基于小波分析的FastICA联合降噪方法在滚动轴承故障诊断中的应用研究

采用小波分析方法进行振动信号降噪存在选取参数依靠经验的问题,采用独立分量分析（ICA）方法进行振动信号降噪存在欠定问题,为了避免小波降噪以及ICA方法单独使用的缺点,提出了将小波降噪分析和基于负熵的FastICA独立分量分析相结合来处理滚动轴承含噪振动信号的方法。首先对原始信号进行小波降噪处理,然后将处理后的信号与原始信号组成FastICA的输入矩阵,进行FastICA降噪处理,最后利用滚动轴承振动信号对该方法进行有效性验证。实验分析表明：该方法增大了振动信号的峭度值,达到了滚动轴承振动信号降噪的目的。     

基于MCKD和改进HHT多尺度模糊熵的齿轮故障诊断方法

针对齿轮故障信号常伴有大量噪声,故障特征难以提取的问题,提出一种基于最大相关峭度解卷积(MCKD)和改进希尔伯特-黄变换(HHT)多尺度模糊熵的故障诊断方法。首先采用MCKD算法对采集到的齿轮振动信号进行降噪处理,以提高信号的信噪比;然后利用自适应白噪声完备经验模态分解(CEEMDAN)对降噪后信号进行分解,获得一系列不同尺度的固有模态函数(IMF),并通过相关系数-能量的虚假IMF评价方法选取对故障敏感的模态分量;最后计算敏感IMF分量的模糊熵,将获得的原信号多尺度的模糊熵作为状态特征参数输入最小二乘支持向量机(LS-SVM)中,对齿轮的故障类型进行诊断。实测信号的诊断结果表明,该方法可实现齿轮故障的有效诊断。     

EMD-ICA联合降噪在滚动轴承故障诊断中的应用

滚动轴承早期故障信号具有能量小、频带分布宽等特征,易受到其他能量较大的振源信号的干扰,致使传统滤波降噪方法存在很大的局限性。针对这一特点,提出经验模式分解(EMD)和独立分量分析(ICA)相结合的联合降噪新方法。将单通道振动信号进行EMD分解,基于互相关准则对分解后的本征模函数进行重组,构造虚拟噪声通道,并以此作为ICA的输入矩阵,采用FastICA算法实现源信号和噪声信号的分离,从而达到降噪的目的。将该方法应用于滚动轴承故障诊断中,对降噪后的重构信号进行频谱分析,进而判断滚动轴承的运行状态。仿真和试验分析结果表明该方法有效可行。     

基于CEEMDAN与自适应阈值降噪的滚动轴承故障诊断

针对滚动轴承故障信息受到噪声污染而难以识别的问题,提出一种基于自适应噪声完备集合经验模态分解和自适应阈值降噪(CEEMDAN-ATD)的滚动轴承故障诊断方法。首先对原始振动信号进行CEEMDAN分解;其次利用灰色关联分析法(GRA)筛选出噪声主导和信号主导的分量;然后对噪声主导分量分别进行自适应阈值降噪(ATD)处理,并与信号主导分量进行重构;最后通过分析重构信号的Teager能量谱实现滚动轴承故障的识别。采用凯斯西储大学轴承数据对所提方法进行验证,并与完全总体经验模态分解-自适应阈值降噪(CEEMD-ATD)和CEEMDAN-小波阈值降噪(CEEMDAN-WTD)2种方法作比较,结果表明,所提方法表现出较好的自适应性和去噪效果,能够较好地服务于滚动轴承故障诊断。     

LMD-ICA联合降噪方法在滚动轴承故障诊断中的应用

针对经典独立分量分析（ICA）只能应用于观测源数不少于信号源数的超定盲源分离问题,提出局部均值分解和ICA相结合的欠定盲源分离新方法。该方法将采集的单通道振动信号进行局部均值分解,基于互相关准则对分解的分量进行重组,构建虚拟噪声通道;将虚拟噪声通道与振动信号作为盲源分离的信号输入,采用基于负熵的FastICA算法实现信号源和噪声的分离,从而达到降噪目的。将该方法应用于滚动轴承故障信号,频谱分析结果表明,该方法处理后的信号中噪声得到一定程度滤除,频谱中毛刺更少,故障特征频率更加明显,有利于故障特征的提取,实验分析证明了该方法的有效性。     

基于MED-ITD和CICA的滚动轴承故障诊断

针对滚动轴承故障诊断在实际中受到噪声影响,故障难以识别的问题,提出了一种基于最小熵反褶积(MED)和固有时间尺度分解(ITD),并结合约束独立分量分析(CICA)的方法。首先,通过MED对轴承故障信号进行降噪,以滤除噪声信号,增强信号冲击成分;然后,通过ITD对降噪信号进行分解,选择合适的筛选分量进行重构;最后,采用CICA方法对重构信号进行盲源分离,通过希尔伯特包络谱进行分析提取出准确的故障信号,并经过试验验证了所提方法的有效性。     

基于MED和ICA的滚动轴承循环冲击故障特征增强

针对强噪声背景下多个传感器对同一振动源同步采集多组数据的情况,提出一种基于最小熵解卷积和独立成分分析的联合降噪方法,并用于滚动轴承循环冲击故障特征的提取。利用最小熵解卷积对各传感器的信号分别进行盲解卷滤波,消除信号传递路径的影响,从噪声信号中初步提取出故障冲击特征;对各传感器的滤波信号进行独立成分分析处理,将信号进行重组后得到重构分量,进一步消除噪声成分,使故障冲击特征成分得到二次增强;选取峭度最大的最优独立成分分析重构分量并进行包络谱分析,得到诊断结果。通过仿真数据和实验室数据分析验证了该方法能够增强滚动轴承的循环冲击特征,便于识别故障类型。     

基于CEEMDAN能量熵的齿轮状态识别

集合经验模式分解(Ensemble Empirical Mode Decomposition,EEMD)存在着辅助白噪声难以消除和容易产生虚假模式的缺陷。针对EEMD方法在齿轮箱故障信号处理中的不足,将自适应噪声完备集合经验模式分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)应用于齿轮故障信号分析,提出了基于CEEMDAN能量熵的齿轮状态识别方法。该方法首先利用CEEMDAN分解齿轮振动信号,然后计算振动信号分解结果的能量熵,将能量熵作为特征参数来区分不同的齿轮运行状态。将该方法用于区分正常、轻度刮伤和中度刮伤齿轮运行状态,并与基于EMDEEMD能量熵的方法进行了对比。结果表明,该方法可以有效地区分相近的齿轮运行状态,与其他几种方法相比具有明显的优势。     

基于CEEMDAN-PE的心冲击信号降噪方法研究

心冲击信号(BCG)是反应心脏力学特征的生理信号,能实现无电极束缚条件下的连续采集测量,然而BCG信号微弱且极易受到干扰,测量时经常会淹没在噪声中。为了有效识别BCG信号,提出一种基于自适应噪声的完全集合经验模态分解(CEEMDAN)联合排列熵(PE)的BCG降噪方法。首先,将采集到的BCG信号通过CEEMDAN分解得到一系列按频率由高到低的固有模态函数(IMF)。其次,通过PE计算各个IMF分量的值并确定有效信号的阈值范围,从而滤除信号中的高频噪声和基线漂移。最后实验结果显示,降噪后信号的幅频特性得到明显改善且信噪比较传统方法有明显提高,证明了本文降噪方法效果显著,能够有效还原BCG信号特征。     

局域波互信息降噪在齿轮箱故障诊断中的应用

针对局域波分解后去除含噪分量与虚假分量的随意性和盲目性,提出了局域波互信息降噪方法。首先用局域波对信号进行分解,计算各IMF分量与原信号的互信息,再选取互信息值高的分量进行自相关分析去除噪声成分,并用有效分量对信号进行重构。为了验证该方法的有效性,运用仿真信号进行分析,并将其应用于齿轮箱故障诊断中。对局域波互信息降噪后的齿轮箱振动信号进行小波变换,并提取小波奇异谱熵作为故障特征量进行故障识别。将结果与未进行降噪处理的识别结果相对比,证明了局域波互信息降噪在工程实践中的实用性。     

Detection of signal transients using independent component analysis and its application in gearbox condition monitoring

This paper addresses feature extraction of the higher-order statistics, which can effectively characterize the transients, using independent component analysis (ICA) for the one-dimensional measured vibration signal, and then proposes a novel automatic technique for detecting the transients in vibration signals with the low signal-to-noise ratio by ICA feature extraction. The basic principle of the ICA-based transient detection method is that the independent components (ICs) coefficients of the transients and the noise can be effectively distinguished by their different sparseness properties. Specifically, the proposed method mainly includes three steps: training the ICA basis features from the signal segments, denoising the sparse ICs coefficients using the shrinkage function deduced by the maximum a posteriori (MAP) estimation, and reconstructing the transient segments by the shrunken coefficients through the ICA basis functions. Experimental results through the simulated signal analysis and the vibration signal analysis show that the ICA-based method is very effective for transient detection outperforming the traditional methods and is valuable for gearbox condition monitoring and fault diagnosis.     

Noise cancellation of ultrasonic NDE signals using blind source separation

This paper proposes a new denoising method for ultrasonic NDE (nondestructive evaluation) signals using blind separation (BSS) technology. The proposed denoising method consists of four steps. First, a reconstructed phase space (RPS) is constructed from observed ultrasonic NDE signals. The information about the underlying sources (e.g., ultrasonic signal, noise, etc.) acting on this system is contained in this RPS. Second, independent component analysis (ICA) is performed on the RPS to recover all sources underlying the RPS. Next, the ultrasonic signal component is selected by a decision criterion related to the denoising application and, finally, is reconstructed to obtain the denoised ultrasonic signal. To validate the proposed method, it has been applied to the experimental ultrasonic NDE signals of the test sample and is compared with the wavelet denoising method in SNR (signal-to-noise ratio) enhancement. The experimental results show that the SNR of the ultrasonic NDE signals can be enhanced greatly using the proposed denoising method and the proposed method has almost the same denoising performance as the wavelet denoising method in SNR enhancement. A trait of the proposed denoising method is the ability to denoise ultrasonic NDE signals by separating the ultrasonic signal and noise using blind source separation technology. The text was submitted by the authors in English.     

SIGNAL FEATURE EXTRACTION BASED UPON INDEPENDENT COMPONENT ANALYSIS AND WAVELET TRANSFORM

It is an important precondition for machine fault diagnosis that vibration signal can be extracted effectively. Based on the characteristic of noise interfused during the course of sampling vibration signal, independent component analysis (ICA) method is combined with wavelet to de-noise. Firstly, The sampled signal can be separated with ICA, then the function of frequency band chosen with multi-resolution wavelet transform can be used to judge whether the stochastic disturbance singular signal is interfused. By these ways, the vibration signals can be extracted effectively, which provides favorable condition for subsequent feature detection of vibration signal and fault diagnosis.     

基于LMD信号重构和支持向量机的柱塞泵故障诊断分析

为了提高基于机器学习的柱塞泵故障诊断效率,在柱塞泵故障5种状态振动信号基础上,提出基于局部均值分解(Local Mean Decomposition,LMD)信号重构和支持向量机(Support Vector Machine, SVM)的柱塞泵故障诊断方法。对消噪信号进行LMD分解,将重构信号与原始信号的样本熵进行对比。通过相关系数法处理分解后的PF分量和原始振动信号,以低相关性的分量作为噪声信号,同时重构高相关性的分量。结果表明:每种状态重构信号和原始信号之间的相关系数都达到0.9以上,说明重构信号内已经含有原始信号主要信息。各状态重构信号样本熵形成了比原始信号样本熵更优的分布状态,说明LMD重构信号可以减弱噪声对故障特征提取造成的影响。200组样本中识别准确率高达99%,表明以SVM多类分类器可以获得较高的故障识别诊断准确率。相对于原始信号,LMD重构信号达到了更高的训练准确度与测试准确性,表现出很好的计算精度。     

基于多尺度核独立成分分析的柴油机故障诊断

为提高利用缸盖振动信号进行柴油机故障诊断的精度和速度,提出了一种基于多尺度核独立成分分析提取故障敏感频带的柴油机故障诊断方法。首先,提出奇异值能量标准谱对缸盖振动信号中的微弱冲击特征进行增强;然后,对信号进行固有时间尺度分解,并基于相关性准则选择有效频带分量;最后,利用核独立成分分析消除有效频带之间的频带混叠,得到故障敏感信息集中的独立频带,并计算其自回归模型(auto regression model,简称AR)参数、模糊熵和标准化能量矩作为特征向量输入核极限学习机(kernel extreme learning machine,简称KELM)进行柴油机故障诊断。试验分析结果表明,该方法可以快速准确地提取缸盖振动信号中的柴油机故障敏感频带,增强故障敏感特征,故障诊断准确率达到99.65%。