基于经验模式分解和排列熵的轴承故障特征提取

针对滚动轴承故障声信号故障诊断中共振解调滤波参数较难确定以及故障诊断困难的问题,提出一种基于经验模式分解和排列熵的改进滚动轴承故障诊断解调方法。该方法首先对滚动轴承声信号进行经验模式分解,将其分解为多个本征模态分量;然后计算各本征模态分量的排列熵值和相关系数,根据联合系数最大化原则对筛选出的分量进行信号重构;最后,利用快速谱峭度对重构信号进行滤波分析,将峭度值最大的频段进行平方包络提取特征频率。将该方法用于滚动轴承故障声信号的实际数据进行分析,结果表明该方法能够有效提取滚动轴承故障特征,并且相较于传统的包络解调具有更好的效果。     

基于EMD与谱峭度的滚动轴承故障检测改进包络谱分析

针对滚动轴承故障振动信号的调制特征和传统包络分析法的缺陷,提出一种基于经验模式分解(Empirical Mode Decomposition,简称EMD)和谱峭度(Spectrum Kurtosis,简称SK)的改进包络谱滚动轴承故障诊断方法。该方法首先对滚动轴承故障振动信号进行经验模式分解,将其分解为多个固有模式函数(Intrinsic Mode Function,简称IMF)之和,然后对各IMF分量傅里叶变换后取其绝对值,并计算其谱绝对值平方包络,在此基础上再计算不同频带IMF分量谱平方包络的峭度,最后利用谱峭度的滤波器作用,选取由轴承缺陷所引起的共振频率所在频带的IMF分量,自动构建最佳包络来进行故障诊断。将该方法应用到滚动轴承内圈缺陷的仿真故障数据和实际数据中,分析结果表明了该方法的有效性。     

基于改进变分模态分解和快速谱峭度图的滚动轴承检测方法

针对滚动轴承早期故障信号微弱、复杂且提取困难的问题,提出一种基于改进变分模态分解(Variational Mode Decomposition,简称VMD)和快速谱峭度图的滚动轴承检测方法。首先利用粒子群算法对VMD最佳影响参数组合进行搜索,采用多尺度模糊熵(Multiscal Enproty,简称MSE)作为适应度函数,并利用优化参数的VMD对原始信号进行分解,得到多个本征模态分量(Intrinsic Mode Function,简称IMF);其次计算原始信号和各模态分量的快速峭度图;再次找出原始信号和各个IMF谱峭度最大值所处的频带区间;然后通过比较原始信号和IMF谱峭度最大值所处频带区间的从属关系来选择最佳IMF;最后,重组最佳IMF并通过共振解调技术求其包络谱图。实验结果表明基于改进变分模态分解和快速谱峭度图的滚动轴承检测方法能更有效诊断出滚动轴承的早期故障。     

变转速下基于广义解调算法的滚动轴承故障诊断

变转速条件下故障轴承的冲击间隔会相应的发生改变,导致以包络分析为代表以恒转速为前提的故障诊断方法失效。阶比分析因其在消除频谱模糊方面的有效性,成为处理变转速故障轴承信号最为常规的方法。然而,上述方法在对信号重采样的过程中存在幅值误差、包络畸变以及计算效率低等问题。为此,从滚动轴承的振动特性出发,提出了无需角域重采样的基于广义解调算法的滚动轴承故障诊断方法。整个算法主要包括五部分:(1)利用快速谱峭度算法确定最优带通滤波参数,并对原始振动信号进行滤波;(2)根据转速脉冲信号计算并拟合转速曲线;(3)通过转频方程以及滚动轴承的故障特征系数确定广义解调算法所需要的相位函数;(4)根据相位函数对滤波信号进行广义解调,对解调信号进行快速傅里叶变换(Fast Fourier Transform,FFT)获取解调信号的频谱图;(5)观察频谱图中的峰值,更改故障特征系数重复步骤(3)-(4),最终确定轴承故障类型。仿真及实测的故障轴承信号分析证明了新算法对变转速下滚动轴承故障诊断的有效性。     

基于分数阶滤波的全息阶比解调谱及齿轮早期故障诊断

为提高变速器齿轮早期故障诊断的准确性和可靠性,提出了一种基于分数阶傅里叶变换(fractional Fourier transform, FRFT)滤波的全息阶比解调谱方法。对变速器变转速过程的水平与垂直测点振动包络信号进行分数阶滤波,分离出调制频率分量,再对分离后信号进行全息阶比谱分析,得到调制分量的全息阶比解调谱,并对齿轮早期点蚀故障进行故障诊断。试验结果表明,基于分数阶滤波的全息阶比解调谱,兼具分数阶滤波分离频率变化分量的特点与全息阶比谱融合多维特征的优势,既能有效分离变转速过程的调制分量,隔离其他分量和噪声干扰,又能有效融合两个方向的关键特征信息,有效诊断出单测点单特征方法难以识别的齿轮早期故障。     

基于包络谱带通峭度的改进谱峭度方法及在轴承诊断中的应用

快速谱峭度法(Kurtogram)是解决用于滚动轴承故障诊断的共振解调方法中带通滤波器中心频率和带宽参数确定问题的有效方法; Kurtogram以滤波后时域信号的峭度值作为滤波效果度量指标,然而该指标易受非高斯噪声和偶然性非周期冲击影响,可能导致滤波频带选择错误。考虑到偶然性冲击和非高斯噪声的包络谱与周期性冲击包络谱之间的特性差别,同时为了排除齿轮局部故障和转子碰摩等故障造成的冲击影响,提出按一定规则截取滤波后信号包络谱的中间段,并以该段数据的峭度值衡量周期性冲击响应的强弱,称为包络谱带通峭度;以包络谱带通峭度代替Kurtogram中滤波后时域信号的峭度值,得到一种改进的快速谱峭度方法。以仿真信号和实验室实测信号分析验证了该方法的有效性和优越性。     

一种改进的峭度图方法及其在复杂干扰下轴承故障诊断中的应用

快速峭度图是一种常用的滚动轴承故障诊断方法,但由于峭度指标对冲击过于敏感,在干扰较复杂的工况中,该方法往往无法正确识别出最优的共振频带进行包络解调。然而,解调信号的包络谱对噪声具有一定的免疫能力,而且包络谱中通常会清晰的出现故障特征频率及其倍频成分,呈现出典型的周期性脉冲特点。因此,提出应用相关峭度定量地刻画窄带信号的包络谱幅值,即以频域相关峭度值生成峭度图,用于最优频带的自适应地识别。同时,基于相关峭度的指向性,可以将该方法应用于轴承的复合故障诊断。最后通过实验分析,验证了该方法对轴承微弱故障和复合故障诊断的有效性。     

基于VMD和谱峭度的滚动轴承早期故障诊断方法

针对滚动轴承故障信号为多分量非平稳振动信号、故障早期特征微弱诊断困难的问题,该文提出变分模态分解(VMD)结合谱峭度的滚动轴承早期故障诊断方法。首先对振动信号进行VMD分解得到若干分量信号,选择峭度最大分量作为最优分量,然后对最优分量进行快速谱峭度计算并进行带通滤波、凸显故障冲击成分,通过分析滤波信号包络谱中故障频率成分实现故障诊断。实验数据分析结果表明该方法能有效诊断轴承早期故障,有一定的工程应用价值。     

基于双树复小波包峭度图的轴承故障诊断研究

针对传统包络谱和峭度图分析技术的缺陷,提出了一种基于双树复小波包峭度图的轴承故障诊断方法。该方法综合利用了双树复小波包变换和峭度图分析技术,克服了原峭度图方法只采用FIR和短时傅立叶变换滤波器的缺点,提高了从强噪声环境中提取瞬态冲击特征的能力。首先利用双树复小波包变换,将振动信号分解成不同频带的分量,然后计算各小波分量的谱峭度,再利用谱峭度的滤波器作用,计算最大峭度值对应分量信号的包络谱,根据包络谱就可识别齿轮箱轴承的故障部位和类型。齿轮箱轴承故障振动实验信号的研究结果表明：该方法不仅提高了信噪比和频带选择的正确性,而且能有效地识别轴承的故障。     

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。