基于小波基稀疏信号特征提取的轴承故障诊断

轴承弱故障振动信号中的瞬态成分极易被强背景噪声湮没而无法及时检测,结合稀疏表示原理提出一种基于小波基的稀疏信号特征提取方法,从而实现信号中瞬态特征成分的提取。通过构建原始信号瞬态成分稀疏表示模型,对原始信号采用相关滤波法获取最优小波原子,并构建最优冗余小波基底,实现小波基与信号故障特征的最优匹配;设计二次严格凸函数并运用MM(Majorization Minimization)算法求解模型中的目标函数,将信号中的瞬态冲击成分转化为稀疏表示系数,实现强背景噪声下弱特征的有效提取。仿真信号及轴承微弱故障试验验证了该方法能有效地检测和提取强背景噪声下的微弱瞬态成分。     

基于优化最小算法的齿轮箱复合故障特征稀疏表示

复合故障信号中多种特征成分的有效分离是实现齿轮箱复合故障诊断的核心,也是难点。针对此,提出一种基于优化最小算法(Majorization-Minimization,MM)的稀疏表示方法,并将其应用于齿轮箱齿轮轴承复合故障特征成分的提取与分离。首先,根据齿轮箱中轴承和齿轮在局部故障激励下的瞬态成分存在差异性,利用相关滤波优选来分别构造与轴承和齿轮故障瞬态特征相匹配的过完备字典,建立目标函数;然后,采用所提优化最小算法对稀疏表示目标函数进行优化求解;在此基础上,根据复合故障信号中轴承和齿轮瞬态成分能量的强弱,依次进行稀疏表示及瞬态成分重构,最终实现齿轮箱复合故障特征的提取与分离。通过对仿真和实验信号的分析表明:所提方法能够分别提取复合故障信号中轴承和齿轮的瞬态特征,实现齿轮箱复合故障诊断,验证了所提方法的有效性。     

基于衰减余弦字典和稀疏特征符号搜索算法的轴承微弱故障特征提取

通过分析轴承内外圈故障时域波形特征,结合其早期微弱故障特点,提出了一种与轴承故障波形高度匹配的衰减余弦过完备字典,同时与稀疏表示基追踪方法的特征符号搜索算法相结合的新型算法(ACFS),实现了强噪声干扰下轴承微弱故障特征的提取。通过分析原始信号频谱与理论故障特征,确定了张成原子库的参数,并结合特征符号搜索算法对不同信噪比轴承内圈仿真信号和轴承全寿命数据中的早期微弱故障信号进行了分析。对比普通包络解调方法与基于Symlet8小波包字典的普通BPDN结果表明,该方法可以在极早期实际轴承故障信号中高效、准确地提取出故障特征频率。对于噪声具有极好的冗余度与鲁棒性。     

谐波分解结合自互补Top-Hat变换的轴承微弱故障特征提取方法

针对轴承早期故障特征微弱,极易被背景噪声淹没而不能及时检测的问题,本文提出了基于谐波分解和自互补Top-Hat变换的轴承微弱故障特征提取方法。首先,通过改进广义谐波小波函数,使得信号分解后子带个数和带宽范围不受二进制分解方式的限制,并在此基础上应用谱峭度图方法确定信号中故障特征相对集中的最优频带;然后,对最优频带信号进行多尺度自互补Top-Hat变换,抑制背景噪声的干扰,突出微弱的故障冲击特征,并引入故障特征能量比的方法自适应确定最优结构元素的尺度;最后,通过包络解调提取出轴承微弱的故障特征。对仿真信号和实测轴承全寿命数据分析的结果表明,该方法能较为有效检测出轴承微弱的故障特征,具有较高的工程应用价值。     

自适应TQWT滤波器算法及其在冲击特征提取中的应用

微弱故障的冲击特征提取,对于旋转机械设备平稳工况下的状态监测与诊断至关重要。针对强背景噪声下机械故障微弱冲击特征有效提取的难题,提出基于自适应可调品质因子小波变换(TQWT)滤波器的冲击特征提取算法。TQWT作为新兴的频域显式小波构造理论,具有匹配特定振荡行为信号成分、可利用FFT算法快速实现的优点。所提自适应TQWT滤波器算法,主要涉及TQWT参数(品质因子Q、冗余度r以及分解层数J)的优化选择以及最优特征子带的自适应选择,不依赖于先验知识。算法根据所提出的中心频率比指标以及能量加权归一化小波熵,分别对分解层数以及品质因子和冗余度进行优化选择,构造出适合揭示冲击信号成分振荡行为的优化可调品质因子小波基函数,进而利用冲击特征指标引导含冲击特征信息的最优特征子带选择,最后利用TQWT逆变换实现信号的重构与降噪,提取周期性微弱冲击特征。仿真试验与实测轴承信号的分析结果表明,算法能够自适应选择TQWT参数并实现微弱冲击特征的有效提取。     

基于双树复小波与非线性时间序列的降噪方法

针对双树复小波变换传统软阈值降噪方法对实、虚部树系数分别进行阈值处理时提取的强背景噪声下轴承故障特征信号效果不理想,且实、虚部分离的阈值处理方法会引起局部相位失真问题,利用故障信号小波变换系数具有周期性与双树复小波系数模震荡小等特点,提出双树复小波变换与非线性时间序列方法相结合的强背景噪声下轴承故障特征提取方法。对故障信号进行双树复小波变换,获得各层小波系数并求模,选择系数模周期性较强层系数进行非线性时间序列处理,增强系数中周期性成分,抑制随机噪声;对增强后系数进行软阈值处理消除直流成分对提取结果的影响;将处理后系数还原为复数形式进行双树复小波重构,可成功提取弱故障特征信号。仿真、试验信号处理结果表明,该方法能有效提取强背景噪声下的故障特征信号。     

基于双调Q小波变换的瞬态成分提取及轴承故障诊断应用研究

因轴承的剥落、裂纹等局部故障易致运行时振动信号中出现瞬态成分,而轴承故障振动信号为非平稳信号,含高、低振荡成分,传统的线性信号处理方法及基于频率的分解方法均存在一定局限性。对此,研究基于信号振荡特征而非频率特征的双调Q小波变换,设定不同Q因子小波将轴承故障信号非线性分解成低、高振荡及噪声成分,轴承故障瞬态成分对应低振荡成分,提取低振荡成分即能实现轴承故障瞬态成分提取。通过轴承故障状态下瞬态成分检测表明,该方法能有效提取轴承故障瞬态成分。经与均值滤波、小波阈值及经验模态分解(EMD)等方法比较,验证该方法的优越性。     

列车轴承轨边声信号冲击成分提取

轨边声学检测是列车轴承故障检测的有效手段之一,然而轨边信号在多普勒效应的影响下产生的时频调制给传统的冲击成分提取方法带来了挑战。现有的等周期多普勒瞬态小波模型未考虑轴承在实际运行中的非纯滚动问题,因此存在提取误差。针对该问题,提出了一种单瞬态多普勒调制Laplace小波模型与冲击成分提取方法,可构建与轨边信号时频结构相匹配的单瞬态多普勒调制Laplace小波模型,利用相关滤波法从轨边信号中逐个提取冲击成分。与现有的等周期多普勒瞬态小波模型相比,识别精度更高,仿真和实验分析验证了该方法的有效性。该方法可用于列车轴承故障轨边定量诊断,具有良好的应用前景。     

基于稀疏分解和频域相关峭度的轴承微弱故障特征提取

在强背景噪声和复杂激励的干扰下,滚动轴承的早期微弱故障特征往往难以提取,提出一种稀疏分解与频域相关峭度相结合的方式,对轴承早期微弱故障特征进行提取。稀疏表示方法是分析非平稳信号的一种有效方式,在轴承故障诊断中常用的一种方法是利用K-SVD算法构造自适应字典,采用OMP算法对采集到的数据进行稀疏分解。利用频域相关峭度能够准确识别出轴承等旋转机械的循环冲击序列的特性,将其引入到字典构造过程中,求解稀疏分解时每次迭代逼近信号的频域相关峭度,并且找到最大频域相关峭度值所在位置,根据当前位置的信号重构原始信号,计算其包络及包络谱,分析故障类型。仿真信号和试验信号的结果表明:所提方法能够准确识别出轴承故障,验证了该方法在识别循环冲击序列的有效性和优越性。     

基于最优品质因子信号共振稀疏分解的滚动轴承故障诊断

滚动轴承常常在复杂工况下工作,当滚动轴承出现局部故障时,其振动信号中除了与故障信息相关的周期性瞬态冲击成分外,还包含轴转频等谐波成分和背景噪声。因此,在滚动轴承故障早期,对滚动轴承振动信号直接进行包络解调分析往往效果不佳。针对上述问题,提出了基于最优品质因子信号共振稀疏分解的滚动轴承故障诊断方法。该方法首先以信号共振稀疏分解低共振分量的峭度最大为目标,利用遗传算法对信号共振稀疏分解方法的品质因子进行优化,得到最优品质因子;然后利用最优品质因子对轴承振动信号进行信号共振稀疏分解,得到高共振分量和低共振分量;最后对低共振分量进行希尔伯特解调分析,提取轴承故障特征频率,进而诊断滚动轴承故障。仿真信号和试验信号的分析结果表明,该方法能有效提取轴承故障振动信号中的冲击成分,诊断轴承故障。     

基于多层混合滤噪的轴承早期弱故障特征提取方法EI北大核心CSCD

为了提取受强背景噪声干扰的信号中的弱故障特征,提出一种基于局部均值分解的多层混合滤噪方法(Local Mean Decomposition-Multilayer Hybrid De-noising,LMD-MHD)。针对LMD分解所得的乘积函数(Product Function,PF)分量可能存在虚假分量的问题,提出一种多指标综合决策方法,结合各指标在不同故障阶段的量化能力,筛选出合理的有效PF分量。将小波阈值滤噪设为奇异值分解(Singular Value Decomposition,SVD)的前置处理单元,使保留的较大奇异值以特征信息贡献为主,减少干扰成分,并采用信号快速傅里叶变换结果中主频率个数来确定奇异值重构阶数。轴承早期故障振动信号的试验结果表明,该方法能够可有效滤除随机噪声和脉冲干扰,提取强背景噪声下的早期弱故障特征,提高轴承故障诊断的准确性。     

基于连续小波和统计检验的瞬态成分检测与应用

将连续小波变换和统计检验结合用于检测信号中具有一定时频分布的瞬态成分，提出了一种基于连续小波变换和统计检验的瞬态成分检测方法，并用于圆锥滚子轴承振动中的瞬态成分的检测与提取，比较有效地检测出瞬态成分，并在此基础上应用连续小波变换反演得到瞬态成分的估计，表示轴承的状态特征，作为轴承故障诊断的依据。     

基于多层混合滤噪的轴承早期弱故障特征提取方法

为了提取受强背景噪声干扰的信号中的弱故障特征,提出一种基于局部均值分解的多层混合滤噪方法(Local Mean Decomposition-Multilayer Hybrid De-noising,LMD-MHD)。针对LMD分解所得的乘积函数(Product Function,PF)分量可能存在虚假分量的问题,提出一种多指标综合决策方法,结合各指标在不同故障阶段的量化能力,筛选出合理的有效PF分量。将小波阈值滤噪设为奇异值分解(Singular Value Decomposition,SVD)的前置处理单元,使保留的较大奇异值以特征信息贡献为主,减少干扰成分,并采用信号快速傅里叶变换结果中主频率个数来确定奇异值重构阶数。轴承早期故障振动信号的试验结果表明,该方法能够可有效滤除随机噪声和脉冲干扰,提取强背景噪声下的早期弱故障特征,提高轴承故障诊断的准确性。     

基于自适应Morlet小波参数字典设计的微弱故障检测方法研究

针对强背景噪声干扰下微弱故障冲击特征难以准确检测的问题,提出了一种基于自适应Morlet小波参数字典设计的齿轮故障诊断法。该方法基于信号局部分割和全局分析的思想,采用相关系数(CF)与峭度指标综合评价小波函数与目标信号的局部匹配度与全局匹配度,利用鲸鱼优化算法(WOA)自适应确定小波字典参数,逐点时移构建原子参数字典后,结合正交匹配追踪(OMP)检测故障特征信息。对仿真故障信号和齿轮实际故障信号分析的结果表明,该方法可以有效提取齿轮微弱故障特征,诊断效果优于传统的相关滤波算法(CFA)、小波降噪法和K-SVD学习字典方法。     

冲击振动提取的优化稀疏表征方法

针对在背景噪声及其他振动干扰下冲击振动信号提取问题,提出了一种利用基追踪实现冲击振动优化稀疏表征的方法。建立了冲击振动提取的稀疏求解问题模型,设计了用于冲击振动特征提取的变换基,并利用特征谱线在频谱中所占能量比作为评价冲击振动提取效果的指标,实现了冲击振动成分的优化提取。将该方法用于仿真试验和齿轮故障诊断,结果表明,与Morlet小波软阈值方法相比,本文所提方法能更好地提取微弱周期性冲击成分,具有很好的应用前景。     

基于自适应多尺度形态学AVG-Hat滤波的滚动轴承故障特征提取方法

针对机械设备故障信号中故障特征微弱,容易被背景噪声淹没而不能准确提取的问题,提出了一种新的自适应多尺度形态学AVG-Hat滤波方法,并将其用于强背景噪声下滚动轴承故障信号的特征提取中。首先,在分析传统形态学滤波器滤波特点的基础上,提出了形态学AVG-Hat滤波器的构造方法;然后,提出采用改进包络谱稀疏度作为选择滤波后最优信号的评价标准,通过粒子群优化算法自适应确定了多尺度滤波器中不同尺度结构元素的权重系数,进而构建了最优的多尺度形态学AVG-Hat滤波器;最后,将该滤波器用于处理故障振动信号,经过包络解调分析准确提取出了信号中的故障特征信息。通过对实测轴承故障信号进行分析,结果表明:该方法在信号降噪的基础上具有较强的故障特征提取能力,能有效用于滚动轴承故障的诊断,具有较高的工程应用价值。     

自适应多小波混合构造方法及在故障诊断中应用

小波理论中基函数的逼近阶和消失矩特性都是信号处理中非常重要的性质。传统自适应多小波构造方法仅能对逼近阶或消失矩单一特性进行改造,并且所生成的多个基函数时频特征和波形差异较小,难以有效实现复杂动态故障的自适应提取与识别。为此,提出基于两尺度相似变换和提升方法相结合的自适应多小波混合构造框架,对原有多尺度函数和多小波函数进行线性与非线性组合,扩大多小波改造空间,获得具有高阶逼近阶的多尺度函数和消失矩涵盖多阶次的多小波函数,增强多小波正则性、光滑性、信号逼近能力和局部定位能力,并提高信号分析精度,为复杂动态信号中微弱和复合故障特征提取与识别提供优良性质的自适应基函数及诊断方法;为按需优选自适应基函数,提出改进局部故障域谱熵最小化原则的自适应基函数优选方法,实现轴系、齿轮和轴承故障的分门别类优选,简化故障分类模式。工程实例表明该方法可以有效识别复杂背景噪声干扰下的轴承内圈微弱损伤,并成功诊断出空气分离压缩机组齿轮箱止推夹板碰撞与摩擦的多特征复合故障。     

基于改进MP的稀疏表示快速算法及其滚动轴承故障特征提取应用

在恒定转速情况下,旋转机械中滚动轴承的局部故障往往导致周期性冲击,从而产生周期性瞬态振动信号。对局部故障的瞬态特征提取一直是故障检测的关键问题。基于匹配追踪(Matching Pursuit,MP)算法的稀疏分解是一种信号自适应分解算法,是强噪声背景下微弱特征提取的有效方法之一。针对滚动轴承故障振动信号稀疏表示过完备字典的选择与构造问题,基于相关滤波法优选与冲击波形匹配的Laplace小波原子构造稀疏表示中的过完备字典;针对基本匹配追踪算法计算量大、效率低的问题,结合FFT快速运算特性,通过互相关运算替换基本匹配追踪算法中的内积运算,研究基于改进MP的稀疏表示快速算法,进而提高计算效率。仿真与滚动轴承故障实验分析结果表明该算法能准确的提取滚动轴承故障特征且计算效率高。     

基于低秩和稀疏分解的滚动轴承故障特征提取方法对比研究

滚动轴承是机械设备中广泛使用的关键部件，其故障特征的准确提取对设备稳定运行至关重要。轴承的初始故障很微弱，容易被背景噪声掩盖，这使故障特征的提取较为困难，需要对轴承故障特征与噪声的特性进行准确刻画。针对上述问题，为了深入探究轴承故障特征及噪声在时频域中的低秩与稀疏特性及其内在关联，对轴承故障特征提取低秩稀疏分解框架下的两种代表性方法开展对比研究，以便充分利用故障特征与噪声成分的性质，为噪声干扰下的轴承故障提取方法选择提供一定的依据。利用周期性瞬态冲击信号在时频域中的稀疏与低秩特性建立矩阵分解模型，对比了Go分解(go-decomposition, Go-Dec)和非负矩阵分解(non-negative matrix factorization, NMF)两种具有代表性的分解方法，并将其应用于时频域中滚动轴承的故障特征提取。首先，基于短时傅里叶变换(short time Fourier transform, STFT)生成振动信号的时频矩阵，并揭示了轴承故障脉冲在时频域中具有的稀疏性和低秩性。利用Go-Dec和NMF两种矩阵分解方法，分解出表征故障特征的矩阵。最后，对分解的故障矩阵采用逆...     

周期特征的极坐标同步增强及其在轴承故障检测中的应用

提出一种信号周期瞬态特征的极坐标检测方法,该方法在小波变换的基础上,针对信号中有限种可能的周期瞬态情况,将信号的小波变换的时频特征表示为极坐标图上某一区域的显著增强的特征,实现了周期瞬态特征的检测与增强.针对轴承的3种典型故障,采用极坐标同步增强策略,将轴承故障特征以显著的形式表示在极坐标上,实现了轴承故障的检测.