基于短时信号重构与K-SVD特征提取算法

以故障信号局部包含信息的差异性为基础,通过短时奇异值分解算法来提取淹没与背景噪声中的故障冲击成分。再结合K-SVD稀疏分解训练算法,提出1种自适应学习字典构建方法,可以有效的自适应表征滚动轴承的故障信号。仿真和试验结果分析论证表明,该故障特征提取技术较常规稀疏匹配算法具更好的识别和提取冲击故障特征能力,有助于实现滚动轴承故障智能诊断。     

基于最优 IMF 分量和 K-SVD 的滚动轴承故障声音信号特征提取

针对滚动轴承声音信号中周期性冲击故障特征难提取的问题,提出了基于最优 IMF 分量与 K-SVD 字典学习相结合的轴承故障特征提取方法。首先,利用 VMD 分解原始信号获得一系列 IMF 分量;其次,利用 SAF 指标自适应选取最优 IMF 分量,并作为训练信号;最后,利用 K-SVD 字典学习方法训练出字典库,通过正交匹配追踪算法( OMP )对原始信号处理得到稀疏信号,并对稀疏信号进行包络谱分析。仿真及实验结果表明,对比传统 K-SVD 字典学习方法,该方法得到的稀疏信号信噪比( SNR )更高,能更准确地提取滚动轴承周期性冲击,增强了轴承故障特征。     

基于共振稀疏分解的滚动轴承早期微弱故障诊断

传统方法很难对滚动轴承的早期微弱故障进行有效诊断.共振稀疏分解是一种基于多字典库的稀疏分解方法,可以同时分解出滚动轴承故障信号中的瞬态冲击成分及其持续震荡成分(工频及其谐频成分).该方法在对滚动轴承早期微弱故障信号进行自适应滤波降噪(采用Ensemble Empirical Mode Decomposition,EEMD方法)基础上,对处理后的信号进行共振稀疏分解分析,分别构建高、低品质因子小波基函数字典库,并利用形态学分析方法建立信号稀疏表示的目标函数,进而实现对滚动轴承发生故障时具有低品质因子的瞬态故障成分及其他持续振荡高品质因子噪声成分的成功分离.对分离得到的低品质因子信号成分进行包络解调分析,进而得到较好的故障提取特征结果.通过实验验证了所述方法的有效性.     

盲解卷积和频域压缩感知在轴承复合故障声学诊断的应用

针对时域盲解卷积算法对单一故障机械声信号有效,及传统稀疏分量分析对声信号分析失效等问题,提出一种盲解卷积、形态滤波和频域压缩感知重构的稀疏分量分析相结合的轴承复合故障声学诊断方法。通过时域盲解卷积算法优选分量结果,提取声信号的冲击成分。使用形态滤波滤除背景噪声。使用模糊C均值聚类估计混合矩阵,重构传感矩阵,并运用稀疏度自适应匹配追踪基算法(Sparsity adaptive matching pursuit,SAMP)的频域压缩感知重构分离信号。双通道滚动轴承故障声信号分析结果表明该方法能够有效分离和提取滚动轴承故障特征。     

全矢谱和稀疏分解结合的轴承故障特征提取

针对滚动轴承在故障早期特征信号微弱、故障特征提取困难以及单通道分析方法信息利用不充分等问题,提出了一种基于稀疏分解与全矢谱相结合的滚动轴承早期微弱故障特征提取方法。首先,在已构造的冗余字典基础上对滚动轴承同源双通道早期故障信号分别进行稀疏分解,得到各自的稀疏信号;然后,将同源双通道稀疏信号进行全矢信息融合;最后,对融合后的信号进行包络解调分析,以提取出故障特征频率。该方法将全矢谱拓展到早期微弱故障诊断领域,并通过实验验证了其在早期微弱故障特征提取方面的有效性。     

稀疏自编码深度神经网络及其在滚动轴承故障诊断中的应用

针对目前滚动轴承故障诊断主要采用监督式学习提取故障特征的现状,提出了一种基于稀疏自编码的深度神经网络,实现非监督学习自动提取滚动轴承振动信号的内在特征用于滚动轴承故障诊断。首先,将轴承故障振动信号的频谱训练稀疏自编码获得参数;然后用稀疏自编码获得的参数和轴承振动信号频谱的频谱训练深度神经网络,并结合反向传播算法对深度神经网络进行整体微调提高分类准确度;最后用训练好的深度神经网络来识别滚动轴承故障。对正常轴承、外圈点蚀故障、内圈点蚀故障和滚动体裂纹故障振动信号的分析结果表明:相比反向传播神经网络,提出的深度神经网络更能准确的识别滚动轴承故障类型。     

基于形态分量分析的希尔伯特变换在滚动轴承故障诊断中的应用

形态分量分析是一种基于信号形态多样性和信号稀疏表示的信号处理方法。滚动轴承故障信号具有振幅呈指数衰减与环境噪声大的特点。通过构建一个对冲击信号敏感的字典,利用形态分量分析对轴承故障信号的时域形态特征进行最优化稀疏表示,得到滚动轴承冲击信号。并对形态分量分析后的冲击信号进行希尔伯特变换,得到明确的故障特征频率及其倍频。仿真分析与实验结果表明：该方法具有良好的降噪功能,能够准确地提取滚动轴承故障信号中的早期冲击特征。     

欠定盲解卷积用于滚动轴承复合故障声学诊断

针对旋转机械复杂声场中强噪声干扰及故障源未知等难题,提出一种基于盲解卷积的声学诊断方法.该方法采用包络谱余弦测度作为独立分量间距离测度,结合冲击信号峭度指标优选独立分量,进而通过频域稀疏分量分析对估计信号做进一步的分离,最终实现在欠定条件下对滚动轴承复合故障信号的可靠提取.实际声场环境中的滚动轴承复合故障声信号提取试验验证了该方法的有效性.     

基于稀疏分解的轴承声阵列信号特征提取

利用滚动轴承运行时的异常声响来识别轴承故障,搭建了轴承声阵列信号故障诊断实验平台。针对轴承声信号信噪比差、成分复杂、故障特征不明显的特点,提出一种基于稀疏分解的轴承传声器阵列信号特征提取方法。利用全息面有效声压场及其投影图对实验设备进行噪声源识别与定位,通过coif4小波字典和局部余弦字典构建冗余字典,采用稀疏分解提取热点噪声源声信号的冲击特征。仿真和实际声信号的处理结果表明,该方法准确提取了不同转速下声信号中的故障特征频率,证明了利用声阵列信号对轴承进行故障识别的有效性和可靠性。     

基于深度字典学习的滚动轴承故障识别

针对传统滚动轴承故障识别算法存在的特征提取与选择困难的问题,提出了一种基于深度字典学习(DDL)的滚动轴承故障诊断方法.首先,利用传感器采集了不同工况下的滚动轴承故障振动数据,并利用字典学习的稀疏性约束逐层学习了轴承故障数据中的典型结构特征;然后,借鉴深度学习的"逐层特征提取"思想,根据故障样本结构构造了深度故障字典,...     

基于频域稀疏分类的滚动轴承故障诊断方法

针对基于特征频率识别的滚动轴承故障诊断方法存在易受强噪声干扰的问题,提出基于频域稀疏分类算法的诊断方法。首先对已知故障类型的滚动轴承振动信号进行时频变换,利用频域变换系数构造训练字典,再将待测轴承振动信号的频域系数在该字典上进行稀疏分解,求取稀疏系数,根据重构误差的最小值确定故障类型。测试结果表明:该方法能有效克服噪声干扰,并避免故障特征频率的估算问题。     

自适应分块前向后向分段正交匹配追踪在重构滚动轴承故障信号中应用

针对滚动轴承故障信号分块压缩感知过程中,因分块之间的稀疏度差异较大以及重构支撑集构造不合理,致使信号重构精度较低,影响信号整体重构效果的问题,提出基于自适应分块前向后向分段正交匹配追踪算法(Adaptive block forward and backward stagewise orthogonal matching pursuit,Adaptive Block-FBStOMP)。首先,依据短时自相关算法确定滚动轴承故障信号自适应分块长度,并根据此长度对信号进行自适应分块;其次,利用K奇异值分解(K-singular value decomposition, K-SVD算法训练稀疏字典;最后,提出FBSt OMP算法,在重构过程中增加原子回溯和二次筛选过程,提高有效支撑集原子被全部选入支撑集中的可能性,改善重构效果。通过仿真信号和故障信号试验分析可知,与传统压缩感知重构算法相比,该算法能够有效提升滚动轴承故障信号的重构精度。     

基于改进形态分量分析的滚动轴承包络分析方法

滚动轴承出现局部损伤时,其振动信号既包含轴承自身原因引起的谐振分量,也包含故障信息的冲击分量和噪声分量。谐振分量为信号中的相对平滑部分,其品质因子较高;冲击分量表现为信号中的瞬态成分,其品质因子较低。针对这一特点,利用可调品质因子小波变换稀疏表示信号,提出一种改进形态分量分析方法,并将其应用于滚动轴承的包络分析中。采用可调品质因子小波作为稀疏表示字典,实现不同分量的分离,并对冲击分量进行包络分析,判断滚动轴承故障。滚动轴承故障实验表明,该方法能够有效提取故障特征,诊断轴承出现的故障类型。     

基于信号特征的复合字典多原子匹配算法研究

在经典匹配追踪算法的基础上,提出基于信号特征的复合字典多原子匹配的改进算法,并应用于轴承故障诊断领域。针对滚动轴承损伤性故障振动信号特点,构造高频段冲击时频特征原子库与低频段Fourier特征原子库相结合的复合字典。研究复合字典多原子匹配的稀疏分解及重构算法以用于提取故障特征,并在重构算法中引入阈值降噪原理。滚动轴承故障试验信号和工程信号分析结果证明,在冲击性故障特征提取效果上,基于信号特征的复合字典多原子匹配优于单原子匹配,并且硬阈值降噪处理效果优于无阈值处理效果。     

基于ADMM字典学习的滚动轴承振动信号稀疏分解

在稀疏分解过程中,字典模型构建的结果会直接影响稀疏分解的效果。为获得结构更好的字典,提出了一种基于交替方向乘子法(ADMM)的字典学习方法,在字典学习过程中采用交替方向乘子法逐个更新字典中原子,得到的字典具有良好的结构。将该字典学习方法应用到滚动轴承振动信号稀疏分解中,能获得更快的字典学习速度和更好的稀疏分解效果。与K-SVD字典学习方法相比较,证明了所提方法在轴承信号稀疏分解中的优越性。     

基于优化稀疏编码学习的机械设备电子故障检测研究

针对现有机械设备电子故障检测方法非线性逼近性能差的问题,提出了基于优化稀疏编码学习的检测算法研究。采用了稀疏表达的方式来识别机械设备电子故障信号,提高了检测算法全局寻优的能力,避免陷入局部最优解;通过提升过完备字典模型内部原子结构与故障信号的匹配度的方式,获取了精度更高的稀疏解;促使稀疏逼近后重构信号的周期性与原始信号保持一致,并引入了特征自学习方案;最后采用分段的方式提取了各段信号的稀疏表征,改善了对原始故障信号的控制与检测性能。研究结果表明:提出检测算法在信号故障特征提取方面与原始信号周期性峰值匹配度更高,重构信号的控制误差较低,在稀疏度值超过100时的时间消耗相对于现有检测方法具有更明显的优势。     

基于改进最大相关峭度解卷积的滚动轴承复合故障诊断

强背景噪声环境下,多故障特征的准确分离是滚动轴承复合故障诊断的关键与难点。针对此问题,提出了一种改进最大相关峭度解卷积的滚动轴承复合故障诊断方法。该方法基于故障信号的特点,利用最大相关峭度解卷积实现信号中的多故障特征分离,借助改进的粒子群算法对参数进行优化选取;利用互相关谱进一步突出信号中的故障特征,提高信噪比。仿真信号和实测滚动轴承内、外圈复合故障信号的分析表明,所提方法能够准确提取出滚动轴承复合故障特征,借助互相关谱的噪声抑制能力,能实现比单一MCKD方法更为有效的故障特征提取。     

利用多通道盲反卷积提取滚动轴承故障冲击信号

分析了滚动轴承振动信号的多通道盲反卷积模型.在实验室中利用最小均方盲反卷积算法,从测量信号中提取出滚动轴承故障冲击信号,实现了滚动轴承的故障诊断.     

改进经验小波变换和改进字典学习在轴承故障识别中的应用

通过深度学习进行滚动轴承故障识别时,存在因信号噪声导致故障识别率较低和深层网络收敛速度慢的问题。针对上述问题,提出了一种改进经验小波变换(EEWT)和改进字典学习(EDL)的轴承故障识别方法。首先,将轴承振动信号进行包络谱变换,通过包络谱的极值点与自适应阈值的关系进行包络谱边界自动划分,进而利用经验小波变换(EWT)将信号自动分解为调幅-调频(AM-FM)分量;其次,提出一种新的AM-FM分量筛选指标,利用筛选指标选取合适的AM-FM分量进行重构,进而对信号进行有效降噪;最后,利用稀疏性约束逐层学习降噪后轴承故障样本中的典型结构特征,并构造深层故障字典(DFD),将故障样本输入DFD中,根据样本的重建误差确定故障类别。试验结果表明,该方法对噪声的鲁棒性高,故障识别能力优于其他模型,而且该方法可利用驱动字典自动提取轴承振动信号样本中的故障特征;同时,EDL结构使所提取的故障特征具有较好的层次性,符合人对故障的直观认识,可用于滚动轴承故障识别工程中。     

AR模型和SVM在机床滚动轴承故障诊断中的应用

将自回归模型(AR)和支持向量机(SVM)应用到机床滚动轴承的故障诊断中,根据滚动轴承的振动信号建立自回归模型,以自回归参数和残差的方差作为特征向量,然后建立基于支持向量机的多故障分类器,进而判断滚动轴承的故障类型.通过实例分析和与神经网络方法对比,表明该方法能有效地判别机床滚动轴承的故障类型.