基于扁平衰减三角形结构元素的滚动轴承故障诊断

形态滤波性能主要取决于结构元素，目前应用中以直线形结构元素为主，其外形与实际轴承故障时的脉冲信号相似度较弱，影响了冲击特征提取。针对该问题，提出了一种扁平衰减三角形结构元素，并应用滚动轴承故障诊断。通过滚动轴承内外圈故障的振动信号分析，结果表明所建议结构元素能够提取冲击脉冲信号。同时，对比传统扁平直线结构元素应用于相同的振动信号，扁平衰减三角形结构元素能够提高脉冲提取效果。     

基于自回归模型的齿轮轴破损诊断

齿轮轴失效引起的齿轮箱振动行为与轮齿失效引起的齿轮箱振动行为不同.传统的齿轮故障诊断方法大多针对于轮齿破损,难以有效识别齿轮轴破损.用自回归模型拟合正常齿轮振动的时域同步平均信号,利用Akaike判据获得自回归模型的阶数,用Levinson-Durbin递归算法求解Yule-Waker方程获得自回归模型的系数.将建立的自回归模型作为线性滤波器处理齿轮箱振动信号,获得预测误差信号.之后对预测误差信号进行两样本Kolmogorov-Smimov检验,获得正常齿轮轴振动信号和待处理齿轮轴振动信号预测误差的K-S统计距离和相似概率,并将其作为齿轮轴破损特征指标量.实际试验表明这一特征指标的有效性.     

基于深度学习与子域适配的齿轮故障诊断

针对生产实际中标注故障数据不足的问题,提出了基于深度学习与子域适配的齿轮故障诊断方法。首先构建域共享的一维卷积神经网络,从故障数据中提取可迁移特征;然后采用多核局部最大均值差异来测量可迁移特征相关子域的分布差异,并将测得的分布差异加入目标函数中训练;最后将训练完成的模型用于目标域健康状态的识别。实验结果表明,所提方法能在无标签目标域数据的情况下得到较高的准确率。     

最小熵反褶积的数学形态法在滚动轴承故障特征提取中的应用

针对强噪声背景下滚动轴承故障特征提取,提出了基于最小熵反褶积的数学形态法。该方法先应用最小熵反褶积算法加强信号中的冲击特性,再利用数学形态法进行故障特征提取,其中选取具有双向脉冲提取能力的DIF滤波器作为形态算子,并以峭度值作为结构元素长度选取依据。仿真信号和滚动轴承的内外故障实例分析表明该方法具有较好的特征提取效果。通过对比发现:最小熵反褶积算法能够增大信号中峭度值,有效加强信号脉冲特性。     

基于优化Teager能量算子的齿轮箱故障特征频率提取方法

针对齿轮箱故障时冲击故障特征频率提取困难的问题,提出一种自适应Teager能量算子的故障特征频率提取方法。该方法对低信噪比的齿轮箱振动信号使用连续Teager能量算子处理,便于提升信号的信噪比,突出齿轮故障特征。仿真信号和实际风电机组齿轮故障信号的诊断效果表明:齿轮故障状态下,该方法能够增加约1倍的信号峭度值,突出信号中的故障冲击特征,且计算简单,适用于齿轮故障在线监测和诊断。     

基于峭度准则EEMD及改进形态滤波方法的轴承故障诊断

针对轴承故障成分常以周期性冲击成分出现在振动信号中,而冲击响应成分常被强大噪声淹没,造成轴承故障特征提取困难等问题,将集成经验模态分解(EEMD)与改进形态滤波方法相结合,在本征模态函数(IMF)及形态学结构元素(SE)选取时均以峭度准则为依据,对筛选出的IMF分量进行信号重构后,再进行基于峭度准则的改进形态滤波方法处理。结果表明,该方法可避免共振解调中中心频率及滤波频带选取,自适应性较好;通过对实际滚动轴承内外圈故障分析,该方法可清晰准确提取到故障特征信息,噪声抑制效果好,可用于轴承故障精确诊断。     

基于改进形态学的滚动轴承故障诊断研究

针对滚动轴承的微弱故障特征提取，提出了基于特征幅值能量参数（FAEI）和自相关能量比（AER）的改进数学形态方法。首先使用7种形态算子对信号进行形态处理，以FAEI作为最优算子的选取依据，然后借助AER准则自适应地确定扁平结构元素的长度参数。通过轴承故障实验可知，AER准则能够选出最佳结构元素长度，结合形态算子对故障信号进行最优形态滤波。结果表明:该方法能够提取出噪声背景下的冲击脉冲信号，实现轴承微弱故障特征提取。与基于峭度的形态算法对比，改进方法使故障检测中的特征频率幅值提升了1倍。     

多尺度形态滤波在行星轮轴承故障诊断的应用EI北大核心CSCD

齿轮箱中滚动轴承的故障信号微弱且易受干扰,导致轴承故障特征提取困难。为了提取信号中的微弱故障特征,提出了一种自适应的多尺度广义形态滤波(adaptive multiscale generalized morphological filter,AMGMF),特有的形态变换在抑制干扰的同时还增强了特征提取能力。首先,针对差值形态算子的滤波缺陷,提出了广义的优化差分算子(generalized enhanced different filter,GEDIF),并通过幅频特性和脉冲提取特性揭示其滤波特点;其次,由局部信号特征确定扁平结构元素的长度,改进的长度选择方法确保了形态滤波的自适应性和准确性;最后,以特征幅值比(feature amplitude ratio,FAR)分配各尺度的权重,加权重构得到了AMGMF的处理结果。通过仿真信号和行星轮轴承故障信号分析,结果表明AMGMF方法能有效地从复杂信号中分离出故障特征。与单尺度形态滤波、多尺度形态滤波和EEMD对比,AMGMF方法具有一定的优越性。     

基于深度迁移学习的齿轮故障诊断方法

针对齿轮故障样本欠缺问题，提出一种基于Hilbert-Huang谱和预训练VGG16模型的迁移学习故障诊断方法。对振动信号进行经验模态分解（Empirical Mode Decomposition,EMD）得到本征模态函数（Intrinsic Mode Function,IMF），同时取相关系数最大的IMF做Hilbert变换，获取时频谱；利用预训练VGG16提取变负载下和各健康状态下齿轮的Hilbert-Huang谱图像特征；采用全局均值池化层取代VGG16模型部分全连接层，进行分类输出。实验结果表明，在少量的样本数据下，该方法的齿轮故障诊断准确率达到98.86%，优于TLCNN和Tran VGG-19等迁移学习方法，证明了该方法在齿轮故障诊断中具有一定研究价值。