改进时域盲解卷积算法在轴承故障诊断中的应用

针对实际工业现场强背景噪声、干扰源多、旋转机械故障盲提取算法的不足,为了有效提取并分离出轴承的故障特征,提出一种基于广义形态滤波和改进KL距离相结合的改进时域盲解卷积故障特征提取算法。首先利用广义形态滤波提取信号中重要特征频率;然后利用正交匹配追踪算法去除滤波后信号的周期成分;最后,使用改进KL距离计算各分量的距离,通过模糊C均值聚类获得分离信号。实验仿真和故障滚动轴承声信号及振动信号的分析结果表明,该方法能够有效提取滚动轴承故障特征。     

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.     

相空间稀疏化的信号压缩感知与重构方法

针对旋转机械振动信号受强噪声干扰导致传统FFT频域稀疏性差,难以进行正交匹配重构的问题,提出了相空间稀疏化结合正交匹配追踪(orthogonal matching pursuit,简称OMP)的信号压缩感知(compressed sensing,简称CS)方法。首先,对信号进行相空间重构(phase space reconstruction,简称PSR),并采用主分量分析(principal component analysis,简称PCA)提取主要分量和重构信号,以提高信号的频域稀疏性;然后,采用随机高斯矩阵测量及压缩频域稀疏性得到优化的信号;最后,采用正交匹配追踪算法重构信号。仿真信号和转子典型不对中信号的分析结果表明,该方法可以提高受强噪声干扰的振动信号在频域内的稀疏性,实现转子振动信号的有效压缩和准确重构。     

基于MED和ICA的滚动轴承循环冲击故障特征增强

针对强噪声背景下多个传感器对同一振动源同步采集多组数据的情况,提出一种基于最小熵解卷积和独立成分分析的联合降噪方法,并用于滚动轴承循环冲击故障特征的提取。利用最小熵解卷积对各传感器的信号分别进行盲解卷滤波,消除信号传递路径的影响,从噪声信号中初步提取出故障冲击特征;对各传感器的滤波信号进行独立成分分析处理,将信号进行重组后得到重构分量,进一步消除噪声成分,使故障冲击特征成分得到二次增强;选取峭度最大的最优独立成分分析重构分量并进行包络谱分析,得到诊断结果。通过仿真数据和实验室数据分析验证了该方法能够增强滚动轴承的循环冲击特征,便于识别故障类型。     

压缩感知框架下的共振解调故障诊断方法

风力机滚动轴承早期故障诊断中,压缩感知算法能够利用信号的稀疏性对信号去噪,但稀疏度的选取对去噪结果影响较大。由于信号故障成分在傅里叶域的稀疏度 已知,故可通过傅里叶变换基和压缩感知子空间追踪（CS＿SP）算法对风力机信号的包络特征进行不完全重构,以降低噪声和其他无关信息的影响,获取直接反映故障特征的信号成分,从而提取故障特征频率。研究结果表明,压缩感知框架下的的共振解调技术能有效获取风力机滚动轴承的故障特征信息,验证了所提方法的有效性。     

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SWT-MCKD的滚动轴承故障特征提取方法

针对在强噪声背景下轴承早期微弱故障特征难以提取问题.提出了一种基于同步压缩小波变换(Synchrosqueezing Wavelet Transform,SWT)和最大相关峭度反卷积(Maximum correlation kurtosis deconvolution,MCKD)相结合的滚动轴承故障诊断方法.首先采用SWT方法将多分量振动信号分解为若干内禀模态分量(IMT),然后选取合适IMT重构信号,对重构信号进行MCKD滤波,突出故障冲击成分,最后对滤波后信号包络解调,提取故障特征,实现滚动轴承的更准确诊断.     

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。     

Savitzky-Golay滤波与局部均值分解相结合的滚动轴承故障诊断方法

介绍了滚动轴承故障诊断发展现状,以及局部均值分解在故障诊断中应用和局限。针对滚动轴承故障诊断中故障信号特征提取被噪声干扰问题,采用了基于Savitzky-Golay(SG)滤波和局部均值分解相结合的滚动轴承故障诊断方法,即在时域利用SG滤波的最小二乘拟合降噪,去除尖脉冲等噪声的信号作为局域均值分解的输入,最后对分解得到的有效分量重构后进行频谱分析提取故障频率。使用了仿真分析和滚动轴承故障诊断实例验证该方法,结果显示该方法能有效提取滚动轴承背景噪声干扰下的典型故障频率。     

基于谱峭度和CEEMD的滚动轴承声信号故障诊断研究

使用声信号来诊断轴承故障越来越受到重视。针对滚动轴承故障信号的强背景噪声特点,提出一种基于谱峭度和互补集合经验模态分解(CEEMD)的故障特征提取方法。该方法首先对滚动轴承声信号进行快速谱峭度计算并进行带通滤波预处理,使滚动轴承声信号变得简单且噪声小,故障冲击成分明显;然后利用CEEMD将滤波信号进行分解运算,得到一系列本征模态(IMF)分量;再利用相关系数法和时域特征指标峰值因子选取包含故障信息最丰富的IMF分量;最后用Hilbert算法包络解调分析选取的IMF分量,得到清晰的故障特征频率。经滚动轴承故障实验分析,该方法可以对滚动轴承故障进行有效的诊断。     

基于压缩信息特征提取的滚动轴承故障诊断方法

压缩感知作为一种新型压缩采样方法,利用信号稀疏特性以远低于奈奎斯特采样定理的采样速率压缩采集信号,减小数据采集、传输、存储的硬件压力。基于压缩感知框架下压缩采集的信号,提出了一种滚动轴承故障诊断新方法。该方法选择部分hadamard矩阵作为测量矩阵,将峭度因子、方差、波形因子作为敏感特征参量,不重构压缩测量量,直接利用压缩采集信息,提取敏感特征,然后通过PSO-SVM算法进行模式识别从而实现故障诊断。研究结果表明,在一定压缩比范围内,利用该方法能够在降低平均采样速率的同时用更少的数据量表现故障特征,实现滚动轴承故障诊断。     

Early fault detection method for rolling bearing based on multiscale morphological filtering of information-entropy threshold

The scale of structure element is especially important to obtain good filtering results in multiscale morphological filtering (MMF) method. In general, the optimal scale of structure element is set to be a fixed value in traditional morphological filter, therefore it is difficult to extract the fault feature from rolling bearing vibration signal effectively. A novel multiscale morphological filtering algorithm is proposed based on information-entropy threshold (IET-MMF) for early fault detection of rolling bearing. Compared with traditional MMF method, several optimal scales of structure elements are achieved according to the energy distribution characteristic of different vibration signals. The information entropy theory is applied to quantify the analyzed signals, and the optimal threshold of information entropy is obtained by iterative algorithm to ensure integrity of useful information. The simulation and rolling bearing experimental analysis results show that the IET-MMF method can extract fault features of vibration signals effectively.

     

用盲反卷积和改进谱减法提取轴承微弱特征

为了有效提取滚动轴承早期损伤时微弱的故障特征,提出盲反卷积和改进谱减法(SSM)的振动信号分析方法。建立了滚动轴承振动信号卷积分析模型,阐述了冲击传递过程,根据无量纲特征构造了优化盲反卷积滤波器以检测振动信号中的微弱冲击成分。引入高效信号消噪方法——SSM消除盲反卷积后的背景噪声以增强故障特征。由于工程中轴承噪声频带较宽且幅值相差较大,易引起附加噪声分量,在经典SSM基础上,根据滚动轴承振动信号损伤信息存在于低频和高频调制区的特点,通过噪声能量和畸变量指标优化调整参数进行频域谱减。测试信号处理显示了改进SSM的优越性。最后将盲反卷积和改进SSM用于轴承诊断,结果表明该方法能提取滚动轴承早期损伤的冲击特征。     

基于MED-ITD和CICA的滚动轴承故障诊断

针对滚动轴承故障诊断在实际中受到噪声影响,故障难以识别的问题,提出了一种基于最小熵反褶积(MED)和固有时间尺度分解(ITD),并结合约束独立分量分析(CICA)的方法。首先,通过MED对轴承故障信号进行降噪,以滤除噪声信号,增强信号冲击成分;然后,通过ITD对降噪信号进行分解,选择合适的筛选分量进行重构;最后,采用CICA方法对重构信号进行盲源分离,通过希尔伯特包络谱进行分析提取出准确的故障信号,并经过试验验证了所提方法的有效性。     

基于流形学习的滚动轴承故障盲源分离方法

滚动轴承的故障信号是一种典型的非线性非平稳信号,其信号中常常混有噪声信号及其他干扰成分。提出了一种基于流形学习的滚动轴承故障盲源分离方法,首先,利用经验模态分解(empirical mode decomposition,简称EMD)对单通道模拟信号进行分解,对得到的多通道信号构造其协方差矩阵,计算矩阵的奇异值下降速比得到原始信号数目;其次,利用峭度等指标选择最优观测信号,利用核主成分分析(kernel principal components analysis,简称KPCA)提取信号的流形成分;最后,利用快速独立成分分析(fast independent component analysis,简称Fast ICA)还原得到源信号。该方法不但解决了故障信号的欠定盲源分离问题,还提出了最优观测信号的确定准则,并通过实例验证了方法的有效性。     

基于压缩感知弱匹配追踪算法的信号特征提取

针对滚动轴承故障诊断中的特征提取问题,提出一种基于压缩感知弱匹配追踪算法的特征提取方法。针对轴承故障信号特征特点构建了一个由傅里叶字典和冲击时频字典组成的联合字典,作为弱匹配追踪算法中的过完备冗余原子库。进而利用改进的简化粒子群寻优算法在联合字典原子库中寻找最能匹配轴承故障信号特征的原子,实现故障信号的快速高效稀疏分解。在信号重构阶段提出了一种改进的阈值降噪策略,解决了软阈值降噪存在恒定偏差以及硬阈值降噪的不连续问题。对CWRU（Case Western Reserve University）轴承数据中心所提供的标准轴承故障信号和某钢厂滚动轴承实测信号进行了仿真,仿真结果验证了该方法的优越性。     

数学形态学和HHT在轴承故障诊断中的应用

数学形态学滤波算法具有很强的抑制脉冲干扰的能力,但滤除白噪声的能力却不及小波算法。针对这一不足,在对信号进行形态滤波之前先进行小波消噪,再进行HHT分析提取故障特征频率。通过仿真和示例证实了该方法可以有效地消除信号干扰噪声,提取轴承故障特征,达到对滚动轴承故障诊断的目的。     

Particle swarm optimization algorithm to solve the deconvolution problem for rolling element bearing fault diagnosis

Extraction of the fault related impulses from the raw vibration signal is important for rolling element bearing fault diagnosis. Deconvolution techniques, such as minimum entropy deconvolution (MED), MED adjusted (MEDA) and maximum correlated kurtosis deconvolution (MCKD), optimal MED adjusted (OMEDA) and multipoint optimal MED adjusted (MOMEDA), are typical techniques for enhancing the impulse-like component in the fault signal. This paper introduces the particle swarm optimization (PSO) algorithm to solve the filter of deconvolution problem. The proposed approaches solve the filter coefficients of the deconvolution problems by the PSO algorithm, assisted by a generalized spherical coordinate transformation. Compared with MED, MEDA, and OMEDA, the proposed PSO-MED and PSO-OMEDA can effectively overcome the influence of large random impulses and tend to deconvolve a series of periodic impulses rather than a signal impulse. Compared with MCKD and MOMEDA, the proposed PSO-MCKD and PSO-MOMEDA can achieve good performances even when the fault period is inaccurate. The effectiveness of the proposed methods is validated by the simulated signals. The study of experimental bearing fault signal shows that the PSO based deconvolution methods delivered better performance for rolling element bearing fault detection than the traditional deconvolution methods. Additionally, the proposed methods are compared with the following two popular signal processing methods: the ensemble empirical mode decomposition (EEMD) and fast kurtogram, which are used to highlight the improved performance of the proposed methods.     

A fault characteristics extraction method for rolling bearing with variable rotational speed using adaptive time-varying comb filtering and order tracking

The fault characteristics of rolling bearing with variable rotational speed are usually related to shafting speed and vary with time. Moreover, the rolling bearing fault characteristics are easily submerged by the noises. To address these issues, an adaptive time-varying comb filtering (ATVCF) method that combines the merits of comb filter and adaptive time-varying filtering (ATVF) is proposed and applied to extract the fault-related component from the envelope signal of rolling bearing. And on this basis, via the joint application of ATVCF and order tracking (OT), a fault characteristics extraction methodology for rolling bearing with variable rotational speed, namely ATVCF-OT, is developed. In the ATVCF-OT, the ATVCF method can adaptively extract time-varying harmonic components containing rolling bearing fault information from the rolling bearing fault vibration signal, and the OT analysis can effectively stabilize the time-varying rolling bearing fault features. Therefore, the ATVCF-OT methodology is particularly suitable for fault feature extraction of rolling bearing with variable rotational speed. Simulation and experimental results indicate that the ATVCF-OT method can effectively remove the fault-unrelated components and highlight the fault features of rolling bearing. The comparisons with the direct envelope order method and the ensemble empirical mode decomposition (EEMD)-based envelope order method demonstrate the advantages of the proposed ATVCF-OT method.