基于LMD和MCKD的滚动轴承早期故障诊断

滚动轴承故障产生的初期,信号中的冲击成分受到严重的噪声干扰,导致故障信号的周期特征难以提取。针对这一问题,提出基于局部均值分解(LMD)算法和最大相关峭度反褶积(MCKD)算法结合的滚动轴承早期故障诊断方法。首先应用LMD算法对轴承早期故障信号进行自适应分解,选取与原始信号相关系数较大的乘积函数(PF)分量进行重构;然后应用MCKD算法对重构信号进行降噪,突出周期冲击成分;最后对消噪后的信号进行Hilbert包络处理,从包络谱中即可准确地获取故障特征频率。通过对仿真信号和内圈故障实验信号的分析,证明了该方法的有效性。     

ALIF和MCKD相结合的滚动轴承早期故障诊断

滚动轴承早期故障特征信息十分微弱并夹杂着环境噪声的干扰,使其信噪比极低,造成微弱故障难以提取.针对这一问题,提出了一种基于自适应局部迭代滤波(Adaptive local iterative filter,ALIF)和最大相关峭度解卷积(Maximum correlated kurtosis deconvolution,MCKD)两者相结合的滚动轴承早期故障诊断方法.首先对采集到的振动信号应用ALIF进行分解得到若干个窄带本征模态函数(Intrinsic mode functions,IMFs),根据相关系数-峭度准则筛选出两个较为敏感的IMF分量进行重构降噪;然后对重构降噪后的信号采用MCKD算法增强故障特征中的冲击成分;最后对应用ALIF-MCKD增强后的信号进行包络谱解调分析,提取出故障特征从而判断轴承故障发生位置.     

自适应MCKD和VMD在行星齿轮箱早期故障诊断中的应用

针对行星齿轮箱早期故障信号微弱且受强背景噪声影响,致使故障信号特征频率难提取,通过自适应最大峭度解卷积（MCKD）和变分模态分解（VMD）进行早期故障特征提取。首先,利用变步长搜索,以峭度值为评判标准,搜索最优滤波器长度L;然后,将信号通过优化后的自适应MCKD算法降噪;最后,利用VMD分解降噪信号,通过包络谱进行分析,寻找故障特征频率。经仿真信号和实验信号验证,这里所提方法能够有效地提取出强噪声背景下的行星齿轮箱故障特征。     

基于最大相关峭度反褶积的轴承故障诊断方法

针对滚动轴承的故障信号是周期性冲击信号这一特性,提出了最大相关峭度反褶积(maximum correlated kurtosis deconvolution,简称MCKD)与谱峭度(spectral kurtosis,简称SK)结合的滚动轴承早期故障诊断方法,即MCKD-SK法。利用MCKD方法可以有效提取滚动轴承早期故障信号中被噪声淹没的周期冲击成分,抑制信号中的噪声,实现信号降噪,提升原信号的峭度。利用SK方法可以选择合理频带,将信号中的低频信息从高频信息中解调出来。通过仿真与实际监测数据的分析和验证,证明MCKD-SK方法可以准确有效地诊断滚动轴承的早期故障,可用于滚动轴承早期故障的在线监测。     

基于阶次跟踪最大相关峭度反褶积的滚动轴承早期故障诊断

针对滚动轴承早期故障冲击信号受到现场噪声的干扰,难以提取周期冲击成分的问题,以及非平稳转速下对故障信号直接进行傅里叶分析会出现频率混叠,无法确定故障特征频率的问题。提出基于角域最大相关峭度反褶积的滚动轴承故障诊断方法。首先对时域非平稳故障信号进行计算阶次跟踪转换为角域内的平稳信号;然后用最大相关峭度反褶积对故障信号进行处理,提取信号中的周期冲击成分。通过对仿真和实验数据的分析,验证了角域最大相关峭度反褶积方法的有效性。     

基于自适应最大相关峭度解卷积和频率切片小波变换的齿轮故障特征提取

针对最大相关峭度解卷积(MCKD)降噪效果受滤波器阶数影响的问题,提出了自适应MCKD方法。针对频率切片小波变换(FSWT)在强背景噪声中提取冲击故障特征的不足,提出了自适应MCKD和FSWT相结合的齿轮故障特征提取方法。首先用自适应MCKD对噪声齿轮信号进行降噪处理,然后对降噪后的信号进行频率切片小波变换和故障特征提取。齿轮故障诊断实例的分析结果验证了该方法的有效性。     

基于AIF和TT的滚动轴承复合故障诊断

针对滚动轴承复合故障模式下的微弱特征难以提取的问题,提出了基于自适应迭代滤波（adaptive iterative filtering,简称AIF）和改进的时时变换（time?time transform,简称TT）的滚动轴承复合故障诊断方法。首先,采用AIF将信号分解,得到一系列本征模态分量,并以最大相关峭度作为评价准则,筛选出其中的特征分量,实现滚动轴承复合故障振动信号的特征分离;其次,利用改进的时时变换方法对特征分量进行降噪,增强特征分量的冲击特征;最后,对降噪的特征分量进行包络谱分析,提取故障特征频率,实现滚动轴承故障模式的精确判别。仿真实验和故障诊断实例表明,该方法可以有效提取滚动轴承复合故障模式下的微弱特性信息。     

基于DT-CWT和MCKD的滚动轴承早期故障诊断方法

滚动轴承早期故障信号具有非平稳、能量低等特征,为了能够准确、有效地检测出轴承故障,提出了双树复小波(dual-tree complex wavelet transform,DTCWT)和最大相关峭度反褶积(maximum correlated kurtosis deconvolution,MCKD)相结合的诊断方法。首先运用双树复小波对采集到的振动信号进行分解,再重构单支信号,由于噪声的干扰,从重构后分量的频谱中很难对故障做出正确的判断。然后对包含故障特征的分量进行最大相关峭度反褶积处理以消除噪声成分,凸现故障特征信息。最后对降噪信号求取Hilbert包络谱,便能准确获得故障特征频率。通过信号仿真和实验数据分析验证了该方法的有效性。     

基于MCKD和LMD的滚动轴承早期故障诊断方法

针对局部均值分解(Local mean decomposition,简称LMD)方法难以提取滚动轴承早期微弱故障的问题,提出了基于最大相关峭度解卷积(Maximum Correlated Kurtosis Deconvolution,简称MCKD)和LMD的滚动轴承早期故障诊断方法。首先采用MCKD方法对故障信号进行降噪处理,同时增强信号中的周期成分,然后进行LMD分解,将得到的PF分量与分解前信号的相关系数作为判断标准,剔除多余低频PF分量,最后,选取有效PF集进行频谱分析,提取故障特征。通过仿真数据和真实滚动轴承故障诊断实验数据表明,该方法可有效提取早期故障特征频率信息,具有一定可靠性。     

基于IPSO-MCKD的汽车变速箱轴承故障诊断

针对车辆在城区运行过程中频繁启停造成变速箱滚动轴承故障易发的问题,在轴承故障诊断中引入最大相关峭度反卷积(Maximum Correlation Kurtosis Deconvolution, MCKD)的方法,为了避免过于依赖人工选择MCKD算法中滤波器系数和移位数,提出了一种参数自适应的最大相关峭度反卷积的故障诊断方法。该方法以输入信号的包络谱中最大相关峭度为目标函数,采用改进后的粒子群优化(Improved Particle Swarm Optimization, IPSO)算法优化MCKD中的滤波器系数和位移数,最后通过对故障信号的包络谱进行分析,提取轴承的故障特征。仿真和试验的结果表明,该方法可以有效降低环境中的噪声干扰,准确从强噪声中提取故障特征,实现故障诊断。     

基于MCKD和CEEMDAN样本熵的滚动轴承故障诊断

针对滚动轴承故障特征微弱以及振动信号的非平稳性,提出一种基于最大相关峭度解卷积(maximum correlated kurtosis deconvolution,MCKD)和自适应白噪声完备经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)样本熵相结合的滚动轴承故障诊断方法。首先采用MCKD算法降低滚动轴承信号内的噪声干扰,突出信号中的冲击特性;然后利用CEEMDAN方法对降噪信号进行分解,根据峭度-相关系数准则选择包含主要故障信息的敏感固有模态函数(intrinsic mode function,IMF)分量;计算各敏感IMF分量的样本熵构成高维特征向量;最后将高维特征向量作为支持向量机(support vector machine,SVM)的输入,对滚动轴承的工作状态和故障类型进行识别。通过实测滚动轴承故障信号的分析,证明了所提方法有效性,并为此类问题的解决提供了一种可行方法。     

基于IEWT和MCKD的滚动轴承故障诊断方法

针对经验小波变换（Empirical wavelet transform,EWT）对强噪声环境中滚动轴承微弱故障诊断的不足,主要是傅里叶频谱分段不当的问题。提出一种基于最大相关峭度解卷积（Maximum correlated kurtosis deconvolution,MCKD）降噪与改进EWT相结合的滚动轴承早期故障识别方法。首先采用最大相关峭度解卷积算法以包络谱的相关峭度最大化为目标对原信号进行降噪处理、检测信号中的周期性冲击成分,然后根据信号Fourier频谱的包络极大值进行分段,通过分析各频段平方包络谱中明显的频率成分来诊断故障。新方法能有效降噪、增强信号中周期性冲击特征、降低单次偶然冲击的影响、抑制非冲击成分。通过对含外圈、内圈故障的滚动轴承进行试验分析,结果表明,相比于快速谱峭度图和小波包络分析方法,该方法提取出的特征更加明显,能有效实现滚动轴承早期微弱故障的识别。     

ELMD和MCKD在滚动轴承早期故障诊断中的应用

针对滚动轴承早期故障特征信号微弱且受环境噪声影响严重,故障特征信息难以识别的问题,提出了基于总体局部均值分解(Ensemble local mean decomposition,ELMD)和最大相关峭度反褶积(Maximum correlated kurtosis deconvolution,MCKD)的早期故障诊断方法。该方法首先运用ELMD对采集到的振动信号进行分解,得到有限个乘积函数(Product function,PF),由于噪声的干扰,从PF分量的频谱中很难对故障做出正确的判断。然后对包含故障特征的PF分量进行最大相关峭度反褶积处理以消除噪声影响,凸现故障特征信息。最后对降噪信号进行Hilbert包络谱分析,即可从中准确地识别出轴承的故障特征频率。通过轴承故障模拟实验和工程应用实例验证了该方法的有效性与优越性。     

相关系数包络谱联合指标CeK的轴承故障诊断方法

针对轴承故障冲击特征提取时存在噪声和转频等成分的干扰问题,提出一种相关系数包络谱联合综合指标C_eK的轴承故障诊断方法。在信号预处理阶段采用新的综合指标C_eK从总体平均经验模态分解(Ensemble empirical mode decomposition,EEMD)得到的多个本征模态分量(Intrinsic mode function,IMF)中选取最优分量,进一步使用最大相关峭度反褶积(Maximum correlated kurtosis deconvolution,MCKD)对最优分量进行滤波降噪处理,最后使用Laplace小波相关滤波法提取故障冲击相关系数的峰值,做相关系数的包络谱图。通过仿真信号的分析结果,验证了本文方法的可行性。借助于南昌铁路局采集的真实故障信号,并以峭度指标代替本文提出的综合指标进行后续处理以及自适应Morlet小波滤波提取故障特征的分析结果,突出了利用综合指标C_eK和相关系数包络谱提取故障特征频率的优越性。     

基于MCKD和VMD关联维数的轴承故障特征提取AR模型

针对滚动轴承早期故障易受噪声影响难以准确提取特征信息的问题,提出了一种基于最大相关峭度解卷积(MCKD)和变分模态分解(VMD)关联维数的故障诊断AR模型.采用MCKD对滚动轴承振动信号进行降噪处理,滤除噪声影响;对降噪后的信号进行VMD分解,选择对故障特征敏感的IMF分量进行信号重构,并对重构信号建立AR模型,获取自回归参数;计算在指定嵌入维数上自回归参数的关联维数,对滚动轴承的故障进行诊断.实验结果表明,所提方法能够有效提取故障信号中的特征信息,证明了方法的有效性.     

基于MODWPT和MCKD的滚动轴承早期故障诊断

针对齿轮啮合强振动干扰下滚动轴承微弱故障特征提取难的问题，提出一种最大重叠离散小波包变换(MODWPT)和最大相关峭度解卷积(MCKD)相结合的滚动轴承早期故障诊断方法。首先采用MODWPT方法将复杂的轴承故障振动信号分解为若干分量，然后依据峭度准则，选取峭度较大的分量进行MCKD滤波，最后对滤波后所得信号做Hilbert包络分析，将包络谱呈现的频率特征与理论故障特征频率相比较，识别故障特征，实现故障诊断。通过轴承故障的仿真及实验研究，并对比单一MCKD方法和EMD-MED方法的提取效果，说明该方法可以在一定程度上抑制齿轮啮合强振动及噪声的干扰，增强并有效提取出滚动轴承早期低频微弱故障特征。     

基于MED和峭度准则形态滤波的滚动轴承故障诊断

针对滚动轴承故障诊断问题,提出一种基于最小熵解卷积(Minimum entropy deconvolution,MED)和峭度准则形态滤波的滚动轴承故障诊断方法。该方法首先通过MED对滚动轴承故障信号进行降噪处理,然后设计不同长度结构元素的形态滤波器对降噪后的信号进行差值形态滤波,最后利用峭度准则筛选出峭度值最大的最佳形态滤波分量,进行幅值谱分析提取轴承故障特征频率。应用该方法分析了滚动轴承内圈故障模拟信号和实验测试信号,取得良好的分析效果,证明了该方法的有效性。     

基于角域级联最大相关峭度反褶积的滚动轴承早期故障诊断

变转速工况是某些启制动工作制设备常用的工作方式,针对启制动工作制下滚动轴承故障的振动信号呈现非平稳特性,加之现场环境噪声的干扰,难以从原始故障信号中提取特征频率。提出基于角域级联最大相关峭度(CMCKD)的滚动轴承故障诊断方法。首先将时域非平稳故障信号进行角域重采样转换为角域内的平稳信号;然后用级联最大相关峭度反褶积对故障信号进行处理,抑制信号中的噪声,提取信号中的周期冲击成分。通过对仿真和实验数据的分析,验证了角域级联最大相关峭度反褶积方法的有效性。     

基于MCKD-EEMD的滚动轴承微故障特征提取

在强噪声环境下滚动轴承故障信号非常微弱,特征信息难以识别,为了能够准确、有效地检测出轴承故障,提出了最大相关峭度反褶积(maximum correlated kurtosis deconvolution,MCKD)和总体平均经验模态分解(ensemble empirical mode decomposition,EEMD)相结合的诊断方法。信噪比较低时EEMD不能很好地提取微弱的信号特征,故先运用MCKD对含有强噪声的轴承振动信号进行降噪预处理。然后对降噪后的信号进行EEMD分解,选取与降噪信号相关系数较大的IMF分量进行信号重构。最后对重构信号进行能量算子解调分析,从包络谱中便能准确获得故障特征频率。通过信号仿真和实验数据处理结果证明了该方法的有效性。     

最大相关峭度反褶积与傅里叶分解方法相结合的滚动轴承故障诊断

针对强背景噪声环境下滚动轴承故障特征难以提取的问题,提出一种基于最大相关峭度反褶积(MCKD)与傅里叶分解方法(FDM)相结合的滚动轴承故障诊断方法。首先采用MCKD对振动信号去噪、提取与故障相关的冲击成分;其次,采用FDM对去噪信号进行分解,得到若干个瞬时频率具有物理意义的傅里叶固有频带函数和一个残余分量之和;第三,依据各个模态与去噪信号的相关性提取包含故障信息的最优模态分量,并对它们进行重构;最后,计算重构信号的包络谱,从谱图中读取故障信息。将所提故障诊断方法应用于滚动轴承故障仿真和实验数据分析,并通过与现有方法进行对比,结果表明,该方法优于所对比的方法。