S变换用于滚动轴承故障信号冲击特征提取

为从低信噪比的滚动轴承故障信号中提取出冲击特征,以便于进行轴承故障诊断,引入S变换的信号处理方法。以短时傅里叶变换（short time Fourier transform,简称STFT）以及连续小波变换（continuous wavelet transform,简称CWT）为理论基础,分别推导得出了连续S变换的定义式,并利用快速傅里叶变换（fast Fourier transform,简称FFT）实现S变换离散化计算。S变换克服了STFT时频分辨率固定的缺点,弥补了CWT缺乏相位信息的不足。仿真信号研究表明,S变换在信号整个频带上具有良好的时频分辨率和时频聚集性,能够提取低信噪比信号中的冲击特征,且性能优于STFT和CWT。最后对一组实际的滚动球轴承故障振动信号进行S变换处理,结果表明,S变换能够方便有效地从中提取出周期性的冲击特征,从而指导滚动轴承相关故障的诊断。     

基于FSWT细化时频谱SVD降噪的冲击特征分离方法

为有效提取滚动轴承故障振动信号的故障冲击特征,提出了基于FSWT细化时频谱SVD降噪的冲击特征分离提取方法。首先对原始信号进行频率切片小波变换得到全频带下的时频分布,然后根据时频谱能量分布特点选择出感兴趣的时频区域,再以较高的时频分辨率对感兴趣的时频区域进行细化分析得到细化的时频谱,从而分割出含有故障特征时频区域。为克服噪声对细化时频谱精度的影响,FSWT细化分析过程融入SVD降噪,通过对FSWT细化时频谱系数矩阵进行奇异值差分谱阈值降噪,使得FSWT细化时频谱的冲击特征更加明显,最后通对降噪后的细化时频谱进行FSWT逆变换重构,分离出故障冲击信号。仿真分析和故障诊断实例表明,基于FSWT细化时频谱SVD降噪的冲击特征分离提取方法能够成功从低信噪比信号中提取出周期性的冲击特征,有效地实现对滚动轴承各种故障的诊断。     

滚动轴承故障特征提取的频谱自相关方法

冲击调制是滚动轴承发生局部故障的重要特征,在频谱上表现为调制边频且能量主要集中在高频共振区非常不利于诊断。根据冲击序列在时域与频域具有相似冲击形式的特点,将时域的自相关概念引入频域,对滚动轴承内、外圈局部故障响应信号的频谱进行自相关分析。该方法将位于高频共振区的调制边频特征有效地转移到低频区,形成以故障特征频率为基频的谐频特征;对于内圈故障信号频谱自相关结果保持了载荷调制的边频。对6220型滚动轴承外圈和内圈点蚀故障信号的分析结果表明:频谱自相关分析在不设计带通滤波器选择共振频段时,分析过程更简洁,对内圈故障特征的提取比包络分析、倒谱分析及时域的自相关方法效果更好、抗噪能力更强、可信度更高,具有较高的工程应用价值。     

滚动轴承故障特征提取的EMD频谱自相关方法

首先,在论述频谱自相关方法(spectrum auto-correlation,简称SAC)的特点、经验模态分解(empirical mode decomposition,简称EMD)分析过程和轴承故障机理的基础上,指出了在故障信号不占主导作用时频谱自相关方法在轴承故障诊断中的局限性,并得到仿真算例验证;然后,提出了基于经验模态分解和频谱自相关的轴承故障特征提取方法,将经验模态分解得到的各分量进行分析比较,再对适合的分量进行频谱自相关分析,可有效提出轴承故障频率;最后,分别在轴承故障试验台实测了深沟球轴承和圆柱滚子轴承内外圈故障振动数据,结果表明,EMD-频谱自相关分析方法可以很好地提取轴承故障信号,较单一EMD分解、频谱自相关和峭度等方法效果更好,为轴承故障诊断提供了新思路。     

基于广义Weibull分布的滚动轴承故障特征提取方法

针对Weibull分布模型不能有效的提取具有非线性、非平稳性的滚动轴承振动信号信息,提出了基于广义Weibull分布模型参数的滚动轴承故障特征提取方法。首先,将采集的4种运行状态的滚动轴承振动信号进行Hilbert变换,求得能表征4种运行状态下振动信号幅值和频率变化的Hilbert包络信息;然后对Hilbert包络信息建立两参数Weibull分布模型,利用最小二乘法估计模型的尺度参数和形状参数;最后将估计出的尺度参数和形状参数作为表征滚动轴承运行状态的特征信息输入SVM分类器进行模式识别和故障诊断。通过Matlab仿真实验表明,提出的特征提取方法能快速、准确地提取滚动轴承的特征信息,对工程实践具有一定的指导意义。     

基于改进SSD降噪的滚动轴承故障特征提取

针对强背景噪声下滚动轴承早期微弱故障特征难以提取以及奇异谱分解方法分解的分量仍然包含噪声的问题,提出了一种奇异谱分解（Singular spectrum decomposition,SSD）和最大循环平稳盲解卷积（Maximum cyclostationarity blind deconvolution,CYCBD）相结合的滚动轴承微弱故障特征提取方法。由SSD方法将轴承振动信号自适应地分解为从高频到低频的奇异谱分量;根据分量峭度最大原则,筛选出最佳分量;再利用CYCBD对最佳分量后处理进一步降噪;进而对降噪后的信号进行Hilbert包络解调分析,得到故障特征频率。仿真和实验分析表明,该方法能有效提取滚动轴承早期微弱故障特征。     

基于S变换和改进SVD的滚动轴承智能诊断方法

对于滚动轴承而言,工程实际中存在诊断样本与训练样本故障类型相同(如均为滚动体故障)但故障程度却不同的现象,同时滚动轴承发生故障时其振动信号表现出明显的非平稳性,因此文中提出一种基于S变换和改进奇异值分解的滚动轴承故障程度鲁棒的智能诊断方法。首先利用S变换得到滚动轴承振动信号时频分布矩阵,再利用改进奇异值分解方法对时频矩阵进行降维进而得到约简的特征向量,最后将提取到的故障特征向量作为支持向量机的输入,利用支持向量机识别轴承所属的故障类型。实验结果表明,该方法能有效地解决滚动轴承训练样本与测试样本故障程度不一致时的诊断问题,效果优于传统滚动轴承诊断方法。     

基于自适应广义解调变换的滚动轴承时变非平稳故障特征提取

变转速运行工况下滚动轴承故障冲击幅值与故障冲击间隔表现为时变性。现有的研究主要集中于解决时变冲击间隔带来的频谱模糊问题,鲜有对时变冲击幅值问题的探究。低转速下,故障冲击幅值较小,容易淹没在噪声中,给轴承故障诊断带来困难。据此,提出了基于自适应广义解调变换(Generalized demodulation transform, GDT)的滚动轴承时变非平稳故障特征提取方法。定义了重置准则优化GDT,使其转换因子可调、重置因子最优,时变的故障相关的频率曲线自适应的聚集于最高点,而非起始点。从故障轴承振动信号的高频共振成分的包络时频谱中提取时频脊线,结合假设思想构建了广义特征指标(Generalized characteristic index, GCI)模型。基于自适应GDT实现故障相关时频脊线的平稳化重置,进而通过频谱量化表征与GCI模型无需转速测量完成轴承故障诊断。仿真和实测信号分析结果表明所提方法的有效性。     

基于CEEMDAN与SVD的滚动轴承故障信号降噪研究

针对滚动轴承在实际工作条件下背景噪声过大且难以去除等问题,基于CEEMDAN分解与SVD对背景噪声进行过滤。经对比实验分析证明,文中提出的方法在强噪声背景下比现有的单一降噪方法更有效,可以应用于类似的滚动轴承故障信号分析当中。     

基于ITD-KICA盲分离降噪的滚动轴承故障特征提取

滚动轴承在实际工况下的故障信号和故障信息常常淹没于噪声中,传统的故障特征提取方法很难有效提取出轴承故障特征信息。因此,采用时间固有尺度分解(ITD)和核独立分量分析(KICA)相结合的信噪盲分离分析法降噪。对轴承信号进行ITD分解,根据相关系数将分解得到的PRC分量重组以及构建虚拟噪声通道,利用KICA解混实现故障信号与噪声信号分离,对信噪分离后的有效分量信号做包络谱的分析。通过仿真及轴承故障实验分析和对比表明,该方法能有效提取轴承的故障特征。     

基于二阶瞬态提取变换的滚动轴承故障特征提取方法研究

在变负载、变转速工况下,带式输送机托辊滚动轴承故障特征的提取存在困难,针对这一问题,提出了一种基于二阶瞬态提取变换的滚动轴承故障特征提取方法。首先,根据故障轴承振动信号中冲击性成分频率变化规律构建了二阶频率变化模型,消除了传统时变模型处理短时、宽频冲击性成分时存在的频谱模糊现象;然后,在短时傅里叶变换(STFT)的基础上,通过二维群时延时频重排算法实现了具有很高能量聚集性的时频特征表示,降低了背景噪声以及信号中非冲击成分的影响;最后,根据瞬时频率和瞬时幅值的分布规律,将共振频带冲击性成分重复频率作为判别轴承故障类型的依据,利用仿真数据和带式输送机的工程实际数据,对所提出的方法的有效性进行了验证。研究结果表明:相对于传统的时频分析方法,所提出的方法能够更加准确地对变负载、变转速工况下的轴承故障进行诊断,能在存在噪声干扰的实际振动信号中准确识别到53.32 Hz和106.9 Hz的故障特征频率,具有一定的工程应用价值。     

SGMD-MOMEDA滚动轴承故障特征提取方法研究

针对滚动轴承的振动信号因非线性、非平稳且信噪比低而造成故障特征难以提取的问题,基于辛几何模态分解(Symplectic Geometry Mode Decomposition, SGMD)和多点最优最小熵解卷积调整(Multipoint Optimal Minimum Entropy Deconvolution Adjusted, MOMEDA)理论,提出了SGMD-MOMEDA故障提取方法。首先,使用SGMD对故障信号进行分解,得到一列的辛几何分量(Symplectic Geometry Components, SGC);其次,依据相关性准则选取SGC进行信号重构,并确定MOMEDA分解参数;最后,使用MOMEDA方法对重构信号进行处理以提高信噪比,并利用包络谱分析对处理后的信号提取故障特征。仿真和实验结果表明,该方法能够准确地提取滚动轴承的故障频率,且与经验模态分解(Empirical Mode Decomposition, EMD)方法的对比结果显示了SGMD方法作为预处理其分解结果更加准确,在故障诊断领域具有较大的应用价值。     

LMD-MOMEDA滚动轴承故障特征提取方法研究

由于滚动轴承的故障信号在强噪声的背景之下很容易被淹没,并且具有非线性、非平稳等特点致使故障特征提取困难,在分析了滚动轴承振动信号的特点后提出了一种将局部均值分解（LMD）与多点最优最小熵解卷积（MOMEDA）相结合的故障特征提取方法。首先将滚动轴承的故障信号进行LMD分解,得到一系列的PF分量;然后根据相关系数准则对相关程度较高的PF分量进行重构,用MOMEDA方法对重构后的信号进行降噪,提取故障特征。并通过实验验证了该方法的有效性。     

基于形态提升小波变换的滚动轴承故障特征提取

为有效提取表征轴承故障的脉冲特征,提出采用形态提升小波变换对轴承故障信号分析的方法.仿真信号和实际滚动轴承故障信号的分析结果证明了形态提升小波变换提取信号脉冲特征的有效性.与传统的线性小波变换方法相比,形态提升小波的脉冲信号保持和抗噪声能力较强,可以识别出传统小波不能识别的轴承故障状态,同时形态提升小波变换只涉及加、减和比较运算,计算更加简单、快速,可应用于轴承故障的在线监测与诊断.     

基于JSO-VMD的滚动轴承故障特征提取方法

滚动轴承发生故障时,其机械振动信号包含复杂的信息成分,影响故障信号的提取,导致故障识别困难.文中提出一种基于水母优化算法(JSO)与变分模态分解(VMD)结合的滚动轴承故障特征提取方法.应用JSO对VMD算法中固有模态函数(IMF)的个数k以及惩罚因子α作自适应优化处理.运用JSO-VMD算法对原始振动信号进行分解,得...     

基于SWT-MCKD的滚动轴承故障特征提取方法

针对在强噪声背景下轴承早期微弱故障特征难以提取问题.提出了一种基于同步压缩小波变换(Synchrosqueezing Wavelet Transform,SWT)和最大相关峭度反卷积(Maximum correlation kurtosis deconvolution,MCKD)相结合的滚动轴承故障诊断方法.首先采用S...     

基于SNRgram方法的滚动轴承故障特征提取

针对平方包络信号的负熵对随机脉冲敏感以及平方包络谱的负熵易受离散谐波干扰,从而导致信息图法对随机脉冲和离散谐波分析时鲁棒性差的问题,引入信噪比测度作为轴承故障信息的评估指标,识别包含丰富故障信息的共振频带,并进一步提出基于SNRgram的包络分析方法提取滚动轴承故障特征。仿真和试验结果表明,相对于信息图和其他典型频带识别方法,SNRgram方法处理随机脉冲和离散谐波时具有更强的鲁棒性以及更高的频带识别准确性,能够有效识别轴承故障相关共振频带并提取轴承故障脉冲特征。     

Walsh变换在滚动轴承早期故障特征提取中的应用

依据Walsh变换具有分析微弱脉冲信号的优点,提出一种基于Walsh变换的滚动轴承早期故障特征提取方法。通过仿真及滚动轴承早期故障特征提取的实例分析,证明Walsh功率谱在故障特征提取中的敏感性及抗噪能力优于Fourier功率谱,具有较强的故障特征提取能力,凸显了滚动轴承的故障特征频率,能有效地诊断出轴承的早期微弱故障。     

基于小波降噪与RSSD的滚动轴承故障特征提取技术研究

滚动轴承故障振动信号呈现出非线性、非平稳性及噪声背景较强等特点,为了有效提取故障特征,提出了一种小波降噪与共振稀疏分解(Resonance-based sparse signal decomposition,RSSD)相结合的振动信号特征提取技术。共振稀疏分解是基于品质因子可调小波变换与形态分量分析的一种新的信号分解方法,与常规的基于频带划分的信号分解方法不同,它依据信号各分量的振荡形态不同对信号进行分解。先通过小波阈值降噪方法明显减小信号中的噪声,随后对降噪后的信号进行共振稀疏分解,将信号分为不同共振特性的分量,即具有持续振荡特性的高共振分量和具有瞬态冲击特性的低共振分量。最后通过对分解所得到的低共振分量采用Hilbert包络解调方法提取冲击故障特征。将该方法分别应用于仿真信号和轴承实验台故障冲击性实例,验证了该方法的有效性。     

滚动轴承故障特征提取方法研究现状分析

滚动轴承是各类机械设备中承担关键支撑作用的零部件,在恶劣工作环境下极易损坏。论文对现有滚动轴承故障特征提取方法进行了系统梳理,从时域分析、频域分析和时频域分析三个方面总结了各种方法的优势缺点。分析结果表明,时频域分析方法中的LMD在所有方法中表现得最为先进。