改进的多尺度形态学大型风力发电机轴承故障研究

大型风力发电机轴承的故障冲击信号通常受到复杂载荷和强背景噪声的干扰,其早期故障不易检测.针对这个问题,基于信息熵(Information Entropy,IE)和特征能量因子(Feature Energy Factor,FEF)提出一种改进的多尺度形态学分析方法.形态梯度乘积算子(Morphology Gradient Product Operation,MGPO)是一种有效的提取滚动轴承冲击信号的形态学算子,为了能够提取更为详细的故障特征信息,基于MGPO算子提出了多尺度形态学分析方法.为了改进峭度准则和信噪比在选择最优尺度上的不足,基于信息熵和特征能量因子提出一种综合的尺度范围选则方法,试验结果表明提出的算法具有一定的优越性.     

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。     

参数优化的组合形态-hat变换及其在风力发电机组故障诊断中的应用

开闭-闭开组合形态滤波(Combination morphological filter,CMF)可以有效剔除振动信号中的脉冲干扰,顶帽(Top-hat,TH)变换充分反映出信号周期性的冲击特征,借鉴此两种形态算子的理论思想,提出一种新的数学形态算子——组合形态-hat变换。为准确描述形态学算子在振动检测应用中的理论依据,通过非线性滤波器频响特性的分析方法考察形态学算子的滤波性质。此外,针对数学形态算子中结构元素的尺度按经验选择的问题,采用粒子群优化算法(Particle swarm optimization,PSO)对组合形态-hat变换的结构元素尺度进行参数优化,提高数学形态算子在振动信号处理中的精确度。通过仿真信号和实测风力发电机组振动信号的分析结果表明,参数优化的组合形态-hat变换在抑制背景噪声和提取冲击特征方面具备优良的性能,并能够准确高效地识别出风力发电机组齿轮箱高速轴齿轮的磨损故障,具有一定的实际工程应用价值。     

基于多尺度形态学与奇异值分解的滚动轴承故障特征提取

针对多尺度形态差值滤波存在的问题,将多尺度形态差值算子与奇异值差分谱理论相结合,提出了一种新的滚动轴承故障特征提取方法,能有效滤除噪声,并提取出信号中的故障信息。借助特征能量比的概念,在多尺度形态差值滤波中,提出并分析了两种不同的多尺度加权方法,同时对不同最大分析尺度下多尺度形态差值滤波的结果进行了研究。然后利用奇异值差分谱理论对未能有效滤除高斯噪声的形态差值滤波结果进行SVD重构,得到最终的特征提取结果。仿真表明该方法能在高噪声背景下有效提取出脉冲冲击信号,并在实测轴承故障信号特征提取中得到了验证。     

基于参数优化MOMEDA与CEEMDAN的滚动轴承微弱故障特征提取研究

针对强背景噪声环境下滚动轴承故障特征信息微弱,单一利用自适应噪声完备集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)方法提取效果不佳的问题,提出了基于参数优化的多点最优最小熵解卷积(Parametric Optimized Multipoint Optimal Minimum Entropy Deconvolution Adjusted,POMOMEDA)与CEEMDAN的滚动轴承微弱故障特征提取方法.由于MOMEDA的滤波效果受其中参数-故障周期T、滤波器长度L影响较大,提出采用变步长搜索法对其进行参数寻优.首先利用多点峭度和排列熵指标筛选MOMEDA中的故障周期T与滤波器长度L,对原始信号实现自适应MOMEDA降噪;然后采用CEEMDAN方法分解降噪信号,根据加权峭度(WK)指标选取包含故障信息丰富的固有模态分量(IMF)进行信号重构;最后对重构信号做包络谱分析,提取故障特征信息.通过仿真信号和实测信号分析表明,该方法能够有效提取滚动轴承微弱故障特征信息,具有一定的可靠性.     

可变负载的准零刚度隔振器特性

针对风机滚动轴承微弱故障信号所具有的非线性和非平稳特征及易被强背景噪声掩盖的特点，提出了一种变分模态分解(variational modal decomposition, 简称VMD)和最大相关峭度解卷积(maximum correlated kurtosis deconvolution, 简称MCKD)相结合的滚动轴承微弱故障诊断方法。为实现VMD和MCKD的参数自适应选择，采用粒子群优化算法(particle swarm optimization, 简称PSO)，对两种算法中的参数进行优化。首先，利用PSO优化VMD算法中的α和K，再基于VMD对微弱故障信号分解后的结果，选取最优模态分量；其次，利用PSO优化MCKD算法中的L和T，再基于MCKD算法加强最优分量信号中的故障冲击成分；最后，通过包络谱提取出轴承微弱故障特征。仿真和试验均表明，此方法能够自适应增强轴承微弱故障中的冲击成分，有效提取出被强噪声淹没的轴承微弱故障特征。     

基于PSO-VMD-MCKD方法的风机轴承微弱故障诊断

针对风机滚动轴承微弱故障信号所具有的非线性和非平稳特征及易被强背景噪声掩盖的特点,提出了一种变分模态分解(variational modal decomposition,简称VMD)和最大相关峭度解卷积(maximum correlated kurtosis deconvolution,简称MCKD)相结合的滚动轴承微弱故障诊断方法。为实现VMD和MCKD的参数自适应选择,采用粒子群优化算法(particle swarm optimization,简称PSO),对两种算法中的参数进行优化。首先,利用PSO优化VMD算法中的α和K,再基于VMD对微弱故障信号分解后的结果,选取最优模态分量;其次,利用PSO优化MCKD算法中的L和T,再基于MCKD算法加强最优分量信号中的故障冲击成分;最后,通过包络谱提取出轴承微弱故障特征。仿真和试验均表明,此方法能够自适应增强轴承微弱故障中的冲击成分,有效提取出被强噪声淹没的轴承微弱故障特征。     

一种多元素多尺度形态非抽样小波分解方法

针对电动机轴承故障信号常被强背景噪声淹没的问题,提出了一种多元素多尺度形态非抽样小波分解方法,并将其应用于滚动轴承故障特征提取中。该方法基于形态非抽样小波的一般框架,结合了形态开闭-闭开混合算子的滤波特性以及形态梯度算子提取信号冲击成分的特点,对该算子的两部分分别使用三角形和扁平形结构元素,使效率最优化。仿真和试验证明,该方法既可以进行谐波与噪声滤除,又可以有效地提取冲击成分,较现有的形态非抽样小波方法有更好的效果。     

基于迭代自适应多尺度形态滤波的滚动轴承故障诊断

针对工业现场强噪声背景下振动信号特征信息提取困难和单尺度形态滤波时尺度选择的盲目性和随意性的问题,基于自适应多尺度形态分析(AMMA)的思想提出了一种迭代自适应多尺度形态分析(IAMMA)的滤波方法。该方法对振动信号进行多尺度形态差值迭代运算,每次采用的结构元素尺度逐渐增大,然后求多次滤波结果的平均值,达到滤除噪声成分的目的。对仿真信号和滚动轴承故障信号进行分析,结果表明,IAMMA较AMMA能够选取更为合适的结构元素尺度,提取更多的故障特征信息,滤波效果更佳,与Hilbert包络解调方法相比处理过程更加简捷,从而为轴承的故障诊断提供了一种有效的方法。     

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。