲。在齿轮故障早期,由于冲击脉冲微弱,常淹没在齿轮的啮合频率、转频等谐波成分以及噪声中,因此,对于齿轮早期故障,直接对齿轮振动信号做包络谱分析以诊断齿轮局部故障通常效果不佳。针对这一问题,将信号共振稀疏分解方法与包络谱分析相结合,提出了基于信号共振稀疏分解与包络谱的齿轮故障诊断方法。该方法采用信号共振稀疏分解将冲击脉冲从齿轮振动信号中分离出来,然后对冲击脉冲做Hilbert包络分析,获取冲击脉冲出现的周期,进而对齿轮状态和故障进行识别。仿真算例和应用实例证明了该方法的有效性。     

基于自适应优化品质因子的共振稀疏分解方法及其在行星齿轮箱复合故障诊断中的应用

在共振稀疏分解方法中,品质因子决定其共振属性,其值的选择对共振稀疏分解结果有着很大的影响。现有的共振稀疏分解方法主要是依靠人为选择品质因子,带有较大的主观随意性,对最终诊断结果的提升非常有限。为此,基于遗传算法的全局优化性能,提出一种自适应优化品质因子的共振稀疏分解新方法。与已有方法相比,该方法利用遗传算法优良的寻优性能,优化共振稀疏分解中的品质因子,自适应地得到与输入信号故障特征相匹配的高低共振分量的品质因子。将所提出的新方法应用于某行星增速齿轮箱中行星齿轮与行星架轴承的复合故障诊断中,有效地提取出振动信号中相应的故障特征,实现了早期复合故障的准确诊断,表明了该方法的有效性和实用性。     

多共振分量融合CNN的行星齿轮箱故障诊断

针对行星齿轮箱中各部件所激起的振动成分混叠、早期故障特征经常被较强的各级齿轮谐波成分以及环境噪声所湮没的问题,提出一种多共振分量融合卷积神经网络(multi-resonance component fusion based convolutional neural network,简称MRCF-CNN)的行星齿轮箱故障诊断方法。首先,对振动信号进行共振稀疏分解,得到包含齿轮谐波成分的高共振分量和可能包含轴承故障冲击成分的低共振分量;其次,构建多共振分量融合卷积神经网络,将得到的高、低共振分量和原始振动信号进行自适应的特征级融合,通过有监督的方式训练模型并进行行星齿轮箱故障诊断。对行星齿轮箱实验数据的分析结果表明,该方法能够有效分类行星齿轮箱中滚动轴承和齿轮的故障,成功对行星齿轮箱故障进行诊断,同时能够进一步增强卷积神经网络对振动信号所蕴含的故障信息的辨识能力。     

多共振分量融合CNN的行星齿轮箱故障诊断

针对行星齿轮箱中各部件所激起的振动成分混叠、早期故障特征经常被较强的各级齿轮谐波成分以及环境噪声所湮没的问题，提出一种多共振分量融合卷积神经网络（multi-resonance component fusion based convolutional neural network，简称MRCF-CNN）的行星齿轮箱故障诊断方法。首先，对振动信号进行共振稀疏分解，得到包含齿轮谐波成分的高共振分量和可能包含轴承故障冲击成分的低共振分量；其次，构建多共振分量融合卷积神经网络，将得到的高、低共振分量和原始振动信号进行自适应的特征级融合，通过有监督的方式训练模型并进行行星齿轮箱故障诊断。对行星齿轮箱实验数据的分析结果表明，该方法能够有效分类行星齿轮箱中滚动轴承和齿轮的故障，成功对行星齿轮箱故障进行诊断，同时能够进一步增强卷积神经网络对振动信号所蕴含的故障信息的辨识能力。     

基于IHPS/ISPS滤波和Hilbert变换解调的齿轮断齿故障诊断

齿轮一旦发生断齿故障,就会产生周期性冲击,从而使啮合振动信号产生调制现象.有效提取调制信息,对于齿轮断齿故障的诊断至关重要.针对断齿故障特征信号被噪声淹没、滤波参数通常需要人为设定、断齿故障检出率低的问题,提出了一种改进的边带乘积谱算法(ISPS),以及基于IHPS/ISPS的自适应滤波与Hilbert变换解调相结合的齿轮断齿故障诊断方法.试验证明,该方法能有效分离被噪声淹没的故障特征信号,对于齿轮断齿故障的诊断,具有较大的应用价值.     

滚动轴承自适应特征提取的包络谱多点峭度多级降噪方法

滚动轴承故障信号主要包含高品质因子振动分量和低品质因子瞬态冲击分量。采用多点最优最小熵解卷积方法初步削弱传输路径等干扰影响,使微弱瞬态冲击成分得到初步增强,然后针对共振稀疏分解(RSSD)方法存在的品质因子选择困难问题,同时考虑包络谱中故障频率成分的严格周期性,提出包络谱多点峭度(ESMK)概念并将其作为优化指标,采用粒子群优化算法(PSO)对品质因子进行选择,得到一种自适应稀疏分解方法（PSO-RSSD）用于瞬态冲击信号的提取,以消除信号中高幅值干扰冲击和背景噪声的影响。轴承仿真与实测信号分析结果表明,与最小熵解卷积信号共振稀疏分解方法相比,在强冲击干扰下ESMK能够有效度量周期性瞬态冲击,PSO-RSSD方法能自适应分离最优低品质共振分量,验证了该方法的有效性和优越性。     

刀具磨损早期故障智能诊断研究

针对刀具的早期故障监测中因存在强烈的背景噪声而难以提取故障特征的问题,提出了基于二次采样随机共振消噪和B样条神经网络智能识别的故障诊断方法。首先利用在随机共振过程中,噪声增强振动信号的信噪比特性,将刀具振动信号进行随机共振输出,提取有效特征,再输入到B样条神经网络进行智能识别,进而获得刀具的磨损值。同时,为了得到与输入信号最佳匹配的随机共振参数,提出了基于遗传算法的多参数同步优化的自适应随机共振算法,克服了传统随机共振系统只实现单参数优化的缺点。实验结果表明,该方法能实现弱信号检测,能有效地应用于刀具磨损故障诊断中。     

基于信号共振稀疏分解的转子早期碰摩故障诊断方法

提出了基于信号共振稀疏分解的转子早期碰摩故障诊断方法,该方法用信号共振稀疏分解从转子系统振动信号中提取早期碰摩冲击信号。与常规的基于频带划分的信号分解方法不同,信号共振稀疏分解方法根据信号中各成分品质因子的不同,将信号分解成高共振分量和低共振分量。当转子出现早期碰摩故障时,振动信号由以转频及谐波为主要成分的周期信号、包含转子故障信息的瞬态冲击信号以及噪声组成。周期信号为窄带信号,具有高的品质因子,可分解为高共振分量;瞬态冲击信号为宽带信号,具有低的品质因子,可分解为低共振分量。利用信号共振稀疏分解方法从转子早期碰摩信号中提取冲击成分,根据冲击的周期可进行转子早期碰摩故障诊断。算法仿真和应用实例验证了该方法从转子系统中提取早期碰摩冲击信号的有效性。
     

A new adaptive cascaded stochastic resonance method for impact features extraction in gear fault diagnosis

Gearboxes are widely used in engineering machinery, but tough operation environments often make them subject to failure. And the emergence of periodic impact components is generally associated with gear failure in vibration analysis. However, effective extraction of weak impact features submerged in strong noise has remained a major challenge. Therefore, the paper presents a new adaptive cascaded stochastic resonance (SR) method for impact features extraction in gear fault diagnosis. Through the multi-filtered procession of cascaded SR, the weak impact features can be further enhanced to be more evident in the time domain. By analyzing the characteristics of non-dimensional index for impact signal detection, new measurement indexes are constructed, and can further promote the extraction capability of SR for impact features by combining the data segmentation algorithm via sliding window. Simulation and application have confirmed the effectiveness and superiority of the proposed method in gear fault diagnosis.     

Impact fault detection of gearbox based on variational mode decomposition and coupled underdamped stochastic resonance

In the gear fault diagnosis, the emergence of periodic impulse components in vibration signals is an important symptom of gear failure. However, heavy background noise makes it difficult to extract the weak periodic impulse features. Therefore, the paper presents an impact fault detection method of gearbox by combining variational mode decomposition (VMD) with coupled underdamped stochastic resonance (CUSR) to extract the periodic impulse features. First, the adaptive VMD is presented to decompose the vibration signal into several intrinsic mode functions (IMFs), which can automatically determine the appropriate mode number according to the correlation kurtosis (CK) of decomposition results and extract the sensitive IMF component containing the main fault information. Next, the adaptive CUSR method is developed to analyze the selected sensitive IMF component, and the optimal system parameters are obtained by the genetic algorithm using the CK index as optimization objective function. Finally, the periodic impulse features are extracted by the output signal of CUSR system accurately. Experiments and engineering application verify the effectiveness and superiority of the proposed adaptive VMD-CUSR method for extracting the periodic impulse features in gear fault diagnosis compared to other methods.     

随机共振降噪下的齿轮微弱故障特征提取

针对强背景噪声下的齿轮微弱故障特征提取问题,提出了一种将级联单稳随机共振与经验模式分解(EMD)-Teager能量算子解调方法相结合的特征提取方法。首先对含噪故障信号进行随机共振输出,降噪后再进行经验模式分解,分解得到具有不同特征时间尺度的固有模态函数(IMFs),最后通过Teager能量算子解调方法求取每个有效IMF分量的幅频信息,从而提取齿轮微弱故障特征。仿真分析和实际测试结果均表明,通过随机共振降噪后,该方法能有效检测出齿轮局部损伤故障特征频率。     

综合改进奇异谱分解和奇异值分解的齿轮故障特征提取方法

针对齿轮故障特征微弱，在强背景噪声下难以有效提取的问题，提出了一种改进奇异谱分解（ISSD）结合奇异值分解（SVD）的齿轮故障特征提取方法。针对奇异谱分解（SSD）算法中模态参数需凭经验选取的缺陷，基于散布熵优化算法对SSD算法进行了改进，在得到既定的一组奇异谱分量的基础上，根据峭度值最大准则筛选出了最佳奇异谱分量并进行了SVD处理，采用奇异值能量标准谱自适应地确定了信号重构阶数以还原信号和提高降噪效果。最后对信号进行包络解调以提取齿轮故障特征，将所提方法运用到仿真信号和齿轮实测信号中，并同传统包络谱、SSD包络谱以及经验模态分解结合SVD(EMD-SVD)方法进行了对比分析，结果表明，所提方法的降噪和特征提取效果更佳，能够更加有效地实现齿轮故障的判别。     

Weak feature enhancement in machinery fault diagnosis using empirical wavelet transform and an improved adaptive bistable stochastic resonance

Machinery vibration signal is a typical multi-component signal and fault features are often submerged by some interference components. To accurately extract fault features, a weak feature enhancement method based on empirical wavelet transform (EWT) and an improved adaptive bistable stochastic resonance (IABSR) is proposed. This method makes full use of the signal decomposition performance of EWT and the signal enhancement of the IABSR to achieve the purpose of fault feature enhancement in low frequency band of FFT spectrum. Firstly, EWT is used as the preprocessing program of bistable stochastic resonance (BSR) to decompose the machinery vibration signal into a set of sub-components. Then, the sensitive component that contains main fault information is further input into BSR system to enhance fault features with the assistance of residual noises. Finally, the fault features are identified from fast Fourier transform (FFT) spectrum of the BSR output. To achieve the optimal BSR output, the IABSR method based on salp swarm algorithm (SSA) is presented. Compared with the tradition adaptive BSR (ABSR), the IABSR optimizes not only the BSR system parameters but also the calculation step size. Two case studies on machinery fault diagnosis demonstrate the effectiveness and superiority of the proposed method. In addition, the proposed method is easy to implement and is robust to noise to some extent.     

基于广义S变换的齿轮箱轴承故障诊断方法

齿轮箱轴承故障冲击信号通常具有非平稳和非线性的特点,若在强背景信号与噪声中,更加难以识别和提取。鉴于广义S变换具有良好的自适应性和时频聚集性,提出了一种基于广义S变换的齿轮箱滚动轴承故障诊断方法。对广义S变换的时窗函数进行讨论,分析了不同参数对调节窗函数宽度的影响;讨论了不同程度的轴承故障在广义S变换时频谱图上的能量分布;通过仿真和实验验证了所提方法的可行性。结果表明,广义S变换方法能有效地反映不同轴承故障的特征频率,为齿轮箱的轴承故障诊断提供一种有效的方法。     

基于深度学习特征提取和粒子群支持向量机状态识别的齿轮智能故障诊断

针对齿轮故障诊断问题,利用数理统计特征提取方法、深度学习神经网络、粒子群算法和支持向量机等技术,提出了一种基于深度学习特征提取和粒子群支持向量机状态识别相结合的智能诊断模型。该模型利用深度学习自适应提取的频谱特征与数理统计方法提取的时域特征相结合组成联合特征向量,然后利用粒子群支持向量机对联合特征向量进行故障诊断。该模型在对多级齿轮传动系统试验台的故障诊断中实现了中速轴大齿轮不同故障类型的可靠识别,获得了满意的诊断结果。应用结果也验证了基于深度学习自适应提取频谱特征的有效性。     

用形态梯度法与非负矩阵分解的齿轮故障诊断

振动信号处理与特征参数提取是实现齿轮智能故障诊断的关键。提出采用形态梯度算法对齿轮振动信号进行处理,既可以抑制噪声又可充分突出故障信号的冲击特征,能够在强噪声背景下有效地提取振动信号中反映齿轮工作状态的有用分量;在此基础上提出采用非负矩阵分解的特征提取方法对信号进行压缩,计算用于齿轮故障诊断的特征参量。结果表明,与传统的信号处理与特征参量提取方法相比,笔者提出的方法能够具有更高的分类精度,为准确判断齿轮工作状态提供了一种行之有效的新方法。