基于幂函数型双稳随机共振的故障信号检测方法

在实际的故障诊断中,有用信号经常淹没在噪声中,特征信息提取非常困难。为了提取强噪声背景中的微弱信号,将幂函数型单势阱模型与Gaussian Potential模型相结合提出一种新型的双稳随机共振系统,称为幂函数型双稳随机共振系统。首先,以平均信噪比增益为衡量指标,提出一种寻找最优系统参数组合的算法,使微弱信号、噪声及系统产生最佳的共振效果;然后,基于幂函数型双稳随机共振系统对Levy噪声背景下的仿真信号进行检测;最后提出一种基于小波变换和幂函数型双稳随机共振的微弱信号检测方法并应用于轴承故障信号检测中。仿真实验表明,幂函数型双稳随机共振模型在故障信号检测中是有效和可靠的。     

Weak fault feature extraction of rolling bearing under strong poisson noise and variable speed conditions

Fault feature extraction of the rolling bearing under strong background noise is always a difficult problem in bearing fault diagnosis. At present, most of the research focuses on weak signal extraction under Gaussian white noise and has certain practical significance. However, the noise in engineering is often complex and changeable, Gaussian white noise cannot fully simulate the actual strong background noise. Poisson white noise is a type of typical non-Gaussian noise, which widely exists in complex mechanical impact. It is of great significance to study the weak fault feature extraction of a faulty bearing under this type of noise. At the same time, variable speed conditions occupy most rotating machinery speed conditions. Non-stationary vibration signals make it difficult to extract fault features, and the frequency spectrum ambiguity will occur because of speed fluctuation. To solve the above problems, a method of weak feature extraction of a faulty bearing based on computed order analysis (COA) and adaptive stochastic resonance (SR) is proposed. Firstly, by numerical simulation, the non-stationary fault characteristic signal corrupted with strong Poisson noise is transformed into a stationary signal in the angle domain by COA. Secondly, the influence of the parameters of the pulse arrival rate and noise intensity of Poisson white noise on the optimal SR response in the angle domain are studied, and the influence of the parameters of Poisson white noise on the fault feature extraction is given. Then, adaptive SR method is used to extract and enhance fault feature information. Finally, the effectiveness of this method in weak fault characteristic signal extraction under strong Poisson noise is verified by experiments. Numerical simulation and experimental results verify the effectiveness of the proposed method in bearing fault diagnosis under strong Poisson noise and variable speed conditions.

     

基于多稳随机共振的机电设备故障诊断研究

针对机械轴承早期故障诊断提出了多稳随机共振检测方法。分析了系统参数对多稳系统结构的影响,研究了高斯噪声背景下基于多稳随机共振的微弱信号检测方法。采用平均输出信噪比作为衡量指标,以多频微弱信号为待测信号进行数值仿真,并将其应用于滚动轴承故障信号检测中,实验结果均表明,该方法对早期故障振动信号具备准确的诊断能力,为其应用于工程实践奠定了基础。     

级联分段线性随机共振的微弱信号检测

针对强背景噪声下微弱信号检测困难的问题,提出了一种级联分段线性随机共振的微弱信号增强检测方法。该方法采用分段线性随机共振模型,避免了经典双稳系统对强噪声下弱信号提取时存在的饱和现象,同时,选用的分段线性系统的级联方式可使高频噪声被有效滤掉,低频信号能量不断增强。仿真信号和滚动轴承故障信号的检测结果表明,该方法可以适应更低信噪比信号的检测,参数调节方便,检测结果优于级联双稳系统,具有良好的工程应用前景。     

基于振型多分辨复杂度谱的板结构损伤检测

针对目前基于振型的结构损伤检测方法普遍存在抗噪能力弱、对弱小损伤不敏感等不足,开展了克服这些缺陷的板类结构损伤识别研究。鉴于结构振型中噪声、趋势和损伤信息具有不同的尺度分布特性,基于二维高斯小波变换,提出多尺度振型空间概念,使振型的各成分信息得以独立表达,以凸显损伤信息。通过定义点态复杂度指标,借助滑动窗口法,在多尺度振型空间上形成多分辨复杂度谱。多分辨复杂度谱可使损伤进一步显现,能描述损伤的位置、大小及形状,并能反应损伤程度,实现了在噪声条件下对板类结构轻微损伤的准确表征。基于一实际工程闸门的数值模拟和两个模型试验,验证了所提方法的正确性和有效性。     

DT-CWT相关滤波在齿轮箱故障诊断中的应用

根据小波系数的相关分析理论,提出了基于双树复小波变换的小波相关滤波法。该方法根据相邻层小波系数的相关性,通过迭代过程自适应地进行滤波,能够在达到良好降噪效果的同时保留微弱故障特征信息。对降噪后的信号进行希尔伯特包络分析便可准确得到故障特征频率。试验信号分析与工程应用结果表明,该方法能够有效提取强背景噪声下的齿轮箱轴承早期故障特征信息。     

基于自适应多尺度自互补Top-Hat变换的轴承故障增强检测

针对实际工程中滚动轴承冲击性故障特征难以提取的问题,提出一种自适应多尺度自互补Top-Hat(Adaptive multi-scale self-complementary Top-Hat, AMSTH)变换方法用于轴承故障的增强检测。自互补Top-Hat变换在消除信号中背景噪声的同时,能有效增强故障振动信号的冲击特性,而构造的多尺度自互补Top-Hat变换方法,可以较有效地兼顾抗噪性能和信号的细节保持。在分析形态学滤波的基础上,提出采用特征幅值能量比(Feature amplitude energy radio, FAER)的方法自适应确定最优结构元素的尺度,并应用于轴承的故障增强检测。通过对仿真信号和实测轴承滚动体、内圈故障信号进行分析,结果表明该方法可有效增强滚动轴承的故障检测,并且在运算效率和提取效果方面优于基于信噪比标准的多尺度形态学开-闭和闭-开组合变换方法。     

混沌背景中微弱谐波信号检测的SVM方法

为了提高混沌背景下的微弱谐波信号检测能力，提出了一种提取混沌背景中微弱谐波信号的支持向量机（support vector machines，SVM）方法。该方法的突出特点是针对小样本或嵌入维数未知的情况，建立混沌噪声的一步预测模型，抑制噪声对混沌背景信号预测的影响，起到预滤波作用，然后从预测误差中提取微弱谐波信号。实验结果表明，该方法具有比传统RBF神经网络预测方法更强的稳健性和泛化性，在信噪比（SNR）为-47．931dB时仍可检测出强混沌中的微弱谐波信号。     

复选降噪自适应型MCKD方法研究

针对强噪声干扰下,最大相关峭度解卷积（Maximum correlation kurtosis deconvolution,MCKD）对于弱响应轴承滚动体故障信号指定周期冲击增强和辨识能力有限,无法自适应确定参数的问题,提出一种改进MCKD故障诊断方法。首先利用小波多尺度分解得到故障响应高频分量使冲击成份更加凸显;然后以峭度值最大准则复选出最优故障信号高频分量,降低噪音的干扰;最后结合小波方差自适应确定MCKD参数。轴承故障仿真、实验数据分析结果表明,该方法能够实现弱响应的轴承滚动体故障诊断,同时适用轴承内外圈故障诊断。     

刀具磨损早期故障智能诊断研究

针对刀具的早期故障监测中因存在强烈的背景噪声而难以提取故障特征的问题,提出了基于二次采样随机共振消噪和B样条神经网络智能识别的故障诊断方法。首先利用在随机共振过程中,噪声增强振动信号的信噪比特性,将刀具振动信号进行随机共振输出,提取有效特征,再输入到B样条神经网络进行智能识别,进而获得刀具的磨损值。同时,为了得到与输入信号最佳匹配的随机共振参数,提出了基于遗传算法的多参数同步优化的自适应随机共振算法,克服了传统随机共振系统只实现单参数优化的缺点。实验结果表明,该方法能实现弱信号检测,能有效地应用于刀具磨损故障诊断中。     

结合复小波包变换及频谱校正的机械转子碰摩故障诊断方法研究

针对机械转子系统中碰摩故障发生时故障特征微弱及识别困难的问题,提出一种结合双树复小波包变换及频谱校正的故障诊断方法。首先对于振动位移信号中工频基波成分,采用频谱加矩形窗的频谱校正方法识别其谐波信息,通过构造补偿信号进行对消,以减少其对后续特征提取的影响。其次通过双树复小波包对补偿过的信号进行多尺度分解;最后对小波包子空间信号进行希尔伯特包络解调分析,通过瞬时幅值及瞬时频率信息诊断转子的动静碰摩故障。在转子实验台上进行了实验验证,结果表明提出的方法能有效提取转子碰摩产生的微弱故障特征。     

基于小波熵的微弱信号检测方法研究

在科学技术研究领域中,经常会遇到非平稳、低能量、瞬时变化的微弱信号检测问题,然而,微弱的有用信号往往被环境噪声所湮没,最大程度地提取有用信息一直是弱信号检测中的一个难题。尤其对短时低能量的瞬变信号,采用传统信号处理方法提取其位置信息难以奏效。小波分析的方法为弱信号检测技术开辟了一条新途径,但小波变换对弱信号进行特征提取的关键在于确定小波系数的阈值。为此,在软阈值基础上引入反映信号能量分布特性的小波熵概念,利用信号在不同分解尺度上具有不同的小波熵,能够自适应地确定高频系数分量的阈值。仿真分析表明,基于小波熵分析的方法能够在强噪声环境中对微弱信号准确定位,实现低能量的瞬变信号有效提取。     

超声探测弱信号提取方法

为了在超声检测中排除噪声干扰，从强噪声背景中提取弱回波信号，利用小波变换技术从超声探测信号中提取弱缺陷回波信号，建立了超声缺陷回波的数学模型，并进行了仿真实验，其特有的“变焦距”特性使得小波分析在时域和频域中具有良好的分析能力。结果表明，利用小波变换方法能够很好地抑制噪声，提高信噪比，提取强噪声背景中的弱回波信号，且该方法原理简单，易于实现，在工程上有较高的应用价值。     

频率调制随机共振的数值分析

对随机共振技术运用于强噪声背景下的弱信号检测进行了研究,提出了用频率调制的方法,实现了在大参数情况下从强噪声中检测微弱周期信号.数值计算结果表明,该方法可形成低频信号,该低频信号通过双稳系统易产生随机共振,能使微弱的故障信号特征突出、明显,易于捕捉.     

基于倒谱预白化和随机共振的轴承故障增强检测

轴承损伤引起的冲击受到离散频率分量和噪声干扰,使轴承故障检测面临困难。结合基于倒谱编辑(Cepstrum editing procedure, CEP)的信号预白化和随机共振(Stochastic resonance, SR)微弱信号检测技术,提出一种轴承故障增强检测的新方法。信号预白化能够提升轴承振动信号的冲击特性,产生包含白噪声和轴承局部故障信号的白化信号。在未知最优共振频带的情况下,对白化后的轴承振动信号进行包络分析,增强故障特征分量的同时引入了较多噪声。通过随机共振的归一化尺度变换,将轴承包络信号作为检测模型的输入,增强轴承故障特征频率分量。提出将轴承故障特征频率处的局部谱峭度和局部信噪比作为对照指标。实测正常和外环植入故障轴承的诊断结果表明,提出的方法优于基于谱峭度优化的包络分析和单纯的信号预白化方法。     

子波变换在复合材料冲击损伤实时检测中的应用

基于传统信号处理对非平衡信号的局限,分析了子波变换下奇异信号和白噪声在多尺度空间中模极大值传播特性,对复合材料所冲击信号进行处理,提出一种对相似信号进行归类的方法,该方法能实时有效从冲击信号中提取冲击的大小及位置信息,并对复合材料冲击损伤准确定位。     

基于小波多分辨率分析的风力发电机的故障特征提取与识别

利用小波多分辨率分析的方法对风力发电机振动信号进行分析,并运用小波变换对测得的信号进行处理,达到对风力发电机组故障的诊断识别。将提取的振动信号映射到小波基函数上,经平移和伸缩具有正交性的小波函数,然后再经小波变换归一化得到小波分解序列的幅值,以此作为诊断识别的特征值,实现了在多尺度下特征信息的提取与故障识别,说明该方法行之有效。     

Grinding Burn Detection Based on Cross Wavelet and Wavelet Coherence Analysis by Acoustic Emission Signal

Grinding burn monitoring is of great importance to guarantee the surface integrity of the workpiece. Existing methods monitor overall signal variation. However, the signals produced by metal burn are always weak. Therefore, the detection rate of grinding burn still needs to be improved. The paper presents a novel grinding burn detection method basing on acoustic emission(AE) signals. It is achieved by establishing the coherence relationship of pure metal burn and grinding burn signals. Firstly, laser and grinding experiments were carried out to produce pure metal burn signals and grinding burn signals. No-burn and burn surfaces were generated and AE signals were captured separately. Then, the cross wavelet transform(XWT) and wavelet coherence(WTC) were applied to reveal the coherence relationship of the pure metal burn signal and grinding burn signal. The methods can reduce unwanted AE sources and background noise. Novel parameters based on XWT and WTC are proposed to quantify the degree of coherence and monitor the grinding burn. The grinding burn signals were recognized successfully by the proposed indexes under same grinding condition.     

基于改进经验小波变换的机车轴承故障诊断

机车轴承在噪声较大的背景下工作,发生故障时,难以有效地提取其故障特征,针对这一问题,提出了经验小波变换（EWT）方法。为克服经验小波变换方法中噪声分量干扰子频带划分的问题,提出一种采用信号时频峭度谱局部极小值划分频带的方法,基于子频带构造正交小波滤波器组对信号进行EWT分解。仿真实验和工程应用表明,改进后的EWT能够较好地克服噪声分量对子频带划分的干扰,有效地分离出机车轴承损伤故障的特征。     

A new adaptive cascaded stochastic resonance method for impact features extraction in gear fault diagnosis

Gearboxes are widely used in engineering machinery, but tough operation environments often make them subject to failure. And the emergence of periodic impact components is generally associated with gear failure in vibration analysis. However, effective extraction of weak impact features submerged in strong noise has remained a major challenge. Therefore, the paper presents a new adaptive cascaded stochastic resonance (SR) method for impact features extraction in gear fault diagnosis. Through the multi-filtered procession of cascaded SR, the weak impact features can be further enhanced to be more evident in the time domain. By analyzing the characteristics of non-dimensional index for impact signal detection, new measurement indexes are constructed, and can further promote the extraction capability of SR for impact features by combining the data segmentation algorithm via sliding window. Simulation and application have confirmed the effectiveness and superiority of the proposed method in gear fault diagnosis.