变转速下滚动轴承的阶频谱相关域微弱故障特征增强与提取

滚动轴承是旋转机械常用且故障率较高的部件之一,其故障的及时发现,对于设备安全、稳定运行具有重要意义。滚动轴承的早期故障特征十分微弱,容易被强背景噪声干扰所掩盖。同时,滚动轴承往往在变转速工况下运行,故障特征的时变特性导致特征提取较为困难。针对上述问题,提出一种变转速下滚动轴承的阶频谱相关(OFSC)域微弱故障特征增强与提取方法。首先,利用变转速下滚动轴承故障信号的角度时间域循环平稳特性,将故障信号转换到阶频谱相关域。然后,采用鲁棒主成分分析(RPCA)的低秩稀疏分解方法,将轴承振动信号的阶频谱相关矩阵分解为表征轴承故障特征的稀疏成分,并去除表征噪声的低秩成分,进一步提高稀疏分量的分辨率。最后对分解出的稀疏分量构建增强包络阶次谱(EEOS)来检测滚动轴承的故障特征。仿真和实验分析验证了该方法对于变转速工况轴承微弱故障特征增强和提取的有效性和鲁棒性。     

敏感SVD和EEMD的故障诊断方法研究

在噪声干扰下有效提取振动信号所包含的微弱故障特征,是轴承故障诊断的关键问题,提出了一种基于敏感奇异值分解(SSVD)和总体平均经验模态分解(EEMD)的故障诊断方法.对时域振动信号进行敏感SVD分析,通过敏感因子选择反映故障冲击特征的敏感SVD分量,并利用定位因子定位分量信号所对应奇异值进行振动信号重构,以滤除噪声干扰;对降噪信号进行EEMD,根据峭度准则选取故障信息丰富的敏感固有模态分量(IMF),有效提取局部微弱故障信息;利用Teager-Kaiser能量算子(TKEO)计算故障信息的瞬时能量,并对其进行频谱分析,获取故障特征频率,以识别故障类型.方法应用于轴承故障诊断,实验证明了所提方法的有效性.     

基于IMF聚合与SVD的城轨车辆牵引电机轴承故障诊断

为有效提取城市轨道车辆牵引电机轴承的故障特征,提出一种基于本征模式分量(IMF)聚合与奇异值分解(SVD)相结合的轴承故障诊断方法.该方法首先运用经验模式分解(EMD)将原始振动信号分解成一系列本征模式分量;其次在利用皮尔逊积矩法进行本征模式分量的筛选后将剩余的分量聚合重构,再将重构信号运用奇异值分解降噪;最后对降噪信号进行Hilbert谱分析,实现轴承故障特征向量的提取.城市轨道车辆牵引电机轴承实测数据的分析结果表明该方法能够有效提取故障特征信号,对轴承故障进行有效的诊断.     

基于SVD-形态降噪的TKEO故障诊断方法研究

针对强噪声干扰背景下微弱故障特征信息难以提取的问题,提出了一种基于奇异值分解(SVD)-形态降噪的Teager能量算子(TKEO)故障诊断方法.首先对轴承振动信号进行SVD,对得到的分量信号进行形态滤波,以滤除噪声干扰;然后利用峭度准则对分量信号进行筛选,并对其进行重构;最后利用TKEO计算重构信号的瞬时能量,得到信号的能量谱,提取振动信号的特征.将提出的方法应用于滚动轴承故障分析,结果表明该方法能清晰地提取故障特征信息.     

基于MOMEDA与双谱分析的滚动轴承早期故障诊断

滚动轴承早期故障阶段,故障特征微弱且环境噪声干扰严重,采集数据包含大量噪声信息,传统的包络谱分析难以提取故障特征信息。双谱分析理论上可以抑制高斯噪声,但很难从强背景噪声下提取出微弱故障特征。而多点最优调整的最小熵解卷积（Multipoint Optimal Minimum Entropy Deconvolution Adjusted,MOMEDA）方法能增强信号中的冲击特征,但其效果和故障信号周期区间等参数有关。利用MOMEDA与双谱分析进行信号处理,将提取到的信号高阶谱特征作为滚动轴承早期故障分类依据。利用MOMEDA方法对采集信号进行滤波处理,提取出有冲击特征的时域信号;对特征增强的信号进行双谱分析,从高阶谱中提取故障特征。经过仿真信号分析和实际轴承故障信号验证,该方法能有效地提取出滚动轴承早期故障特征,实现故障诊断。     

强噪声背景与变转速工况条件下滚动轴承故障诊断研究

煤矿机械设备工作环境恶劣,背景噪声强,轴承早期的故障特征信号微弱,从传感器所测得的振动信号中提取反映故障状态的信息比较困难;同时,煤矿机械设备工作在高速、冲击等工况下,是典型的非平稳工况,不稳定的激励及复杂工况直接导致提取轴承故障特征信号困难。针对以上问题,以矿井提升设备的运行工况为背景,提出了一种基于计算阶次分析与自适应随机共振的滚动轴承故障诊断方法。首先,模拟了矿井提升机运行过程中典型的变转速工况,分别构造故障仿真信号,并采集了轴承振动实验信号;其次,通过等角度采集同步时域鉴相序列,利用计算阶次分析将轴承非平稳的振动信号重采样为平稳信号;然后,利用变分模态分解(VMD)方法将平稳信号分解为若干本征模态函数(IMF)分量,通过轴承故障阶次实现对轴承故障类型的判断;最后,利用自适应随机共振方法来增强轴承故障特征阶次,从而实现故障特征的提取与增强,达到故障诊断的目的。仿真和实验结果证明了该方法的有效性。将该方法与最大相关峭度反褶积(MCKD)方法进行了对比,结果表明,MCKD方法虽然也可以观察到故障特征阶次,但是特征阶次比周围干扰阶次幅值仅高0.001 96,低于本文所提方法的结果,说明了本文所提方法具有一定的优越性。     

周期势增强随机共振机械故障特征提取方法

针对机械设备早期故障特征难以提取的问题,提出一种周期势函数增强随机共振的机械故障特征提取方法。该方法利用周期势函数的无限稳态结构和抗粒子运动饱和特性,并整合频移尺度变换,能够克服经典双稳态随机共振方法的饱和问题,有利于高速高精机械设备旋转部件早期故障微弱特征的增强与提取。对仿真和电机轴承实验分别用提出方法、经典双稳态随机共振方法和集成经验模式分解方法进行故障特征提取,结果表明提出方法优于集成经验模式分解方法,而且比经典双稳态随机共振方法有更好的增强效果,能够增强和提取微弱故障特征,实现高速高精机械设备电机轴承的故障诊断。     

基于EMD和BP网络的轴承故障诊断方法

故障轴承的振动信号是非平稳信号,传统的非平稳信号分析手段存在许多不足;BP网络能够出色地解决传统识别模式难以解决的复杂问题。提出了经验模态分解(EMD)与BP神经网络相结合的滚动轴承故障诊断方法。采用EMD方法对振动信号进行分解,得到组成信号的多个内禀模态分量(IMF),提取重要的IMF分量的能量作为信号的特征量;采用BP网络作为模式分类器,对轴承的故障类型进行分类。经试验数据分析证明,该方法能够准确地对轴承故障进行诊断。     

K值优化的VMD在轴承故障诊断中的应用

由于机械设备实际运行状态下环境噪声的影响,轴承早期非平稳振动信号的故障特征难以有效提取。为此,将K值优化的变分模态分解引入轴承的早期故障诊断方法中。首先利用小波包降噪法对轴承实际振动信号进行降噪;然后利用K值优化的VMD算法,通过合理设置参数K,将降噪信号分解为若干本征模态分量,利用峭度值选取最佳分量;最后提取最佳分量的样本熵和排列熵组成特征向量,利用模糊C聚类识别轴承的故障类型。实验结果表明,该方法避免了信号的过分解,能有效提取振动信号特征,实现轴承的早期故障诊断。     

煤机设备轴承故障诊断方法

煤机设备滚动轴承早期故障特征微弱,且易受载荷、工况等因素的影响而被噪声淹没,导致轴承故障诊断困难。现有研究大多采用单一算法处理轴承故障信号,故障特征提取精度和故障诊断准确性有待进一步提高。提出了一种融合局部特征尺度分解（LCD）和奇异值分解（SVD）的煤机设备轴承故障诊断方法：采用LCD方法将煤机设备轴承振动信号分解为若干个内凛尺度分量（ISC）,实现信号初步降噪;计算各ISC的香农熵,选择香农熵最小的ISC进行SVD,并构建SVD信号的奇异值差分谱,针对最大突变分量进行信号重构,实现信号增强去噪;对重构信号进行Hilbert包络解调,得到轴承故障特征频率,进而判断轴承故障。采用现场实测数据对基于LCD-SVD的煤机设备轴承故障诊断方法进行验证,结果表明,该方法可准确提取出轴承故障特征频率,从而实现煤机设备轴承早期故障诊断。     

A joint sparse wavelet coefficient extraction and adaptive noise reduction method in recovery of weak bearing fault features from a multi-component signal mixture

Rolling element bearings are widely used to support rotating components of a machine. Due to close space locations of components in the machine, a vibration signal caused by bearing localized defects is easily overwhelmed by other strong vibration signals. Extracting the bearing fault signal from a multi-component signal mixture is thus significant to detect early bearing fault features and prevent machine breakdown. In this paper, a bearing fault diagnosis method, named cyclic spike detection method, is proposed to extract the weak bearing fault features from a multi-component signal mixture. Firstly, the optimal center frequency and bandwidth of a complex Morlet wavelet filter are determined by a simplex-simulated annealing algorithm along with a maximum sparsity objective function. The filtered signal is then obtained by applying the optimal wavelet filter to the multi-component signal mixture. After that, a new adaptive local maximum selection method is proposed to make the filtered signal succinct. Only a few spikes are retained to reveal potential cyclic intervals caused by bearing localized defects. Two multi-component signal mixtures, including a simulated signal and a real vibration signal collected from an industrial machine, are used to validate the effectiveness of the proposed cyclic spike detection method. The results demonstrate that the proposed method can extract the weak bearing fault features from other strong masking vibration signals and noise.     

An intelligent fault diagnosis method based on wavelet packer analysis and hybrid support vector machines

In this paper, a new intelligent method for the fault diagnosis of the rotating machinery is proposed based on wavelet packet analysis (WPA) and hybrid support machine (hybrid SVM). In fault diagnosis for mechanical systems, information about stability and mutability can be further acquired through WPA from original signal. The faulty vibration signals obtained from a rotating machinery are decomposed by WPA via Dmeyer wavelet. A new multi-class fault diagnosis algorithm based on 1-v-r SVM approach is proposed and applied to rotating machinery. The extracted features are applied to hybrid SVM for estimating fault type. Compared to conventional back-propagation network (BPN), the superiority of the hybrid SVM method is shown in the success of fault diagnosis. The test results of hybrid SVM demonstrate that the applying of energy criterion to vibration signals after WPA is a very powerful and reliable method and hence estimating fault type on rotating machinery accurately and quickly.     

基于混沌动力学的滚动轴承故障诊断研究

为了研究旋转机械非平稳信号的非线性动力学特征,探索旋转机械故障诊断方法,以滚动轴承为研究对象,采用嵌入式传感器获取滚动轴承振动信号,通过计算滚动轴承振动时间序列的关联维数、Kolmogorov熵等混沌特征量,提取设备运动状态特征,并对其进行了详细分析。结果表明：该方法可以实现对滚动轴承的故障诊断,从而为旋转机械的故障诊断提供了一种新的方法。     

一种面向噪声环境中旋转机械故障诊断的多模态耦合输入神经网络

旋转机械设备是工业生产中的关键性设备,对其进行高效故障诊断,对于保障工业安全生产具有重要意义.传统的旋转机械设备智能故障诊断方法采取人工特征提取策略,存在依赖专家经验知识、特征泛化性差、特征完备性不足等局限性,导致故障诊断模型精度差,特别是在噪声环境下性能下降明显.对此,提出一种用于旋转机械故障诊断的多模态耦合输入神经网络模型.首先,利用信号分解方法将原始输入信号分解为多个子信号,并将子信号与原始信号成对组成二维矩阵并输入到神经网络中,使得网络能够提取其间重要的相关特征;然后,利用双通道并行的卷积神经网络和长短期记忆网络分别提取信号中的时空间特征并融合,大大提高网络模型的特征表达完备性,实现对旋转机械设备的高精度故障分类.通过实验验证了所提出模型相较于传统故障模型具有更高的准确率,并且对于噪声干扰也有较好的适应性.     

航空发动机转子振动信号的早期故障分析

由于飞机涡扇发动机是旋转动力机械,早期故障振动信号具有周期性的特点,可将多重自相关用于检测微弱周期性振动信号;针对某型航空发动机空中停车前的早期故障振动信号,通过多重自相关运算,再对信号进行频谱分析,就能准确检测出淹没于强噪声中的微弱周期性信号的频率信息和幅值信息;多重自相关检测方法能够从复杂的航空发动机振动信号中提取出早期的微弱故障信号,从而对早期故障进行有效的分析。     

基于MED和边际谱的自动倾斜器轴承故障诊断

针对直升机自动倾斜器轴承早期微弱故障特征易被强烈背景噪声淹没的问题，提出了一种基于最小熵反褶积（Minimum Entropy Deconvolution，MED）和边际谱的自动倾斜器轴承故障诊断方法。采用MED对采集的振动信号进行滤波降噪，提高了信号的信噪比，突出了轴承早期微弱故障特征；通过Hilbert变换和经验模态分解（Empirical Mode Decomposition，EMD）获取去噪包络信号的本征模态函数（Intrinsic Mode Functions，IMF）集，并引入峭度筛选准则选取合理IMF集计算局部Hilbert边际谱，有效地提取了故障特征频率，能够通过故障特征频率进行故障类型判别。通过某型直升机自动倾斜器故障诊断试验系统验证了该诊断方法的合理性和可行性。     

A rotating machinery fault diagnosis method based on local mean decomposition

Local mean decomposition (LMD) is a novel self-adaptive time–frequency analysis method, which is particularly suitable for the processing of multi-component amplitude-modulated and frequency-modulated (AM–FM) signals. By using LMD, any complicated signal can be decomposed into a number of product functions (PFs), each of which is the product of an envelope signal and a purely frequency modulated signal from which physically meaningful instantaneous frequencies can be obtained. In fact, each PF is just a mono-component AM–FM signal. Therefore, the procedure of LMD may be regarded as the process of demodulation. While fault occurs in gear or roller bearing, the vibration signals picked up would exactly display AM–FM characteristics. So it is possible to diagnose gear and roller bearing fault by LMD. Targeting the modulation features of the gear or roller bearing fault vibration signal, a rotating machinery fault diagnosis method based on LMD is proposed. In this paper, firstly the LMD method is introduced; secondly, the LMD method is compared with another competing time–frequency analysis approach, namely, empirical mode decomposition (EMD) method and the results show the superiority of the LMD method; finally, the LMD method is applied to the gear and roller bearing fault diagnosis. The analysis results from the practical gearbox vibration signal demonstrate that the diagnosis approach based on LMD could identify gear and roller bearing work condition accurately and effectively.