风力发电机轴承复合故障特征提取方法研究

针对较强背景噪声干扰下的风力发电机轴承复合故障特征难以准确提取的问题,提出了基于自适应最大相关峭度解卷积(AMCKD)的风力发电机轴承复合故障特征提取的方法。首先,利用人工鱼群算法(AFSA)以解卷积信号包络谱的相关峭度值为目标函数对最大相关峭度解卷积算法(MCKD)的影响参数自适应寻优;然后,将影响参数优化的MCKD对原始故障信号进行解卷积处理,对解卷积信号进行包络谱分析,通过包络谱中的主导频率成分与轴承各元件的故障特征频率相对比,准确实现轴承复合故障的诊断。仿真和工程应用实例验证了所提方法的有效性与实用性。     

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...     

基于相关峭度共振解调的滚动轴承复合故障特征分离方法

提出了一种基于相关峭度的共振解调方法,并应用于滚动轴承复合故障特征的分离。沿频率轴平移给定滤波窗,计算每个滤波信号的相关峭度;通过设定不同的故障解卷积周期,形成多条故障的相关峭度曲线;根据筛选出的目标相关峭度曲线的最大值,确定多个共振频带对原信号进行共振解调。解决了由于某一频带的峭度值过大,利用谱峭度可能无法识别出不同故障各自激起的共振频带的问题;通过不同能量的多共振频带轴承复合故障仿真验证了共振频带选择的准确性,不同载荷下的轴承内、外圈复合故障实测信号分析表明,该方法可以有效实现轴承复合故障特征的分离。     

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。     

一种基于多点峭度谱和最大相关峭度解卷积的滚动轴承故障诊断方法

针对最大相关峭度解卷积(MCKD)方法需要预知准确的滚动轴承故障特征周期的不足,提出一种多点峭度谱(Mkurt spectrum)和MCKD相结合的滚动轴承故障诊断方法。利用多点峭度谱对采样信号进行处理,通过比较不同周期下解卷积结果输出的信号的多点峭度谱,对预先估计的故障特征周期进行修正,再将优化得到的故障周期的精确取值输入到MCKD算法中,增强原信号中周期性故障冲击特征,并通过包络解调来诊断故障类型。通过对仿真信号、6205轴承外圈故障和铁路货车轮对轴承复合故障的试验信号的分析表明:即使在未知准确转速的条件下,该方法依然可以有效地实现滚动轴承的故障诊断,具有较高的工程应用价值。     

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。     

基于最大相关谱峭度解卷积的滚动轴承故障周期冲击特征提取

滚动轴承广泛应用于重型旋转机械支撑和传送负载,经常工作在低速、重载等恶劣工况下,特别容易损坏,从而导致机械设备停运停产的事故,因此有必要提出一种基于最大相关谱峭度解卷积的滚动轴承故障周期冲击特征提取方法。该方法利用轴承运行过程中局部故障激发起的周期性冲击特征,通过最大化相关谱峭度选择最佳有限冲击响应滤波器参数;通过迭代卷积运算,消除振动信号中的噪声,提取出滚动轴承故障激发起的周期性冲击特征;依据冲击特征的周期判断轴承故障所在位置,从而实现轴承故障诊断。通过仿真和滚动轴承实验数据验证提出方法的可行性,并与广泛应用的集总经验模式分解方法提取结果进行对比,结果表明该文提出的方法在轴承故障诊断中展现出更好的优势。     

基于最大相关峭度解卷积的滚动轴承复合故障诊断方法

受环境噪声、传递路径、信号衰减以及源信号本身比较微弱的影响,滚动轴承早期微弱冲击性故障的信号特征难以提取。近年来,最小熵解卷积(Minimum Entropy Deconvolution,MED)已经成功应用在旋转机械故障检测中来提取振动冲击。MED方法的提取过程是一个迭代选择的过程,通过迭代选择一个有限脉冲响应使信号的熵最小,从而对信号进行滤波。但是该方法有一定的局限性:其对于单一冲击的信号解卷积效果良好,但是处理具有强噪声或者多个冲击源共同作用时的信号很困难。为了解决这个问题,提出新的解卷积方法:最大相关峭度解卷积(Maximum Correlated Kurtosis Deconvolution,MCKD),可有效利用滚动轴承故障周期性冲击的特点,其与MED相比,克服了单一冲击的限制,对两种冲击源甚至是多种共同卷积的解卷积具有更好的特征提取效果。仿真和实验对比验证了该方法具有良好的降噪和故障特征增强效果。     

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。     

一种改进的解卷积算法及其在滚动轴承复合故障诊断中的应用EI北大核心CSCD

针对滚动轴承复合故障振动信号非平稳、非线性特性且不同类型故障之间相互耦合,使得传统方法对复合故障冲击特征难以提取的问题,提出了一种基于自适应信号稀疏共振分解(ARSSD)和多点峭度最优最小熵解卷积修正(MK-MOMEDA)的故障诊断新方法。使用ARSSD分析故障信号,并定义一个新的复合指标作为目标函数,利用布谷鸟寻优算法(CSA)对高、低品质因子进行优化选择,获得包含瞬态冲击成分的最优低共振分量;计算其多点峭度谱,提取低共振分量中包含的故障冲击周期成分;之后设定适当的周期区间,进行解卷积运算分离不同的故障特征;通过包络解调,分析谱图中突出的故障特征频率进而识别故障类型。实验平台模拟了滚动轴承两种和三种故障的复合情况,并对所提算法进行了验证,结果表明该方法可有效的从复合故障中提取出各类故障特征,实现故障诊断。     

基于MED与自相关谱峭度图的滚动轴承故障诊断方法

滚动轴承振动信号往往信噪比较低,且具有较强的非高斯噪声,如何选择合适的解调频带一直是故障诊断的难点。自相关谱峭度图(Autogram)是新提出的一种最优频带选择方法,通过计算解调信号的平方包络的无偏自相关的峭度,能够有效地检测到解调频带及其故障频率;但此方法易受到噪声干扰,故障特征识别不明显;基于此,提出了一种基于最小熵解卷积(MED)与Autogram的滚动轴承故障诊断方法;该方法通过MED去除噪声,在得到最佳频带的同时,能够有效地突显故障特征。通过分析仿真信号及实验数据,将所提方法与快速谱峭度及现有方法进行了对比,结果表明,所提故障诊断方法能够准确地检测到解调频带及故障频率,突出故障特征和提高故障检测效果。     

基于网格搜索法优化最大相关峭度反卷积的滚动轴承早期故障诊断方法

针对环境噪声下滚动轴承早期故障信号微弱难以检测的问题,提出了基于网格搜索法优化最大相关峭度反卷积(Maximum Correlated Kurtosis Deconvolution,MCKD)滚动轴承早期故障诊断方法。并针对MCKD方法受滤波器阶数和周期影响的问题,提出了利用网格搜索法优化最大相关峭度反卷积参数。首先,早期微弱故障信号集成经验模态分解后,采用相关系数以及峭度准则重构原信号;然后,以小波Shannon熵作为目标函数采用网格搜索法搜寻最优滤波器阶数以及周期,采用自适应MCKD方法对重构信号中故障脉冲冲击成分进行加强,最后通过包络谱、包络功率谱提取微弱故障特征。实验表明,该方法能够对早期微弱故障中冲击成分进行自适应增强,有效检测出被噪声淹没的微弱故障,实现滚动轴承故障的精确诊断。     

基于MCKD和VMD的滚动轴承微弱故障特征提取

针对滚动轴承早期故障特征非常微弱,易受随机噪声和其他信号干扰而难以提取等现象,提出了用最大相关峭度解卷积(Maximum Correlated Kurtosis Deconvolution,MCKD)和变分模态分解(Variational Mode Decomposition,VMD)相结合的方法提取滚动轴承故障特征。首先用MCKD进行信号增强,然后利用VMD得到一系列模态,应用互相关系数和峭度准则筛选包含故障信息较为丰富的模态进行重构降噪,最后对重构信号进行包络解调提取故障特征。通过仿真分析和轴承故障模拟实验验证了该方法的有效性,可以精确地分离轴承故障振动信号的不同频率成分。     

基于MCKD和VMD的滚动轴承微弱故障特征提取EI北大核心CSCD

针对滚动轴承早期故障特征非常微弱,易受随机噪声和其他信号干扰而难以提取等现象,提出了用最大相关峭度解卷积(Maximum Correlated Kurtosis Deconvolution,MCKD)和变分模态分解(Variational Mode Decomposition,VMD)相结合的方法提取滚动轴承故障特征。首先用MCKD进行信号增强,然后利用VMD得到一系列模态,应用互相关系数和峭度准则筛选包含故障信息较为丰富的模态进行重构降噪,最后对重构信号进行包络解调提取故障特征。通过仿真分析和轴承故障模拟实验验证了该方法的有效性,可以精确地分离轴承故障振动信号的不同频率成分。     

基于VMD-PE-MCKD低速重载滚动轴承故障特征提取

针对低速重载滚动轴承故障特征频率低、难提取的问题,提出一种基于变分模态分解和最大相关峭度解卷积并且结合利用排列熵筛选分量的方法。首先对原始振动信号进行变分模态分解,得到若干个本征模态分量;其次,根据利用排列熵筛选分量的原则,将筛选出的分量利用最大相关峭度解卷积方法进行去噪;最后对处理后的分量进行包络谱分析,从而提取故障特征频率,实现故障诊断。通过分析低速轴承仿真信号以及工程实测所得低速重载轴承振动信号,验证了该方法的有效性。     

基于MCKD和重分配小波尺度谱的旋转机械复合故障诊断研究

针对强噪声环境下旋转机械复合故障信号难于提取与分离的问题,提出了基于最大相关峭度解卷积(Maximum Correlated Kurtosis Deconvolution,MCKD)和重分配小波尺度谱的旋转机械故障诊断方法。机械信号中存在的噪声会降低重分配小波尺度谱的时频分布可读性,故先要对信号进行MCKD降噪,同时从振动信号中分离出各个故障成分,然后进行Hilbert变换得到包络成分,最后再对包络成分进行重分配小波尺度谱分析,根据尺度图中冲击成分的周期诊断转机械复合故障,算法仿真和应用实例验证了该方法的有效性。