基于非线性耦合双稳态随机共振的轴承微弱故障信号增强检测方法研究

针对滚动轴承微弱故障信号难以检测的难题,提出一种基于新型非线性耦合双稳态随机共振模型的轴承微弱故障信号增强检测方法。噪声背景下,随机共振可以实现微弱信号的增强输出,提高微弱信号特征的检测。提出的非线性耦合双稳态系统是由两个单一双稳态系统经非线性方式耦合而成,通过分析耦合系数、阻尼系数随着噪声强度改变的信噪改善比响应特性曲线图研究了不同参数对随机共振现象的影响。结果表明,耦合双稳系统比单一双稳态系统具有更强随机共振现象的产生。最后采用模型对轴承故障微弱信号进行了增强检测应用,所提出的非线性耦合双稳态随机共振能够实现在复杂的噪声背景下对微弱故障信号的检测。     

非线性耦合双稳系统的振动共振与随机共振

单一双稳系统受到弱周期信号和噪声的作用能产生随机共振.而在高、低两种不同频率信号作用下则能产生振动共振,将两个双稳系统经非线性耦合而成为耦合双稳系统,并在低频、高频信号和噪声的作用下研究了耦合双稳系统对低频信号的响应特性,给出了高频信号参数和耦合系数对振动共振和随机共振的影响关系,结果表明通过调节高频信号幅值或耦合系数大小能产生振动共振或随机共振,并构建了耦合双稳系统原理框图,为随机共振的控制及其利用提供了新的理论方法,数值仿真结果与理论分析结论完全吻合.     

基于双共振的涡街信号检测方法

耦合双稳系统由控制系统和被控系统经非线性方式耦合而成。分析了控制信号作用下耦合双稳系统的双共振特性,提出了基于双共振的随机共振增强方法,并将该方法应用于涡街流量信号的检测。数值仿真和实验结果表明,改变控制信号的频率可在控制系统中产生共振,进而增强被控系统中的随机共振,系统输出功率谱在特征频率处的谱值显著提高,从而准确检测出噪声背景中的微弱涡街信号。     

耦合双稳系统随机共振的轴承故障检测方法

耦合双稳系统由两个双稳系统经非线性方式耦合而成.分析了影响耦合双稳系统随机共振产生的Kramers逃逸率及平均跃迁频率与耦合系数的关系,提出了通过调节耦合系数大小来产生和增强随机共振的方法,并将该方法应用于轴承故障信号检测中.数值仿真和实验结果表明,在系统参数固定时,调节耦合系数能增强系统输出功率谱在特征频率处的谱值,可检测出单一双稳系统随机共振所不能检测出的微弱轴承故障信号频率,该方法在轴承故障信号检测中的应用是有效的.     

球轴承变柔度1/2阶亚谐共振的滞后特性及其分岔机理

滚动轴承变柔度(varying compliance, VC)振动是转子系统不可避免的激励形式,属于轴承-转子动力学领域的基本科学问题。由于Hertzian接触非线性、间隙(轴承游隙)非线性和时变柔度参激非线性的耦合作用,系统具有显著的VC滞后共振特性,影响轴承自身乃至其支承转子系统运动的稳定性和安全性,相关问题得到持续关注。根据非线性振动基本理论,参激系统往往具有丰富的主共振、内共振、超谐、亚谐和组合共振行为。然而,相对于国内外大量有关滚动轴承VC参激主共振的研究,其他共振类型的研究甚少。基于此,该研究将针对球轴承-刚性Jeffcott转子系统VC振动亚谐共振问题展开研究。采用谐波平衡-频时转换(harmonic balance and alternating frequency/time domain, HB-AFT)方法追踪系统的VC周期运动分枝,并结合Floquet理论分析了系统亚谐共振行为的演化机制,发现系统1/2阶亚谐共振同样具有滞后跳跃行为。在此基础上,指出系统1/2阶亚谐运动包含复杂的1∶2和1∶4内共振现象,会引起球轴承不同自由度方向强烈的耦合振动。另外,研究发现在亚...     

基于变尺度多稳随机共振的微弱信号检测研究

针对强噪声背景下微弱信号难以检测的难题,提出基于变尺度多稳随机共振的微弱信号检测方法。多稳随机共振系统比双稳随机共振系统具有更好的微弱信号检测能力,为强噪声背景下微弱信号的检测提供了新方法。首先对大频率信号进行尺度变换使之满足随机共振条件,将频率压缩后的信号通过多稳系统,调整参数使其发生随机共振得到信号的频谱特征,并与双稳随机共振方法得到的特征频率进行比较,仿真和实例结果均表明:相同条件下,多稳随机共振方法比双稳随机共振方法得到的频率准确,可以增强信号的幅值,有效地检测出被噪声淹没的微弱信号。     

基于调制随机共振的微弱信号检测研究

在工程信号处理过程中信号常超出随机共振绝热近似或线性响应理论的小参数要求而成为大参数信号。论文深入探讨非线性双稳系统随机共振发生机理和条件要求,将频率调制技术与随机共振理论相结合,提出用调制随机共振的方法实现随机共振理论在工程信号检测中的应用,进行了数值仿真分析证明其有效性,并将该方法应用于轴承内圈点蚀故障的检测     

指数型随机共振微弱振动信号检测方法

在实际工程故障诊断中特征频率信号经常淹没在噪声中,信息提取非常困难。为了提取强噪声背景中的微弱信号,将简谐势阱与Gaussian Potential模型相结合,提出一种作用在Duffing方程下的新型指数型双稳随机共振系统。首先,推导逃逸率并研究系统参数对输出信噪比影响;其次,基于指数型双稳随机共振系统对冲击衰减信号以及谐波振动信号进行检测;最后为检测大噪声下多频信号提出指数型双稳随机共振和经验模态分解的微弱信号联合检测方法并应用于轴承故障信号检测中。实验分析及仿真结果表明,指数型双稳随机共振模型在信号检测中是可行的,并且对于多频谐波信号通过随机共振后进行经验模态分解可使检测更加准确,联合检测不仅能识别故障信号,还能识别故障倍频信号。     

基于VMD和变尺度多稳随机共振的微弱故障信号特征提取方法

针对强噪声背景下旋转机械早期故障诊断的难题,提出一种基于变分模态分解与变尺度多稳随机共振的微弱故障信号特征提取方法。首先应用参数优化的变分模态分解(variational mode decomposition, VMD)算法对微弱故障信号进行分解, 得到若干本征模态分量(intrinsic mode function, IMF);然后通过峭度准则筛选出其中峭度最大的IMF分量;最后对该IMF分量进行变尺度多稳随机共振, 实现微弱故障信号的增强。实例表明:在强噪声背景下,利用参数优化VMD分解与变尺度多稳随机共振相结合的方法,可以有效提取出微弱信号特征频率,实现旋转机械故障状态的准确判断。     

强噪声背景下滚动轴承微弱故障特征信号的经验模态分解

针对强噪声背景下滚动轴承早期微弱故障信号经验模态分解问题,提出了一种基于级联自适应分段线性随机共振系统降噪的经验模态分解方法。该方法依赖于级联自适应分段线性随机共振系统优良的降噪特性,首先对含噪信号进行降噪处理,然后再进行经验模态分解。通过对轴承故障仿真信号和滚动轴承实验信号的分析,结果表明该方法能有效滤除高频噪声,减少经验模态分解阶数,提高经验模态分解的质量,实现强噪声背景下滚动轴承早期微弱故障特征提取。     

非线性复合FSVM在设备故障诊断中的应用

为了提高设备故障诊断的精度和准确性,利用模糊支持向量机（fuzzy support vector machine,FSVM）,处理设备故障样本中的噪声数据。单个核函数构成的FSVM可以处理单一特征的样本集,但不能满足现有设备故障分析实际应用的需求。本文在现有核函数的基础上,进行复合核函数构建,可以有效解决设备故障样本集异构和分布不规则的特征,并可以对于故障进行有效分析,得到较为诊断准确的研究结果。通过对滚动轴承故障实验数据的分析,证明基于复合核函数的FSVM方法,可以有效提高故障诊断的准确度。该方法相比传统FSVM的分析结果,其故障数据信息利用更加充分,故障诊断准确性有效提高,具有较好的有效性和可行性。     

双稳系统处理微弱冲击信号的研究

双稳系统是研究随机共振的基础。在机械故障诊断中,应用双稳系统的随机共振可以提取淹没在强噪声中的故障信号。首先研究了脉冲信号通过双稳系统的响应,提出了设定迭代初值的脉冲信号检测方法。然后通过分析滚动轴承故障,验证了用双稳系统的随机共振处理含冲击故障信号的实用性。     

Weak Fault Diagnosis of Rolling Bearing Based on Improved Stochastic Resonance

Stochastic resonance can use noise to enhance weak signals, effectively reducing the effect of noise signals on feature extraction. In order to improve the early fault recognition rate of rolling bearings, and to overcome the shortcomings of lack of interaction in the selection of SR (Stochastic Resonance) method parameters and the lack of validation of the extracted features, an adaptive genetic random resonance early fault diagnosis method for rolling bearings was proposed. compared with the existing methods, the AGSR (Adaptive Genetic Stochastic Resonance) method uses genetic algorithms to optimize the system parameters, and further optimizes the parameters while considering the interaction between the parameters. This method can effectively extract the weak fault features of the bearing. In order to verify the effect of feature extraction, the feature signal extracted by AGSR method was input into the Fully connected neural network for fault diagnosis. the practicality of the algorithm is verified by simulation data and rolling bearing experimental data. the results show that the proposed method can effectively detect the early weak features of rolling bearings, and the fault diagnosis effect is better than the existing methods.     

自动化包装生产线电机无传感器驱动故障诊断

目的 为了解决自动化包装生产线针对电机驱动故障诊断复杂化和精度低的问题,提高复杂生产环境下电机运行的稳定和人员的安全,提出一种基于XGBoost特征重构和神经网络预测电机驱动故障的精准预测方法.方法 首先通过XGBoost算法运用一部分训练数据构建特征树,随后将剩余训练数据输入XGBoost算法得到重构的特征,然后再运用One-hot编码,将重构特征映射到欧式空间,进一步放大特征的差异,最后输入经过参数调整的神经网络模型中完成故障预测.结果 相较于未经XGBoost特征构建的神经网络模型,文中提出的结构在数据测试集随机分割的验证集和测试集上均取得了接近100％的分类精度,验证了模型的有效性和稳定性.结论 较好地实现了针对自动化包装生产线电机驱动故障的无传感器高精度诊断,有利于提高复杂生产环境下的电机稳定性和人员安全性.     

基于多尺度均值排列熵和参数优化支持向量机的轴承故障诊断

针对滚动轴承故障诊断中特征提取困难和模式识别准确率低等问题,提出了一种基于多尺度均值排列熵(MMPE)和灰狼优化支持向量机(GWO-SVM)结合的故障诊断方法。利用MMPE全面表征滚动轴承故障特征信息,选取适当维数特征构成样本数据集,采用GWO-SVM分类器进行故障模式识别。对所提基于MMPE和GWO-SVM故障诊断方法进行理论分析和研究,并利用滚动轴承试验数据进行相应对比试验分析,结果表明:MMPE能够有效提取滚动轴承故障特征信息;GWO-SVM识别准确率和识别速度优于滚动轴承故障诊断其它常用参数优化支持向量机;所提方法能够有效识别滚动轴承故障位置和故障程度,在滚动轴承数据集上取得了98.0%的故障识别准确率,高于基于MPE和GWO-SVM方法的97.0%准确率,并且在噪声背景下取得了93.5%的识别准确率,优于后者83.0%准确率,证明了所提MMPE具有更好的噪声鲁棒性。     

基于EMD-DCS的滚动轴承伪故障特征识别方法

伪故障特征是健康零部件振动信号中具有的故障特征,伪故障特征是由系统内故障零部件引起的。由于滚动轴承伪故障特征与故障特征具有相似性,针对转子-轴承系统中滚动轴承伪故障特征识别问题,提出一种基于经验模式分解(Empirical Mode Decomposition,EMD)和循环平稳度(Degree of Cyclostationarity,DCS)的伪故障特征识别方法。利用滚动轴承健康信号和伪故障信号对比分析基于单通道伪故障信号进行滚动轴承故障诊断的技术难点;建立了考虑滚动轴承打滑率的转子-轴承系统动力学模型;利用时频分析方法和循环平稳分析方法对滚动轴承伪故障特征进行分析;给出了基于EMD-DCS的滚动轴承伪故障特征识别流程;在滚动轴承故障模拟实验台上开展了滚动轴承伪故障特征识别实验。实验结果表明:基于EMD-DCS的滚动轴承伪故障信号识别方法可以有效区分滚动轴承故障特征与伪故障特征。该研究工作对于提高滚动轴承故障诊断准确率、保障设备安全运行具有理论意义和实际应用价值。     

基于谱相关密度组合切片能量的滚动轴承故障诊断研究

包络解调分析方法是滚动轴承等旋转机械故障诊断的常用方法。当轴承滚动体发生故障时,由于其同时与轴承外、内圈接触,以及受保持架转速的影响,包络解调分析方法通常不能很好提取出滚动体故障通过频率。据滚动轴承发生故障时呈现出的二阶循环平稳特征,提出了基于二阶循环统计量的谱相关密度组合切片能量的滚动轴承故障诊断方法。此方法在一定程度上解决了包络解调分析方法在滚动体故障诊断方面的缺陷,对轴承滚动体的故障诊断具有一定的借鉴意义。     

基于形态分量分析的滚动轴承故障诊断方法

在改进形态分量分析阈值去噪方法的基础上,提出了基于形态分量分析的滚动轴承故障诊断方法。形态分量分析根据信号中各组成成分的形态差异,构建不同的稀疏表示字典对各组成成分进行分离。当轴承出现局部损伤时,其振动信号往往由以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。谐振分量表现为信号中的平滑部分,而冲击分量则表现为信号中的细节部分,因此,可根据谐振分量与冲击分量的形态差异,实现二者的分离。本文方法利用形态分量分析对滚动轴承故障信号中的谐振分量、冲击分量和噪声分量进行分离,然后根据冲击分量中冲击之间的时间间隔诊断滚动轴承故障。算法仿真和应用实例表明,本文方法能有效地提取滚动轴承故障振动信号中的故障冲击成分。     

基于BiLSTM的滚动轴承故障诊断研究

针对滚动轴承的故障诊断,设计并实现了一种基于双向长短期记忆网络(BiLSTM)的诊断模型。将原始振动信号直接作为模型输入,自动提取滚动轴承故障特征,可以对内圈、滚动体、外圈不同故障类型及不同损伤程度的滚动轴承进行故障识别。该模型通过BiLSTM神经网络自动提取轴承振动信号的深层信息,弥补了传统故障诊断方法需要人工提取特征的不足,实现端到端的滚动轴承故障智能诊断。滚动轴承实测振动信号实验结果表明故障识别准确率可以达到99.8%以上,该方法具有一定的应用价值。