基于最小熵解卷积和Teager能量算子直升机滚动轴承复合故障诊断研究

为了解决强背景噪声环境下直升机滚动轴承故障信号微弱,故障特征难以提取的问题,提出一种基于最小熵解卷积(Minimum Entropy Deconvolution,MED)与Teager能量算子(Teager Energy Operator,TEO)的滚动轴承故障特征提取的新方法。根据滚动轴承故障信号表现为冲击波形的特点和MED降噪对冲击特征敏感的特性,采用MED对故障信号进行降噪处理,同时增强信号中的冲击成分;再结合TEO适合检测信号的瞬时变化,能有效提取故障信号冲击特征的特点,计算降噪信号的Teager能量信号,进行频谱分析提取滚动轴承的故障特征。通过对仿真信号和直升机滚动轴承混合故障信号进行分析,实验结果表明,该方法能有效提取强背景噪声环境中的微弱复合故障特征,具有一定的工程应用价值。     

Infogram和参数优化CYCBD在滚动轴承复合故障特征分离中的应用EI北大核心CSCD

针对滚动轴承复合故障特征难以分离的问题,提出了一种基于Infogram和参数优化最大二阶循环平稳盲解卷积(maximum second-order cyclostationarity blind deconvolution,CYCBD)的复合故障特征分离方法。首先,采用Infogram方法分析故障信号,选取最优带通滤波器,获得冲击性和循环平稳性最强的频带信号;其次,根据理论故障频率,设定CYCBD的循环频率集,并以包络谱稀疏度为依据,自适应选择CYCBD的滤波器长度;再次,对获得的频带信号进行解卷积运算,提取不同频率的故障冲击成分,实现故障分离;最后,对分离出的各故障成分进行包络解调分析,根据故障特征频率,识别故障类型。通过对仿真信号、西安交大-昇阳科技联合实验室(Xi’an Jiaotong University-Changxing Sumyoung Technology,XJTU-SY)的轴承试验数据分析,证明了所提方法可以有效实现故障特征分离。在此基础上,通过自制试验平台实测数据,进一步论证了该方法的可行性。     

基于改进形态-小波阈值降噪的轴承复合故障声学诊断

现场采集的滚动轴承复合故障声学信号存在噪声来源复杂、背景噪声强、非线性等特点,导致已知的自适应多尺度形态滤波不能很好的适用于轴承复合故障的盲分离。针对上述问题,提出一种基于改进的自适应多尺度多结构形态滤波(IAMSCMF)、改进的小波阈值降噪方法(IWTDM)和稀疏量分析(SCA)相结合的滚动轴承复合故障特征盲提取方法。首先利用IAMSCMF和IWTDM构造滤波器进行滤波及提高信噪比(SNR);其次利用SCA分离信号;最后用FFT进行频谱分析。仿真分析和滚动轴承现场采集声学信号分析结果均清晰的提取出了轴承故障特征,验证了算法的有效性。     

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VMD的自适应形态学在轴承故障诊断中的应用

为有效提取滚动轴承信号的特征频率,提出了基于变分模态分解(VMD)的自适应形态学的特征提取方法。首先利用VMD将目标信号分解为有限个模态信号,依据互信息法提取与原始信号相关的模态信号,将其进行求和重构;然后利用形态学对重构信号进行降噪处理,提取出滚动轴承的特征频率。针对形态学固有统计偏移和结构元素的选择问题,利用粒子群算法来优化改进的广义形态学滤波器,实现自适应滤波。通过数字仿真实验与滚动轴承故障试验分析,将其与基于经验模式分解(EMD)的自适应形态学、包络解调方法进行比较,结果表明该方法可以有效提取故障信号的特征频率。     

基于噪声辅助信号特征增强的滚动轴承早期故障诊断

针对滚动轴承振动信号特征提取在滤除干扰噪声的同时会将部分有用信号滤除,造成特征信号丢失的问题,提出了一种基于噪声辅助信号特征增强的滚动轴承早期故障诊断方法。采用广义多尺度排列熵筛选准则筛选振动信号,并通过粒子群优化算法优化Duffing振子系统参数,实现Duffing振子系统、输入信号与噪声间的最优匹配,从而提高随机共振效果,将部分背景噪声能量转移到滚动轴承早期微弱故障信号特征上,实现了早期微弱故障信号特征的增强。将所提方法应用于滚动轴承全寿命状态早期故障诊断,并与基于VMD的自适应形态学方法相比较,结果表明了该方法的有效性和可行性。     

基于QGA优化广义S变换的滚动轴承故障特征提取

考虑到实际工程环境中噪声对故障特征提取的影响,提出了基于量子遗传算法(QGA)优化广义S变换的滚动轴承故障特征提取方法。该方法以时频分布集中程度为评价标准,首先采用量子遗传算法自适应地选取广义S变换中最优窗口控制参数,然后提取信号变换后复时频矩阵的模向量作为滚动轴承故障特征向量。利用该方法提取的滚动轴承故障特征与其它故障特征进行故障识别对比研究,实验结果表明该方法能够更准确地提取出故障特征,验证了方法的优越性。此外,对不同噪声强度背景下的滚动轴承振动信号进行故障特征提取,诊断结果进一步显示所提方法具有良好的抗噪性和健壮性。     

基于循环谱分析的鲁棒性滚动轴承故障特征提取方法EI北大核心CSCD

循环平稳分析是滚动轴承故障特征提取的重要方法之一,但在用于滚动轴承故障特征提取时,存在因干扰成分较强而不能有效提取轴承故障特征的问题。为能在干扰环境中有效提取滚动轴承故障信息,基于循环谱分析提出一种鲁棒性滚动轴承故障特征提取方法。首先通过离散随机分离(discrete random separation,DRS)分析分离信号中的周期分量,提取其随机分量;随后用Teager能量算子(Teager energy operator,TEO)提取随机分量的振动能量序列;再对该序列进行快速谱相关(fast spectral correlation,Fast-SC)分析,采用基于能量熵的能量差异系数评价各循环频率(阶次)切片的能量强度;最终经熵加权降低无关干扰成分影响以有效提取故障特征。通过传统的快速谱峭度、快速谱相关和基于总变差去噪的快速谱相关分析方法与该方法对美国智能维护系统中心的滚动轴承振动数据以及实测齿轮箱复合故障试验信号进行对比分析,验证了该方法在滚动轴承故障诊断应用中的优势。     

风力发电机轴承复合故障特征提取方法研究

针对较强背景噪声干扰下的风力发电机轴承复合故障特征难以准确提取的问题,提出了基于自适应最大相关峭度解卷积(AMCKD)的风力发电机轴承复合故障特征提取的方法。首先,利用人工鱼群算法(AFSA)以解卷积信号包络谱的相关峭度值为目标函数对最大相关峭度解卷积算法(MCKD)的影响参数自适应寻优;然后,将影响参数优化的MCKD对原始故障信号进行解卷积处理,对解卷积信号进行包络谱分析,通过包络谱中的主导频率成分与轴承各元件的故障特征频率相对比,准确实现轴承复合故障的诊断。仿真和工程应用实例验证了所提方法的有效性与实用性。     

基于倒谱预白化和形态学自互补Top-Hat变换的滚动轴承故障特征提取

为了消除振动信号中离散频率分量和强背景噪声对提取滚动轴承故障特征频率的干扰,提出了一种新的基于倒谱编辑(Cepstrum Editing Procedure,CEP)预白化和形态学自互补Top-Hat变换的方法用于滚动轴承的故障特征提取。CEP能够去除故障振动信号中的周期性频率成分,剩余只包含背景噪声和碰撞损伤引起的非平稳冲击成分的白化信号,通过分析构造的形态学自互补Top-Hat变换滤波器,提出采用故障特征幅值能量比(Feature Amplitude Energy Radio,FAER)的方法自适应确定最优结构元素的尺度,预白化信号经过形态学滤波有效消除了背景噪声的干扰,提取了较为清晰的轴承故障特征频率。对实测轴承滚动体、内圈故障信号进行了分析,结果表明该方法可有效提取滚动轴承故障冲击成分并抑制噪声。     

参数优化VMD结合1.5维谱的滚动轴承复合故障特征分离方法

针对滚动轴承复合故障分离的问题,基于相关峭度具有突出故障冲击周期性的特点和1.5维谱抑制高斯白噪声、剔除非耦合谐波分量的优点,提出了参数优化VMD结合1.5维谱的滚动轴承复合故障特征分离的方法。首先以轴承不同故障特征频率对应的周期计算得到的最大相关峭度为评价指标,通过相应的相关峭度图来实现VMD中参数选择以及最优分量的选取;然后对最优分量进行包络处理,并为减少冗余成分和噪声干扰,选择1.5维谱来对包络信号做进一步分析,以此来实现滚动轴承复合故障的有效分离。通过对轴承复合故障仿真及实验信号的分析证明了该方法的有效性。     

基于多传感器信号和卷积神经网络的滚动轴承故障诊断

针对滚动轴承故障信号非平稳非线性且易受背景噪声干扰的特点,结合深度学习的优势,提出了一种基于卷积神经网络(CNN)的滚动轴承故障诊断法。将不同故障下多个传感器测得的1维(1D)振动信号转化为2维(2D)灰度图像作为网络输入,并将其分为训练集和测试集;将训练集输入卷积神经网络进行训练,自动提取其中的特征;测试集被用于验证学习完毕的网络的有效性,实现滚动轴承故障识别。该方法不依赖于人为经验和信号处理技术进行预先的信号特征提取,实验数据分析表明,相比于经典的支持向量机和概率神经网络方法,提出的方法识别准确率更高且更稳定。     

基于小波包变换的滚动轴承故障诊断方法的研究

目前基于小波分析的滚动轴承故障诊断方法的研究已经很多，但是这些方法对于强噪声背景下的故障信号特征提取效果并不理想。为此，提出了适用于强噪声背景的自相关及互相关小波包消噪滚动轴承故障诊断方法。该方法首次将相关分析和小波包分解结合：对被测信号进行自相关或互相关处理，之后进行小波包阈值消噪处理，对消噪最大能量系数进行自相关或互相关处理，最后对能量序列进行FFT计算。仿真结果表明，该方法极大地增强了对滚动轴承故障诊断的能力，在强噪声背景下有效地提取出滚动轴承的故障频率。     

基于可视图图谱幅值熵的滚动轴承故障诊断方法

为了准确有效地提取滚动轴承振动信号的非平稳、非线性故障特征,将复杂网络与图信号处理技术(graph signal processing,GSP)引入机械故障诊断领域,提出了基于可视图图谱幅值熵(graph spectrum amplitude entropy of visibility graph,GSAEvG)的滚动...     

基于EEMD和改进的形态滤波方法的轴承故障诊断研究

轴承故障会导致振动信号中出现冲击响应成分,可通过对冲击响应成分的周期的检测与提取, 进行局部故障诊断。但在复杂工况下,故障脉冲易被周围噪声淹没,在分析EEMD和形态学滤波方法的基础上,将EEMD方法与形态学滤波方法相结合,提出结构元素(SE)选择方法,并用于本征模态信号中冲击响应特征的提取。通过将该方法用于轴承外圈、内圈局部故障状态下的特征的检测,结果表明该方法能有效提取周期性脉冲成分并抑制噪声。     

滚动轴承故障诊断的多重超阶分析方法

多重分形去趋势波动分析(MF-DFA)可以获得能够表征信号内在动力学机制的多重分形谱,但是在提取滚动轴承振动信号故障特征时存在参数接近、状态混叠等问题,导致分析结果易受信号噪声等因素干扰,影响分类精度。为解决此问题,提出了多重超阶分析(MF-SOA)的方法。该方法将极值增量方法引入了多重去趋势波动分析中,对时间序列进行取极值操作;然后计算并分析获得的极值增量序列的重分形特征,通过MF-SOA方法获得的特征可以更清晰地表现出序列的内部动力学机制。最后将所提出的方法应用于滚动轴承的故障诊断中。试验数据分析结果表明,该方法对于信号的不规则程度十分敏感,并且有效改善了MF-DFA方法的缺陷,对于模式相近的故障类型有更优的区分度,提高了滚动轴承故障诊断的精度。     

基于谱峭度的滚动轴承故障包络阶比跟踪分析

通过对旋转机械变速运行工况的齿轮箱振动分析研究,提出一种基于谱峭度的滚动轴承故障包络阶比跟踪分析方法。该方法利用旋转机械运行过程中滚动轴承故障引起的冲击性振动会激起其周围结构共振的原理,应用谱峭度方法自适应地确定优化的共振解调带通滤波中心频率和滤波带宽,进而通过共振解调算法获得包含轴承故障初始阶段振动特征的包络信号,再将变速工况下的非平稳包络信号通过等角度重采样转化为角度域的准平稳信号,进而获得消除了频率模糊的阶比谱,实现对旋转机械变速运行工况下的滚动轴承故障诊断。仿真和测试试验结果验证了本方法的有效性。     

基于EEMD的混合陶瓷球轴承故障双冲击特征提取

疲劳剥落是导致滚动轴承失效的主要原因,当滚道出现剥落故障时滚动体在进入和退出剥落区时的加速度振动信号表现出不同特征：进入故障区时产生以较低频率成分为主的阶跃响应;退出剥落区则引起频带较宽的脉冲响应。有效分离这两类信号特征,对实现对混合陶瓷球轴承剥落区长度的测量有重要意义。本文提出了一种基于总体经验模态分解（EEMD)的混合陶瓷球轴承剥落故障双冲击特征提取方法,该方法首先用AR模型对原始振动信号进行预白化处理,然后利用EEMD对白化后的振动信号进行去噪,并结合Hilbert包络提取算法实现对剥落故障混合陶瓷球轴承振动信号双冲击特征的有效分离提取。仿真及试验研究表明该方法能够有效地分离出混合陶瓷球轴承故障双冲击特征。