基于Morlet小波变换的信号去噪及在轴承状态监测中的应用

为在强噪声背景下利用振动信号中隐含的冲击特征成分来反映轴承性能退化趋势,提出一种基于Morlet小波变换和时域特征参数提取相结合的轴承状态监测方法。通过引入谱峭度评估Morlet小波滤波的去噪效果,再从信号滤波结果构建的组合信息中提取时域特征参数。对轴承全寿命数据的应用结果表明,特征参数的变化趋势能够监测轴承状态的劣化过程,伴随的早期故障检测可以提高轴承使用的安全性。     

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Morlet小波变换的滚动轴承早期故障特征提取研究

针对轴承故障初期振动信号中的特征成分极易被噪声信号淹没而不能及时检测的问题,结合Morlet小波变换降噪的基本原理,提出一种由尺度相关能量分布确定最优尺度参数的方法,从而在该尺度下对信号滤波来提取冲击特征成分.以最小Shannon熵优化Morlet小波的形状参数,实现母小波与信号故障特征的最佳匹配;以最优Morlet小波在不同变换尺度下的小波系数绘制尺度-能量谱,利用信号故障特征能量在特定尺度范围内聚集的特性,从谱图的极值点中选择滤波效果最好的尺度参数.对轴承全寿命数据的实际应用结果表明,与信号的均方根趋势相比,该方法能够提前从信号中提取微弱故障特征并检测到轴承的外圈故障,为轴承早期故障诊断提供了一种有效途径.     

基于自适应复平移Morlet小波的轴承包络解调分析方法

针对滚动轴承的传统包络解调分析技术需要人工选择参数的缺点,提出一种自适应包络解调分析方法。该方法针对轴承故障在振动信号中表现为冲击衰减波形的特点,采用复平移Morlet小波实现冲击特征波形的自动提取。同时,基于小波系数峭度值最大的优化策略,给出Morlet小波基函数的中心频率和包络因子的优化方法,从而实现与冲击特征成分的最优匹配,获得较好的包络信号。对模拟信号和实际轴承故障数据的应用分析表明,该方法通过对基函数波形的优化匹配,可以有效地解调出弱故障特征分量,效果优于普通的复平移Morlet小波变换,适合于轴承的早期故障特征提取。     

电机与负载轴承耦合故障的谱峭度诊断方法

当机电传动系统中电机轴承与负载轴承同时发生故障时,呈现出振动信号复杂、轴承故障信号信噪比差、故障特征不明显的特点。针对上述问题,提出了基于小波和谱峭度相结合的轴承耦合故障诊断方法。首先,通过小波分解可以将耦合故障的多频带故障特征分解到各个子频带中,减少不同故障之间的相互影响;其次,根据谱峭度最大原则自动选择最佳带通滤波进行滤波,对滤波后的信号进行包络分析,从包络谱中对故障特征频率进行快速有效的识别,进而确定故障类型和故障位置;最后,利用支持向量机实现电机轴承耦合故障的模式分类。实验结果表明,利用该方法能够有效地滤除噪声干扰,提取强谐波信号下的弱故障特征,效果优于传统谱峭度分析方法。     

滚动轴承自适应特征提取的包络谱多点峭度多级降噪方法

滚动轴承故障信号主要包含高品质因子振动分量和低品质因子瞬态冲击分量。采用多点最优最小熵解卷积方法初步削弱传输路径等干扰影响,使微弱瞬态冲击成分得到初步增强,然后针对共振稀疏分解(RSSD)方法存在的品质因子选择困难问题,同时考虑包络谱中故障频率成分的严格周期性,提出包络谱多点峭度(ESMK)概念并将其作为优化指标,采用粒子群优化算法(PSO)对品质因子进行选择,得到一种自适应稀疏分解方法（PSO-RSSD）用于瞬态冲击信号的提取,以消除信号中高幅值干扰冲击和背景噪声的影响。轴承仿真与实测信号分析结果表明,与最小熵解卷积信号共振稀疏分解方法相比,在强冲击干扰下ESMK能够有效度量周期性瞬态冲击,PSO-RSSD方法能自适应分离最优低品质共振分量,验证了该方法的有效性和优越性。     

基于SK-MOMEDA的滚动轴承微弱故障特征提取

针对滚动轴承早期周期性瞬态冲击不明显及谱峭度在低信噪比情况下分析效果差的问题,提出多点优化最小熵解卷积(Multipoint optimal minimum entropy deconvolution adjusted,MOMEDA)和谱峭度相结合的轴承微弱故障特征提取方法.首先,采用MOMEDA作为前置滤波器对含有强噪声的微弱故障冲击信号进行降噪,突显信号中的周期性冲击性成分;然后,通过谱峭度分析,以最佳中心频率和带宽对降噪的信号进行带通滤波;最后,对滤波后的信号进行Hilbert包络谱分析,便可以准确地获得轴承信号的故障特征频率.仿真信号和实验分析结果表明,该方法可有效增强振动信号的周期性瞬态冲击特征,提取出滚动轴承早期微弱故障特征.     

基于自适应最优Morlet小波的滚动轴承故障诊断

滚动轴承早期故障信号中故障信息比较微弱常常被强噪声所掩盖,增加了对滚动轴承故障诊断的难度。针对这一问题,笔者提出了基于自适应最优Morlet小波变换的滚动轴承故障诊断方法。首先,利用粒子群优化算法对Morlet小波变换的核心参数进行自适应寻优,在获得最优Morlet小波的同时保证了良好的带通滤波性能;然后,将最优Morlet小波对滚动轴承早期故障信号进行滤波去噪,提高信号的信噪比;最后,对最优Morlet小波滤波信号进行包络谱分析,通过包络谱中的主导频率成分与滚动轴承各元件的故障特征频率对比从而判断轴承的故障位置。仿真数据和实测数据分析结果证明,笔者所提方法能够有效提取故障信号中的特征信息,具有一定的有效性。     

基于复Morlet小波的列车走行部轴承故障监测系统北大核心CSCD

文中针对列车走行部中轴承的故障设计了一种故障监测系统,实时监测轴承的状态,提高轴承故障诊断的精度。该系统将数据采集与处理分离,对轴承的温度和振动数据进行采集,传给处理板进行诊断,使用谱峭度提取振动信号中的共振频率,以此确定复Morlet小波的中心频率和尺度,使用小波变换对信号进行处理。该算法能自适应提取信号的共振频率,有效过滤外界噪声的干扰,提高轴承故障诊断的精度。通过模拟轴承故障对该系统进行验证,该系统能有效检测走行部轴承的故障。     

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。     

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。     

基于小波包能量与峭度谱的滚动轴承故障诊断

针对故障轴承的振动信号中包含冲击成分,导致信号的能量集中的问题,提出了一种基于小波包能量与峭度谱相结合的方法用以提取轴承故障信号特征.首先应用小波包对测量信号进行分解、能量归一化处理和信号重构,然后将重构信号采用峭度谱确定带通滤波器的最佳中心频率和带宽,最后将滤波信号进行包络解调并提取故障特征频率.分别对仿真信号和试验数据进行研究,能够清晰地得到故障特征频率及其高次谐波,从而验证了所提方法在滚动轴承的故障诊断中的有效性和可行性.     

基于PPCA-EWT的滚动轴承轻微故障诊断

针对经验小波变换(empirical wavelet transform,简称EWT)在强背景噪声下对轴承的轻微故障特征提取不足的问题,提出了概率主成分分析(probabilistic principal component analysis,简称PPCA)结合EWT的滚动轴承轻微故障诊断方法。首先,对信号做PPCA预处理,提取信号主要故障特征成分,去除强背景噪声干扰;然后,采用EWT方法分解轴承故障信号,按相关系数-峭度准则选出故障特征较为明显的分量,并将所选分量重构故障信号;最后,对信号采取包络分析,提取出轴承故障特征。仿真和实验结果表明,该方法能够有效地诊断出轴承故障且效果优于对信号进行EWT包络分析。     

多源稀疏优化方法研究及其在齿轮箱复合故障检测中的应用

齿轮箱因其工作环境恶劣,极易出现复合故障,其故障振动信号往往包含多种成分且伴随着强烈的背景噪声,给齿轮箱故障诊断带来了很大的困难.稀疏分解能够在强背景噪声下有效地提取微弱故障特征,针对传统稀疏分解方法存在信号保真能力欠缺,目标函数非凸导致局部最优解,模型通用性差等问题,基于广义极小极大凹(Generalized minimax concave,GMC)惩罚函数推导构建了具有保凸性的多源稀疏优化目标函数,并利用前向后向分裂(Forward-backwardsplitting,FBS)算法,基于Laplace小波字典,Morlet小波字典与DFT字典分别求解轴承瞬态成分,齿轮瞬态成分,谐波成分的稀疏表示,最终实现各成分的准确提取.仿真信号和试验信号的分析均验证了所提出的模型能够在不需要故障具体数目的先验知识下,准确实现齿轮箱复合故障的信号分解和故障诊断.     

谐波小波滤波与HHT在轴承故障诊断中的应用

谐波小波具有良好的盒形频谱特性,可以将非平稳振动信号既不交叠又无遗漏地分解到相互独立的频带上。将谐波小波作为滤波器,可以将特定频段的成分与信号的其他频率成分分离,进行重构后就能够提取出强背景噪声干扰下的特定信号频段成分,实现谐波小波滤波。然后,对故障敏感段信号进行HHT边际谱分析,并以边际谱的最大峰值作为特征向量判断轴承的工作状态和故障类型。     

瞬态成分参数的最小二乘法辨识及其轴承故障特征提取应用

机械系统中轴承出现剥落、裂纹等局部故障,运行时振动信号中出现瞬态冲击响应成分,可通过瞬态成分的检测与提取实现故障特征提取。在瞬态成分建模的基础上,提出基于最小二乘法的瞬态成分参数辨识方法,并将其应用于轴承局部故障时振动信号中瞬态成分特征迭代提取。基于Morlet小波参数化表达式建立双边不对称的瞬态成分模型,应用Levenbery-Marquardt方法辨识模型参数,迭代提取信号中的瞬态成分,并通过Wigner-Ville分布获得瞬态成分高聚集性且瞬态成分之间无交叉项的故障特征时频表示。将基于最小二乘法的瞬态成分参数辨识方法应用于轴承局部故障特征提取,结果表明:该方法能通过参数辨识提取各瞬态成分,瞬态成分时频分布将故障的时频特征以高聚集性且瞬态成分之间无交叉项的形式表示出来,从而有效提取轴承故障特征。     

基于峭度准则VMD及平稳小波的轴承故障诊断

为了从强噪声背景下的轴承振动信号中准确稳定地提取滚动轴承故障特征,提出了基于峭度准则VMD及平稳小波的轴承故障诊断方法。使用变分模态分解对同一负荷下的故障信号进行预处理,通过峭度准则筛选出最佳和次佳信号分量进行重构并使用平稳小波进行去噪处理,最后分析信号的包络谱来对轴承的故障类型进行判断。通过对仿真滚动轴承内圈故障信号进行分析,该方法可成功提取出微弱特征频率信息,噪声抑制效果优于EMD。由此表明,基于峭度准则VMD及平稳小波的轴承故障诊断可有效提取强声背景下的滚动轴承早期故障信息,具有一定的可靠性和应用价值。     

自适应Morlet小波降噪方法及在轴承故障特征提取中的应用

分析了Morlet小波变换的滤波特性及其时频分辨率,利用Morlet小波良好的时域和频域特性及奇异值分解技术,提出了一种基于自适应Morlet小波和SVD的降噪方法。针对滚动轴承故障在振动信号中表现为冲击衰减波形的特点,采用修正的Shannon熵方法同时优化Morlet小波的中心频率与带宽参数,实现其与冲击特征成分的最优匹配;针对根据小波系数矩阵奇异值曲线的过渡阶段求取最佳变换尺度的方法存在着不够快捷方便的不足,将其与小波系数奇异值比方法相结合来快速方便地求得最佳变换尺度;最后对信号进行降噪处理提取故障特征。对仿真信号和实际轴承内外圈故障信号的应用分析表明,该方法具有良好的降噪性能,能有效地提取出滚动轴承的微弱故障特征。     

基于EMD与匹配追踪的轴承故障诊断

在强噪声背景下的轴承故障特征信号提取,是轴承故障诊断研究中的重要内容。首先通过EMD方法对信号从高频到低频进行滤波处理,选取最大谱峭度IMF分量进行信号重构,使用匹配追踪对重构信号进行脉冲提取,设置软阈值筛选对原子进行自适应选择,与其他方法相比,更有效地提取出了故障冲击成分。     

基于自适应增强差分积形态滤波器的滚动轴承故障特征提取方法

为了在强背景噪声下提取滚动轴承微弱的故障特征信息.提出一种新的自适应增强差分积形态滤波方法(Adaptive enhanced difference product morphological filter,AEDPO)用于滚动轴承早期的故障诊断.首先,结合已有的四种形态学滤波算子滤波的能力,提出一种改进的增强差分积形态滤波算子(Enhanced difference product morphological filter operation,EDPO),该算子具有在强背景噪声下提取周期性脉冲特征的能力.随后,针对形态滤波过程中最优的结构元素(Structuring element,SE)尺度选择问题,提出一种新的自适应选择策略,名为峭度特征能量积(Kurtosis feature energy product,KF).最后,EDPO算子凭借最优的SE尺度进行滤波处理,提取滚动轴承早期的故障特征.通过对仿真信号和实测滚动轴承内圈故障信号进行分析,结果表明AEDPO方法能够有效地在强背景噪声中提取滚动轴承微弱的故障特征,对比于传统的形态滤波方法更能体现该方法的准确性和优越性.