瞬态成分Laplace小波稀疏表示及其轴承故障特征提取应用

机械系统中轴承局部故障会导致振动信号中出现瞬态冲击响应成分,可通过对瞬态成分的分析与提取实现故障特征的提取。稀疏表示是强背景噪声下微弱特征提取的有效方法之一,在信号稀疏表示理论的基础上,针对冲击响应信号的特点,提出其在Laplace小波基底下的稀疏表示,并应用于轴承局部弱故障状态下振动信号中瞬态冲击成分的提取。在选定匹配基底函数的前提下,运用分裂增广拉格朗日收缩算法求解基追踪去噪(Basis pursuit denoising,BPD)问题,将信号中的瞬态冲击成分转化为一系列稀疏表示系数,实现强背景噪声下弱特征的有效提取。仿真信号和轴承微弱故障下的特征提取表明提出的方法能有效地检测和提取强背景噪声下的微弱故障。     

基于TET瞬态特征提取的滚动轴承早期故障诊断研究

滚动轴承运行时,其强烈的振动噪声通常会与轴承早期微弱故障叠加,导致其瞬态故障特征难以提取,因此提出了一种轴承早期微弱故障信号瞬态特征的时频分析方法。首先,通过自适应噪声集合模态分解对数据做预处理,使用峭度筛选出了有效模态分量,并进行了重构降噪;然后,对重构信号做了瞬态提取变换,并进行了瞬态特征提取;最后,利用提取到的瞬态信号进行了故障诊断;对仿真信号和实验信号进行了处理,并将其与其他常用时频分析方法进行了比较。研究结果表明:该方法可以有效地提取滚动轴承故障瞬态特征,提高复杂环境下滚动轴承故障早期信号的噪声鲁棒性;同时,时-频能量特征更集中,可以清楚地看到瞬态信号的间隔,并能有效表征信号的早期故障特征频率。     

基于二阶瞬态提取变换的滚动轴承故障特征提取方法研究

在变负载、变转速工况下,带式输送机托辊滚动轴承故障特征的提取存在困难,针对这一问题,提出了一种基于二阶瞬态提取变换的滚动轴承故障特征提取方法。首先,根据故障轴承振动信号中冲击性成分频率变化规律构建了二阶频率变化模型,消除了传统时变模型处理短时、宽频冲击性成分时存在的频谱模糊现象;然后,在短时傅里叶变换(STFT)的基础上,通过二维群时延时频重排算法实现了具有很高能量聚集性的时频特征表示,降低了背景噪声以及信号中非冲击成分的影响;最后,根据瞬时频率和瞬时幅值的分布规律,将共振频带冲击性成分重复频率作为判别轴承故障类型的依据,利用仿真数据和带式输送机的工程实际数据,对所提出的方法的有效性进行了验证。研究结果表明:相对于传统的时频分析方法,所提出的方法能够更加准确地对变负载、变转速工况下的轴承故障进行诊断,能在存在噪声干扰的实际振动信号中准确识别到53.32 Hz和106.9 Hz的故障特征频率,具有一定的工程应用价值。     

基于迭代滤波和MOMEDA的滚动轴承故障诊断方法

针对噪声环境下轴承故障微弱特征难以提取的问题,提出了一种基于迭代滤波和多点最优最小熵反褶积相结合的轴承故障特征提取方法。该方法首先运用迭代滤波分解方法将滚动轴承振动信号进行分解,得到多个本征模态分量,然后运用相关系数和峭度确定最能体现轴承故障信息的敏感分量,最后对敏感分量进行多点最优最小熵反褶积消噪处理后进行频谱分析,从而提取轴承故障特征。通过数值仿真信号的分析和内圈故障信号的分析验证了所提出方法的有效性。     

时频特征融合的交叉项消除及其故障诊断应用

提出一种基于线性时频分布和双线性时频分布的时频特征融合策略,既消除双线性时频分析的交叉项,又保持双线性时频分析的时频聚集性.仿真信号的分析说明了该融合策略的有效性.通过融合策略在轴承外圈故障以及齿轮箱故障情况下的特征信号的时频分析,表明该策略能有效表示信号中的故障特征对时间和频率的分布情况,是一种有效的故障诊断时频特征表示方法.     

基于Hilbert谱奇异值的轴承故障诊断

针对机械故障振动信号时频特征提取问题,提出一种基于Hilbert谱奇异值的特征提取方法,并将其应用于轴承故障诊断。该方法首先利用经验模式分解方法将振动信号分解为若干个内蕴模式函数之和,接着对每个内蕴模式函数进行Hilbert变换得到振动信号的Hilbert谱,然后对Hilbert谱进行奇异值分解,得到反映机械状态特征的奇异值序列,最后利用奇异值作为特征向量,使用支持向量机进行轴承故障诊断。轴承正常、内圈故障、滚动体故障、外圈故障实测信号实验结果表明,该方法能有效地提取轴承故障振动信号特征。

     

基于迭代经验小波变换的齿轮故障诊断方法

齿轮故障振动信号具有多分量和调幅-调频等特点,导致振动信号耦合程度高、数据特征提取和识别难度大。提出了一种基于迭代经验小波变换(EWT)和稀疏滤波(SF)的振动信号故障特征提取和诊断方法。首先,利用尺度空间表示将齿轮振动信号的Fourier频谱自适应的划分为若干频带,并利用EWT将输入信号分解为若干本征模态函数(IMF);其次,利用互信息能量熵方法迭代去除振动信号中的噪声干扰成分,并重构振动信号;再次,建立基于稀疏滤波的无监督神经网络模型,将重构的振动信号作为神经网络模型的输入并学习故障特征,利用softmax辨识故障信息;最后,利用建立的故障诊断模型辨识齿轮故障测试数据并验证本文方法的有效性。结果表明,所提方法能够有效辨识故障特征。     

内燃机变分模态Rihaczek谱纹理特征识别诊断

针对内燃机故障诊断中振动响应信号强耦合、弱故障特征的问题,提出一种基于内燃机振动谱图纹理特征提取的故障诊断方法。首先,为了清晰地刻画内燃机振动信号时频联合分布中的非平稳时变分量,将变分模态分解(VMD)与Rihaczek复能量密度分布方法有效结合,得到了时频聚集性好、无交叉项干扰的内燃机振动谱图像;针对VMD分解过程中的参数选取问题,提出将功率谱熵作为目标函数,对VMD的分解参数进行网格寻优,提高了VMD分解的自适应性。为了实现对内燃机振动谱图像的自动识别及故障诊断,提出了改进的局部二值模式(ILBP)方法,用来对振动谱图中蕴含的纹理信息进行分析,提取低维特征参量并采用最近邻分类器对内燃机不同工况的振动谱图像进行模式识别。将该方法应用于内燃机故障诊断实例中,结果表明该方法能有效提取内燃机振动信号中的微弱故障特征,实现内燃机故障的自动诊断。     

基于CSLBP的轴承信号时频特征提取方法

针对滚动球轴承振动加速度信号特征提取问题,提出一种基于中心对称局部二值模式(center-symmetric local binary pattern,简称CSLBP)的时频特征提取方法。首先,利用广义S变换对滚动球轴承振动加速度信号进行处理,通过采用时频聚集性度量准则自适应地确定广义S变换的调整参数,从而获取时频分辨性较好的二维时频图;然后,计算二维时频图的CSLBP,提取CSLBP纹理谱描述滚动球轴承振动加速度信号的时频特征。对滚动球轴承正常、外圈故障、内圈故障和滚动体故障4种不同状态的振动加速度信号进行了研究。结果表明,CSLBP纹理谱能有效地表达滚动球轴承振动加速度信号的时频特征,与局部二值模式(local binary pattern,简称LBP)和统一模式LBP纹理谱相比,CSLBP纹理谱具有特征维数低和区分性能好的优点。     

基于局部均值分解与拉普拉斯特征映射的滚动轴承故障诊断方法

针对滚动轴承非平稳振动信号的特征提取及维数优化问题,提出了融合局部均值分解与拉普拉斯特征映射的轴承故障诊断方法。首先,通过局部均值分解对非平稳振动信号进行平稳化分解,提取乘积函数分量、瞬时频率及瞬时幅值的高维信号特征集;然后,将高维特征集作为拉普拉斯特征映射算法的学习对象,提取轴承高维故障特征集的内在流形分布,以获得敏感、稳定的轴承振动特征参数,实现基于非平稳振动信号分析的滚动轴承故障特征提取;最后,结合支持向量分类模型量化LMD-LE方法的特征提取效果,实现不同状况下的轴承故障分类。轴承故障样本分类识别平均正确率达到91.17%,表明LMD-LE方法有效实现了高维局部均值分解特征集合的降噪,所提取的特征矩阵对轴承故障特征描述准确。     

Transient modeling and parameter identification based on wavelet and correlation filtering for rotating machine fault diagnosis

At constant rotating speed, localized faults in rotating machine tend to result in periodic shocks and thus arouse periodic transients in the vibration signal. The transient feature analysis has always been a crucial problem for localized fault detection, and the key aim for transient feature analysis is to identify the model and its parameters (frequency, damping ratio and time index) of the transient, and the time interval, i.e. period, between transients. Based on wavelet and correlation filtering, a technique incorporating transient modeling and parameter identification is proposed for rotating machine fault feature detection. With the proposed method, both parameters of a single transient and the period between transients can be identified from the vibration signal, and localized faults can be detected based on the parameters, especially the period. First, a simulation signal is used to test the performance of the proposed method. Then the method is applied to the vibration signals of different types of bearings with localized faults in the outer race, the inner race and the rolling element, respectively, and all the results show that the period between transients, representing the localized fault characteristic, is successfully detected. The method is also utilized in gearbox fault diagnosis and the effectiveness is verified through identifying the parameters of the transient model and the period. Moreover, it can be drawn that for bearing fault detection, the single-side wavelet model is more suitable than double-side one, while the double-side model for gearbox fault detection. This research proposed an effective method of localized fault detection for rotating machine fault diagnosis through transient modeling and parameter detection.     

基于LCD的自适应小波脊线解调及齿轮故障诊断

针对最佳小波参数的设定和齿轮裂纹故障振动信号频率成分复杂、信噪比低等问题,将遗传优化算法、小波脊线解调与局部特征尺度分解(local characteristic-scale decomposition,简称LCD)相结合,提出了基于LCD的自适应小波脊线解调方法。首先,采用LCD方法将原始信号分解为若干个内禀尺度分量(intrinsic scale component,简称ISC),并通过选择蕴含特征信息的ISC来实现信号降噪;然后,以小波能量熵为目标函数,采用遗传算法优化小波参数,得到自适应小波;最后,通过自适应小波分析提取ISC的小波脊线,从而实现对原始信号的解调分析。通过齿轮裂纹故障诊断实例验证了该方法的有效性和优越性。     

Detection of signal transients based on wavelet and statistics for machine fault diagnosis

This paper presents a transient detection method that combines continuous wavelet transform (CWT) and Kolmogorov–Smirnov (K–S) test for machine fault diagnosis. According to this method, the CWT represents the signal in the time-scale plane, and the proposed “step-by-step detection” based on K–S test identifies the transient coefficients. Simulation study shows that the transient feature can be effectively identified in the time-scale plane with the K–S test. Moreover, the transients can be further transformed back into the time domain through the inverse CWT. The proposed method is then utilized in the gearbox vibration transient detection for fault diagnosis, and the results show that the transient features both expressed in the time-scale plane and re-constructed in the time domain characterize the gearbox condition and fault severity development more clearly than the original time domain signal. The proposed method is also applied to the vibration signals of cone bearings with the localized fault in the inner race, outer race and the rolling elements, respectively. The detected transients indicate not only the existence of the bearing faults, but also the information about the fault severity to a certain degree.     

复小波分解联合SVD提取振动信号非平稳特征

针对齿轮箱故障信号的多分量多频调制特点,提出了一种基于奇异值分解的最优小波解调技术。首先,采用小波变换的最小Shannon熵作为时间尺度分辨率的度量指标,将其应用到Morlet分析小波的参数优化选择中;其次,对常规小波参数选择方法进行了改进,利用奇异值分解技术对最优小波变化尺度进行了迭代搜索。该方法可以很好地降低噪声信号,有效提取信号中的周期成分,具有较好的瞬态信息提取能力。试验结果也表明了该方法在齿轮箱故障特征提取中的重要性以及降噪方法的有效性。     

柴油机振动信号快速稀疏分解与二维特征编码

针对柴油机故障诊断方法中的信号时频表征及特征提取问题,提出一种基于振动信号快速稀疏分解与二维时频特征编码识别的柴油机智能故障诊断方法。首先,为了获得时、频聚集性优良的时频图像,提出一种随分解残差信号自适应更新Gabor字典的改进匹配追踪(adaptive matching pursuit,简称AMP)算法,利用AMP算法将柴油机振动信号分解后叠加各原子分量的Wigner-Ville分布,获取原信号的稀疏分解时频图像;然后,为提取时频图像的特征参量,提出了双向二维非负矩阵分解(two-directional,2-dimensional non-negative matrix factorization,简称TD2DNMF)算法,用于对时频图像的幅值矩阵进行特征编码,获取蕴含在时频图像内部的低维特征,并利用最近邻分类器实现了时频图像的自动分类识别。将提出的方法应用于4种不同状态柴油机气门故障的诊断试验中,结果表明,该方法能够获得无交叉项干扰、聚集性好的时频图像,使各时频分量的物理意义更加明确,并改进了传统图像模式识别中的特征参数提取方法,是一种有效的柴油机故障诊断方法。     

Wigner-Ville分布在机械故障诊断中的研究

时频分布从时域特征与频域特征的结合途径揭示了信号的构成本质.文章介绍了基于WignerVille分布(WVD)的故障诊断方法,包括基于核函数抑制交叉项,时频分布与人工神经网络相结合,以及WVD的高阶谱.机械系统故障信号往往是非平稳的,联合时频分布是对故障信号分析的有力工具.WVD很高的能量聚集性和很好的时频分辨率,极大地提高了故障信号特征提取的准确度.     

基于TVAR的自适应时频分析及在故障诊断中的应用

研究了非平稳信号的时变自回归（TVAR）建模方法，通过引入基函数将非平稳时变参数的辨识转化为线性时不变问题的辨识；在此基础上，应用带遗忘因子的递归最小二乘算法进行参数估计，实现了信号的自适应时频分析。通过仿真算例将该法与短时Fourier变换、Wigner分布的结果相比较，验证了该方法时频分辨率高的优越性。最后，将该方法应用于轴承的故障诊断，结果表明，该方法用于故障诊断的特征提取是有效的。     

小波基TVAR建模时频分析及在故障诊断中的应用

研究了非平稳信号的时变自回归建模方法,提出了应用小波基函数将非平稳时变参数的辨识转化为线性时不变问题的辨识,在此基础上,应用带遗忘因子的递归最小二乘算法进行参数估计,实现了信号的自适应时频分析。通过仿真算例将该法与短时傅里叶变换、Wigner分布的结果相比较,验证了该方法时频分辨率高的优越性。最后,将该方法应用于轴承的故障诊断,结果表明,该方法用于故障诊断的特征提取是有效的。     

Feature Extraction and Recognition for Rolling Element Bearing Fault Utilizing Short-Time Fourier Transform and Non-negative Matrix Factorization

Due to the non-stationary characteristics of vibration signals acquired from rolling element bearing fault, the time-frequency analysis is often applied to describe the local information of these unstable signals smartly. However, it is difficult to classify the high dimensional feature matrix directly because of too large dimensions for many classifiers. This paper combines the concepts of time-frequency distribution(TFD) with non-negative matrix factorization(NMF), and proposes a novel TFD matrix factorization method to enhance representation and identification of bearing fault. Throughout this method, the TFD of a vibration signal is firstly accomplished to describe the localized faults with short-time Fourier transform(STFT). Then, the supervised NMF mapping is adopted to extract the fault features from TFD. Meanwhile, the fault samples can be clustered and recognized automatically by using the clustering property of NMF. The proposed method takes advantages of the NMF in the parts-based representation and the adaptive clustering. The localized fault features of interest can be extracted as well. To evaluate the performance of the proposed method, the 9 kinds of the bearing fault on a test bench is performed. The proposed method can effectively identify the fault severity and different fault types. Moreover, in comparison with the artificial neural network(ANN), NMF yields 99.3% mean accuracy which is much superior to ANN. This research presents a simple and practical resolution for the fault diagnosis problem of rolling element bearing in high dimensional feature space.     

自适应径向抛物线核时频分布及其在故障诊断中的应用

针对二次型时频分布中固定核函数性能依赖于信号的局限性,提出一种新的自适应核函数--径向抛物线型核(radial parabola kernel, RPK).该核函数可根据被分析信号的不同特性,采用优化方法自适应对模糊函数进行低通滤波,最大程度地滤除交叉干扰项,提高时频分辨率,具有对信号的广泛自适应性.与常用的Wigner-Ville分布、Choi-Willams分布、锥形核分布相比,显示了其明显的优势.最后,将该核函数应用于轴承故障诊断中,取得很好的效果.