相关熵和双谱分析齿轮故障诊断研究

相关熵为高斯、非高斯噪声处理的一种有效方法,针对强高斯噪声和非高斯噪声干扰下齿轮故障诊断问题,提出了一种基于相关熵和双谱的齿轮故障诊断方法。该方法综合利用高斯核函数和不完全 Cholesky 分解算法计算信号的相关熵,然后再计算相关熵的双谱,根据相关熵的双谱特征识别齿轮故障。通过不完全 Cholesky 分解算法计算信号的相关熵,不仅大大压缩了数据量,突出了齿轮故障特征,而且提高了计算效率。通过仿真和齿轮磨损故障振动信号分析结果表明：强背景噪声会造成传统双谱故障诊断方法失效,而基于相关熵和双谱分析的齿轮故障诊断方法,能在强噪声干扰背景中提取齿轮的故障特征准确识别齿轮故障,其性能优于传统双谱和小波变换域双谱,为一种有效的齿轮故障诊断方法。     

基于不完全Cholesky分解相关熵双谱的轴承故障诊断

针对传统双谱难以有效处理强噪声干扰以及相关熵运算量大的问题,提出了一种基于不完全Cholesky分解相关熵和双谱分析的轴承故障诊断方法。该方法在不求出核矩阵的情况下,首先利用不完全Cholesky分解算法和核函数,计算核矩阵的低秩分解下三角矩阵;其次,利用Gini指数选取下三角矩阵的主分量,利用下三角矩阵的主分量计算核矩阵的低秩近似矩阵,进而计算信号的相关熵;最后,计算振动信号相关熵的双谱,根据相关熵的双谱特征识别轴承故障。通过不完全Cholesky分解算法和Gini指数计算信号的相关熵,不仅压缩了数据量,突出了轴承故障瞬态冲击特征,有效抑制了噪声的影响,而且提高了计算效率,减少了计算机内存占用量。通过仿真和试验轴承故障振动信号分析结果表明：强背景噪声会造成传统双谱故障诊断方法失效,而基于相关熵和双谱分析的轴承故障诊断方法,能在强噪声干扰背景中提取轴承故障瞬态冲击特征,准确识别轴承故障,其性能优于传统双谱和小波变换域双谱,为一种轴承故障诊断的有效方法。     

双树复小波域隐Markov树模型降噪及在机械故障诊断中的应用

提出一种基于双树复小波变换的隐Markov树模型的信号降噪方法,并将其成功应用于机械故障诊断中。机械设备的振动信号中不可避免的存在着噪声,使得微弱故障信息的提取一直是故障诊断的难点和热点。双树复小波变换具有近似平移不变性,而隐Markov树模型能有效刻画小波系数间的相关性和非高斯性,两种优势的结合可以获得比常规软、硬阈值小波降噪法和小波域隐Markov树模型降噪法更好的降噪效果。它不仅能有效抑制高斯白噪声,还能够去除异常冲击干扰,仿真信号验证了这一点。对于实际滚动轴承信号,使用该方法同样可以获得满意的结果     

基于提升模式非抽样小波变换的滚动轴承故障诊断方法研究

首先分析了传统离散小波变换在分解信号时的缺陷，根据非抽样小波变换的原理，提出一种基于提升模式的非抽样小波变换方法。然后根据滚动轴承故障特征，提出了基于提升模式非抽样小波变换的滚动轴承故障诊断方法，在ADBE-56-N4型交流电机上实测了6305型滚动轴承正常情况、外圈故障、内圈故障时的振动信号，结果表明，与传统离散小波相比，该方法能更加有效地诊断滚动轴承的故障     

基于小波系数11／2维谱的滚动轴承故障诊断

提出了基于小波系数11／2维谱的滚动轴承故障诊断的新方法。小波分析能有效地提取滚动轴承故障引起的突变振动信号,11／2维谱保留了滚动轴承故障振动信号的相位信息且能够有效地抑制噪声。利用正交小波基将滚动轴承故障振动信号变换到时间－尺度域,对高频段尺度域的小波系数进行11／2维谱分析,不仅能检测到滚动轴承的存在,而且能有效地识别滚动轴承的故障模式。     

基于小波-BP神经网络的发动机轴承故障诊断

本文针对发动机滚动轴承故障振动信号的非平稳特征,提出了一种基于小波包变换与神经网络的滚动轴承故障诊断方法。由于滚动轴承发生故障时,加速度振动信号各频带的能量会发生变化,以振动信号小波分解后的能量信息作为特征,以神经网络作为分类器对滚动轴承故障进行识别、诊断。通过对滚动轴承的正常状态、滚珠故障、内圈故障和外圈故障信号的分析,表明以小波包分解为预处理器的神经网络故障诊断方法可以准确、有效地识别滚动轴承的工作状态和故障类型。     

双树复小波和双谱在轴承故障诊断中的应用

针对非线性、非平稳且包含强烈的噪声的轴承故障振动信号难以有效提取故障特征信息进行故障识别的问题,提出基于双树复小波变换和双谱的故障诊断方法。首先利用双树复小波变换将故障轴承振动信号分解为若干个不同频带的分量,选择出包含故障特征的分量;然后对该分量进行希尔伯特包络解调;最后对包络信号求其双谱图,从而有效地提取出故障信号的特征频率,准确地进行故障识别。滚动轴承故障实验和工程应用表明,该方法能有效地提取故障轴承的故障特征频率,并且几乎可以完全抑制噪声,验证了方法的可行性和有效性。     

离散余弦变换在滚动轴承故障诊断中的应用

本文探讨了应用离散余弦变换分析滚动轴承故障的方法,采用小波基将滚动轴承振动信号变换到时间－尺度域,对高频段的小波系数用离散余弦变换进行包络分析。通过对滚动轴承具有外圈缺陷、内圈缺陷的情况下振动信号的分析,说明这种方法可以有效的用于效地用于滚动轴承的故障诊断。     

时间-小波能量谱在滚动轴承故障诊断中的应用

为滚动轴承故障诊断提供了一种新途径，针对滚动轴承故障振动信号的特点，构造脉冲响应小波，采用连续小波变换的方法来提取滚动轴承故障振动信号的特征，在此基础上提出了一种滚动轴承故障诊断方法：时间-小波能量谱自相关分析法。通过对滚动轴承具有外圈缺陷、内圈缺陷的情况下振动信号的分析，说明时间-小波能量谱自相关分析法不仅能检测到滚动轴承故障的存在，而且能有效地识别滚动轴承的故障模式。     

基于小波降噪神经网络的旋转机械故障诊断

实测信号往往受到多种因素的干扰,如高频噪声.提出了一种小波降噪神经网络的故障诊断方法,利用小波的多重分辨率分析,有效降低高频噪声干扰,从而简化了有效特征信号的提取.建立了基于小波变换和BP神经网络的混合诊断模型,成功地对故障进行了智能诊断.最后实验验证了此种方法的有效性.     

滚动轴承振动信号的小波奇异性故障检测研究

该文以滚动轴承振动信号为分析对象 ,基于小波奇异性分析原理进行滚动轴承故障检测新方法的研究。通过求解待测信号的小波变换极大模来检测和识别信号中奇异点位置和奇异性大小 ,以及对噪声极大模的抑制处理 ,达到抑制或消除噪声的目的 ;最后 ,在剩余小波极大模的基础上进行信号重构 ,展现原待测信号中的故障信号模式。通过对铁路货车车轮用滚柱轴承振动信号的分析表明 ,此方法在大幅度地提高信噪比的同时 ,对由轴承损伤冲击造成的信号突变仍保持了较高的灵敏度和分辨率。为滚动轴承故障检测打下了良好的基础。     

噪声协助的EMD-1.5维谱信号抗混分解与特征提取

针对大型动力装备核心部件微弱故障特征信息提取问题，提出了一种噪声协助的EMD-1.5维谱故障诊断方法。经验模式分解(EMD)方法中，信号极值点间隔特性影响模式混淆现象的出现，针对此状况提出信号极值点间隔特性评价方法，分析高斯白噪声有助于信号抗混分解原理，通过对原始信号加入高斯白噪声得到噪声协助的EMD方法，提高信号抗混分解能力。将1.5维谱与噪声协助的EMD方法结合，得到一种新的故障特征提取方法，该方法具有对信号进行有效抗混分解、提取非线性耦合等特性，并以此来提取故障的微弱特征信息。通过仿真研究与电力机车滚动轴承的故障诊断工程实例，验证了该方法的有效性。     

基于小波包变换的滚动轴承故障诊断方法的研究

目前基于小波分析的滚动轴承故障诊断方法的研究已经很多，但是这些方法对于强噪声背景下的故障信号特征提取效果并不理想。为此，提出了适用于强噪声背景的自相关及互相关小波包消噪滚动轴承故障诊断方法。该方法首次将相关分析和小波包分解结合：对被测信号进行自相关或互相关处理，之后进行小波包阈值消噪处理，对消噪最大能量系数进行自相关或互相关处理，最后对能量序列进行FFT计算。仿真结果表明，该方法极大地增强了对滚动轴承故障诊断的能力，在强噪声背景下有效地提取出滚动轴承的故障频率。     

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。该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,该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。     

声信号的主分量分析应用于滚动轴承故障诊断

利用声信号来进行故障诊断具有"采集比较容易,非接触式测取,设备简单,速度快,无须事先粘贴传感器,不影响设备正常工作,易于实现早期预报和在线监测,疳可在不易测量振动信号的场合得到广泛应用"等优点.由于外界噪声的影响,有效信息的提取较为困难.采用主分量分析对传声器测取的声信号进行了预处理;在此基础上应用基于Morlet小波变换的包络分析和频谱分析来提取故障特征向量,并以滚动轴承为例进行实验.结果表明,这是诊断滚动轴承早期故障的一种可选方法.     

S变换时频谱SVD降噪的冲击特征提取方法

为了从滚动轴承故障振动信号中提取出冲击特征,以进行轴承故障诊断,提出基于S变换时频谱奇异值分解(SVD)的信号降噪方法。S变换是一种信号时频表示方法,适合于处理与分析非平稳的冲击特征信号。在SVD降噪过程中,数据矩阵由信号的S变换谱系数构成;奇异值序列的置零阈值位置坐标可由奇异值差分谱最前面部分峰值群的最后一个峰值点序号来确定。最后对降噪的数据矩阵进行S逆变换,获得信号的时域冲击特征。仿真研究表明,基于S变换时频谱的SVD降噪方法可以成功地从低信噪比信号中提取出周期性的冲击特征。将本方法用于处理与分析滚动轴承故障振动信号,根据所提取出的冲击特征出现频率,能够方便有效地实现轴承相关故障的诊断。     

基于可视图图谱幅值熵的滚动轴承故障诊断方法

为了准确有效地提取滚动轴承振动信号的非平稳、非线性故障特征,将复杂网络与图信号处理技术(graph signal processing,GSP)引入机械故障诊断领域,提出了基于可视图图谱幅值熵(graph spectrum amplitude entropy of visibility graph,GSAE VG)的滚动轴承故障诊断方法。该方法先将滚动轴承振动信号转换为可视图,获得可视图信号;再通过图傅里叶变换(graph Fourier transform,GFT)将可视图信号从顶点域变换到图谱域,并将计算得到的图谱幅值熵(graph spectrum amplitude entropy,GSAE)作为故障特征参数;利用马氏距离(Mahalanobis distance,MD)判别函数作为分类器对不同类型故障进行模式识别。实际滚动轴承振动信号的分析结果表明,基于可视图图谱幅值熵的故障诊断方法能对滚动轴承故障进行准确有效地识别。     

基于形态自相关和时频切片分析的轴承故障诊断方法

频率切片小波变换(Frequency Slice Wavelet Transform,FSWT)是一种新的时频分析方法,信号中的噪声会降低FSWT分析的频率分辨率。为了提高分析精度,提出了基于形态滤波和时延自相关的时频切片分析方法,并成功应用到轴承故障诊断中。该方法首先采用多结构元素差值形态滤波和时延自相关方法对信号进行降噪,采用FSWT分解降噪后的轴承振动信号,然后根据轴承故障特征频率选择时间频率切片区间,进行细化分析来提取故障特征。仿真信号与轴承故障振动信号的分析验证了该方法的有效性。     

应用改进的LMD和小波降噪于滚动轴承故障诊断

局域均值分解(Local Mean Decomposition, LMD)是近年出现的一种新的时频分析方法,在故障诊断领域的应用日益广泛。本文提出一种改进的局域均值分解和小波降噪结合的降噪方法,并与小波变换的信号降噪方法、基于集合经验模态分解（Ensemble empirical mode decomposition, EEMD）和小波的信号降噪方法进行对比,利用信噪比和均方根误差比较降噪效果。再通过滚动轴承内外圈故障信号的频谱分析实例,证明该方法很好地去除混杂在故障信号中的噪声,准确地判断出滚动轴承发生故障的类型及部位。     

基于增强型形态学滤波的风电机组轴承故障诊断方法

风电机组滚动轴承振动信号微弱故障特征易被背景噪声和其他频率干扰,提取难度较大。针对此类问题,提出一种增强型的形态学滤波及故障诊断方法。算法构造了一种新的形态学综合顶帽变换(morphological comprehensive filter-hat transform,MCFHT),将其用于强背景噪声下目标信号的故障脉冲提取,并通过非线性滤波器幅频响应考察其滤波性质,为振动检测中故障脉冲的提取提供理论依据;针对MCFHT变换滤波尺度选择问题,通过分析原振动信号自身振动特性,给出了一种自适应的尺度计算策略,有效提高了滤波处理的效率和性能;提出一种改进的包络导数能量算子用于增强形态学滤波后信号中故障冲击特征,并滤除带内噪声频率。仿真信号与风电机组轴承实际故障信号实验结果表明,该方法能有效提取随机噪声和谐波干扰下的故障特征信息,滤波效果强于传统方法,具有较好的工程应用价值。