二阶同步提取Chirplet变换及应用于变转速滚动轴承故障诊断

为提高同步提取变换（SET）对含噪信号或强调幅-调频（AM-FM）信号的分析效果,分析SET框架。对比基于短时傅里叶变换（STFT）与Chirplet变换（CT）的SET算法,CT比STFT的信号适应性更好,时频分析结果具有更高的能量聚集性。基于Chirplet变换和SET框架推导出同步提取Chirplet变换（SECT）公式。为进一步提高SECT在时频面的时频分析能力,利用相位二阶偏导数获得更加准确的瞬时频率估计;提出二阶同步提取Chirplet变换（SECT2）,以获得高分辨率的时频表达。通过分析数值仿真信号、蝙蝠信号以及试验台轴承故障数据,验证了所提方法的有效性。     

基于同步提取变换与阶比分析的轴承变转速故障诊断

针对基于瞬时频率估计的阶比分析方法中,瞬时频率难以估计的问题,提出一种基于同步提取变换(SET)的阶比分析方法,对轴承的变转速振动信号进行分析.该方法利用SET良好的能量集中特性,提取强噪声环境下轴承振动信号中的瞬时频率,通过对计算瞬时频率的鉴相时标,对时域信号进行等角度采样,从而得到稳态的角域信号.通过分析轴承实验台...     

基于广义S变换的滚动轴承故障诊断方法研究

鉴于广义S变换继承了短时Fourier变换、小波变换和标准S变换的所有优点,同时也弥补了它们存在的不足,具有良好的自适应的独特特性,提出了一种基于广义S变换的滚动轴承故障诊断方法,并与传统的短时Fourier变换、Wgner-Ville分布、小波变换、标准S变换等时频分析方法进行了对比分析。仿真研究表明,广义S变换具有明显的优势,能灵活地通过调节参数来自适应地调节窗函数的宽度,以便达到最佳的时频分辨率。最后,滚动轴承故障实验研究进一步验证了提出的方法的有效性。提出的方法能有效地反映不同轴承故障的特征频率,为滚动轴承故障诊断提供了一种有效的方法。     

基于全矢谱和Hilbert包络解调的滚动轴承故障诊断

提出一种滚动轴承故障诊断新方法——全矢Hilbert包络解调谱分析。Hilbert变换对于滚动轴承故障信号有良好的调制解调效果,但单依赖传统的单通道信号会产生信息遗漏,对诊断的准确性造成影响,基于同源双通道信息融合的全矢谱技术,能够更加全面、准确地反映设备振动特性。将全矢谱技术与Hilbert解调相结合,并进行滚动轴承外圈故障的诊断实验,证实了全矢Hilbert包络解调谱分析的有效性和先进性。     

变转速变载荷工况下的齿轮智能故障诊断

针对变转速变载荷工况下的齿轮故障检测、识别和分类问题,提出一种基于最大重叠离散小波包变换和人工神经网络的智能故障诊断新方法。研究自相关谱峭度图中的最大重叠离散小波包变换,并采用它将复杂的齿轮故障振动信号分解为频带和称为节点的中心频率。推导出每个节点的平方包络的自相关,以便计算每个节点在每个分解层次上的峭度,减少了非周期性脉冲和噪声的影响。将上一步得到的特征矩阵作为径向基函数神经网络的输入,从而实现齿轮状态的自动分类。并在变转速变载荷(16种)工况下对健康状态和5种不同类型齿轮故障的齿轮箱进行了具体测试分析。结果表明:该方法可以更好地提取特征信息,为齿轮故障诊断定位合适的解调频带,提高了所有工况下齿轮故障诊断的准确率。     

基于小波变换的信号奇异性检测在滚动轴承故障诊断中的应用研究

在论述了基于小波变换模极大值的信号奇异性检测原理和方法的基础上，将其用于滚动轴承的故障诊断，准确定位故障信号的发生位置，并建立起表征信号奇异性的Lipschitz指数与轴承故障严重程度之间的关系。该诊断方法有着很高的工程应用价值。     

快速路径优化引导ACMD的变转速轴承故障诊断北大核心

针对变转速工况下滚动轴承故障特征识别困难的问题,提出了一种快速路径优化算法(FPO)引导自适应线性调频模态分解(ACMD)的变转速轴承故障诊断方法。首先,对轴承故障信号进行希尔伯特变换解调提取隐藏在高频信号中的故障信息;其次,采用FPO算法从信号的时频分布中对信号分量的瞬时频率进行初始估计;将预估的各分量初始频率作为ACMD的初始参数对原始包络信号进行分解;最后,根据分解得到各个信号分量的瞬时频率和瞬时幅值等信息构建出高分辨率的时频表示。通过分析实测信号表明,所述方法能够展示出各个信号分量的幅值和频率变化趋势,剔除了无关成分的干扰,清晰地演示变转速工况下轴承故障信号的时变特征。     

基于声辐射特征及解调技术的轧机输出辊道故障诊断

辊道是轧钢生产线上运送轧件的主要设备,其轴承的失效将导致轧线的瘫痪,随时了解和掌握轴承的运行状态并及时发现故障十分重要,通过构建设备辐射噪声场监听冲击脉冲波,经特征频率及共振分析,研究出了"直观的动态图像噪声源的识别与定位"技术,更有效、更准确地诊断出滚动轴承的故障部位,取得了与实际情况完全吻合的诊断结果。     

基于ELMD和能量算子解调的滚动轴承故障诊断方法研究

针对滚动轴承发生故障时信号的调制特点,提出了基于总体局部均值分解（ ELMD）和Teager能量算子解调的故障诊断方法。运用ELMD方法对振动信号进行分解,得到有限个单分量的调幅调频信号;运用能量算子解调方法对包含有故障特征信息的分量进行解调,提取故障特征频率。将该方法应用于实际滚动轴承滚动体点蚀故障诊断中,成功地提取出了故障特征频率。     

基于改进变分模态提取的轴承早期故障诊断

针对变分模态提取(variational mode extraction, VME)在强背景噪音下初始中心频率难以确定的问题,提出了基于谱相干引导变分模态提取(SC-VME)的滚动轴承故障诊断方法。首先,引入谱相干(spectral coherence, SC)算法对信号进行处理,得到由循环频率和频谱频率构成的双频域,并结合1/3-二叉树滤波器组得到改进包络谱(improved envelope spectrum, IES);然后,以轴承故障特征频率识别的局部特征能量与频带中的IES能量占比为诊断指标,构建诊断性指示图,据此确定VME期望模态的初始中心频率;最后,通过对提取的期望模态进行包络谱分析,实现滚动轴承早期故障诊断。通过仿真和试验信号分析,结果表明所提SC-VME方法准确性更高、用时更短、效果更优。     

MED方法及在滚动轴承故障诊断中的应用

介绍了最小熵解卷积（ Minimum Entropy Deconvolution, MED）的原理和实现步骤,说明了参数选择方法。为有效抑制噪声,增强故障特征信息,提出MED结合包络自相关的方法。通过实验台信号验证了所述方法的有效性及优点。     

基于SHO-VMD分解和多特征参数的变工况滚动轴承故障诊断

风机在多种工况条件下运行时,利用轴承的振动监测系统所检测到的信号难以实现故障诊断,而大量文献研究的轴承故障诊断多是在恒定转速下进行的。针对变工况下运行的滚动轴承,提出一种基于SHO-VMD分解和多特征参数融合的特征提取方法,使用t-SNE降维可视化,提取出振动信号的故障信息与转速变化信息。变分模态分解(VMD)方法的分解效果取决于分解个数和惩罚因子的取值,采用自私羊群优化算法（SHO）对参数进行优化,将振动信号分解为一些本征模态分量,再对每组分量进行特征参数提取,基于奇异值特征、能量熵、样本熵特征进行多特征量融合,使用t-SNE降维来提取轴承故障信息以及速度变化信息,实验结果表明：提出的方法可以有效提取出轴承的故障和速度信息。     

自适应多尺度形态差值滤波及其在液压泵故障诊断中的应用

针对经验模态分解在机械信号处理中的缺陷,介绍了变分模态分解的方法,并将其引用到机械信号处理中。将变分模态分解应用于振动信号,得到一组模态,筛选与故障相关的敏感模态进行包络功率谱分析。采用仿真信号和实际滚动轴承信号对该方法的有效性进行检验,证明变分模态分解法可以准确检测出滚动轴承故障。     

基于1-DCNN-LSTM的滚动轴承自适应故障诊断方法研究

针对滚动轴承故障振动信号的非线性和非平稳特征,提出了一种自适应的一维卷积神经网络(1-Dimensional Convolutional Neutral Networks,1-DCNN)和长短期记忆网络(Long Short-Term Memory,LSTM)融合的轴承故障诊断方法。首先,将原始一维振动信号通过有重叠取样的方式分别输入1-DCNN和LSTM两个通道,然后通过Concatenate层进行空间和时间维度上特征信息的融合,最后,通过Softmax分类器进行故障类别的分类输出。该方法可以直接从原始振动信号中自适应提取特征,实现了"端到端"的故障诊断。采用CTU-2实验平台故障数据,通过对滚动轴承的不同故障类型、不同传感器采集方位、不同故障直径进行实验分析,结果表明:该方法在识别轴承故障类别上与其他方法相比具有更高的识别精度,并具有良好的有效性和稳定性。     

基于Hilbert-Huang 变换的齿轮故障诊断研究

提出一种基于Hilbert-Huang变换的齿轮磨损故障诊断的新方法。介绍Hilbert-Huang变换的基本原理,并将Hil-bert-Huang变换应用于齿轮箱中齿轮磨损故障诊断,通过选取表征齿轮磨损故障的固有模式函数进行边际谱和能量谱分析,可提取齿轮故障振动信号的特征。齿轮故障实验结果表明,应用这种分析方法,能够有效地诊断齿轮的磨损故障。     

基于IRN网络的旋转件融合诊断方法与应用

提出了一种基于小波神经网络的故障诊断方法，该方法采用小波变换作为特征提取器，IRN神经网络作为分类器实现特征级的融合诊断，实验结果证明该方法具有很好的容错性和抗干扰特性，是一种比较实用的故障诊断方法。     

基于多尺度1DCNN的滚动轴承故障诊断

针对滚动轴承振动信号典型非平稳性、非线性的特点,提出一种基于小波变换(WT)和一维卷积神经网络(1DCNN)的轴承故障诊断多尺度卷积神经网络方法。通过小波变换对信号进行多尺度分解,然后对每个尺度成分进行重构,将重构后的信号进行傅里叶变换得到频谱表示,并将各尺度幅值数据构造成一维特征向量作为一维卷积神经网络的输入。最后利用一维卷积神经网络对输入数据进行特征学习,得到轴承故障诊断模型。利用滚动轴承的10个状态数据集验证其性能。结果表明：该方法可以避免人工提取特征,获得99.94%的诊断准确率。     

基于SPWVD-CNN的滚动轴承故障诊断

针对传统的滚动轴承故障诊断方法难以提取轴承振动数据有效特征的缺陷,提出一种基于平滑伪Wigner-Vill分布(smooth and pseudo Wigner-Ville distribution,SPWVD)和卷积神经网络(convolutional neural network,CNN)的网络模型SPWVD-CNN。对振动数据进行平滑伪Wigner-Vill分布变换,将获得的时频图进行压缩,作为CNN的输入,利用迁移学习的思想进行网络训练,使得模型对于不同负载的数据具有良好的诊断性能,提高了网络的泛化能力。实验结果表明:SPWVD-CNN对轴承故障数据的平均分类准确率提升至99.27%,总体性能优于使用单一的CNN和其他传统的故障诊断方法。