基于相空间重构的独立分量分析及其工程应用

针对单通道信号无法满足独立分量分析的欠定问题,将相空间重构与独立分量相结合,通过相空间重构实现单通道信号的升维,并将升维信号进行独立分量分析,可以有效地分离出原信号中包含的独立信源。以提取冲击特征为例,通过仿真验证了该方法的有效性。将该方法运用于滚动轴承故障特征提取中,成功地从早期滚动轴承故障信号中提取了周期性故障冲击成分。与传统的小波包-峭度故障特征提取方法对比,此方法更有效。     

MW-cICA算法在滚动轴承故障诊断中的应用

为了提取强背景噪声下滚动轴承故障特征信息,提出了一种多小波预处理的约束独立分量分析(MW-cICA)算法。该算法首先对输入信号进行多小波降噪处理,提高信号信噪比;然后应用约束独立分量分析方法提取故障特征。与传统的小波独立分量分析(W-ICA)方法相比,该方法具有如下优势:1)由于多小波具有单小波所不能同时具有的正交性、对称性、紧支性和高阶消失矩等特点,因而对信号的降噪效果更加明显;2)引入参考信号作为约束条件,使得算法直接收敛于期望信号,提高了运算效率;3)建立基于故障模型的参考信号能够更加接近于真实期望信号,提高算法性能。仿真结果表明,多小波比单小波具有更好的降噪效果,基于故障振动模型的约束独立分量分析比传统的FastICA算法运算效率更高。将该算法运用于滚动轴承内圈故障试验中,可成功提取出内圈故障特征信号。     

基于Morlet小波包络分析的滚动轴承多源故障分离

滚动轴承初始故障振动信号比较弱,易被干扰噪声淹没,使得传统的包络分析方法失效,而且实际采集的信号往往为多个振源的混合信号.提出用Autoregressive模型对轴承故障数据进行预处理,得到包含故障脉冲冲击的信号.利用kurtosis最大化准则自动获取complex Morlet小波包络分析方法的中心频率和包络带宽,对采集信号进行包络分析,最后对得到的包络信号进行独立分量分析实现各振源包络分量分离,进而获取故障冲击信号.仿真试验与模拟故障试验验证了该方法的有效性.     

基于独立分量分析和相关向量机的轴承故障诊断研究

提出了将独立分量分析(ICA)与相关向量机(RVM)两者结合进行滚动轴承故障诊断的方法。在设计的系统平台上,首先对轴承振动测试信号进行预处理,以使其能较好地满足ICA的前提条件,再应用独立分量快速算法(Fast ICA)分离轴承状态信号并提取特征向量,然后,应用相关向量机做为故障分类器实现轴承故障状态识别。对6206普通球轴承在正常状态和内圈、外圈、滚动体故障状态所进行的故障诊断实验表明,该方法能够准确、有效地对滚动轴承故障进行识别。     

基于FEWT-FastICA的滚动轴承故障特征识别方法

滚动轴承故障信号常包含着大量的噪声,并以调制的形式存在,其故障特征信息提取困难;同时,采用快速经验小波变换(FEWT)分解故障信号时,又存在故障特征被削弱的问题。为此,将FEWT与快速独立分量分析(FastICA)的优点相结合,在此基础上提出了一种基于FEWT-FastICA的滚动轴承故障特征识别方法。首先,利用FEWT算法对轴承故障信号进行了分解,得到了一组固有模态分量(IMF);根据峭度准则,将峭度值大于3的IMF分量重构为振动冲击信号,峭度值小于3的IMF分量重构为虚拟通道信号;然后,将重构后的信号输入FastICA算法,进行信号的降噪解混,得到信号的最佳估计信号,对最佳估计信号进行了包络谱分析,完成了对滚动轴承的故障诊断;最后,为了验证FEWT-FastICA算法的有效性,采用仿真信号及真实轴承故障信号分别进行了实验验证;同时,为了验证FEWT-FastICA算法的优越性,将其与FEWT进行了对比分析。研究结果表明：该方法能有效地提取故障特征信息,比FEWT方法所得结果的信噪比提升了1.55倍,为轴承故障诊断提供了一种新方法。     

基于小波包和PSO-Elman神经网络的滚动轴承故障诊断

针对滚动轴承的故障诊断,分析滚动轴承故障机理及特点,提出基于小波包分析的滚动轴承振动信号的特征向量提取算法,并建立PSO-Elman神经网络进行故障诊断和识别。将滚动轴承故障振动信号进行小波包分解,构造频带能量谱作为特征向量,输入PSO-Elman神经网络对故障进行识别。试验结果表明,基于小波包分析和PSO-Elman神经网络相结合的方法可准确地实现滚动轴承的故障诊断。     

基于改进形态分量分析的滚动轴承包络分析方法

滚动轴承出现局部损伤时,其振动信号既包含轴承自身原因引起的谐振分量,也包含故障信息的冲击分量和噪声分量。谐振分量为信号中的相对平滑部分,其品质因子较高;冲击分量表现为信号中的瞬态成分,其品质因子较低。针对这一特点,利用可调品质因子小波变换稀疏表示信号,提出一种改进形态分量分析方法,并将其应用于滚动轴承的包络分析中。采用可调品质因子小波作为稀疏表示字典,实现不同分量的分离,并对冲击分量进行包络分析,判断滚动轴承故障。滚动轴承故障实验表明,该方法能够有效提取故障特征,诊断轴承出现的故障类型。     

基于形态分量分析和包络谱的轴承故障诊断

滚动轴承出现局部损伤时,其振动信号往往由包含轴承自身振动的谐振分量、包含轴承故障信息的冲击分量及随机噪声分量构成。提出了基于形态分量分析和包络谱的滚动轴承故障诊断方法。该方法根据轴承振动信号中各组成成分的形态差异,利用改进的形态分量分析对滚动轴承故障振动信号中的谐振分量、冲击分量和噪声分量进行分离,然后对冲击分量进行Hilbert包络解调分析,根据包络谱诊断滚动轴承故障。算法仿真和应用实例表明,该方法能有效提取滚动轴承故障特征。     

基于形态提升小波变换的滚动轴承故障特征提取

为有效提取表征轴承故障的脉冲特征,提出采用形态提升小波变换对轴承故障信号分析的方法.仿真信号和实际滚动轴承故障信号的分析结果证明了形态提升小波变换提取信号脉冲特征的有效性.与传统的线性小波变换方法相比,形态提升小波的脉冲信号保持和抗噪声能力较强,可以识别出传统小波不能识别的轴承故障状态,同时形态提升小波变换只涉及加、减和比较运算,计算更加简单、快速,可应用于轴承故障的在线监测与诊断.     

双树复小波包和ICA用于滚动轴承复合故障诊断

针对滚动轴承复合故障信号特征难以分离的问题,提出将双树复小波包变换和独立分量分析(independent component analysis,简称ICA)结合的方法应用到滚动轴承复合故障诊断中。首先,利用双树复小波包变换将复杂的、非平稳的复合故障信号分解为若干不同频带的分量;其次,引入ICA对各个分量所组成的混合信号进行盲源分离,从而尽可能消除频率混叠;最后,对从混合信号中分离出来的独立信号分量进行希尔伯特解调,即可实现对复合故障特征信息的分离和故障识别。试验结果表明,该方法可以有效地分离和提取轴承复合故障的特征频率,验证了方法的可行性和有效性。     

基于小波变换和ICA的滚动轴承早期故障诊断

滚动轴承早期故障诊断的关键在于如何从低信噪比混合信号中检测出显著的轴承故障特征频率。提出以连续小波变换(CWT)和独立分量分析(ICA)相结合的方法来诊断单通道信号的滚动轴承早期故障,提出按频谱等间隔选取伪中心频率的小波分解尺度,并对ICA处理后的信号进行包络频谱分析以确定故障类型。最后,利用实际的滚动轴承实验数据对该方法进行了验证。     

基于小波分析多尺度分解的轴承故障检测

归纳和总结了小波分析多尺度分解的滚动轴承故障检测方法的实施步骤,阐述了故障轴承振动与信号的关系以及离散小波算法的原理和实现过程,并以滚动轴承故障诊断为例,运用MATLAB小波分析工具箱将滚动轴承振动信号进行小波离散多尺度分解,然后在分解的结果中寻找滚动轴承的故障特征频率。结果表明,如果在故障检测过程中合理选择小波函数和各种参数,则小波分析多尺度分解具有很强的故障识别能力。     

Improved CICA algorithm used for single channel compound fault diagnosis of rolling bearings

A Compound fault signal usually contains multiple characteristic signals and strong confusion noise, which makes it difficult to separate week fault signals from them through conventional ways, such as FFT-based envelope detection, wavelet transform or empirical mode decomposition individually. In order to realize single channel compound fault diagnosis of bearings and improve the diagnosis accuracy, an improved CICA algorithm named constrained independent component analysis based on the energy method (E-CICA) is proposed. With the approach, the single channel vibration signal is firstly decomposed into several wavelet coefficients by discrete wavelet transform(DWT) method for the purpose of obtaining multichannel signals. Then the envelope signals of the reconstructed wavelet coefficients are selected as the input of E-CICA algorithm, which fulfills the requirements that the number of sensors is greater than or equal to that of the source signals and makes it more suitable to be processed by CICA strategy. The frequency energy ratio(ER) of each wavelet reconstructed signal to the total energy of the given synchronous signal is calculated, and then the synchronous signal with maximum ER value is set as the reference signal accordingly. By this way, the reference signal contains a priori knowledge of fault source signal and the influence on fault signal extraction accuracy which is caused by the initial phase angle and the duty ratio of the reference signal in the traditional CICA algorithm is avoided. Experimental results show that E-CICA algorithm can effectively separate out the outer-race defect and the rollers defect from the single channel compound fault and fulfill the needs of compound fault diagnosis of rolling bearings, and the running time is 0.12% of that of the traditional CICA algorithm and the extraction accuracy is 1.4 times of that of CICA as well. The proposed research provides a new method to separate single channel compound fault signals.     

IEWT和FSK在齿轮与滚动轴承故障诊断中的应用

改进的经验小波变换方法(improved empirical wavelet transform,简称IEWT)是一种新的自适应性信号处理方法,将这种方法和快速谱峭度(fast spectral kurtosis,简称FSK)相结合,进行齿轮与滚动轴承的故障诊断。首先,采用IEWT对信号进行分解,筛选出故障特征最为明显的2个分量并重构信号;其次,对重构信号进行快速谱峭度滤波;最后,对滤波后的信号进行包络谱分析,提取出信号的故障特征。分析齿轮断齿及滚动轴承故障信号,与直接包络谱和基于EMD经验模态分解(empirical mode decomposition,简称EMD)方法的FSK滤波包络谱分析方法相比可知,采用IEWT处理后再进行FSK滤波的信号进行包络谱分析更具有区分性,可有效识别齿轮和滚动轴承的故障特征。     

Diagnosis of compound faults of rolling bearings through adaptive maximum correlated kurtosis deconvolution

This paper proposes a new diagnosis method based on Adaptive maximum correlated kurtosis deconvolution (AMCKD) for accurate identification of compound faults of rolling bearings. The AMCKD method combines the powerful capability of cuckoo search algorithm for global optimization with the advantage of Maximum correlated kurtosis deconvolution (MCKD) for impact signal extraction. In contrast to traditional methods, such as direct envelop spectrum, Discrete wavelet transform (DWT), and empirical mode decomposition, the proposed method extracts each fault signal related to the single failed part from the compound fault signals and effectively separates the coupled fault features. First, the original signal is processed using AMCKD method. Demodulation operation is then performed on the obtained single fault signal, and the envelope spectrum is calculated to identify the characteristic frequency information. Verification is performed on simulated and experimental signals. Results show that the proposed method is more suitable for detecting compound faults in rolling bearings compared with traditional methods. This research provides a basis for improving the monitoring and diagnosis precision of rolling bearings.     

基于短时傅里叶变换和独立分量分析的滚动轴承包络分析

滚动轴承的早期故障信号能量小,频带分布广泛;而传统包络谱分析技术直接在强干扰影响下对滚动轴承的故障特征提取经常失效.提出一种基于短时傅里叶变换(short time Fourier transform,STFT)的能量谱和独立分量分析( independent component analysis,ICA)的抗干扰滚动轴承包络分析新方法.该方法首先对获取的滚动轴承振动信号进行STFT能量谱分析,获取信号采样频带下的能量分布,采用带通滤波器获得高频带能量信号,并提取该包络波形,再通过ICA实现包络波形按源分离去噪,最后通过比较各独立分量的包络频谱与滚动轴承理论计算故障特征频率的匹配性,实现滚动轴承故障的精确诊断.仿真数据和试验验证该方法的可行性.     

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IEWT和MCKD的滚动轴承故障诊断方法

针对经验小波变换（Empirical wavelet transform,EWT）对强噪声环境中滚动轴承微弱故障诊断的不足,主要是傅里叶频谱分段不当的问题。提出一种基于最大相关峭度解卷积（Maximum correlated kurtosis deconvolution,MCKD）降噪与改进EWT相结合的滚动轴承早期故障识别方法。首先采用最大相关峭度解卷积算法以包络谱的相关峭度最大化为目标对原信号进行降噪处理、检测信号中的周期性冲击成分,然后根据信号Fourier频谱的包络极大值进行分段,通过分析各频段平方包络谱中明显的频率成分来诊断故障。新方法能有效降噪、增强信号中周期性冲击特征、降低单次偶然冲击的影响、抑制非冲击成分。通过对含外圈、内圈故障的滚动轴承进行试验分析,结果表明,相比于快速谱峭度图和小波包络分析方法,该方法提取出的特征更加明显,能有效实现滚动轴承早期微弱故障的识别。     

连续小波变换在滚动轴承故障诊断中的应用

采用连续小波分析的方法对滚动轴承振动和速度信号进行处理,提取滚动轴承故障特征。通过对滚轴承在正常、内圈剥落、外圈剥落及滚动体落情况下的振动加速度信号进行分析,验证了这种方法的有效性。     

基于小波和奇异谱降噪理论的轴承故障诊断研究

提出一种基于小波分析和奇异谱降噪理论的新方法，在分析滚动轴承故障特性的基础上，将奇异谱理论的障噪方法与小波分析理论结合应用于滚动轴承故障诊断中。实例表明，这种结合后的新方法能够更有效地降低噪声，突出振动信号的故障特性，从而提高设备故障诊断的准确率。