利用粒子滤波与谱峭度的滚动轴承故障诊断

针对快速谱峭度在低信噪比情况下分析效果差的问题,提出应用粒子滤波的前处理降噪方法来提高信噪比,从而解决谱峭度受噪声干扰效果差的问题,进而提高滚动轴承故障诊断的成功率。建立振动信号的状态方程,提取原始信号的背景噪声,将其与状态方程之和作为观测方程。联立状态方程与观测方程来建立状态空间模型。采用粒子滤波对信号重新估计,得到新序列即是降噪之后的信号,结合快速谱峭度方法,获取最佳分析频带。并结合频谱分析得出故障频率。对比快速谱峭度与经验模式分解(Empirical mode decomposition,EMD)方法降噪的谱峭度分析诊断结果,证明所提方法的有效性。     

粒子滤波在机械密封声发射信号降噪中的应用

机械密封声发射信号容易受到环境噪声的干扰,信噪比很低。提出一种基于互补集合经验模态分解(CEEMD)和粒子滤波(PF)相结合的降噪新方法(CEEPF)。该方法首先对采集的声发射信号进行CEEMD分解,利用相关系数原理识别出高频IMF分量后对其进行重构;然后对重构后的信号建立ARIMA模型,将其作为信号的状态方程,再利用小波分解重构思想提取测量噪声,并建立测量方程;最后对重构信号进行粒子滤波,将滤波结果与各低频IMF分量一起重构得到降噪后的声发射信号。结果表明:基于CEEMD与PF的机械密封声发射信号降噪方法能够很好地滤除背景噪声,并且能最大程度保留有效信息。对仿真信号和实验信号分别进行CEEMD小波阈值、标准粒子滤波、CEEPF降噪,发现CEEPF降噪在降噪效果上明显优于其他2种方法。     

强噪声背景信号的Perona-Malik扩散滤波算法

为了提取强噪声背景下机械振动信号的微弱故障特征,提出利用Perona-Malik非线性各向异性扩散滤波模型来实现强噪声背景信号降噪的方法。首先阐述了偏微分方程和Perona-Malik扩散滤波模型在图像降噪中的应用;其次分析了小波变换等传统信号降噪方法的不足;最后基于图像降噪和信号降噪原理的相似性,利用Perona-Malik扩散滤波模型来实现机械振动信号的降噪,将其用于轴承振动仿真信号和实测信号。实验表明,与小波阈值去噪算法等传统信号降噪方法相比,Perona-Malik扩散滤波模型更适用于强噪声背景信号降噪,同时兼顾了信号去噪和保留信号细节特征的双重要求。     

基于相关分析和Lempel-Ziv指标的轴承损伤程度识别

针对单一故障模式下轴承内、外圈损伤程度的区分问题,提出了一种基于相关分析的Lempel-Ziv指标评估方法。通过相关分析在保留信号中频率成分的基础上来降低信号中噪声对Lempel-Ziv指标的影响。首先,该方法对原始信号进行自相关分析,将信号进行降噪;其次,对降噪处理后的信号进行0-1编码,得到信号的编码序列;最后,对编码后的序列计算Lempel-Ziv指标,得到信号的复杂度。通过仿真和轴承故障实验数据验证了所提方法的有效性。与传统的Lempel-Ziv指标及滤波后的Lempel-Ziv指标相比,在噪声环境下,所提方法能较好地识别噪声中轴承故障信号的复杂程度,能够有效的区分单一故障模式下轴承内、外圈的损伤严重程度。     

基于自相关降噪和ELMD的轴承故障诊断方法

为了提取在故障轴承振动信号中被强噪声淹没的微弱冲击特征信号,提出一种基于总体局部均值分解和自相关降噪的轴承故障诊断方法。首先,应用自相关函数对轴承故障信号进行降噪;其次,对降噪后的信号进行ELMD分解,并得到一系列的乘积分量;最后,利用共振解调技术对各个PF分量进行包络分析,进而发现轴承故障频率。试验结果表明:将自相关降噪和ELMD分解方法结合用于实测轴承故障特征提取中,不仅可以降低信噪比,而且可以有效地提取轴承故障的特征频率。     

基于CEEMD与IMCKD的滚动轴承故障诊断方法

针对滚动轴承故障冲击信号周期性强且易被强烈的背景噪声所淹没的特点,提出基于互补集合经验模态分解(CEEMD)与改进的最大相关峭度解卷积(IMCKD)的轴承故障诊断方法。首先,对采集到的信号进行CEEMD分解,利用峭度为准则筛选IMF分量进行信号的重构,再对重构信号进行最大相关峭度解卷积处理,实现信号的滤波降噪,最后,将滤波信号进行包络解调得到轴承的故障特征。通过轴承故障的仿真和实验研究,验证了该方法的有效性和可行性。     

形态滤波与EEMD在振动筛轴承故障诊断中的应用

轴承故障诊断的关键在于振动信号的前处理与故障特征参数的提取。形态滤波法可以利用特有的数学属性对故障信号进行有效的降噪处理,并突出故障信号的特征参数;同时利用集合平均经验分解对轴承的特有故障特征进行提取。将该振动信号提取方法应用到振动筛等振动机械的轴承故障特征提取中,通过试验表明,该方法可以有效提取振动机械中故障信号的频谱特征,便于工程应用。     

基于VMD和自适应谱线增强技术的滚动轴承故障诊断

为了在噪声干扰下准确提取滚动轴承振动信号的故障特征,提出了一种将变分模态分解与自适应谱线增强技术相结合的轴承故障特征频率提取方法。首先采用VMD对原始振动信号进行分解和重构,然后通过自适应谱线增强技术对重构信号进行降噪处理,最后对降噪信号进行包络解调分析得到故障特征频率。利用滚动轴承仿真信号和实测信号检验了所提出的方法,并与VMD及小波分析+ALE方法进行对比分析,结果表明,VMD+ALE方法的滤波效果及检测精度更好,能够更加有效的提取轴承故障特征。     

粒子滤波在含噪齿轮箱故障盲源分离中的应用

在机械故障诊断中,传感器所获得的信号不可避免地受到各种未知噪声的干扰,针对这种复杂噪声环境下的机械信号盲源分离不能得到较好分离效果的问题,提出了一种将粒子滤波用于含噪信号盲分离的方法,首先利用Rao-blackwellised粒子滤波对观测信号进行降噪处理,然后再进行独立分量分析。仿真和实验结果表明该方法是有效的。     

基于粒子滤波和自回归谱的液压泵故障诊断

针对飞机轴向柱塞式液压泵的工作状态监控问题,提出了一种基于液压泵振动信号分析处理的故障诊断新方法。通过对加速度传感器的原始数据序列进行信号建模,利用粒子数优化后的粒子滤波算法进行降噪;根据滤波后信号的自回归谱提取特征值,结合液压泵的故障机理分析其工作状态,实现对液压泵的故障分析和诊断。实验及仿真结果表明,粒子滤波可有效跟随原始信号并滤除噪声干扰,基于粒子滤波和自回归谱的液压泵故障诊断方法能有效地提取故障特征值,实现故障诊断和识别。     

自适应中值滤波器及其应用

将自适应加权中值滤波器应用于滚动轴承故障信号的故障诊断中。当信号中含有多种噪声时，让信号先通过自适应加权中值滤波器，再通过线性带通滤波器，对降噪后的信号进行包络解调处理，可以克服噪声对包络谱分析的影响。通过仿真和试验信号分析可以看出，自适应中值滤波器在机械故障诊断中具有较好的应用前景。使包络谱分析方法得到更广泛的应用。     

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。     

基于粒子滤波的电力机械设备状态在线监测

为提升电力机械设备状态在线监测的效果，提出基于粒子滤波的电力机械设备状态在线监测方法。通过人工萤火虫群算法改进粒子滤波算法后，借助随机子空间算法构建改进粒子滤波算法所需状态方程。利用该状态方程获取电力机械设备正状态观测矩阵和输出矩阵数值，并将其看作模态参数，依据该模态参数计算粒子滤波状态序列和电力机械设备振动状态变量数值后，构建粒子滤波器，使用该滤波器去除电力机械设备振动信号内干扰噪声后，对电力机械设备振动信号实施归一化处理，得到粒子权重概率和改进粒子滤波监测数值。通过设置振动信号监测步长和阈值，计算监测信号与采集信号差值，使其与所设阈值进行对比，获取电力机械设备状态在线监测结果。实验结果表明，该方法监测的电力机械设备信号最大偏差数值仅为0.003 dB,具备较好的信号跟踪能力，且具备较好电力机械设备振动监测能力。     

基于粒子群优化的形态学滤波器消噪方法

为了有效地消除信号的噪声,提出了基于粒子群优化的数学形态滤波器构造方法。首先,根据数学形态学算法的特性构造了形态学滤波器;然后,对于形态学滤波运算中的重要参数形态结构算子,采用具有全局优化性能的粒子群算法自适应选取,以最大信噪比作为整个优化过程的判定标准,从而实现了最优滤波器的构造;最后,通过仿真实验和轴承故障信号的分析表明,该形态学滤波器能够实现较好的滤波效果,可以有效地对机械设备的故障信号进行消噪。     

基于ITD-形态滤波和Teager能量谱的轴承故障诊断

针对强背景噪声下滚动轴承振动信号故障特征信息难以提取的问题,提出了结合固有时间尺度分解(ITD)-形态滤波和Teager能量谱的滚动轴承故障特征提取与诊断方法。首先对滚动轴承振动信号采用ITD方法分解,得到若干个固有旋转分量;考虑到噪声主要分布在高频段,取前2个高频的固有旋转分量进行形态滤波,并将滤波后的信号与剩余固有旋转分量重构;对重构信号计算Teager能量算子并绘制Teager能量谱,从Teager能量谱中可以识别出故障特征。将本方法应用于滚动轴承的内圈故障和外圈故障诊断,结果表明ITD-形态滤波可以有效去除振动信号中的背景噪声并保留冲击特征,Teager能量谱可以直观并准确显示出故障特征。     

Rolling element bearing faults diagnosis based on optimal Morlet wavelet filter and autocorrelation enhancement

The fault diagnosis of rolling element bearing is important for improving mechanical system reliability and performance. When localized fault occurs in a bearing, the periodic impulsive feature of the vibration signal appears in time domain, and the corresponding bearing characteristic frequencies (BCFs) emerge in frequency domain. However, in the early stage of bearing failures, the BCFs contain very little energy and are often overwhelmed by noise and higher-level macro-structural vibrations, an effective signal processing method would be necessary to remove such corrupting noise and interference. In this paper, a new hybrid method based on optimal Morlet wavelet filter and autocorrelation enhancement is presented. First, to eliminate the frequency associated with interferential vibrations, the vibration signal is filtered with a band-pass filter determined by a Morlet wavelet whose parameters are optimized by genetic algorithm. Then, to further reduce the residual in-band noise and highlight the periodic impulsive feature, an autocorrelation enhancement algorithm is applied to the filtered signal. In the enhanced autocorrelation envelope power spectrum, only several single spectrum lines would be left, which is very simple for operator to identify the bearing fault type. Moreover, the proposed method can be conducted in an almost automatic way. The results obtained from simulated and practical experiments prove that the proposed method is very effective for bearing faults diagnosis.     

CEEMD和小波半软阈值相结合的滚动轴承降噪

针对滚动轴承振动信号降噪处理时如何保证信号边缘信息完整性的问题,提出将互补集合经验模态分解(complementary ensemble empirical mode decomposition,简称CEEMD)与小波半软阈值相结合的信号降噪方法,对滚动轴承故障高频振动信号进行降噪处理。首先,采用CEEMD方法对故障振动信号进行分解,针对信号特点自适应获取不同频段模态分量;其次,将对包含噪声污染的高频信号模态分量进行相关性分析,得到含噪成分较高的高频模态分量,进一步采用小波半软阈值进行降噪处理;最后,将降噪后的模态分量同残余分量进行信号重构,完成降噪过程。分析结果表明,相对于传统小波阈值降噪和CEEMD强制降噪方法,提出的方法能够有效去除高频信号的噪声,且最大程度地保证了原始信号的完整性,降噪效果更好。     

基于最优小波基的轴承故障状态特征提取方法研究

针对轴承故障诊断中最优小波基的选取问题,通过计算SUMVAR值选取最优小波基。用不同小波基对轴承故障仿真信号和故障实验信号进行降噪处理,分析降噪后信号与原信号的能量比值,降噪后信号与原信号标准差,峭度等指标,验证所选小波基的优越性。并对使用最优小波基降噪后信号做希尔伯特包络解调分析,结果表明,该方法能准确提取轴承故障特征频率。     

基于经验模式分解和谱峭度的滚动轴承故障诊断

滚动轴承的振动信号是强背景噪声下的非平稳非线性信号,其特征提取是滚动轴承故障诊断的难点。为了提高滚动轴承的故障诊断效果,提出了基于经验模式分解(Empirical Mode Decomposi-tion,EMD)和谱峭度(Spectrum Kurtosis,SK)的滚动轴承故障诊断方法。首先利用EMD方法对轴承故障信号进行分解,剔除趋势项,利用归一化白噪声分量的统计特性来滤除信号中的噪声分量,然后利用谱峭度方法估计带通滤波器的中心频率和带宽,最后对剩余的信号执行带通滤波和包络解调进行故障诊断。对滚动轴承故障诊断的结果表明,本文提出的方法能够有效地提高轴承故障诊断的效果。