基于鲸鱼优化算法的自适应共振解调轴承故障诊断方法

针对共振解调方法需要选取包含较多故障信息的共振频带这一特点,提出了一种基于鲸鱼优化算法的自适应共振解调轴承故障诊断方法。首先,使用鲸鱼优化算法,以峭度和包络谱峭度构造的复合峭度作为优化目标,对带通滤波器参数中心频率和带宽进行自适应选择。然后,使用寻优得到的最优中心频率和带宽对轴承故障信号进行滤波分析。最后,对滤波后信号进行包络解调处理,提取出故障特征频率,判断轴承故障类型。通过对仿真信号和轴承内、外圈故障信号的分析诊断,可以证明该方法能够满足共振解调方法中对共振频带选取的要求,完成轴承信号故障频率的提取,是一种有效的轴承故障诊断方法。     

基于MCKD与CEEMDAN的声信号故障特征提取方法

在双转子轴承状态监测与故障诊断中,信号传递路径复杂,很难通过加速度传感器直接获得信号,而声音信号有非接触式测量的优势,包含大量特征信息.为了能够准确、有效地通过声音信号实现滚动轴承故障诊断,检测出轴承故障,提出了基于自适应噪声完备集合经验模态分解(CEEMDAN)和最大相关峭度解卷积(MCKD)的滚动轴承故障诊断方法.首先运用最大相关峭度解卷积方法增强轴承故障声音信号中的冲击,然后对处理后的信号进行CEEMDAN处理,计算每个经验模态分量的峭度值,根据峭度值选取最优分量并求Hilbert包络谱,以准确提取故障特征频率.文中采用该方法基于声音信号实现滚动轴承故障诊断,为提取最优分量提供了理想筛选标准,一定程度上降低了故障诊断的复杂程度,具有良好的自适应性.     

基于集成固有时间尺度分解和谱峭度的滚动轴承故障检测

针对固有时间尺度分解(ITD)方法中固有旋转分量存在局部波动的问题,提出一种集成固有时间尺度分解,将其结合谱峭度法,提高轴承故障检测的准确度。首先运用3次样条插值拟合基线控制点,实现振动信号的自适应频带划分,获得若干个固有旋转分量;然后根据K-L散度准则选取真实分量进行信号重构,使用谱峭度法确定带通滤波器的最优参数;最后分析滤波处理结果的包络谱,得到振动信号的特征信息。研究结果表明:与经验模式分解和单纯包络谱分析方法相比,采用集成固有时间尺度分解和谱峭度的包络方法(EITD-SK)能更好地提取滚动轴承故障特征信息,实现轴承故障的准确检测,结果与实际相符。     

变速重载设备齿轮箱轴承故障的改进阶次包络分析方法

针对变速重载设备振动信号中轴承故障特征提取时易受齿轮振动干扰的问题,提出了一种融合齿轮和轴承参数信息的改进阶次包络分析方法。先利用设备转速信息,对原始振动信号进行插值重采样处理,将非平稳时域信号转化为平稳角域信号;再利用齿轮齿数和轴承故障特征系数信息,采用以齿轮啮合频率及其谐波为中心频率,以轴承最大故障特征系数的倍频为带宽的阶次域频带分割方法,计算频带能量并排序,选择能量较大的频带作为解调频带进行滤波;最后利用Hilbert解调方法对上述滤波后的信号进行阶次包络平均处理,最终实现轴承故障的识别和诊断。通过齿轮啮合动力学分析,解释了轴承故障冲击成分对齿轮频带的调制作用,实际应用结果表明:提出的方法在频带选择时融合了和故障相关的设备参数信息,所选频带的可解释性强,且综合利用了与故障相关的多段频谱结构信息,通过阶次包络平均处理进行解调谱特征融合,提高了诊断结果的鲁棒性和准确度,为变速重载设备轴承故障预测和诊断提供了一种新的方法。     

形态分量分析在滚动轴承故障诊断中的应用

滚动轴承局部故障振动信号中的周期性冲击是识别故障的关键特征.形态分量分析在由多种形态原子组成的过完备字典基础上提取信号中的不同形态成分,基于这种思想提出了一种基于新型过完备复合字典的形态分量分析方法.依据滚动轴承故障振动信号中分量间的形态差异性,改进字典后该方法可以更具针对性地提取出包含故障特征的冲击分量,配合包络谱分析准确提取故障特征频率,诊断滚动轴承局部故障.对比基于快速谱峭度法的轴承故障诊断方法,该方法可以避免人为选择共振带产生的不准确性和非最优问题,提高了故障诊断效果.通过轴承仿真信号和故障实验信号分析验证了该方法的有效性.     

精细谱负熵及其在滚动轴承故障诊断中的应用

针对提取滚动轴承故障特征时共振边频带的中心频率难确定、带宽确定过宽或过窄及易受噪声影响等问题,提出了一种基于经验小波变换(EWT)的精细谱负熵方法(ASNE)。该方法利用经验小波滤波器特性构造滤波器组,实现对信号频域的扫描滤波;结合时域谱负熵更易检测信号中周期性冲击成分的特点,对滤波后的分量进行筛选,经过两次循环筛选获得了精确的中心频率和带宽;通过EWT提取出最佳的故障特征分量,最终进行包络解调获得故障特征信息。轴承内、外圈故障的实验信号对该方法进行了验证,实验结果表明,该方法能够快速、准确地确定共振边频带的中心频率与带宽,并有效地提取了内、外圈故障特征信息,且效果优于Infogram方法。该方法克服了传统边频带提取方法在频带划分上的局限性,抵制了噪声的干扰,提取的中心频率和带宽更精确,为更准确地判断轴承故障类型提供了可靠的理论支持。     

基于能量峰定位的经验小波变换及在轴承微弱故障诊断中的应用

为了解决经验小波变换在轴承振动信号频谱分割不当的问题,提出了一种基于自适应能量峰定位的经验小波变换。该方法采用Teager能量算子对傅里叶频谱进行能量集中,降低噪声和无关分量影响;利用多尺度寻峰定位算法自适应确定频谱分割边界;通过构建小波滤波器组提取各模态分量。依据峭度指标挑选故障信息最大的模态分量,最后通过Hilbert包络解调提取轴承的故障特征频率。仿真和实验分析结果表明:提出的方法从能量角度入手,鲁棒性更强;频段划分考虑频谱的形状,能自适应识别故障频带;与原始经验小波变换方法相比,改进方法能明显增强早期微弱故障特征,提高轴承早期故障诊断性能。     

基于快速峭度图算法与平方包络共振解调的滚动轴承自适应故障诊断方法

针对共振解调技术应用在滚动轴承故障诊断中存在信噪比低和带通滤波器参数需要依靠经验确定的问题,提出了一种基于快速峭度图算法与平方包络共振解调技术相结合的滚动轴承自适应故障诊断方法.根据快速峭度图算法的自适应性,确定带通滤波器的参数,并提取滚动轴承故障振动信号高频共振带中包含的故障特征频段;计算去直流后信号的信噪比,若其信噪比大于1,则利用平方包络方法进行重构,以突出故障特征信号;对重构信号进行频谱分析,得到其故障特征频率,识别出相应的故障类型.通过故障滚动轴承试验,验证了该方法的有效性和准确性.     

基于改进的EEMD数据融合方法在轴承故障诊断中的应用

提出一种基于改进的EEMD谱峭度的多传感器联合轴承故障诊断方法,通过多个加速度传感器联合采集振动信号,利用EEMD自适应地将信号分解成多个分量,通过计算每个IMF分量的互相关系数法进行自适应重构以突出故障特征信号;对合成后的信号画快速峭度图,获得峭度最大时的中心频率和带宽;根据快速峭度图自适应确定电子谐振器的参数,并对此合成信号进行谐振增益;对谐振增益后的信号进行Hilbert解调,并与理论计算的轴承故障特征频率比较,从而确定故障部位.通过仿真的故障轴承信号和滚动轴承实验进行了验证,结果表明:该方法对滚动轴承故障的检测精度更高,提取精度和抗噪声能力方面有了明显的改进,对工程实践具有重要的指导意义.     

采用参数自适应最大相关峭度解卷积的滚动轴承故障特征提取

针对滚动轴承故障特征信号因受传输路径和强噪声的干扰而导致周期性故障脉冲难以提取以及最大相关峭度解卷积(MCKD)参数依赖人为经验选择的问题，提出一种参数自适应MCKD的滚动轴承故障特征提取方法。以解卷积信号的包络谱熵作为适应度函数，利用麻雀搜索算法强大的全局搜索能力自适应地选择MKCD方法的最佳参数组合；利用参数优化后的MCKD方法对故障信号进行解卷积运算，滤除掉信号中的噪声，以突显由轴承故障激发的周期性故障脉冲；对解卷积信号进行包络解调，以提取出轴承故障特征频率成分。仿真结果表明，与遗传算法和粒子群算法相比，采用麻雀搜索算法可使MCKD参数在优化中具有更快的收敛速度和更强的稳定性。对滚动轴承进行全寿命周期实验及对工程案例的实验结果表明：所提方法能自适应提取强噪声中的轴承周期性故障脉冲成分，信号的峭度提高了3倍，鲁棒性更强；与直接谱分析和快速谱峭度方法相比，所提方法能完整提取信号中的故障特征频率成分，成功率可达100%,有效提高了滚动轴承的故障诊断精度。     

采用改进多点最优最小熵反褶积的齿轮箱复合故障特征提取

针对强背景噪声下齿轮箱复合故障中的微弱故障特征难以提取的问题,提出了一种改进多点最优最小熵反褶积的齿轮箱复合故障特征提取方法。将小波降噪作为前置滤波器,克服了多点峭度谱在强背景噪声下难以有效识别信号中的微弱故障周期成分的缺点,使信号峭度增加了65.9%,突出了微弱故障周期成分;根据多点峭度谱识别出的故障周期成分设置合理的故障区间,利用多点最优最小熵反褶积突出了信号中的故障周期,避免了对信号直接包络解调而出现的漏诊现象;将差分能量算子解调应用于改进算法处理后的信号,与传统的Hilbert解调方法相比,该算法得到的解调谱中故障特征频率的峰值更加明显。通过对仿真信号与齿轮箱中齿轮点蚀磨损复合故障振动信号的研究结果表明,改进多点最优最小熵反褶积方法能够完整地提取信号中的故障特征频率成分,成功率达到了100%;与变分模态分解进行了对比分析,改进算法有效消除了模态混叠现象。仿真和试验结果表明,改进算法可以有效提取强背景噪声下齿轮箱复合故障中的微弱故障特征。     

参数自适应VMD在高速列车轴箱轴承故障诊断中的应用

针对高速列车轴箱轴承故障特征提取困难和变分模态分解(VMD)参数的人为设置影响分解效果的问题,提出参数自适应VMD轴箱轴承故障诊断方法。首先,以平均包络谱熵为适应度函数,利用麻雀搜索算法自适应地寻找不同工况下的最优模态数K和惩罚因子α;其次,对原始轴承时域信号进行VMD分解,利用快速谱峭度图分析最小包络熵的IMF分量,并根据分析结果对该IMF分量进行带通滤波以增强故障特征;最后,对滤波后信号进行希尔伯特包络解调分析,并将分析结果与理论计算所得特征频率进行对比,对轴箱轴承故障进行分类辨识。研究结果表明：与经验模态分解(EMD)、局域均值分解(LMD)、集合经验模态分解(EEMD)等自适应信号分解方法相比,本文所提方法能更有效地降低噪声的影响,提取复杂耦合工况下轴箱轴承振动信号中的故障特征。     

基于奇异值分解和共振解调的滚动轴承故障特征提取

针对共振解调方法容易受到噪声干扰,以及带通滤波器参数难以确定,很大程度上依赖经验的问题,提出一种基于奇异值分解和共振解调的滚动轴承故障特征提取方法;利用奇异值分解算法,将轴承振动信号分解成多个奇异值分量,计算各分量的峭度值,选择峭度值最大的分量,利用谱峭度算法确定中心频率和带宽,并对该分量信号进行带通滤波和包络解调分析。结果表明,提取性能以及鲁棒性能实验证明了该方法能够自适应确定滤波频带,降低噪声干扰的影响,并且在带通滤波器失效情况下有良好的稳定性。     

基于非局部均值去噪和快速谱相关的滚动轴承早期故障诊断方法

针对如何从非线性、多分量、强背景噪声的滚动轴承早期故障振动信号中有效提取出微弱故障特征并准确判断故障类型,提出基于非局部均值去噪和快速谱相关的故障诊断方法。首先利用非局部均值去噪算法对原始振动信号进行降噪预处理,提高信号信噪比。然后,对降噪信号进行快速谱相关分析,增强信号中的周期成分,获得快速谱相关谱及其对应的增强包络谱。最后,将增强包络谱中幅值突出的频率成分与故障特征频率进行对比,判定故障类型并实现故障诊断。使用本文提出方法对仿真故障信号、实验故障信号进行分析。研究结果表明:相较于快速谱相关方法、谱峭度结合非局部均值去噪方法以及非局部均值去噪结合经验模态分解方法,本文提出方法可以抑制轴承早期故障振动信号中的背景噪声,有效提取出微弱故障特征,准确判断故障类型,避免出现误诊。     

基于可调Q因子小波变换和谱峭度的轴承早期故障诊断方法

通过对轴承故障机理的研究,提出基于可调Q因子小波变换和谱峭度的故障诊断新方法。首先,根据冲击成分的频谱分布,预设Q因子的范围,对轴承的振动信号进行可调Q因子小波变换;其次,计算各尺度变换系数的谱峭度,利用谱峭度最大原则确定最佳的共振因子和尺度带;然后,用相邻系数降噪法处理尺度带内的变换系数,并进行逆可调Q因子小波变换重构信号;最后,求取包络谱,根据极值点的频率位置进行故障诊断。研究结果表明:该方法能有效抑制噪声和谐波成分,使提取的故障特征成分周期性明显、峭度大,使故障特征频率突出显著,验证了所提方法的有效性。     

故障字典在轴承故障诊断中的应用研究

滚动轴承信号为典型的非平稳信号,具有很宽的频带,用复值谱和包络分析难以获得故障特征。针对这种情况,本文应用自组织映射对轴承故障进行了诊断,同时建立了轴承故障字典,该方法能够准确的诊断出轴承故障,为工程师提供更好的故障诊断辅助工具。     

改进的谐波小波包峭度图及其应用

为克服谐波小波包变换按二进方式划分频带的不足,提出一种精细划分频带的改进的谐波小波包变换方法,并将改进的谐波小波包与峭度图相结合,提出了改进的谐波小波包峭度图,以及基于改进的谐波小波包峭度图的机械故障诊断方法.仿真实验和应用实例结果表明,所提出的方法克服了传统包络分析需要人为设定带通滤波器参数的不足,能够自适应地将最优频带从含强噪声的原始信号频谱中分离,具有比现有峭度图更强的微弱故障提取能力,可以提高峭度图方法的应用效果.     

基于形态滤波优化算法的滚动轴承故障特征提取方法

针对轴承故障振动信号的非线性、非平稳性的特点,而且故障信号经常被各种噪声、干扰所淹没,提出了一种基于局部均值分解(local mean decomposition,LMD)与自适应多结构元素多尺寸差值形态滤波器相结合的方法。原始故障信号先经过局部均值分解得到若干乘积函数(product function,PF)分量,然后采用峭度值准则,选取峭度值最大的PF分量,再将其经过自适应多结构元素多尺寸差值形态滤波器进行滤波解调,最后解调结果进行频谱分析,提取故障特征。为了体现其可行性和优越性,与包络解调、LMD-形态闭运算和LMD-形态差值滤波三种方法进行了比较,仿真信号和实测轴承故障信号的分析结果表明,它具有更强的噪声抑制和脉冲提取能力,可以有效地提取滚动轴承故障特征信息,实现故障的精确诊断。     

基于乌鸦搜索算法优化变分模态分解的滚动轴承故障诊断方法研究

针对滚动轴承故障信号的自适应提取和分解的问题，提出一种基于乌鸦搜索算法优化变分模态分解的滚动轴承故障诊断方法。将变分模态分解(variational mode decomposition, VMD)方法的关键参数K和α采用新型的乌鸦搜索算法(crow search algorithm, CSA)进行优化，得到最优参数组合；再将最优参数组合输入到变分模态分解算法中，对故障信号进行分解从而得到多个本征模态分量(intrinsic mode function, IMF);以样本熵值为适应度函数挑选最优分量，对最优分量进行包络解调，分析其包络谱判断出轴承的故障类型。结果表明，提出的方法在兼顾全局搜索和局部搜索的同时也能将复杂的轴承故障信号准确地进行分解，提取出最优分量进行分析从而判断出轴承故障类型。     

强噪源干扰下的滚动轴承复合故障分离方法研究

针对强背景噪声干扰下的轴承复合故障难以准确分离提取,噪声与复合故障各成分间相互影响容易造成误诊或漏诊的问题,提出基于变分模态分解(VMD)及最大相关峭度解卷积(MCKD)的复合故障分离方法。首先对复合故障信号进行变分模态分解并根据峭度及相关系数准则重构信号作为前置滤噪处理,然后选取合理的滤波器长度及解卷积周期对重构信号进行最大相关峭度解卷积运算以实现故障特征分离,并结合1.5维能量谱强化信号瞬时冲击特征的优点,准确实现复合故障诊断,最后通过噪源干扰下的外圈、内圈复合故障实测信号分析验证该方法的有效性。研究结果表明:VMD方法能够有效滤除噪声干扰,且其滤噪效果比集合经验模态分解(EEMD)方法的滤噪效果好;MCKD方法能够将外圈、内圈故障分离,避免复合故障各成分间的相互干扰;1.5维能量谱能够强化谱图中的瞬时冲击特征。