基于改进形态-小波阈值降噪的轴承复合故障声学诊断

现场采集的滚动轴承复合故障声学信号存在噪声来源复杂、背景噪声强、非线性等特点,导致已知的自适应多尺度形态滤波不能很好的适用于轴承复合故障的盲分离。针对上述问题,提出一种基于改进的自适应多尺度多结构形态滤波(IAMSCMF)、改进的小波阈值降噪方法(IWTDM)和稀疏量分析(SCA)相结合的滚动轴承复合故障特征盲提取方法。首先利用IAMSCMF和IWTDM构造滤波器进行滤波及提高信噪比(SNR);其次利用SCA分离信号;最后用FFT进行频谱分析。仿真分析和滚动轴承现场采集声学信号分析结果均清晰的提取出了轴承故障特征,验证了算法的有效性。     

基于形态滤波和稀疏分量分析的滚动轴承故障盲分离

为有效分离滚动轴承复合故障特征,提高故障诊断正确率,针对旋转机械调制故障信号非线性、强噪声干扰以及故障源信号未知的问题,提出一种基于形态滤波(Morphological Filtering, MF)和稀疏分量分析(Sparse Component Analysis, SCA)相结合的故障诊断方法。该方法首先对观测信号进行形态滤波提取信号中重要调制特征并使信号满足稀疏性要求,应用SCA分离滤波后的观测信号。在完备及欠定条件下对故障轴承加速度信号进行实验验证,分析结果表明该方法能够有效分离提取滚动轴承故障特征     

基于EMD的高压燃气管道泄漏信号欠定盲分离方法

为能将城市高压燃气管道泄漏产生的应力波信号中混有多种干扰振动及噪声的有效泄漏信号与多源混合振动信号分离,提出基于EMD的泄漏信号欠定盲分离方法。对传感器采集的混合信号进行经验模态分解;对各固有模态函数归一化峭度特征进行分析,选取含主要泄漏信息的固有模态函数进行重构;构造由重构信号及观测信号组成的矩阵,用扩展联合对角化算法实现信号分离,以解决欠定情况下的盲分离问题。实验结果表明该方法能较好实现有效泄漏信号的提取。     

滚动轴承压缩故障信号的特征代理与凸优化重构算法EI北大核心CSCD

压缩采样可以有效缓解机械状态监测数据存储和传输的压力,但是压缩数据的感知重构一直是个难点。针对滚动轴承压缩信号的故障特征提取问题,提出一种基于特征代理与凸优化算法的故障信号重构方法。分析了滚动轴承局部故障信号的稀疏和卷积特性,学习得到故障冲击模式。对压缩得到的轴承观测信号,构造包含冲击时刻特征的代理,并对代理建立目标优化函数,采用快速迭代收缩阈值算法(Fast Iterative Shrinkage Threshold Algo⁃rithm,FISTA)直接从代理提取出稀疏系数,将学习模式与稀疏系数卷积重构出故障信号。与直接利用FISTA从压缩信号中提取冲击特征相比,所提方法在不降低求解精度的同时降低了计算复杂度。相比于常用的贪婪类重构算法,所提方法无需预先估计信号的稀疏度,且能得到全局最优解。通过滚动轴承仿真和实验信号进一步验证了所提方法的有效性。     

基于EMMD的欠定旋转机械振动信号盲源分离

传统盲源分离算法通常基于观测信号数不小于源信号数的假设, 当观测信号数小于源信号数时, 盲源分离效果较差, 而欠定的甚至单通道信号的盲源分离问题普遍存在于旋转机械中, 针对该问题, 提出一种基于极值域均值分解的欠定旋转机械振动信号盲源分离算法。首先把欠定的观测信号进行极值域均值分解得到一系列本征模函数, 将欠定观测信号和其本征模函数组成多维信号, 作为新的观测信号实现升维;然后利用奇异值分解和贝叶斯准则进行源数估计, 最后利用基于四阶累积量的特征矩阵联合对角化方法实现信号的盲分离。仿真结果表明, 该方法能够有效地解决欠定观测信号的盲源分离问题。     

基于密度峰值聚类算法的模态参数识别

稀疏成分分析是解决欠定盲源分离问题的一种有效方法,其主要分为两步:计算振型矩阵和重构单模态信号。在计算振型矩阵时,针对无法预知源信号数量和高阶振动模态混叠的问题,利用一种基于密度峰值聚类算法识别模态振型。相比于传统的聚类算法,该方法具有以下特点:①利用决策图直观地选出聚类中心和聚类数目;②算法可以自动分离噪声点,对噪声不敏感。在重构单模态信号时,利用可以快速重构稀疏信号的SL0算法,重构出单模态时频域信号,提取出各阶模态频率。通过振动结构仿真算例验证了该方法的有效性。     

基于约束独立成分分析的轴承复合故障特征提取方法

为从复合故障信号中提取各故障特征,提出一种离散小波变换(DWT)和约束独立成分分析(CICA)相结合的单通道复合故障诊断方法。首先通过DWT方法将单通道振动信号进行小波分解后,利用小波重构函数重构各层分解信号。然后取重构信号的包络信号作为CICA算法的输入矩阵,基于滚动轴承先验知识建立参考信号,从而分离出轴承各故障信号,提取故障特征。最后,在滚动轴承故障模拟实验台上进行了方法验证。结果表明:该方法可有效分离滚动轴承外圈和滚动体故障,实现了轴承复合故障的诊断。     

基于最优匹配跟踪算法的单通道机械信号盲源分离

在形态学滤波的基础上,结合匹配跟踪算法(Matching Pursuit,MP)和盲源分离算法(Blind Source Separation,BSS)各自的特点,提出了一种基于最优匹配跟踪信号分解的欠定盲源分离算法.利用MP算法将非线性信号通过投影分解,在分解过程中利用遗传算法寻找最优原子,有效提高了算法匹配的精度和效率.将所得到的匹配分量和滤波后的原始观察信号组成新的多维信号,解决了单通道信号盲分离的欠定问题.利用快速核独立分量分析(Fast Kernel Independent Component Analysis,FastKICA)算法实现信号的盲分离,并分析了分离的不同源信号对于故障的贡献率.将该方法用于仿真信号和实际的轴承试验的信号,试验结果表明算法能够很好地解决单通道信号的盲分离难题.     

基于独立分量分析的欠定盲源分离方法

目前的欠定盲分离算法只能分离稀疏信号,对于不稀疏的信号分离效果不理想。经典独立分量分析算法中的扩展Infomax算法既能分离超高斯信号,也能分离亚高斯信号,但却只能应用于观测数不少于源数的超定盲源分离,结合扩展Infomax算法,本文提出了一种欠定ICA算法,通过生成隐藏数据将欠定盲分离问题转化为超定盲分离问题,然后再应用经典的扩展Infomax算法进行分析,该方法可以分离欠定情形下超高斯和亚高斯混合信号。并用该算法对实测的齿轮箱混合故障信号进行分离,再用包络阶次方法对分离出的信号进行分析,成功识别出了齿轮箱的不同故障特征,验证了该算法在齿轮箱故障诊断中的有效性。     

基于局部联合稀疏边缘嵌入的滚动轴承故障诊断EI北大核心CSCD

滚动轴承是机械设备的重要零部件之一,对其进行及时有效地监测和诊断对机械设备的安全运行有着重大意义。针对多源信息融合导致的高维性、信息冗余等问题,提出了一种基于局部联合稀疏边缘嵌入(locally joint sparse marginal embedding,LJSME)的轴承故障诊断方法。LJSME利用L 2,1范数来重构类间矩阵和类内矩阵并引入局部图保留高维特征间的邻域关系,且将L 2,1范数作为目标函数的正则项以保证特征提取的联合稀疏性,从而提高特征的敏感性和鲁棒性。首先从轴承振动信号中提取由时域和频域信息组成的高维特征数据集;随后利用LJSME提取高维特征空间数据集中的敏感低维特征;最后利用K-近邻分类器实现滚动轴承的故障模式识别。通过两组滚动轴承故障数据集对所提出的方法进行验证,与其他三种降维算法相比,所提算法能够有效地提取滚动轴承振动信号的敏感性特征。     

基于SVD降噪和盲信号分离的滚动轴承故障诊断

滚动轴承早期微弱故障特征信号往往淹没于系统噪声信号中而难于识别,奇异值分解技术（SVD ）可以有效降低噪声水平,提高周期成分的提取能力,盲源分离技术可以分离故障源信号并提取故障特征。本文将奇异值分解技术和盲信号分离技术的优势应用于滚动轴承故障诊断,利用奇异值分解降噪特性消除系统信号中的混合噪声,对降噪后的信号通过盲信号分离技术进行盲源分离,提取出原始故障信号。数值仿真及实验结果表明,该方法可以成功地分离出滚动轴承实测信号的典型故障,提高滚动轴承故障诊断的效果。     

双约束非负矩阵分解的复合故障信号分离方法

为了分离复合故障振动信号,提出了一种采用双约束非负矩阵分解算法的信号分离方法。首先对原始振动信号采用短时傅里叶变换,通过时频分布信息来描述信号的局部故障特征;其次在传统非负矩阵分解算法中引入β散度约束与行列式约束,构成双约束非负矩阵分解算法,利用双约束非负矩阵分解算法实现数据的降维,并从低维空间中分离出特征分量;然后通过特征分量重构出时域波形,同时提出加权峰值因子的影响参数筛选重构信号;最后将筛选出的分离信号进行包络频谱分析,提取故障特征。仿真及轴承复合故障实验结果表明:所提出的方法可以有效分离并提取出外圈与滚动体冲击性特征,实现了轴承的复合故障诊断。     

基于奇异值分解和独立分量分析的滚动轴承故障诊断方法

针对强背景噪声下难以提取滚动轴承早期故障信号中故障特征频率的问题,提出奇异值分解和独立分量分析相结合的滚动轴承故障诊断方法。该方法首先利用相空间重构将一维时域矩阵拓展到高维矩阵,得到吸引子轨迹矩阵;然后对轨迹矩阵进行奇异值分解降噪,依据奇异值差分谱阈值原则选取相应阶次分量进行重组构造虚拟噪声通道;接着将重组信号和观测信号进行独立分量分析分离;最后利用能量算子解调方法提取出有效的故障特征分量,进而识别故障类型。滚动轴承故障诊断实验和仿真结果表明该方法有效可行。     

基于深度卷积测量网络的滚动轴承压缩域故障特征提取方法

压缩感知可有效降低机械状态监测信号的数据存储和传输压力,而现有压缩感知方法在故障诊断的应用中存在压缩效率低下、信号重构过程缓慢等问题。本文利用自编码网络与压缩感知的对应关系,提出了一种基于深度卷积测量网络的滚动轴承压缩域故障特征提取方法。针对无噪声的故障信号样本难以获取的问题,提出一种利用故障机理构建数据集的方法,利用该仿真数据集训练得到的模型适用于不同工况下的实测轴承信号。构造网络层数由所需要的信号压缩率确定、隐含层与原信号的频率呈对应关系的深度卷积去噪自编码网络。截取训练完备的编码子网络（即深度卷积测量网络）代替传统的观测矩阵对滚动轴承振动信号进行压缩测量,实现压缩域的故障特征提取。仿真分析验证了所提数据集构造方法及压缩域特征提取方法的有效性。滚动轴承实验信号分析进一步验证了采用所提方法训练得到的深度卷积测量网络具有很好的泛化性,且能够在压缩率远低于传统压缩感知方法的情况下有效地提取轴承故障特征成分并进行故障诊断。     

变转速齿轮箱复合故障的自适应时变滤波分析

复合故障诊断是机械故障诊断领域的一大难点。齿轮箱出现复合故障时,受传递路径、测点布置等影响,所拾取的复合故障振动信号中,各故障成分会呈现强弱不平衡,特别在变转速条件下,故障特征具有时变特性。因此,针对变转速下的齿轮箱复合故障诊断,提出了一种基于频域滤波的自适应时变滤波方法。该方法在频域构建自适应时变滤波器,采用自适应时变滤波器将包含齿轮故障特征的时变滤波信号从齿轮箱复合故障信号中分离出来,并进行包络阶次谱分析,以提取齿轮故障特征;同时,对残余信号(齿轮箱复合故障信号与时变滤波信号的差值)进行包络阶次谱分析,以提取轴承故障特征。算法仿真和应用实例表明,自适应时变滤波方法可有效分离变转速下齿轮和滚动轴承的故障特征。     

一种盲源提取方法及其在滚动轴承故障特征提取中的应用

利用滚动轴承发生故障时其故障信号往往呈现出一定周期性的特点,首先计算出故障信号的理论基本周期τ,将τ作为待提取源信号的基本周期用所述方法的相关步骤计算出大致目标源信号及权重分离矩阵^W。然后将^W作为初始权重分离矩阵,将基于高阶统计量的固定点算法用于原始观测信号提取出更为精确的目标故障信号。通过仿真信号和实验信号验证了所述方法相对于约束独立成分分析(Constrained independent component analysis,CICA)方法具有以下优点:不需要精确估计目标源信号的周期及不需要构建精确的参考信号。此外,通过仿真还验证了所述方法相对于其他较新的盲源提取方法具较高的提取精度等优点。     

基于DSS和FSWT的欠定信号识别方法研究

针对旋转机械信号分析时产生的欠定信号盲源分离问题,建立了一种基于频率切片小波变换(Frequency Slice Wavelet Transformation,FSWT)和去噪源分离(Denoising Source Separation,DSS)的欠定信号分析方法(FSWT-DSS),首先通过FSWT反变换重构出新的混合信号,有效解决欠定盲分离维数不足的问题,再应用DSS分离得到源信号,解决了欠定盲分离问题,同时解决了单独应用FSWT时进行时频分析的不足。算法仿真和应用实例验证了FSWT-DSS方法在实测故障信号分析中的有效性。     

基于改进字典学习的单通道振动信号盲源分离算法

单一传感器采集到的机械信号可能是多个激振源的叠加,难以进行有效分离。针对单通道盲源分离问题提出了基于改进字典学习的单通道振动信号盲源分离算法。首先利用移不变字典学习算法学习信号中的移不变基函数,重构基函数得到反映信号时频域特征的移不变分量,然后利用自适应模糊C均值聚类算法及局部最大值检测算法对得到的各个移不变分量的包络谱提取关键点并聚类,最后将聚类后的移不变分量进行叠加得到源信号的估计。仿真数据的实验表明,算法在噪声环境下具有一定的鲁棒性,同时将该算法应用到实测某型直升机振动信号分离中,进一步验证了该算法的实际价值。     

基于EEMD子带提取相关机械振动信号单通道盲源分离

针对传统独立分量分析难以解决机械故障诊断中存在的相关源信号盲分离、欠定盲分离等问题,在相关振源信号部分子带满足统计独立的假设前提下,提出基于总体经验模态分解子带提取相关机械源单通道盲源分离方法。该方法将单通道观测信号进行总体经验模态分解获得到子带观测信号,将单通道信号及子带观测信号组成新的多维信号,利用奇异值分解及贝叶斯准则估计源信号数目;据互信息标准与源信号数目选若干独立性较强的子带观测信号重构,实现信号升维;对重构的观测信号进行白化预处理及联合近似对角化,获得源信号估计。并仿真、实验验证该方法在机械故障诊断中的有效性。     

基于经验模式分解和排列熵的轴承故障特征提取

针对滚动轴承故障声信号故障诊断中共振解调滤波参数较难确定以及故障诊断困难的问题,提出一种基于经验模式分解和排列熵的改进滚动轴承故障诊断解调方法。该方法首先对滚动轴承声信号进行经验模式分解,将其分解为多个本征模态分量;然后计算各本征模态分量的排列熵值和相关系数,根据联合系数最大化原则对筛选出的分量进行信号重构;最后,利用快速谱峭度对重构信号进行滤波分析,将峭度值最大的频段进行平方包络提取特征频率。将该方法用于滚动轴承故障声信号的实际数据进行分析,结果表明该方法能够有效提取滚动轴承故障特征,并且相较于传统的包络解调具有更好的效果。