基于参数自适应VMD和MCKD的滚动轴承微弱故障特征提取

针对传输路径复杂和强噪声干扰条件下滚动轴承故障信号信噪比低、微弱故障特征难以提取的问题，提出一种将参数优化变分模态分解（Variational Mode Decomposition,VMD）与最大相关峭度解卷积（Maximum Correlated Kurtosis Deconvolution, MCKD）相结合的滚动轴承微弱故障特征提取方法。首先，利用经麻雀搜索算法（Sparrow Search Algorithm, SSA）优化的VMD对故障信号进行自适应分解，构建加权峭度指标以筛选有效模态分量；然后对有效模态分量利用经SSA优化后的MCKD进行增强；最后，对增强后的信号进行包络解调分析，提取出轴承故障特征频率。实验和工程实际案例分析表明，所提出的方法能够自适应增强轴承信号中的微弱冲击成分，有效提取出强噪声背景下的滚动轴承微弱故障特征。     

基于ITD与稀疏编码收缩的滚动轴承故障特征提取方法

针对滚动轴承早期故障信号具有周期性冲击的特点和被强噪声淹没而难以提取的问题,提出了一种基于固有时间尺度分解(Intrinsic Time Scale Decomposition,ITD)与稀疏编码收缩(Sparse Coding Shrinkage,SCS)集成的轴承故障特征提取方法(命名为ITD-SCS)。ITD能自适应地将振动信号分解成若干固有旋转分量(Proper Rotation,PR),选择有效的PR分量突显信号的冲击特征。进一步采用奇异值分解(Singular Value Decomposition,SVD)对每一有效PR实施滤噪作为SCS的前置滤噪单元以提高信号的稀疏性。最后,通过SCS利用极大似然估计方法提取合成信号中的冲击特征。将ITD-SCS应用于轴承内圈故障仿真信号和外圈实际故障振动信号的实验结果表明,ITD-SCS能有效提取强背景噪声下的轴承故障信号的冲击特征。     

基于循环谱相关的编码器信号滚动轴承故障检测EI北大核心CSCD

针对振动传感器安装受限的场合,结合编码器信号的优势,以编码器瞬时角速度(instantaneous angular speed, IAS)为信号,提出一种基于编码器IAS信号诊断特征(diagnostic feature, DF)指标的循环谱相关(cyclic spectral correlation, CSC)优化解调频带选取算法。首先利用向前差分法估计编码器信号获得轴承的IAS信号,并利用CSC得到IAS信号的双变量谱;然后按照初始子频带带宽为循环频率积分区间得到子频带改进包络谱(improved envelope spectrum, IES),并计算子频带IES的DF数值获得DF曲线;再通过评判DF数值合并子频带得到优化解调频带;最后利用包络分析提取滚动轴承故障特征阶次。通过仿真和轴承实测数据验证了所提方法的有效性。     

基于SSA-VMD-MCKD的强背景噪声环境下滚动轴承故障诊断EI北大核心CSCD

为在强背景噪声环境下有效提取滚动轴承微弱故障特征并准确诊断故障,提出奇异谱分析(singular spectrum analysis, SSA)、变分模态分解(variational mode decomposition, VMD)和最大相关峭度解卷积(maximum correlated kurtosis deconvolution, MCKD)结合的滚动轴承故障诊断方法。首先,利用SSA算法将故障信号分解,根据时域互相关准则对分解信号筛选重构;其次,利用鲸鱼优化算法(whale optimization algorithm, WOA)分别优化VMD的参数alpha,K以及MCKD的参数L和M,利用参数优化的VMD对重构信号进行分解,根据峭度指标从分解所得的本征模态函数(intrinsic mode function, IMF)中提取故障特征信号;再次,利用参数优化的MCKD算法增强故障特征;最后,通过频谱包络进行故障诊断。仿真和试验表明,所提方法能在强噪声干扰下有效提取并诊断轴承故障。     

组稀疏低秩矩阵估计的变转速滚动轴承故障特征提取EI北大核心CSCD

早期轴承故障特征的有效提取对于避免严重机械事故具有重要的意义。表征轴承故障的脉冲信号往往淹没在强背景噪声干扰中,并且轴承常常在变转速工况下运行,这使故障特征的提取较为困难。针对这一问题,提出一种用于变转速工况下滚动轴承故障特征提取的组稀疏低秩矩阵估计算法。首先,根据变转速工况下轴承故障脉冲信号的角度时间循环平稳特性,利用阶频谱相关(order-frequency spectral correlation, OFSC)将测量信号转换至阶频域中;其次,揭示了轴承故障脉冲在阶频域中的组稀疏性和低秩性,并据此构建一种凸优化问题来增强这两种特性,引入非凸罚函数来提高故障特征的稀疏性;再次,在交替方向乘子法(alternating direction method of multipliers, ADMM)和优化最小化(majorization-minimization, MM)框架下求解该凸优化问题,推导出组稀疏低秩(group sparse low-rank, GSLR)矩阵估计算法;最后,通过构建增强包络阶次谱(enhanced envelope order spectrum, EEOS)对求解得到的目标分量进行故障特征检测。仿真和试验信号的分析验证了该方法在故障特征提取中的有效性。     

基于ITD-SVD和MOMEDA的故障特征提取方法

为提高滚动轴承故障诊断的准确性,提出一种基于固有时间尺度分解(ITD)、奇异值分解(SVD)和多点最优最小熵反褶积(MOMEDA)相结合的故障特征提取方法。首先,采用ITD分解故障振动信号,并构建基于峭度和相关系数的组合权重指标筛选准则,从而完成分量信号的筛选与重构。其次,对其进行SVD滤波降噪。最后,利用MOMEDA提取降噪后信号中的周期性冲击成分,并通过Hilbert包络谱分析得到诊断结果。经过实验数据分析,结果表明所提出的方法不仅能滤除噪声干扰,增强故障特征信息,而且能准确提取出故障特征。     

基于ITD与ICA的滚动轴承故障特征提取方法

针对滚动轴承故障信号因受背景噪声、信号传递途径、轴承各部件间相互作用及其它能量较大振源信号干扰,限制传统方法提取故障特征信息的准确性问题,提出结合固有时间尺度分解(ITD)及独立分量分析(ICA)的信号分析方法,将单通道振动信号进行ITD分解,得到若干固有旋转分量及一个趋势项,基于互相关准则对分解信号进行重组作为ICA的输入矩阵,采用Fast ICA算法解混,实现故障特征信号与噪声信号分离,从而提取故障特征信息。通过滚动轴承故障诊断实验结果分析表明该方法有效可行,具有一定工程应用价值。     

一种用于滚动轴承故障诊断的脉冲增强提取方法

针对齿轮箱滚动轴承发生故障时,其故障脉冲被强烈干扰信号湮没而导致故障特征难以提取的难题,提出了基于脉冲增强提取的滚动轴承故障诊断方法。基于表征故障脉冲周期性的包络谱,构建了能指示振动信号中故障脉冲强度的脉冲提取算子（PEO）;考虑到微弱故障信号特征增强的需求,结合最小熵解卷积（MED）构造了脉冲增强提取算子指标（PEEO）,用于评价MED不同滤波长度对故障脉冲增强的效果;构建基于MED滤波长度、脉冲频率以及PEEO的三维滤波模型,利用三维滤波谱PEEO峰值定位MED最优滤波长度并指示脉冲增强信号特征频率,获取最优脉冲增强信号的同时实现齿轮箱滚动轴承故障特征的提取。仿真分析和实验验证结果表明,该方法可以有效增强轴承故障脉冲,并在最优脉冲增强信号PEEO幅值谱中呈现显著的轴承故障特征,实现了齿轮箱滚动轴承微弱故障的诊断,且与典型方法相比具有明显优势。     

基于最优品质因子信号共振稀疏分解的滚动轴承故障诊断

滚动轴承常常在复杂工况下工作,当滚动轴承出现局部故障时,其振动信号中除了与故障信息相关的周期性瞬态冲击成分外,还包含轴转频等谐波成分和背景噪声。因此,在滚动轴承故障早期,对滚动轴承振动信号直接进行包络解调分析往往效果不佳。针对上述问题,提出了基于最优品质因子信号共振稀疏分解的滚动轴承故障诊断方法。该方法首先以信号共振稀疏分解低共振分量的峭度最大为目标,利用遗传算法对信号共振稀疏分解方法的品质因子进行优化,得到最优品质因子;然后利用最优品质因子对轴承振动信号进行信号共振稀疏分解,得到高共振分量和低共振分量;最后对低共振分量进行希尔伯特解调分析,提取轴承故障特征频率,进而诊断滚动轴承故障。仿真信号和试验信号的分析结果表明,该方法能有效提取轴承故障振动信号中的冲击成分,诊断轴承故障。     

基于自相关与能量算子增强的滚动轴承微弱故障特征提取

针对滚动轴承(rolling element bearings, REBs)早期故障振动信号冲击成分微弱,受噪声影响故障特征难以提取,提出了基于自相关和Teager能量算子增强的滚动轴承微弱故障特征提取法。利用自相关计算和经验模态分解(empirical mode decomposition, EMD),分别实现轴承振动信号整个频带随机噪声和低频噪声的抑制,突出故障冲击周期。同时,提出基于内禀模态函数(intrinsic mode function, IMF)能量比加权的互相关系数-峭度指标用于筛选最优IMF进行信号重构,强化重构信号中的故障信息。对重构信号作用Teager能量算子(Teager energy operator, TEO),得到故障冲击特征增强的瞬时能量序列,通过功率谱分析提取轴承故障特征频率。内圈故障仿真信号和滚动体故障实测信号分析表明,该方法能够有效抑制轴承振动信号噪声,对早期故障的微弱特征有显著增强作用。     

基于最大相关谱峭度解卷积的滚动轴承故障周期冲击特征提取

滚动轴承广泛应用于重型旋转机械支撑和传送负载,经常工作在低速、重载等恶劣工况下,特别容易损坏,从而导致机械设备停运停产的事故,因此有必要提出一种基于最大相关谱峭度解卷积的滚动轴承故障周期冲击特征提取方法。该方法利用轴承运行过程中局部故障激发起的周期性冲击特征,通过最大化相关谱峭度选择最佳有限冲击响应滤波器参数;通过迭代卷积运算,消除振动信号中的噪声,提取出滚动轴承故障激发起的周期性冲击特征;依据冲击特征的周期判断轴承故障所在位置,从而实现轴承故障诊断。通过仿真和滚动轴承实验数据验证提出方法的可行性,并与广泛应用的集总经验模式分解方法提取结果进行对比,结果表明该文提出的方法在轴承故障诊断中展现出更好的优势。     

基于连续峭度优化的滚动轴承故障特征提取小波变换方法

为更有效提取滚动轴承早期故障中微弱冲击特征成分,提出基于连续峭度优化的小波变换故障特征提取方法。据连续峭度与小波能量相关程度,对原信号特征分量的小波系数及能量成分进行不同程度优化,强化故障信号中具有冲击特征的能量成分、削弱其它能量成分。通过优化的小波系数重构原信号特征分量,计算特征分量包络谱以提取冲击特征频率及相关倍频,实现对故障特征提取。通过仿真信号、实际轴承数据应用分析表明,该算法能强化冲击特征能量成分,能更有效提取早期故障中冲击特征。     

基于形态分量分析的滚动轴承故障诊断方法

在改进形态分量分析阈值去噪方法的基础上,提出了基于形态分量分析的滚动轴承故障诊断方法。形态分量分析根据信号中各组成成分的形态差异,构建不同的稀疏表示字典对各组成成分进行分离。当轴承出现局部损伤时,其振动信号往往由以包含轴承自身振动的谐振分量、包含轴承故障信息的冲击分量及随机噪声分量构成。谐振分量表现为信号中的平滑部分,而冲击分量则表现为信号中的细节部分,因此,可根据谐振分量与冲击分量的形态差异,实现二者的分离。本文方法利用形态分量分析对滚动轴承故障信号中的谐振分量、冲击分量和噪声分量进行分离,然后根据冲击分量中冲击之间的时间间隔诊断滚动轴承故障。算法仿真和应用实例表明,本文方法能有效地提取滚动轴承故障振动信号中的故障冲击成分。     

基于参数优化变分模态分解的滚动轴承故障特征提取方法

在滚动轴承早期故障阶段,代表轴承故障特征的冲击成分容易被较强的背景噪声淹没,针对这一问题提出相关峭度(Correlated Kurtosis,CK)优化变分模态分解(Variational Mode Decomposition,VMD)的滚动轴承故障特征提取方法。针对变分模态分解方法参数不确定问题,提出利用以相关峭度为适应度函数的蝗虫优化算法(Grasshopper Optimization Algorithm,GOA)对变分模态分解参数进行自适应选定。针对故障信号经优化变分模态分解处理后模态分量的筛选问题,以相关峭度为指标,挑选具有最大相关峭度指标的模态分量进行包络解调分析,提取轴承信号中的故障特征信息。仿真及实测信号处理结果证明,该方法能在强噪声背景下准确提取滚动轴承故障信号的微弱特征。     

局部均值分解在旋转机械复合故障诊断中的应用

针对旋转机械复合故障振动信号的非平稳特征,开展一种基于局部均值分解(local mean decomposition, LMD)的旋转机械复合故障诊断方法研究。该方法首先通过局部均值分解方法将振动信号分解为若干个PF分量(product function)和一个残余分量之和,然后通过计算各PF分量与原始复合故障信号的相关系数来确定包含故障特征信息的主要成分;最后针对主要成分中的低频分量进行频谱分析从而提取轴的故障特征。针对主要成分中的高频分量采用包络谱分析提取调制故障特征,即提取轴承故障特征。对齿轮箱的轴承、轴复合故障振动信号的分析结果表明了该方法的有效性和可行性。     

基于多特征提取和改进马田系统的滚动轴承故障分类方法研究

为提高旋转机械的使用效率,及时识别滚动轴承的潜在故障,提出一种基于多特征提取和改进马田系统(MTS)的故障分类方法。通过时域、频域和自适应白噪声的完备经验模态分解(CEEMDAN)提取多维特征,构建初始特征集。结合马田系统和有向非循环图(DAG)的特点,构建DAG-MTS多分类模型,并将其运用到轴承故障诊断中。利用滚动轴承故障数据测试该模型的有效性和实用性,结果表明,该模型能够准确识别出滚动轴承的故障。     

形态学滤波方法改进及其在滚动轴承故障特征提取中的应用

滚动轴承是旋转机械设备的重要部件,对滚动轴承的故障诊断研究具有重要的意义。滚动轴承故障会导致振动信号中出现冲击响应成分,可通过对冲击响应成分的周期的检测与提取,进行局部故障诊断。在分析形态学滤波方法的基础上,提出机构结构元素(SE)选择方法,并用于振动信号中冲击响应特征的提取。通过对仿真信号的处理验证了该方法的有效性,并将该方法用于轴承外圈、内圈局部故障状态下的特征的检测,结果表明该方法能有效提取周期性脉冲成分并抑制噪声。     

基于倒谱预白化和形态学自互补Top-Hat变换的滚动轴承故障特征提取

为了消除振动信号中离散频率分量和强背景噪声对提取滚动轴承故障特征频率的干扰,提出了一种新的基于倒谱编辑(Cepstrum Editing Procedure,CEP)预白化和形态学自互补Top-Hat变换的方法用于滚动轴承的故障特征提取。CEP能够去除故障振动信号中的周期性频率成分,剩余只包含背景噪声和碰撞损伤引起的非平稳冲击成分的白化信号,通过分析构造的形态学自互补Top-Hat变换滤波器,提出采用故障特征幅值能量比(Feature Amplitude Energy Radio,FAER)的方法自适应确定最优结构元素的尺度,预白化信号经过形态学滤波有效消除了背景噪声的干扰,提取了较为清晰的轴承故障特征频率。对实测轴承滚动体、内圈故障信号进行了分析,结果表明该方法可有效提取滚动轴承故障冲击成分并抑制噪声。     

基于形态滤波和稀疏分量分析的滚动轴承故障盲分离

为有效分离滚动轴承复合故障特征,提高故障诊断正确率,针对旋转机械调制故障信号非线性、强噪声干扰以及故障源信号未知的问题,提出一种基于形态滤波(Morphological Filtering, MF)和稀疏分量分析(Sparse Component Analysis, SCA)相结合的故障诊断方法。该方法首先对观测信号进行形态滤波提取信号中重要调制特征并使信号满足稀疏性要求,应用SCA分离滤波后的观测信号。在完备及欠定条件下对故障轴承加速度信号进行实验验证,分析结果表明该方法能够有效分离提取滚动轴承故障特征     

基于参数优化的MCKD的滚动轴承早期故障诊断

针对滚动轴承早期故障被淹没在噪声信号下特征信号微弱,故障特征难以提取的问题,将最大相关峭度解卷积(maximum correlated kurtosis deconvolution,MCKD)应用于滚动轴承早期故障诊断。并针对MCKD参数滤波器长度及移位数需人为选择的问题,提出一种基于参数优化的最大相关峭度解卷积的滚动轴承早期故障诊断方法。首先,针对轴承工作的实际工况讨论了最优移位数;然后,以经解卷积后信号的形态能量熵作为评价函数,利用网格搜索法对滤波器长度进行寻优;最后,利用参数优化后的MCKD算法增强信号中的冲击成分,通过包络谱判断轴承故障类型。实验表明,该方法可有效的增强轴承信号中微弱的故障特征成分,实现滚动轴承早期故障的诊断。