基于EEMD-增强因子自适应的液压泵微弱故障特征提取

针对斜盘式轴向柱塞泵微弱故障特征难以提取的问题,提出了一种基于EEMD-增强因子自适应的液压泵微弱故障特征提取方法。对故障信号EEMD分解得到一组IMFs,采用增强因子作为各IMF权值合成信号以突出故障特征并抑制不相关成分;对合成信号EEMD分解,用敏感因子筛选出最能够表征故障信息的IMFs分量重构信号;对重构信号做Hil-bert变换求得包络谱,分析包络谱诊断出具体故障。仿真信号和液压泵实测信号的分析结果均很好地验证了该方法的有效性和优越性。     

大数据框架下基于改进自适应滤波算法的机械故障信号处理

针对经典自适应滤波算法处理机械故障信号时收敛过慢的问题,在大数据框架下提出一种改进的自适应滤波算法。以Hadoop平台为基础架构,构建一种三层次结构的机械故障大数据处理框架,用于采集和预处理原始故障大数据集;在信号滤波方面引入步长变化因子函数和均方误差函数,提高算法的收敛性能;基于离散粒子群算法对故障信号滤波处理过程进行优化,提高迭代速度和全局寻优的能力。实验结果表明:改进后的滤波算法降噪效果明显,尤其在低信噪比条件下其收敛性能相对于经典滤波算法更具优势。     

基于多结构元素形态滤波和EMD的轴承故障诊断

海上风电场现场釆集到的实际振动信号经常受到多种噪声的影响,加大了故障诊断的难度,而目前普遍应用的单一元素多尺度形态滤波器不能滤除各种噪声。为此文章在多尺度形态滤波方法的基础上,同时兼顾尺度和形状两种因素提出了基于多结构元素的多尺度形态滤波方法;用信噪比和偏斜度构建出新的判别指标,用来判断去噪效果的好坏;最后利用经验模态分解将信号进行分解得出更加准确的包络谱,由此进行故障判断。应用所提方法对标准轴承信号和某海上风机的现场数据进行分析,仿真结果表明该方法能够更好地滤除噪声,抑制噪声干扰,突出轴承故障频率,进而实现对海上风机轴承的故障诊断。     

基于小波包与概率神经网络的液压泵故障模式识别

小波包具有良好的去噪效果和高频分析能力,而概率神经网络具有很好的分类效果。采用小波包分解重构液压泵故障特征信号,并提取第三层各频率段的节点能量作为特征向量,将特征向量概率神经网络模型的输入向量对液压泵故障模式进行识别。通过采用LabVIEW和MATLAB混合编写的识别软件系统对液压泵故障识别,证明了将该方法用在液压泵故障模式识别上,能取得良好的效果。     

新型结构元素的液压泵耦合故障分离方法研究

具有相同谐波的滑靴磨损和斜盘磨损的形态特征信息相似性很高,因此很难有效分离其耦合故障。为解决此问题,提出一种基于梯型结构元素的新型数学形态学分离方法。采用不同长度梯型结构元素的形态差值算子分别提取2种故障特征信息,进而得到不同长度梯型结构元素对应的若干个分离信号;计算分离信号的2种不同故障的特征能量比。基于最大特征能量比,实现实测液压泵滑靴和斜盘磨损耦合故障信号的最优分离。     

电机轴承故障的多尺度排列熵特征提取与GK识别

为了有效提取电机轴承故障特征并准确识别出故障类型,提出了复合多尺度排列熵偏均值的特征参数提取和GK聚类的模式识别方法。在故障特征提取方面,使用自适应局部迭代滤波对振动信号进行分解,选择与原振动信号相关性较大的前3个分量,计算分量信号的复合多尺度排列熵偏均值作为特征参数,则每个振动信号得到了一个三维特征向量;在模式识别方面,使用GK算法对特征参数进行聚类。使用美国某大学的电机轴承数据进行效果验证,与基于EMD分解的特征参数比,ALIF分解所得特征的聚类效果更好,类与类之间区分明显,不存在交叉混叠现象,且样本围绕类心的分布更加紧凑。实验结果证明了故障特征提取方法和故障模式识别方法的有效性。     

基于改进形态学的滚动轴承故障诊断研究

针对滚动轴承的微弱故障特征提取，提出了基于特征幅值能量参数（FAEI）和自相关能量比（AER）的改进数学形态方法。首先使用7种形态算子对信号进行形态处理，以FAEI作为最优算子的选取依据，然后借助AER准则自适应地确定扁平结构元素的长度参数。通过轴承故障实验可知，AER准则能够选出最佳结构元素长度，结合形态算子对故障信号进行最优形态滤波。结果表明:该方法能够提取出噪声背景下的冲击脉冲信号，实现轴承微弱故障特征提取。与基于峭度的形态算法对比，改进方法使故障检测中的特征频率幅值提升了1倍。     

基于改进HHT和形态学分形维数的齿轮箱轴承故障特征提取方法

针对齿轮箱轴承特征难以提取的问题,提出一种基于改进希尔伯特-黄变换(HHT)和形态学分形维数的故障特征提取方法。首先采用自适应白噪声总体经验模态分解(CEEMDAN)方法将轴承振动信号分解为若干个固有模态函数(IMF),然后分别计算各IMF分量的相关系数和峭度值以滤除对信号特征不敏感的分量,最后计算包含敏感故障特征分量所组成的重构信号的形态学分形维数,以此作为特征参数对轴承的工作状态进行识别。通过对实测轴承信号的分析,结果表明,文章所提方法可有效识别轴承的工作状态和故障类型。     

快速路径优化引导ACMD的变转速轴承故障诊断北大核心

针对变转速工况下滚动轴承故障特征识别困难的问题,提出了一种快速路径优化算法(FPO)引导自适应线性调频模态分解(ACMD)的变转速轴承故障诊断方法。首先,对轴承故障信号进行希尔伯特变换解调提取隐藏在高频信号中的故障信息;其次,采用FPO算法从信号的时频分布中对信号分量的瞬时频率进行初始估计;将预估的各分量初始频率作为ACMD的初始参数对原始包络信号进行分解;最后,根据分解得到各个信号分量的瞬时频率和瞬时幅值等信息构建出高分辨率的时频表示。通过分析实测信号表明,所述方法能够展示出各个信号分量的幅值和频率变化趋势,剔除了无关成分的干扰,清晰地演示变转速工况下轴承故障信号的时变特征。     

LCD模糊熵和SOM神经网络在液压泵故障诊断中的应用

针对液压泵故障诊断问题,提出了一种基于局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)、模糊熵和SOM神经网络三者相结合的故障诊断方法。对液压泵振动信号进行LCD分解,得到若干个内禀尺度分量(Intrinsic Scale Component,ISC);将ISC分量分别与原信号进行相关分析,筛选出包含主要故障信息的前几个ISC分量,计算其模糊熵并组成特征矩阵;将特征矩阵输入SOM神经网络进行分类识别。液压泵故障诊断实例表明,该方法能够准确识别液压泵典型故障,具有一定优势。通过与BP神经网络分类结果相对比,显示了SOM神经网络在特征分类方面的优越性。     

基于ALIF和ISOMAP的机械设备故障识别方法研究

滚动轴承作为机械设备的重要部件,对机械设备的稳定运行起着重要的作用。滚动轴承的故障信号往往是多种信号的叠加,有必要对采集到的振动信号进行模式分解,进而基于模式识别方法实现对滚动轴承不同故障模式的分类识别。提出一种基于自适应局部迭代滤波(ALIF)和等距特征映射(ISOMAP)的机械设备故障分类识别方法。利用ALIF对滚动轴承的故障信号进行模式分解;对选定的模式分量提取多个统计学特征;最后利用ISOMAP对高维特征信号进行降维处理,实现对滚动轴承不同故障模式的分类识别。研究结果表明：所提方法在滚动轴承故障识别上具有良好的效果。     

一种具有自适应特性的风电机组齿轮箱振动信号预处理算法的研究

采用自适应窄带干扰消除和改进软阈值去噪算法,实现对风电机组振动信号的滤波处理,凸显表征故障特征的源振动信号。风电机组的振动信号由设备正常运转产生的周期性信号、故障源振动信号及噪声信号相互混合而产生。自适应窄带干扰消除算法可合理消除振动信号中的周期性成分,改进软阈值去噪技术可有效剔除背景噪声,结合两种技术特点提出一种具有自适应特性的信号预处理算法,凸显表征故障源振动特性的信号模型。试验结果表明:添加自适应特性能有效提高信号预处理算法的鲁棒性和泛化能力。     

一种具有自适应特性的风电机组齿轮箱振动信号预处理算法的研究

采用自适应窄带干扰消除和改进软阈值去噪算法,实现对风电机组振动信号的滤波处理,凸显表征故障特征的源振动信号。风电机组的振动信号由设备正常运转产生的周期性信号、故障源振动信号及噪声信号相互混合而产生。自适应窄带干扰消除算法可合理消除振动信号中的周期性成分,改进软阈值去噪技术可有效剔除背景噪声,结合两种技术特点提出一种具有自适应特性的信号预处理算法,凸显表征故障源振动特性的信号模型。试验结果表明：添加自适应特性能有效提高信号预处理算法的鲁棒性和泛化能力。     

改进的注意机制在滚动轴承故障诊断中的应用

针对滚动轴承振动信号易受到非平稳噪声的影响,提出一种改进注意力机制的多尺度内核网络(IA-MKNet),以从含噪振动信号中提取更敏感的特性信号。首先提出一种改进的多尺度卷积注意力机制(IAM),自适应提取有意义的故障特征并自动抑制噪声;然后针对振动信号固有的多时间特征,设计基于IAM的自适应多尺度核残差块来捕获振动信号的多时间尺度故障特征;最后提出一种基于自适应集成学习器的组合策略,通过融合多个IA-MKNets的输出来增加特征的多样性,从而进一步提高诊断的准确性和稳定性。实验结果表明：该方法提高了噪声环境下滚动轴承的故障诊断精度,性能优于其他5种基准方法。     

基于CEEMDAN与信息熵的液压泵故障特征提取方法研究

由于液压泵故障振动信号微弱和不平稳的特性,造成特征向量提取和故障诊断困难。针对这些问题,提出一种CEEMDAN与信息熵结合的特征提取方法。将传感器测得的液压泵的故障振动信号进行CEEMDAN分解得到多个固有模态函数(IMF),并计算其信息熵,然后筛选出信息熵最小的3个IMF分量重构信号,计算重构信号的多域熵作为特征向量来训练决策树模型。液压泵故障诊断实验结果证明了该方法的有效性和优越性。     

基于SVMD和自适应MOMEDA的齿轮箱故障诊断

受背景噪声和传输路径的影响，故障信号往往被淹没，故障特征难以提取。基于此，提出一种连续变分模态分解(SVMD)和自适应MOMEDA相结合的故障诊断方法，通过SVMD前处理得到重构信号，然后以平均谱负熵为适应函数，通过人工鱼群优化算法自适应选择MOMEDA的最优参数。利用所得参数对重构信号进行MOMEDA滤波，最后进行包络谱分析，做出故障类型诊断。将所提方法应用于齿轮箱主动轮断齿故障的仿真信号和实验信号中，在包络频谱中可以清楚地分辨出小齿轮转频及其倍频， 同时所提方法相对其他方法具有更好的表现效果。     

基于WATVFEMD-SAM的轴承声信号故障诊断

滚动轴承声信号与振动信号相比其信噪比更低,此外还会受到强脉冲噪声的影响。频谱幅度调制(SAM)是一种新的故障特征提取方法,该方法能够有效识别脉冲噪声并对信号进行非线性滤波。然而尽管其可抑制脉冲噪声,但依然会受到其他背景噪声的干扰导致其滤波效果受到影响。针对上述问题,提出一种加权平均时变滤波经验模态分解WATVFEMD及SAM的滚动轴承声信号特征提取方法。首先对声信号进行TVFEMD分解;其次,提出了一种强调敏感分量的新型指标,利用该指标对各个IMFs加权并重构为WATVFEMD信号;最后,对重构信号进行SAM并提取故障特征频率。仿真研究及实验表明,相比常用的快速谱峭度方法,所提出的WATVFEMD-SAM能够更加有效地提取声信号故障特征频率,该方法的有效性得以验证。     

基于MLSE和可拓理论的液压泵故障模式识别

提出了一种新的衡量时间序列复杂度的方法——多尺度局部最大样本熵(Multiscale Local-maximum Sample Entropy,简称MLSE),与多尺度熵相比,MLSE抑制了振动信号中的噪声和干扰成分,同时又提高了每个时间尺度上样本熵的计算精度。将液压泵不同状态下的MLSE作为特征向量,利用可拓理论进行故障模型识别,并将其与另外两种方法进行对比,结果表明该方法故障识别准确率最高、耗时最短,验证了该方法的优越性。     

基于粒子群的共振解调滚动轴承故障诊断研究

针对共振解调方法需要事先获得带通滤波器参数的不足,提出了一种基于粒子群的自适应共振解调方法。该方法采用改进粒子群算法,以峭度和故障脉冲能量因子为优化指标,对带通滤波器的中心频率和带宽进行自适应寻优,并采用最优带通滤波器对信号进行滤波分析,提取出信号中的故障特征频率,完成故障诊断。数字信号仿真实验和故障轴承诊断试验结果表明,该方法能够在强背景噪声下有效提取出信号中故障冲击频率,完成故障诊断。     

无缝管道漏磁信号去噪新方法

漏磁(MFL)检测信号常被多种噪声源污染,极大地降低了漏磁信号中缺陷信号的可检测性。提出一种漏磁信号去噪新方法。该法首先利用自适应滤波方法去除漏磁信号中的无缝管道噪声(SPN),然后再利用小波系数去噪方法去除SPN自适应消除系统输出的漏磁信号中的噪声。实测的漏磁信号处理结果说明,该方法具有良好的去噪效果,可提高漏磁信号中缺陷信号的可检测性。