基于最大相关峭度解卷积和谱峭度的滚动轴承声信号故障特征增强

采用滚动轴承的声学信号进行状态监测及故障诊断时,环境噪声、传递路径以及其它设备噪声会严重干扰目标信息的提取。针对这一问题,提出一种基于最大相关峭度解卷积和快速谱峭度图的滚动轴承声信号故障特征增强方法。该方法首先利用最大相关峭度解卷积算法对滚动轴承声信号进行解卷积,增强信号中每旋转一周时出现的脉冲信号,削弱噪声信号;然后将谱峭度作为指标,利用快速谱峭度对信号进行滤波分析,获得包含轴承故障信息最丰富的频带;最后对该频带进行包络提取特征频率。仿真及实验结果表明,相较于传统的包络解调,该方法在滚动轴承声信号故障特征提取方面具有更好的降噪性能和故障特征增强效果。     

最大相关峭度解卷积结合稀疏编码收缩的齿轮微弱故障特征提取

针对强背景噪声环境下齿轮早期故障诊断问题,提出了最大相关峭度解卷积结合稀疏编码收缩的微弱故障特征提取方法。由于最大相关峭度解卷积算法的处理结果同时受滤波器长度参数及解卷积周期参数的影响,为自适应地实现最佳的解卷积效果,利用粒子群算法优良的寻优特性,对最大相关峭度解卷积算法的最佳影响参数组合进行搜索。原故障信号经影响参数优化的最大相关峭度解卷积算法处理后,冲击特征会明显增强,为剔除剩余噪声,对所获解卷积信号做进一步稀疏编码收缩降噪处理,并通过分析降噪信号的包络谱来识别故障特征频率成分。实例分析结果验证了该方法的有效性和可靠性。     

基于自适应最大相关峭度解卷积的滚动轴承多故障诊断

滚动轴承存在多个故障时,由于各故障响应之间相互干扰,会使包络谱诊断效果不佳。最大相关峭度解卷积(MCKD)是用于增强周期性脉冲的有效工具,然而,MCKD的滤波器长度参数和移位数需要人工设定,并且在复杂条件下运行的轴承对参数的要求较高。针对此情况,提出了一种自适应最大相关峭度解卷积的滚动轴承多故障诊断方法。该方法以最大相关峭度解卷积信号的包络谱的谱相关峭度值作为目标函数,采用人工鱼群算法,自适应得到MCKD的最优参数,利用参数优化的最大相关峭度解卷积实现滚动轴承多故障分析。滚动轴承多故障仿真及轴承内圈多故障实验分析表明,该方法可以有效提取故障特征,实现滚动轴承多故障的准确诊断。     

基于参数优化的MCKD的滚动轴承早期故障诊断

针对滚动轴承早期故障被淹没在噪声信号下特征信号微弱,故障特征难以提取的问题,将最大相关峭度解卷积(maximum correlated kurtosis deconvolution,MCKD)应用于滚动轴承早期故障诊断。并针对MCKD参数滤波器长度及移位数需人为选择的问题,提出一种基于参数优化的最大相关峭度解卷积的滚动轴承早期故障诊断方法。首先,针对轴承工作的实际工况讨论了最优移位数;然后,以经解卷积后信号的形态能量熵作为评价函数,利用网格搜索法对滤波器长度进行寻优;最后,利用参数优化后的MCKD算法增强信号中的冲击成分,通过包络谱判断轴承故障类型。实验表明,该方法可有效的增强轴承信号中微弱的故障特征成分,实现滚动轴承早期故障的诊断。     

最大相关峭度解卷积结合1.5维谱的滚动轴承早期故障特征提取方法

滚动轴承处于早期故障阶段时,特征信号微弱,并且受环境噪声影响严重,因此故障特征提取困难。针对这一问题,尝试将最大相关峭度解卷积方法引入到滚动轴承故障诊断领域,并与1.5维谱结合,提出了最大相关峭度解卷积结合1.5维谱的轴承早期故障特征提取方法。首先对故障信号做最大相关峭度解卷积预处理,然后计算解卷积信号的包络信号,最后对包络信号做1.5维谱分析,从而得到解卷积信号的1.5维包络谱,通过分析谱图中幅值突出的频率成分来判断故障类型。滚动轴承故障模拟及实测信号分析结果表明,该方法可有效提取早期故障特征频率信息,具有一定可靠性。     

基于EMD和MKD的滚动轴承故障诊断方法

针对滚动轴承早期微弱故障特征难以提取的问题,提出基于经验模态分解(Empirical Mode Decomposition,EMD)与最大峭度解卷积(Maximum Kurtosis Deconvolution, MKD)的滚动轴承故障特征提取方法。利用EMD方法分解振动信号得到一组固有模态分量(Intrinsic Mode Function,IMF),然后根据时域峭度和包络谱峭度,筛选出敏感IMF分量进行信号重构。然后对重构信号进行最大峭度解卷积处理以增强故障信息,最后得到包络功率谱,从而获得轴承故障特征频率信息。通过实验台信号验证了所述方法的有效性及优点。     

强背景噪声下基于谱峭度-波束形成轴承故障特征提取

在利用声学信号分析法对滚动轴承进行故障诊断时,环境噪声或其它设备噪声会严重影响目标声信号的提取并降低诊断精度。针对这一问题,提出一种用于故障特征增强的谱峭度-波束形成方法。该方法首先利用快速谱峭度算法确定最优滤波频带,然后根据确定的频带,利用2 阶锥规划方法设计恒定束宽波束形成器并提取目标频带信号,最后对提取的带限信号进行包络解调得到轴承故障特征频率。实验结果表明,该方法能够在强干扰环境下有效提取滚动轴承故障特征,并且相较于传统的延时求和波束形成器具有更好的效果。     

线性峭度图及其在滚动轴承故障诊断中的应用

作为表征信号冲击特征的常用指标,峭度容易受到少量大幅值异常数据或随机冲击的干扰,非常不利于滚动轴承、齿轮等旋转机械故障特征的提取。为更有效地表征信号的循环冲击特征,将线性峭度概念引入到滚动轴承故障特征表征中。同时,结合经验小波变换提出线性峭度图方法。该方法通过构造具有紧支撑的经验小波函数,将信号进行正交分解;随后,计算不同分解方案下子信号的线性峭度构建线性峭度图;最终,选择线性峭度最大的子信号进行平方包络分析实现故障特征的提取与增强。通过滚动轴承内外圈剥落故障的仿真与试验分析表明:线性峭度比峭度更适合表征信号的循环冲击特征。与基于传统峭度图方法和子频带谱峭度平均的峭度图方法相比,提出的线性峭度图方法在信号的分解与表征两方面都进行了改进,具有更强的循环冲击特征提取能力,具有更高的工程应用价值。但线性峭度图方法在滤波器组构建上效率相对较低,还有很大的提升空间。     

基于谱峭度和最大相关峭度解卷积的滚动轴承复合故障特征分离方法

针对振动信号中复合故障特征难以准确分离的问题,提出了一种融合谱峭度(SK)和最大相关峭度解卷积(MCKD)的复合故障分离方法。对复合故障信号做谱峭度分析,根据选择的各共振频带对信号进行带通滤波,提取出多个故障信号;对提取的各信号做包络解调分析,对能提取出单一故障特征的振动信号完成分离过程;对未提取出单一故障特征的振动信号最后做最大相关峭度解卷积处理;采用改进的轴承复合故障仿真模型验证了方法的有效性。实测滚动轴承内、外圈复合故障信号分析结果表明,该方法能够实现复合故障的准确分离。     

基于参数自适应VMD和MCKD的滚动轴承微弱故障特征提取

针对传输路径复杂和强噪声干扰条件下滚动轴承故障信号信噪比低、微弱故障特征难以提取的问题，提出一种将参数优化变分模态分解（Variational Mode Decomposition,VMD）与最大相关峭度解卷积（Maximum Correlated Kurtosis Deconvolution, MCKD）相结合的滚动轴承微弱故障特征提取方法。首先，利用经麻雀搜索算法（Sparrow Search Algorithm, SSA）优化的VMD对故障信号进行自适应分解，构建加权峭度指标以筛选有效模态分量；然后对有效模态分量利用经SSA优化后的MCKD进行增强；最后，对增强后的信号进行包络解调分析，提取出轴承故障特征频率。实验和工程实际案例分析表明，所提出的方法能够自适应增强轴承信号中的微弱冲击成分，有效提取出强噪声背景下的滚动轴承微弱故障特征。     

Bounds on the Sample Skewness and Kurtosis

For any sample of size N, the absolute value of the sample skewness is bounded by (N – I), and the sample kurtosis is bounded by N. Although these bounds are easily derived, they are not widely known.     

Weibull Skewness and Kurtosis as a Function of the Shape Parameter

Numerical results are presented for points in the (β₁, β₂) plane for the Weibull shape parameter values 0.2 to 25.0.     

基于谱峭度的不确定性振源监测方法

强噪声环境下实现不确定性振源的监测对于机械和建筑结构的诊断和维护工作有着重要的实际工程意义。通过介绍一种在信号频域应用峭度参数进行未知振源检测的新方法,即谱峭度方法,并经过实测试验对该方法的特点进行分析,提出在检测不确定性振源的同时对其在频域定位的方法。采用实测数据验证方法的有效性,并取得很好的效果。     

Kurtosis parameter K of arbitrary electromagnetic beams propagating through non-Kolmogorov turbulence

General analytical formulae for the kurtosis parameters K (K parameters) of the arbitrary electromagnetic (AE) beams propagating through non-Kolmogorov turbulence are derived, and according to the unified theory of polarization and coherence, the effect of degree of polarization (DOP) of an electromagnetic beam on the K parameter is studied. The analytical formulae can be given by the second-order moments and fourth-order moments of the Wigner distribution function for AE beams at source plane, the two turbulence quantities relating to the spatial power spectrum, and the propagation distance. Our results can also be extended to the arbitrary beams and the arbitrary spatial power spectra of Kolmogorov turbulence or non-Kolmogorov turbulence. Taking the stochastic electromagnetic Gaussian Schell-model (SEGSM) beam as an example, the numerical examples indicate that the K parameters of a SEGSM beam in non-Kolmogorov turbulence depend on propagation distance, the beam parameters and turbulence parameters. The K parameter of a SEGM beam is more sensitive to effect of turbulence with smaller inner scale and generalized exponent parameter. A non-polarized light has the strongest ability of resisting turbulence (ART), however, a fully polarized SEGSM beam has the poorest ART.     

基于谱峭度与变分模态分解的转子微弱不对中故障诊断

针对噪声干扰下转子微弱不对中故障特征难以提取的问题,提出一种谱峭度与变分模态分解的转子故障诊断方法。该方法首先利用谱峭度(Spectral Kurtosis)滤除信号背景噪声以强化故障特征相关信号分量,然后通过变分模态分解(Variational Mode Decomposition,VMD)将转子振动信号分解为一系列本征模态分量并对各分量进行频谱分析,提取转子的故障特征。将该方法应用到转子不对中故障实验数据中,结果表明,该方法能有效提取出转子微弱不对中故障特征,并且结果要优于基于谱峭度与经验模态分解(EMD)方法的分析结果。     

基于最大相关峭度解卷积行星齿轮箱微弱故障诊断#br#

最小熵解卷积(MED)是一种常规的微弱故障特征提取方法,对局部故障脉冲有比较好的提取效果,但是对于含有周期性故障脉冲的振动信号,故障特征识别率比较低。微弱故障时候的行星齿轮箱产生的振动信号通常是周期性的,MED不能取得比较好的识别效果。针对行星齿轮微弱故障特征难以提取的问题,将最大相关峭度解卷积(MCKD)方法应用到行星齿轮箱微弱故障特征提取中。MCKD避免了最小熵解卷积对周期性冲击识别度低的缺点,同时可以有效抑制行星齿轮箱中谐波和噪声分量,准确地识别出行星齿轮箱所处状态。为了验证该方法在行星齿轮箱中的应用价值,将两种方法分别应用在传动系统综合诊断平台收集到的振动信号中,结果表明MCKD算法对于行星齿轮箱微弱故障识别有比较好的效果。     

基于均值包络ITD和谱峭度的特征频率提取方法

提出基于均值包络本征时间尺度分解(ITD)和谱峭度的特征频率提取方法。用于轴承故障诊断中,振动信号经均值包络ITD分解和重构,通过谱峭度选取故障共振频率带,最后比较包络谱与特征频率做出故障诊断。对美国凯斯西储大学滚动轴承数据的处理结果证明,该方法得到的谱线更加明显,诊断更加准确。     

基于脑微结构信息检测的扩散峭度成像多b值组合优化

扩散峭度成像(DKI)引入高阶峭度张量来量化水分子扩散的非高斯程度,并可采用多种扩散敏感因子b值参与模型拟合,能反映组织复杂结构更微小变化,因而在脑神经科学研究与临床诊断中具有独特优势.但目前尚缺乏不同b值组合DKI数据采集对不同脑微结构特征的比较分析和针对不同临床需求制定DKI数据采集的最优b值组合方案的思路.本文从脑脊液、灰质和白质的DKI图像对比度角度,结合基于体素统计分析方法比较了5个不同b值组合与高、低2个b值组合采集方案对DKI成像指标的影响及在胼胝体局部组织微结构特征表达的差异.结果表明,低b值(1 000 s/mm~2)和高b值(2 000 s/mm~2)采集成像皆有较强的组织分辨能力,而过多增加b值组合个数会增大拟合误差并增加采集时间;使用高、低2个b值(2 000 s/mm~2与1 000 s/mm~2)的组合采集方案较适合于一般DKI临床诊断.     

基于AR自相关峰态值的一类轴承故障检测方法

针对轴承故障检测系统中异常样本数据不易收集以及异常样本数据分布不均导致传统分类算法出现过适应现象等现实应用问题,提出了一种基于自回归(AR)模型自相关系数峰态特征的一类故障检测方法.该方法利用正常样本生成AR模型参数,其他样本在该模型的投影形成残差序列,计算残差序列的自相关系数并取其峰态特征作为相似性的度量.实验结果表明该方法能有效地克服以AR模型参数为特征计算复杂度高且检测性能易受样本大小影响的不足.同时,文章给出了单一故障诊断模型并提出基于粒子群优化算法的阈值设定决策方法.实验中将本方法同其他以AR模型为特征的多层感知机(MLP)及自组织映射(SOM)方法进行比较,实验结果验证了本文建议方法的正确性和有效性.     

基于谱峭度和Teager能量算子的轴承故障特征增强

共振解调法的难点在于带通滤波器的确定,谱峭度可根据信号特征寻找最优滤波器参数,很好地解决以上问题。然而谱峭度在对低信噪比数据进行处理时,滤波后的信号往往残留较大带内噪声,极大地影响了后续故障诊断的准确性。针对该问题,提出利用Teager能量算子追踪SK滤波信号的系统总能量,从信号能量的角度消除带内噪声,二次增强隐藏于噪声中的故障冲击特征,最后通过包络谱分析获得诊断结果。应用轴承故障仿真数据、实验室内圈和外圈故障数据验证了本方法的有效性。