谱相关密度分析在轴承点蚀故障诊断中的研究

利用谱相关密度提取轴承故障特征时需要在循环频率域和频率域上同时兼顾高分析带宽和高分辨率,从而使得该方法的计算量庞大,难以达到较高的分析精度.鉴于此,首次在循环平稳分析中引入解析的思想,利用解析形式的谱相关密度在循环频率域不存在高频特征的特点,提出运用时域选抽技术,在保证分辨率的同时降低分析带宽,减少计算量,从而得到更好的分析效果.本文以一般调幅信号解析形式的谱相关密度分析为基础,对滚动轴承点蚀故障模型进行了分析,推导了其谱相关密度分析的理论结果,给出具体的算法实现.仿真调幅模型和实际轴承故障信号,证实了理论分析的正确性和算法的可行性,同时也验证了谱相关密度分析对调幅特征的提取能力.     

基于循环谱分析的鲁棒性滚动轴承故障特征提取方法EI北大核心CSCD

循环平稳分析是滚动轴承故障特征提取的重要方法之一,但在用于滚动轴承故障特征提取时,存在因干扰成分较强而不能有效提取轴承故障特征的问题。为能在干扰环境中有效提取滚动轴承故障信息,基于循环谱分析提出一种鲁棒性滚动轴承故障特征提取方法。首先通过离散随机分离(discrete random separation,DRS)分析分离信号中的周期分量,提取其随机分量;随后用Teager能量算子(Teager energy operator,TEO)提取随机分量的振动能量序列;再对该序列进行快速谱相关(fast spectral correlation,Fast-SC)分析,采用基于能量熵的能量差异系数评价各循环频率(阶次)切片的能量强度;最终经熵加权降低无关干扰成分影响以有效提取故障特征。通过传统的快速谱峭度、快速谱相关和基于总变差去噪的快速谱相关分析方法与该方法对美国智能维护系统中心的滚动轴承振动数据以及实测齿轮箱复合故障试验信号进行对比分析,验证了该方法在滚动轴承故障诊断应用中的优势。     

基于自适应CYCBD和互相关谱的滚动轴承复合故障诊断方法

强背景噪声环境下,复合故障信号中的多特征提取与分离是实现滚动轴承复合故障诊断的重点与难点。提出了基于自适应最大二阶循环平稳盲卷积(CYCBD)和互相关谱的滚动轴承复合故障特征提取方法。首先,基于故障信号特点,通过设置CYCBD中不同的循环频率,提取不同频率的故障冲击成分,并以最大谐波显著性指数(HSI)为依据,自适应选取CYCBD的最优滤波器长度;然后,利用互相关分析进一步抑制信号中的噪声,提高信噪比;最终通过快速傅里叶变换(FFT)实现滚动轴承故障特征的提取。仿真和实测信号的分析结果表明,该方法能够去除背景噪声的干扰、提取滚动轴承复合故障特征,验证了方法的有效性。     

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。     

基于集成阶频谱相关的滚动轴承故障特征提取

变转速工况下,传统的循环平稳方法不能有效提取滚动轴承故障特征,提出基于集成阶频谱相关的滚动轴承故障特征提取方法。通过研究角度/时间循环平稳理论,指出阶频谱相关可以有效提取变转速下滚动轴承故障特征,应用循环调制谱实现离散信号的阶频谱相关估计,在此基础上计算信号的集成阶频谱相关,提取轴承故障特征阶次。对仿真和实验数据分析表明:集成阶频谱相关不仅可以有效提取变转速工况下滚动轴承故障特征,且较之阶频谱相关,具有更加清晰直观的表达效果。     

滚动轴承故障的EMD诊断方法研究

提出了一种基于经验模式分解（Empirical Mode Decomposition，EMD）的滚动轴承故障诊断方法。这种方法中，局部损伤滚动轴承产生的高频调幅信号成分被EMD分解作为本征模函数分离出来，然后用Hilbert变换得到其包络信号，计算包络谱，就能够提取滚动轴承故障特征频率。该方法被用于分析实验台上采集的具有内圈损伤及外圈损伤的滚动轴承振动信号。分析结果表明，与传统的包络解调方法相比，新方法能够更有效地提取轴承故障特征，诊断轴承故障，因而具有重要的实用价值。     

基于MED及FSK的滚动轴承微弱故障特征提取

针对强噪声情况滚动轴承故障特征较微弱、其故障特征较难提取问题,提出将最小熵反褶积(Minimum Entropy Deconvolution,MED)与快速谱峭度算法(Fast Spectral Kurtosis,FSK)结合用于滚动轴承微弱故障提取。用MED对强噪声滚动轴承振动信号降噪,对降噪后信号进行快速谱峭度计算,确定故障信号共振解调带通滤波器参数,结合能量算子解调包络谱提取故障特征。通过仿真与实验数据验证该方法的有效性。     

基于总变差去噪和快速谱相关的滚动轴承故障诊断

特征提取在滚动轴承故障诊断中起着至关重要的作用,然而实测的振动信号本质上是复杂的、非平稳的,同时故障轴承的脉冲特征常常淹没于噪声中。为了有效提取强噪声背景下的滚动轴承故障信息,提出一种基于总变差去噪(Total Variation Denoising,TVD)和快速谱相关(Fast Spectral Correlation,Fast-SC)相结合即TVD-Fast SC故障特征提取方法;首先,利用总变差去噪方法对振动信号进行消噪,提高信号的信噪比(SNR);然后,对去噪后的信号进行快速谱相关分析,准确地识别出轴承的故障特征频率。仿真和实验结果表明,该方法可以有效地提取出滚动轴承的微弱故障特征信息,分析效果优于直接快速谱相关方法和小波阈值去噪与快速谱相关结合的方法,为滚动轴承微弱故障特征提取提供一种有效的方法。     

基于Hilbert边际谱的滚动轴承故障诊断方法

Hilbert-Huang变换是一种新的自适应信号处理方法，它适合于处理非线性和非平稳过程。通过对信号进行Hilbert-Huang变换，可以得到信号的。Hilbert边际谱，它能精确地反映信号幅值随频率的变化规律。针对滚动轴承故障振动信号的非平稳特征，提出了一种基于Hilbert边际谱的滚动轴承故障诊断方法。该方法在Hilbert边际谱的基础上定义了特征能量函数，并以此作为滚动轴承的故障特征向量，建立M-距离判别函数来识别滚动轴承的故障类型。对滚动轴承的内圈、外圈故障信号的分析结果表明本方法可以有效地提取滚动轴承故障特征。     

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。     

形态学滤波方法改进及其在滚动轴承故障特征提取中的应用

滚动轴承是旋转机械设备的重要部件,对滚动轴承的故障诊断研究具有重要的意义。滚动轴承故障会导致振动信号中出现冲击响应成分,可通过对冲击响应成分的周期的检测与提取,进行局部故障诊断。在分析形态学滤波方法的基础上,提出机构结构元素(SE)选择方法,并用于振动信号中冲击响应特征的提取。通过对仿真信号的处理验证了该方法的有效性,并将该方法用于轴承外圈、内圈局部故障状态下的特征的检测,结果表明该方法能有效提取周期性脉冲成分并抑制噪声。     

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。     

基于流形学习和改进VPMCD的滚动轴承故障诊断方法*

提出一种基于拉普拉斯特征映射流形学习算法(Laplacian Eigenmaps,简称LE)和改进多变量预测模型(Variable predictive model based class discriminate,简称VPMCD)的滚动轴承故障诊断方法,首先对振动信号进行局部特征尺度分解(Local characteristic scale decomposition,简称LCD),并提取各内禀尺度分量(Intrinsic scale component,简称ISC)的特征构造高维特征向量,接着采用LE算法挖掘出高维数据中包含有效信息且具有内在规律性的低维特征,然后输入到基于Kriging的改进多变量预测模型(Kriging-variable predictive model based class discriminate,简称KVPMCD)分类器中进行模式识别。该方法充分利用并有效结合了LCD在信号处理、LE在挖掘特征信息和KVPMCD在模式识别方面的优势,实现了滚动轴承故障特征提取到故障识别的全程诊断。实验分析结果表明:基于LE算法和KVPMCD的分类方法可以有效地对滚动轴承的工作状态和故障类型进行识别。     

基于EEMD和改进的形态滤波方法的轴承故障诊断研究

轴承故障会导致振动信号中出现冲击响应成分,可通过对冲击响应成分的周期的检测与提取, 进行局部故障诊断。但在复杂工况下,故障脉冲易被周围噪声淹没,在分析EEMD和形态学滤波方法的基础上,将EEMD方法与形态学滤波方法相结合,提出结构元素(SE)选择方法,并用于本征模态信号中冲击响应特征的提取。通过将该方法用于轴承外圈、内圈局部故障状态下的特征的检测,结果表明该方法能有效提取周期性脉冲成分并抑制噪声。     

基于噪声辅助信号特征增强的滚动轴承早期故障诊断

针对滚动轴承振动信号特征提取在滤除干扰噪声的同时会将部分有用信号滤除,造成特征信号丢失的问题,提出了一种基于噪声辅助信号特征增强的滚动轴承早期故障诊断方法。采用广义多尺度排列熵筛选准则筛选振动信号,并通过粒子群优化算法优化Duffing振子系统参数,实现Duffing振子系统、输入信号与噪声间的最优匹配,从而提高随机共振效果,将部分背景噪声能量转移到滚动轴承早期微弱故障信号特征上,实现了早期微弱故障信号特征的增强。将所提方法应用于滚动轴承全寿命状态早期故障诊断,并与基于VMD的自适应形态学方法相比较,结果表明了该方法的有效性和可行性。     

基于VMD-ICMSE和半监督判别SOINN L-Isomap的滚动轴承故障诊断

针对从滚动轴承非线性、非平稳振动信号中提取故障特征困难的问题,提出一种基于半监督判别自组织增量学习神经网络界标点的等度规映射(SSDSL-Isomap)的滚动轴承故障诊断方法。利用基于变分模态分解的改进复合多尺度样本熵(VMD-ICMSE)从复杂域提取振动信号的故障特征,构建高维故障特征集;采用SSDSL-Isomap方法对高维故障特征集进行维数约简,提取出利于识别的低维、敏感故障特征子集;应用粒子群优化极限学习机(PSO-ELM)分类器对低维故障特征进行故障识别,判别故障类型。VMD-ICMSE方法集成了VMD自适应分解非线性信号与ICMSE衡量时间序列复杂性程度的优势,提高故障特征提取能力;SSDSL-Isomap方法综合了全局流形结构、半监督型双约束图构建以及SOINN界标点选取的优点,增强故障分类能力。调心球轴承故障诊断实验分析结果表明,该方法对实验数据的故障识别率达到100%。     

基于机匣振动信号的滚动轴承故障特征提取

通过进行带机匣测点的滚动轴承故障模拟实验,获取滚动轴承在故障状态条件下,轴承座测点和机匣测点的振动数据。分析结果显示,相对于轴承座,机匣上的振动信号成分复杂,轴承故障特征不明显,直接进行包络解调无法提取故障特征。通过奇异值分解(singular value decomposition,SVD),差分谱中各峰值处奇异值可以表征不同成分的信号。当轴承故障信号微弱时,第一个峰值处的奇异值重构信号往往代表转频及其调制信号分量,选取该靠后峰值处的奇异值进行信号重构可以有效提取轴承故障特征信号。研究内容为实际基于机匣测点信号的航空发动机滚动轴承故障特征提取提供了一种新的方法。     

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IITD模糊熵与随机森林的滚动轴承故障诊断方法

针对滚动轴承故障微弱振动信号特征提取后难以识别的问题,提出基于改进的固有时间尺度分解(IITD)和模糊熵(FE)输入随机森林(RF)模式识别的滚动轴承故障诊断方法。首先,利用轴承试验台采集正常、滚动体故障、内圈故障、外圈故障等4种状态下轴承的振动信号;通过IITD分解将采集到的振动信号分解成一组固有旋转分量(PRC),然后选取表征故障主要信息的有效分量计算其模糊熵值并构建特征向量,输入到随机森林分类器模型进行识别分类。实验数据分析结果表明,该方法可以有效地实现滚动轴承故障类别的诊断。     

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。