多尺度柔性形态滤波在轴承故障诊断中的应用

针对经典的形态学滤波在取单一结构元素的情况下存在缺陷的问题,提出了一种基于多尺度柔性形态滤波的轴承振动信号滤波方法。多尺度柔性数学形态学在保留柔性形态学好的鲁棒性、滤除正负噪声和保留细节等优点的同时,进一步对其结构元素进行改进,以期获得更好的脉冲提取性能。将多尺度柔性形态滤波应用于轴承故障诊断,结果表明,其比经典的柔性形态滤波能更好地保留振动信号中的冲击脉冲,为轴承故障的进一步诊断打下基础。     

基于迭代自适应多尺度形态滤波的滚动轴承故障诊断

针对工业现场强噪声背景下振动信号特征信息提取困难和单尺度形态滤波时尺度选择的盲目性和随意性的问题,基于自适应多尺度形态分析(AMMA)的思想提出了一种迭代自适应多尺度形态分析(IAMMA)的滤波方法。该方法对振动信号进行多尺度形态差值迭代运算,每次采用的结构元素尺度逐渐增大,然后求多次滤波结果的平均值,达到滤除噪声成分的目的。对仿真信号和滚动轴承故障信号进行分析,结果表明,IAMMA较AMMA能够选取更为合适的结构元素尺度,提取更多的故障特征信息,滤波效果更佳,与Hilbert包络解调方法相比处理过程更加简捷,从而为轴承的故障诊断提供了一种有效的方法。     

自适应多尺度形态学方法在齿轮箱轴承故障特征提取中的应用

针对轴承故障特征提取问题,提出一种自适应多尺度形态学方法。该方法采用形态闭、开相减构成的差值形态算子提取信号中的正、负冲击成分,基于信号的局部峰值间隔确定扁平结构元素的尺度,产生由若干不同尺度结构元素组成的集合,对信号进行自适应多尺度形态学分析。仿真实验结果表明,该方法能有效提取信号的冲击成分,且较单尺度形态学方法有更好的效果。将该方法应用于轴承故障信号处理,结果表明该方法对提取轴承故障特征频率有良好效果。     

精细广义复合多元多尺度反向散布熵及其在滚动轴承故障诊断中的应用

多尺度反向散布熵能够有效度量时间序列的复杂性,但在粗粒化构造上存在缺陷,且在表征滚动轴承非线性故障特征时缺乏对其他通道同步信息的有效利用。为了准确提取轴承信号的故障特征,结合精细化和广义复合多尺度的思想,将表征同步多通道数据多变量复杂度的多变量熵理论应用到轴承故障诊断中,提出了精细广义复合多元多尺度反向散布熵(RGCMvMRDE)。在此基础上,提出了一种基于RGCMvMRDE与引力搜索算法优化支持向量机(GSA-SVM)的滚动轴承故障诊断方法。首先,利用RGCMvMRDE全面表征滚动轴承故障特征信息,构建故障特征集;其次,采用GSA-SVM对故障类型进行智能识别;最后,将所提方法应用于滚动轴承实验数据分析,并将其与现有基于多尺度反向散布熵、广义多尺度反向散布熵和精细复合多元多尺度排列熵的故障特征提取方法进行了对比。研究结果表明,所提RGCMvMRDE不仅能够有效和精准地诊断轴承的不同故障类型和故障程度,且诊断效果优于上述对比方法。     

基于形态差值滤波和差分熵的滚动轴承故障诊断

针对滚动轴承内外圈的早期故障,提出了一种新的诊断方法,该方法融合了数学形态学对非线性信号的滤波和信息熵理论在信号表征方面的优越性。首先,利用数学形态差值滤波器对实测的轴承内外圈轻重损伤的故障信号进行消噪处理,充分突出了有用的故障特征信息;然后,利用差分熵提取该信号中的突变特征信息,对其进行不确定性和复杂性度量;最后,根据突变点的冲击时间间隔和内外圈故障周期性冲击的时间间隔一致的思想来完成对滚动轴承的故障诊断。通过对仿真信号和滚动轴承实测内外圈两种故障程度的振动信号的诊断分析,证明该方法能够很好地识别轴承内外圈早期故障的类型,且具有很高的准确率。     

多尺度排列熵及其在滚动轴承故障诊断中的应用

引入多尺度排列熵（MPE）的概念,用来检测振动信号不同尺度下的动力学突变行为,并将其应用于机械故障诊断中滚动轴承故障特征的提取,结合支持向量机(SVM),提出了一种基于MPE和SVM的滚动轴承故障诊断方法,将新提出的滚动轴承故障诊断方法应用于实验数据分析,并通过与BP神经网络对比,结果表明,该方法能够有效地提取故障特征,实现故障类型的诊断。     

一种多元素多尺度形态非抽样小波分解方法

针对电动机轴承故障信号常被强背景噪声淹没的问题,提出了一种多元素多尺度形态非抽样小波分解方法,并将其应用于滚动轴承故障特征提取中。该方法基于形态非抽样小波的一般框架,结合了形态开闭-闭开混合算子的滤波特性以及形态梯度算子提取信号冲击成分的特点,对该算子的两部分分别使用三角形和扁平形结构元素,使效率最优化。仿真和试验证明,该方法既可以进行谐波与噪声滤除,又可以有效地提取冲击成分,较现有的形态非抽样小波方法有更好的效果。     

基于Dropout-多尺度空洞卷积神经网络的轴承故障诊断

为了提高故障诊断模型对故障轴承低信噪比信号的特征提取能力,使模型在强噪声环境下仍能发挥作用,提出了一种基于Dropout-多尺度空洞卷积神经网络(D-MDCNN)的滚动轴承故障诊断模型。首先,通过Dropout数据预处理,对训练数据进行“损坏”,强迫模型仅依靠少量特征便可进行故障诊断,以提高模型的抗噪声能力;然后,使用不同扩张率的空洞卷积扩充了多尺度信息,并利用CNN模块来完成对特征的提取与故障诊断;同时,在模型中加入批量归一化处理操作,用来加快模型训练的收敛速度,提高了模型的性能;最后,利用美国凯斯西储大学轴承数据集和东南大学齿轮箱数据集对基于D-MDCNN的模型进行了实验验证,并将实验结果与采用其他深度学习模型所得的实验结果进行了对比分析。实验结果表明：在无噪声至4dB的噪声环境下,D-MDCNN在西储大学和东南大学两个数据集上均可取得99%的诊断准确率;相比于其他同类模型,基于D-MDCNN的模型具有更高的诊断准确率和抗噪声能力。研究结果表明：基于D-MDCNN的模型是一种有效的轴承故障诊断模型。     

基于改进多尺度散布熵与自适应支持向量机的滚动轴承故障诊断

针对滚动轴承故障特征提取和识别困难等问题,提出一种基于改进多尺度散布熵与自适应支持向量机的滚动轴承故障诊断新模型。精细时移多尺度散布熵(RTSMDE)采用精细化运算和时移粗粒化方式,能够有效克服传统多尺度散布熵存在的熵值不稳定现象,因此采用RTSMDE全方面挖掘滚动轴承故障特征并输入哈里斯鹰优化支持向量机(HHOSVM)进行智能故障诊断。试验结果表明：RTSMDE在衡量非线性时间序列复杂度和挖掘故障特征信息方面优于精细复合多尺度散布熵和多尺度散布熵等方法,HHOSVM在故障识别方面优于支持向量机和灰狼优化支持向量机等分类器,所提故障诊断模型能够有效、准确地识别轴承运行状态。     

多尺度熵在转子故障诊断中的应用

为解决从信号中提取故障特征难的问题,介绍了一种新的信号故障特征提取方法——多尺度熵(multi-scale entropy,简称MSE),并将样本熵和多尺度熵分别应用于转子故障信号复杂性的度量,以提取故障特征.试验数据分析表明,与样本熵相比,多尺度熵更能有效地实现转子故障类型的诊断.     

基于形态滤波和Laplace小波的轴承故障诊断

针对强噪声背景下,轴承故障冲击响应的提取易被周围噪声干扰的问题,提出了一种基于数学形态学滤波和Laplace小波的包络谱分析方法。首先通过形态学滤波来滤除信号中的复杂噪声,增强信号的冲击特征,然后采用Laplace小波相关滤波法提取信号的冲击响应,最后对提取的冲击相关系数进行包络谱分析,即可诊断出故障。该方法结合了数学形态滤波和Laplace小波两者的优点,可以准确地捕捉到强噪声下的故障脉冲。将该方法应用于轴承内圈、外圈的故障诊断,与传统包络谱分析方法的对比结果很好地验证了所提方法的有效性。     

基于广义形态学滤波和Hilbert边际谱的滚动轴承故障诊断

广义形态滤波器可以很好地抑制输出统计偏倚的现象,Hilbert边际谱克服了传统包络法需要确定带通滤波器的中心频率和带宽的不足,将两种方法相结合,首先利用广义形态滤波对信号进行去噪,在此基础上对信号进行经验模态分解,然后选取合适的IMF分量得到信号的局部Hilbert边际谱。通过对轴承内外环进行故障诊断发现,该方法能准确地提取故障特征,从而有效地判别轴承的故障类型和部位,具有较广阔的应用前景。     

VPRS在轴承故障诊断中的应用

将变精度粗糙集(VPRS)理论引入到轴承的故障诊断中,提出了一种故障决策规则提取方法。首先用等间距法对连续属性进行离散化,然后根据实际,选取不同的β(正确的分类率),利用变精度粗糙集的近似分类质量进行条件属性约简,得到β近似决策规则,最后通过轴承故障实例验证了此方法的有效性和实用性。     

基于形态成分分析的轴承复合故障诊断

独立分量分析(ICA)已被广泛运用于线性混合模型的盲源分离问题,但却有2个重要的限制:信源统计独立和信源非高斯分布。形态成分分析是最新提出的一种基于稀疏表示的信号和图像分解(分离)方法。介绍了形态成分分析的基本原理,进行了仿真说明,并应用该方法对设置了3种故障的轴承进行故障诊断,最终发现了故障特征,成功判别出了轴承的3种故障,验证了该方法在轴承故障诊断中的有效性。     

自适应中值滤波器及其应用

将自适应加权中值滤波器应用于滚动轴承故障信号的故障诊断中。当信号中含有多种噪声时，让信号先通过自适应加权中值滤波器，再通过线性带通滤波器，对降噪后的信号进行包络解调处理，可以克服噪声对包络谱分析的影响。通过仿真和试验信号分析可以看出，自适应中值滤波器在机械故障诊断中具有较好的应用前景。使包络谱分析方法得到更广泛的应用。     

基于小波相关滤波法的滚动轴承早期故障诊断方法研究

目前基于小波分析的滚动轴承故障诊断方法研究已经很多,但是这些方法对于强噪声背景下的早期故障微弱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小波相关滤波滚动轴承早期故障诊断方法。该方法将小波相关滤波降噪方法和Hilbert包络细化谱分析相结合:对被测信号进行小波相关滤波降噪处理,对降噪处理后的高频段尺度域的小波系数进行Hilbert包络细化谱分析。该方法在滚动轴承的早期故障诊断中的试验结果表明,该方法与直接小波系数包络谱诊断方法相比,较大地增强了对滚动轴承早期故障诊断的能力,在强噪声背景下有效地提取出滚动轴承的早期故障频率。     

EMD分解在电动机轴承故障诊断中的应用

选取单相功率频谱作为分析对象,通过对单相功率频谱进行EMD分解,准确地提取了fv故障特征量。仿真结果表明,该方法诊断灵敏度高、直观清晰,有效解决了定子电流中故障分量被基波分量淹没的难题,是一种有效的可行方法。