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。     

基于最小熵反褶积的动车组牵引电动机轴承故障诊断方法北大核心

针对牵引电动机轴承故障信号冗余程度高,信号微弱且伴随有较强非高斯噪声,故障特征难以提取的问题,采用了一种最小熵反褶积算法对复杂信号进行处理,由于该算法中滤波步长对处理信号影响较大,采用包络谱熵作为适应度函数,使用量子行为粒子群优化算法对最小熵反褶积算法中的滤波步长进行优化,使最小熵反褶积算法达到最优。试验结果表明,优化后的最小熵反褶积算法能够准确提取牵引电动机轴承故障特征。     

最小熵解卷积在滚动轴承早期故障诊断中的应用

滚动轴承发生早期故障时,轴承座的振动信号一般很微弱,且隐含的冲击成分常被淹没在强烈的噪声中,直接做频谱或包络谱分析,其故障特征很难提取。最小熵解卷积方法可以提高被分析信号的信噪比,突出隐含在故障信号中的脉冲成分。应用最小解卷积方法对滚动轴承滚动体、外圈和内圈三类典型早期故障信号进行了相应的解卷积滤波,然后进行幅值谱和包络解调分析,提取出了相应的典型故障特征。应用验证了最小熵解卷积方法在滚动轴承早期故障诊断中的有效性和优点。     

基于自回归最小熵反褶积的滚动轴承故障诊断

轴承故障信号中的周期冲击成分会受到轴承元件间碰撞产生非周期冲击成分以及工况噪声的干扰,难以提取故障特征。使用自回归最小熵反褶积方法对故障信号处理,首先用自回归模型滤除非周期冲击成分,再使用最小熵反褶积方法对周期冲击成分进行增强,通过仿真和实验信号处理结果证明了该方法的有效性。     

基于VMD和最小熵反褶积的齿轮早期故障诊断

针对强噪声环境下齿轮早期故障特征信号微弱,故障特征信息难以提取的问题,提出了变分模态分解(Variational Mode Decomposition,VMD)和最小熵反褶积(Minimum Entropy Deconvolution,MED)的诊断方法。首先,利用VMD对采集到的齿轮故障振动信号进行自适应分解,得到一系列窄带本征模态分量(band-limited intrinsic mode functions,BLIMFS),由于噪声的干扰,从各个模态分量的频谱中很难对故障做出正确的判断;然后依据相关系数准则,选取包含故障特征信息较丰富的分量进行MED滤波处理以消除噪声影响,凸显故障特征信息。最后对降噪后的信号进行Hilbert包络解调分析,即可从包络谱中准确地识别齿轮故障特征频率。通过仿真信号和齿轮箱实验数据对所提方法进行了验证,结果表明,该方法能够有效地降低噪声的影响,准确地提取齿轮早期故障信号中微弱的特征信息。     

基于GI-AMED的滚动轴承早期故障诊断

针对滚动轴承早期故障信号受噪声干扰严重,特征频率难以提取的问题,提出了基于基尼系数(GI)和自适应最小熵解卷积(AMED)的滚动轴承早期故障诊断方法。首先,以基尼系数为指标对滚动轴承健康状态进行评估,得到轴承故障初始起点;然后,以模糊熵为标准,通过步长迭代的方式对最小熵解卷积滤波器长度L进行寻优,用优化后的自适应最小熵解卷积对轴承信号进行自适应降噪处理;最后,对预处理信号进行包络谱分析并提取故障特征频率,完成滚动轴承早期故障诊断。试验结果表明,基尼系数能够比均方根值更早判定轴承运行趋势的异常点,AMED则能够克服人为经验选取参数的局限性,且能够得到更清晰的故障特征频率,从而有效实现滚动轴承早期故障诊断。     

基于混合优化策略的自回归-滑动平均模型建模

自回归一滑动平均(ARMA)模型参数估计一直是ARMA模型建模问题的难点和重点,目前的模型参数估计方法都采用传统最小二乘法及其推广算法,预测精度低.采用基于混合优化策略的遗传模拟退火算法进行ARMA模型参数估计,克服了传统算法的缺点,并在此基础上利用遗传模拟退火算法可以确定ARMA阶次的特点,提出基于混合优化策略的ARMA模型建模方法.利用这种建模方法和传统建模方法对组合炮控系统精度进行建模比较,证明基于混合优化策略的ARMA模型建模方法收敛快,精度高.     

基于小波包熵和ISODATA的滚动轴承故障诊断

针对滚动轴承不同振动信号各个频带的能量不同的特点,提出一种基于小波包熵（WPE）和ISODATA的集合型故障诊断方法（WPE-ISODATA）。文中对滚动轴承振动信号进行采样;利用小波包提取滚动轴承振动信号的能量特征并归一化运算,将归一化的能量特征作为振动信号的概率分布进行信息熵运算,提取滚动轴承振动信号特征;以信息熵作为ISODATA聚类算法的输入进行故障辨识。滚动轴承实验结果表明：基于小波包熵和ISODATA的集合型故障诊断方法鲁棒性好,可靠性高。     

基于阶次跟踪最大相关峭度反褶积的滚动轴承早期故障诊断

针对滚动轴承早期故障冲击信号受到现场噪声的干扰,难以提取周期冲击成分的问题,以及非平稳转速下对故障信号直接进行傅里叶分析会出现频率混叠,无法确定故障特征频率的问题。提出基于角域最大相关峭度反褶积的滚动轴承故障诊断方法。首先对时域非平稳故障信号进行计算阶次跟踪转换为角域内的平稳信号;然后用最大相关峭度反褶积对故障信号进行处理,提取信号中的周期冲击成分。通过对仿真和实验数据的分析,验证了角域最大相关峭度反褶积方法的有效性。     

基于角域级联最大相关峭度反褶积的滚动轴承早期故障诊断

变转速工况是某些启制动工作制设备常用的工作方式,针对启制动工作制下滚动轴承故障的振动信号呈现非平稳特性,加之现场环境噪声的干扰,难以从原始故障信号中提取特征频率。提出基于角域级联最大相关峭度(CMCKD)的滚动轴承故障诊断方法。首先将时域非平稳故障信号进行角域重采样转换为角域内的平稳信号;然后用级联最大相关峭度反褶积对故障信号进行处理,抑制信号中的噪声,提取信号中的周期冲击成分。通过对仿真和实验数据的分析,验证了角域级联最大相关峭度反褶积方法的有效性。     

基于最小熵解卷积与稀疏分解的滚动轴承微弱故障特征提取

受环境噪声及信号衰减的影响,强背景噪声下的滚动轴承故障特征往往表现得非常微弱。滚动轴承的微弱故障特征提取一直是难点。稀疏分解在滚动轴承的故障特征提取中已经取得一定的应用。但其在强背景噪声干扰下滚动轴承微弱信号故障的特征提取效果并不明显。将最小熵解卷积(Minimum entropy deconvolution,MED)与稀疏分解相结合用于滚动轴承的微弱故障特征提取。用MED对强噪声滚动轴承信号进行降噪处理,对降噪后的信号进行稀疏分解和故障特征提取,取得了较好的效果。通过仿真和试验验证了所述方法的有效性及优点。     

基于增强最小熵解卷积的航空发动机故障诊断

为有效提取轴承的微弱故障特征,提出一种基于无偏自相关分析的增强最小熵解卷积方法。该方法的滤波器系数的迭代求解中,通过抑制滤波信号中的非周期成分,实现对周期性故障冲击的增强检测,完成轴承故障的准确辨识。仿真信号分析结果表明,所提方法在复杂干扰下仍能准确提取轴承故障冲击序列。航空发动机故障诊断案例分析证实了该方法对复杂机械结构中轴承故障诊断的有效性。     

基于小波包参数模型的滚动轴承智能故障诊断

针对平稳自回归模型无法准确描述滚动轴承振动信号的非平稳性,提出一种结合小波包分解与自回归模型的故障特征提取方法,以提取能准确反映轴承运行状态的特征向量。首先,通过小波包变换对滚动轴承运行时产生的非平稳振动信号进行分解,得到一系列刻画原始信号特征的系数;然后,利用自相关算法对各系数建立自回归模型,并将自回归模型的参数作为特征向量;最后,采用支持向量机分类器对提取的特征向量进行故障分类,从而实现滚动轴承的智能故障诊断。仿真结果表明该方法的有效性。     

基于最小熵解卷积的齿轮箱早期故障诊断

齿轮箱发生早期故障时,其振动信号一般很微弱,且隐含的能反应出齿轮箱运转状态的冲击成分常被淹没在强烈的噪声中,直接做频谱分析或包络谱分析,很难提取其故障特征。论文将最小解卷积方法应用于炼胶机的齿轮箱故障诊断。首先利用该方法对齿轮箱振动信号进行解卷积滤波处理,然后对滤波后的信号进行包络解调分析,最后提取出了该齿轮箱轴5上齿轮8(z8=28)齿根轻微裂纹的故障特征,实现了该齿轮箱的早期诊断。应用实例验证了最小熵解卷积方法的有效性和优点。     

基于EEMD奇异值熵的滚动轴承故障诊断方法

为充分利用振动信号进行故障辨识,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)奇异值熵判据的滚动轴承故障诊断方法。首先,对滚动轴承的振动信号进行EEMD分解获得若干个本征模态函数(intrinsic mode function,简称IMF),并根据一种IMF分量故障信息含量的评价指标(即峭度、均方差和欧氏距离)选出能够表征原始信号状态的分量进行信号重构;其次,利用奇异值分解技术对重构信号进行处理,结合信息熵算法求取其奇异值熵;最后,利用奇异值熵的大小判断滚动轴承的故障类别。用美国西储大学滚动轴承振动信号对所述方法进行验证的结果表明,相比传统的EMD奇异值熵故障诊断方法,本方法能够清晰的划分出滚动轴承不同工作状态的类别特征区间,而且具有更高的故障诊断精度。     

基于改进多尺度模糊熵的滚动轴承故障诊断方法

滚动轴承故障诊断的关键是敏感故障特征的提取。多尺度模糊熵(multi-scale fuzzy entropy,简称MFE)是一种衡量时间序列复杂性的有效分析方法,已经被用于滚动轴承振动信号故障特征提取。针对MFE算法中多尺度粗粒化过程存在的缺陷,笔者采用滑动均值的方式代替粗粒化过程,提出了改进的多尺度模糊熵算法,并通过仿真信号将其与MFE进行了对比分析。在此基础上,提出了一种基于改进多尺度模糊熵与支持向量机的滚动轴承故障诊断方法。最后,将所提故障诊断方法应用于的滚动轴承实验数据分析,并与基于MFE的故障诊断方法进行了对比,结果验证了所提方法的有效性和优越性。