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。     

基于最大相关峭度解卷积的滚动轴承复合故障诊断方法

受环境噪声、传递路径、信号衰减以及源信号本身比较微弱的影响,滚动轴承早期微弱冲击性故障的信号特征难以提取。近年来,最小熵解卷积(Minimum Entropy Deconvolution,MED)已经成功应用在旋转机械故障检测中来提取振动冲击。MED方法的提取过程是一个迭代选择的过程,通过迭代选择一个有限脉冲响应使信号的熵最小,从而对信号进行滤波。但是该方法有一定的局限性:其对于单一冲击的信号解卷积效果良好,但是处理具有强噪声或者多个冲击源共同作用时的信号很困难。为了解决这个问题,提出新的解卷积方法:最大相关峭度解卷积(Maximum Correlated Kurtosis Deconvolution,MCKD),可有效利用滚动轴承故障周期性冲击的特点,其与MED相比,克服了单一冲击的限制,对两种冲击源甚至是多种共同卷积的解卷积具有更好的特征提取效果。仿真和实验对比验证了该方法具有良好的降噪和故障特征增强效果。     

利用参数自适应多点最优最小熵反褶积的行星轮轴承微弱故障特征提取

针对行星轮轴承故障振动信号受复杂传递路径、强背景噪声和齿轮振动干扰的影响,导致故障特征微弱难以提取的问题,提出一种参数自适应的多点最优最小熵反褶积(parameter adaptive multipoint optimal minimum entropy deconvolution adjusted,PA-MOMEDA)的行星轮轴承微弱故障诊断方法。为克服MOMEDA依赖人为经验选取主要影响参数的不足,建立多目标优化新指标,通过粒子群算法优良的寻优特性来自动确定最佳的影响参数,使用参数优化的MOMEDA对行星轮轴承故障信号进行最佳解卷积运算。针对MOMEDA解卷积信号存在严重边缘效应的问题,设计一种波形延伸策略对解卷积信号进行自适应补偿,提高了MOMEDA对微弱故障冲击特征的解卷积性能。对提升的解卷积信号进行包络解调处理,即可从其包络谱中提取到明显的故障特征频率。通过行星轮轴承故障仿真和工程实验数据分析表明,相比传统的MOMEDA方法、MCKD方法和快速谱峭度方法,该方法能成功地提取微弱的故障冲击特征且更加明显,提高了行星轮轴承故障诊断的准确性和鲁棒性。     

自适应UPEMD-MCKD轴承故障特征提取方法EI北大核心CSCD

为了准确提取强噪声背景下较微弱的轴承故障特征信息,结合均相经验模态分解(uniform phase empirical mode decomposition, UPEMD)和最大相关峭度解卷积方法(maximum correlated kurtosis deconvolution, MCKD)的优势,提出了一种自适应UPEMD-MCKD轴承故障特征提取方法。该方法将样本熵和峭度指标相结合构建最小熵峭比,采用遗传算法对最小熵峭比的最小值进行搜索,以确定移位数、滤波器长度和周期的最佳参数组合。经均相模态分解方法预处理的含噪信号通过相关性计算选取有效分量进行信号重构,重构信号借助最佳参数组合下的MCKD算法提取故障特征。内圈故障和外圈故障的实例分析表明,所提方法借助UPEMD的噪声抑制能力和最小熵峭比的参数组合寻优评价能力,能够从故障信号中有效的提取出微弱的故障特征。     

基于最小熵解卷积和Teager能量算子直升机滚动轴承复合故障诊断研究

为了解决强背景噪声环境下直升机滚动轴承故障信号微弱,故障特征难以提取的问题,提出一种基于最小熵解卷积(Minimum Entropy Deconvolution,MED)与Teager能量算子(Teager Energy Operator,TEO)的滚动轴承故障特征提取的新方法。根据滚动轴承故障信号表现为冲击波形的特点和MED降噪对冲击特征敏感的特性,采用MED对故障信号进行降噪处理,同时增强信号中的冲击成分;再结合TEO适合检测信号的瞬时变化,能有效提取故障信号冲击特征的特点,计算降噪信号的Teager能量信号,进行频谱分析提取滚动轴承的故障特征。通过对仿真信号和直升机滚动轴承混合故障信号进行分析,实验结果表明,该方法能有效提取强背景噪声环境中的微弱复合故障特征,具有一定的工程应用价值。     

基于增强自适应盲解卷积方法的齿轮故障诊断

针对最小熵解卷积(minimum entropy deconvolution, MED)在故障诊断中倾向于恢复少量伪主导冲击以及依赖经验选取滤波器长度的问题，提出了一种增强自适应盲解卷积方法。该方法设计一种非线性变换以增强滤波信号中的故障冲击特征，并将其融入滤波器系数的迭代求解中，从而解决MED因少量伪主导冲击造成峭度过大而无法有效恢复周期性故障冲击的问题。同时，所提方法提供一种可根据待分析信号自适应获得合适滤波参数的策略，进而克服传统依赖经验取值的不足。仿真信号与齿轮植入故障信号分析结果验证方法对于增强故障冲击及自适应选取滤波参数的有效性，实现周期性故障冲击的准确恢复。在列车齿轮故障诊断的工程实际案例中，所提方法准确诊断出齿轮传动系统中大齿轮的早期裂纹故障。与MED的对比研究，进一步表明所提方法在故障冲击增强与自适应恢复方面的优势。     

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。     

MCKD和RSSD在滚动轴承早期故障诊断中的应用

由于干扰噪声较强,共振稀疏分解在滚动轴承早期故障阶段并不能有效提取瞬态冲击成分。针对此问题提出基于最大相关峭度解卷积（Maxim Correlated Kurtosis Deconvolution,MCKD）和共振稀疏分解(Resonance Sparse Signal Decomposition,RSSD)相结合的故障特征提取方法。该方法首先利用MCKD对振动冲击信号进行处理,有效降噪并突出故障信号尖脉冲,然后使用共振稀疏分解将信号分解成包含谐波信号的高共振分量与包含瞬态冲击信号的低共振分量,最后利用包络功率谱根据低共振分量提取故障特征频率。通过仿真和试验验证了该方法可以准确提取故障特征频率,凸显故障特征。     

基于MOMEDA和增强倒频谱的风电机组齿轮箱多故障诊断方法

风电机组齿轮箱结构复杂,当齿轮、轴承存在多故障时,由于各故障强弱不同、故障间相互耦合及噪声干扰,造成故障诊断准确率低及漏诊问题。提出了一种基于多点最优最小熵解卷积(multipoint optimal minimum entropy deconvolution adjusted,MOMEDA)和增强倒频谱的风电机组齿轮箱多故障诊断方法。依据齿轮和轴承不同部位的故障特征频率设置合理的解卷积周期,利用MOMEDA对原始信号进行预处理;再通过增强倒频谱进一步抑制噪声干扰和增强故障特征;将增强倒频谱中的突出成分与齿轮箱故障特征频率对比,判断故障类型。实际风电机组齿轮箱多故障振动试验数据分析结果表明,该方法可以有效地提取出齿轮箱多故障特征信息。     

非线性量子信息熵及其在行星变速箱特征提取中应用

针对行星齿轮箱在运行时产生的非线性非平稳振动,且故障特征信号微弱等问题,将量子理论引入到信息熵的计算中,提出一种全新的特征提取方法-非线性量子信息熵。根据量子理论的基本概念,建立了振动信号的多量子位系统;分析了将量子理论引入到信息熵中的可行性,进而提出了非线性量子信息熵基本原理,并对行星齿轮箱三种运行状态振动仿真信号的非线性量子信息熵进行了分析,说明了量子信息熵作为行星齿轮箱特征的可行性;最后以行星变速箱故障试验台采集到的五种状态信号为例,计算其非线性量子信息熵,并与时频熵和样本熵计算结果对比。结果表明,非线性线性量子信息熵能够有效的提取行星变速箱运行状态特征。