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。     

基于EMD和信息熵的滚动轴承故障诊断

提出了一种基于EMD和信息熵的滚动轴承故障诊断方法。利用EMD将滚动轴承振动信号分解为多个IMF分量,计算各个IMF分量的信息熵,设定有效的熵阈值来取舍IMF分量,利用保留的IMF分量重构信号,并对重构信号进行Hilbert包络谱分析,提取滚动轴承故障特征频率。对实测滚动轴承振动信号分析表明,该方法能有效提取滚动轴承的故障特征频率。     

基于MCKD和LMD的滚动轴承早期故障诊断方法

针对局部均值分解(Local mean decomposition,简称LMD)方法难以提取滚动轴承早期微弱故障的问题,提出了基于最大相关峭度解卷积(Maximum Correlated Kurtosis Deconvolution,简称MCKD)和LMD的滚动轴承早期故障诊断方法。首先采用MCKD方法对故障信号进行降噪处理,同时增强信号中的周期成分,然后进行LMD分解,将得到的PF分量与分解前信号的相关系数作为判断标准,剔除多余低频PF分量,最后,选取有效PF集进行频谱分析,提取故障特征。通过仿真数据和真实滚动轴承故障诊断实验数据表明,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cICA的旋转机械变速过程滚动轴承故障特征提取

在ICA基础上发展起来的约束独立分量分析(cICA)方法,可根据一定的先验知识生成参考信号以提取选定的独立分量,解决了原ICA算法的次序不确定性问题。将cICA用于滚动轴承故障诊断,能够根据被监测滚动轴承的特征频率等先验信息建立参考信号并实现对其故障振动特征信号的提取。本文将该方法与针对旋转机械变速过程的阶比跟踪技术和滚动轴承包络分析技术相结合,提出了基于cICA的旋转机械变速工作过程滚动轴承早期故障分析方法。该方法首先通过包络提取技术在共振带获得包含故障信息的包络信号,再通过阶比分析中的等角度采样将包络信号转换到角域,在角域建立参考信号,并用cICA实现旋转机械变速过程下滚动轴承故障对应冲击性信号成分的有效提取。仿真和测试试验表明,所提出方法适合于旋转机械升降速等变速过程中的滚动轴承初期故障特征信息提取。     

基于ICEEMD-EFICA联合降噪的滚动轴承故障诊断研究

针对滚动轴承早期故障信号十分微弱,故障特征提取困难的问题,对轴承早期故障信号的频域分解、信号重构、降噪解混等方面进行了研究,提出了一种基于改进后的完备总体经验模态分解(ICEEMD)和高效快速独立分量分析(EFICA)的联合降噪方法。首先,采用了ICEEMD算法,将振动信号分解成一系列固有模态分量(IMF);其次,设计了峭度准则,并选取相应分量完成了虚拟通道信号和振动冲击信号的重构;研究了EFICA对重构信号的盲源分离,有效降低了振动信号中的噪声,使故障频率的能量幅度最大,利于识别故障特征;最后,搭建了实验平台,进行了实际的滚动轴承早期故障诊断实验。研究结果表明:该方法能明显抑制噪声和调制频率成分干扰,突出故障特征频率成分;与CEEMD和EFICA结合的方法对比,采用该方法后信噪比提高了24.76%,能更准确地辨别故障信息,可以满足轴承诊断的要求。     

基于奇异值分解和局域均值分解的滚动轴承故障特征提取方法

针对随机噪声干扰滚动轴承故障特征信号提取这一问题,提出一种基于奇异值分解(Singular value decomposition,SVD)滤波降噪与局域均值分解(Local mean decomposition,LMD)相结合的故障特征提取方法。该方法首先对原始振动信号在相空间重构Hankel矩阵并利用SVD方法进行降噪处理,再对降噪后的信号进行LMD分解,将多分量的调制信号分解成一系列生产函数(Product function,PF)之和,最后结合共振解调技术对PF分量进行包络谱分析提取故障特征频率。通过数值仿真和实际轴承故障数据的分析对比,表明该方法提高了LMD的分解能力,可有效辨别出滚动轴承实测信号的典型故障,提高滚动轴承故障的诊断效果。     

基于CEEMDAN-DRT的滚动轴承故障诊断方法研究

针对滚动轴承故障信息不易提取的特性,提出了完全集合经验模态分解(CEEMDAN)自适应消噪和共振解调技术(DRT)相结合的故障诊断方法。首先,利用CEEMDAN自适应地将信号分解成多个分量,通过互相关系数方法进行重构以达到消噪的目的;然后,对重构的信号进行谱峭度分析,得到冲击成分所在的频带,并据此设计带通滤波器对重构信号进行滤波处理;最后,对滤波后的信号进行Hilbert包络谱分析,提取冲击成分的频率,并与滚动轴承故障特征频率对比,进行故障模式识别。通过动力学仿真和滚动轴承实验对该方法进行了有效性论证。结果表明,该方法可以有效识别滚动轴承的故障信息。     

基于ICEEMD-FastICA的滚动轴承故障诊断方法

针对滚动轴承早期故障特征信号提取困难的问题,提出了一种改进完备集成经验模态分解(Improved Complete Ensemble Empirical Mode Decomposition, ICEEMD)和独立分量分析(Independent Component Analysis, ICA)联合故障诊断方法。该方法利用峭度准则将经ICEEMD得到的固有模态分量(Intrinsic Mode Function, IMF)重构后结合快速独立分量分析(Fast Independent Component Analysis, FastICA)进行降噪解混,明显降低被测信号中的噪声,并且在故障特征频率处能量幅值取得最大值,便于辨识故障特征。通过试验研究分析,表明该方法可以明显降低噪声干扰,突出故障频率成分。和ICEEMD与包络谱结合的方法对比,信噪比提高了29.54%,能更准确地识别故障特征,达到对滚动轴承故障的判别需求,从而为轴承故障特征提取提供了一种新思路。     

基于k值优化VMD的滚动轴承故障诊断方法

针对旋转机械中滚动轴承早期信噪比较低的故障特征提取困难问题,提出了一种基于能量的变分模式分解(variational mode decomposition,简称VMD)模态数k优化选取方法,用以提取滚动轴承早期故障特征,同时避免了信号分解过分或不足。首先,对振动信号进行VMD预分解,分别在不同k值条件下计算分量信号能量与原始信号总能量;其次,根据基于能量的模态数k选取准则,确定最佳模态数值对信号进行VMD分解;最后,通过峭度准则选择分量进行信号重构,对其进行包络分析,提取故障特征频率。将该方法运用到实际故障信号中,有效提取出滚动轴承内圈微弱故障特征,实现了早期故障特征判别,具有一定的应用价值和实际意义。     

载荷影响下的机电阻抗协整结构损伤识别方法

针对滚动轴承早期故障特征信息十分微弱难以提取以及可调品质因子小波变换(tunable Q-factor wavelet transform，简称TQWT)参数设置依赖使用者经验的问题，提出改进的TQWT的滚动轴承早期故障诊断方法。首先，设定Q因子的区间范围，利用TQWT对滚动轴承故障振动信号进行分解得到若干个分量；其次，对各分量进行包络导数能量算子解调，在能量谱中根据特征频率强度系数这一指标自适应地确定TQWT的最佳分解参数，实现对故障信号的最优分解；最后，通过对最佳分量的包络导数能量谱分析即可准确地提取到轴承故障特征信息。通过对仿真信号、实验数据以及工程案例分析表明，该方法能够有效提取滚动轴承早期微弱故障特征并准确判断出滚动轴承故障类型，具有一定的工程应用价值。     

盲VMD-Cepstral在轴承故障诊断中的应用

针对滚动轴承早期故障诊断困难的问题,从经验模态分解(empirical mode decomposition,简称EMD)以及包络谱出发,为解决EMD抗噪效果较差、具有端点效应等局限性,提出了盲变分模态分解(variational modal decomposition,简称VMD)-主成分分析(principal component analysis,简称PCA)-包络谱熵结合倒谱包络的轴承故障诊断方法。首先,对滚动轴承的振动信号进行了变分模态分解;其次,对分解得到的分量进行PCA去相关处理;然后,对分量计算包络谱熵,选择熵值小于其平均值的分量进行信号重构;最后,对重构的信号进行倒谱包络分析。实验结果表明,该方法能有效地提取出滚动轴承的故障频率,从而判断出滚动轴承的损伤位置,并且具有良好的抗噪能力。     

基于谱峭度和AR模型的滚动轴承故障诊断

提出基于自回归(Autoregressive,简称AR)预测滤波的谱峭度分析方法,将其应用于滚动轴承的早期故障诊断。通过结合AR预测滤波器提取轴承故障信号共振衰减成分的特性,利用谱峭度方法对AR预测滤波器滤波后的信号进行处理,实现了滚动轴承早期微弱故障的识别。通过滚动轴承的疲劳全寿命加速实验获取滚动轴承的自然故障信号,克服了传统轴承故障诊断人工加工故障的不足。通过试验数据的分析表明,基于AR预测滤波的谱峭度方法不仅能够消除干扰成分提取故障特征,还能增加谱峭度方法的稳定性。     

基于谱峭度和CEEMD的滚动轴承声信号故障诊断研究

使用声信号来诊断轴承故障越来越受到重视。针对滚动轴承故障信号的强背景噪声特点,提出一种基于谱峭度和互补集合经验模态分解(CEEMD)的故障特征提取方法。该方法首先对滚动轴承声信号进行快速谱峭度计算并进行带通滤波预处理,使滚动轴承声信号变得简单且噪声小,故障冲击成分明显;然后利用CEEMD将滤波信号进行分解运算,得到一系列本征模态(IMF)分量;再利用相关系数法和时域特征指标峰值因子选取包含故障信息最丰富的IMF分量;最后用Hilbert算法包络解调分析选取的IMF分量,得到清晰的故障特征频率。经滚动轴承故障实验分析,该方法可以对滚动轴承故障进行有效的诊断。     

基于自适应最优Morlet小波的滚动轴承故障诊断

滚动轴承早期故障信号中故障信息比较微弱常常被强噪声所掩盖,增加了对滚动轴承故障诊断的难度。针对这一问题,笔者提出了基于自适应最优Morlet小波变换的滚动轴承故障诊断方法。首先,利用粒子群优化算法对Morlet小波变换的核心参数进行自适应寻优,在获得最优Morlet小波的同时保证了良好的带通滤波性能;然后,将最优Morlet小波对滚动轴承早期故障信号进行滤波去噪,提高信号的信噪比;最后,对最优Morlet小波滤波信号进行包络谱分析,通过包络谱中的主导频率成分与滚动轴承各元件的故障特征频率对比从而判断轴承的故障位置。仿真数据和实测数据分析结果证明,笔者所提方法能够有效提取故障信号中的特征信息,具有一定的有效性。     

改进多尺度幅值感知排列熵与随机森林结合的滚动轴承故障诊断

针对滚动轴承故障识别准确率较低的问题,本文提出了一种新型滚动轴承故障诊断方法。该方法能够在准确识别滚动轴承故障类型的基础上,进一步分析故障的严重程度。首先,通过固有时间尺度分解提取滚动轴承振动信号的最佳固有旋转分量,突显故障信号的冲击特征;然后,利用改进多尺度幅值感知排列熵对信号幅值和频率变化敏感的特性,计算不同时间尺度下的幅值感知排列熵作为故障特征向量,改善了多尺度分析中的粗粒化过程,提升了故障特征提取的稳定性;最后,利用故障特征集构建随机森林多分类器,实现对滚动轴承不同故障类型的识别及严重程度分析,具有较强的泛化能力。实验结果表明,与现有滚动轴承故障诊断方法相比,平均故障识别准确率达到99.25%。该方法能够稳定而有效地提取滚动轴承的故障特征且具有较好的实时性。     

基于互相关检测的滚动轴承实时故障诊断方法

提出了一种易于用模拟电路实现的基于互相关检测的滚动轴承实时故障诊断方法,首先,用两个加速度传感器在不同测点采集轴承振动信号,将其分别送入相应通道的高Q带通滤波器来选择最优共振带;然后,将两路带通滤波器的输出信号进行互相关检测,将互相关检测得到的信号经低通滤波器,保留低频故障信号;最后,将低通滤波器输出的时域信号通过频谱分析仪显示滚动轴承故障特征频率的谱线以实现滚动轴承的实时故障诊断。用模拟电路的形式将该方法进行搭建,并在QPZZ-II实测平台完成滚动轴承的实时故障诊断。结果表明:该方法克服了单一信号源的局限性,能利用互相关函数削弱共振带内部噪声,使诊断结果具有更高的频谱辨识率,而且能够用结构简单、易于维护的模拟电路实现,对轴承实时故障诊断方法的应用与普及具有一定的参考价值。     

基于本征模态函数包络谱的滚动轴承故障诊断

针对滚动轴承故障振动信号非平稳的特征,以及传统傅里叶变换不能反映信号细节的缺陷,引入了一种基于本征模态函数包络谱的方法。首先,采用经验模态分解（empirical mode decomposition,EMD）将滚动轴承故障振动信号分解成若干个本征模态函数（intrinsic mode function,IMF）之和;然后,求出包含主要信息成分的IMF分量的Hilbert包络谱;最后,对照滚动轴承故障特征频率,进而判定故障类型。通过对滚动轴承内圈、外圈故障振动信号的分析处理,表明该方法能有效地提取滚动轴承的故障特征。     

盲解卷积和频域压缩感知在轴承复合故障声学诊断的应用

针对时域盲解卷积算法对单一故障机械声信号有效,及传统稀疏分量分析对声信号分析失效等问题,提出一种盲解卷积、形态滤波和频域压缩感知重构的稀疏分量分析相结合的轴承复合故障声学诊断方法。通过时域盲解卷积算法优选分量结果,提取声信号的冲击成分。使用形态滤波滤除背景噪声。使用模糊C均值聚类估计混合矩阵,重构传感矩阵,并运用稀疏度自适应匹配追踪基算法(Sparsity adaptive matching pursuit,SAMP)的频域压缩感知重构分离信号。双通道滚动轴承故障声信号分析结果表明该方法能够有效分离和提取滚动轴承故障特征。     

基于LMD多尺度熵和概率神经网络的滚动轴承故障诊断方法

研究了一种基于LMD多尺度熵和概率神经网络的滚动轴承故障诊断方法。该方法将故障信号自适应地分解为若干乘积函数分量,然后将各分量的多尺度熵作为故障特征向量输入概率神经网络进行模式识别,实现了对损伤位置和损伤程度的诊断。将该方法与基于LMD时域统计量和神经网络的滚动轴承故障诊断方法进行了对比。实验结果表明,基于LMD多尺度熵和概率神经网络的方法能对滚动轴承故障进行有效的识别与诊断。