基于峭度准则EEMD及改进形态滤波方法的轴承故障诊断

针对轴承故障成分常以周期性冲击成分出现在振动信号中,而冲击响应成分常被强大噪声淹没,造成轴承故障特征提取困难等问题,将集成经验模态分解(EEMD)与改进形态滤波方法相结合,在本征模态函数(IMF)及形态学结构元素(SE)选取时均以峭度准则为依据,对筛选出的IMF分量进行信号重构后,再进行基于峭度准则的改进形态滤波方法处理。结果表明,该方法可避免共振解调中中心频率及滤波频带选取,自适应性较好;通过对实际滚动轴承内外圈故障分析,该方法可清晰准确提取到故障特征信息,噪声抑制效果好,可用于轴承故障精确诊断。     

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。     

基于瞬态冲击响应参数辨识的轴承故障特征检测

旋转机械的局部故障导致振动信号中出现冲击响应信号,可通过对冲击响应信号的检测与提取,进行局部故障诊断。在Laplace小波相关滤波法识别冲击响应信号的特征参数的基础上,针对周期性冲击响应信号的检测,提出了循环Laplace小波相关滤波法。通过不同信噪比下周期多冲击响应仿真信号中冲击响应成分特征参数辨识及周期检测,验证了方法的有效性。将循环Laplace小波相关滤波法应用于轴承外圈局部严重故障和轻微故障下冲击响应振动信号的辨识,成功识别故障特征的响应参数以及周期。     

基于自适应多尺度形态梯度变换的滚动轴承故障特征提取

滚动轴承故障信号是一种典型的周期性冲击信号,如何从含有强噪声的振动信号中有效的提取出冲击特征信号是轴承故障诊断的关键。基于数学形态学理论,本文提出了一种自适应多尺度形态梯度变换（AMMG）方法,它能够在有效抑制噪声的同时很好的保留信号的细节。仿真信号和实测轴承故障信号的分析结果表明,与常用的包络解调分析和近来提出的另一种基于数学形态学的形态闭变换方法相比析,自适应多尺度形态梯度变换具有更强的噪声抑制和脉冲提取能力,并且计算简单、快速,为滚动轴承故障特征提取提供了一种有效的方法。     

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。     

基于EEMD和自相关函数峰态系数的轴承故障诊断方法

针对滚动轴承故障冲击信号周期性强且易被强烈的背景噪声所淹没的特点,提出了基于EEMD和自相关函数峰态系数的轴承故障诊断方法。首先,对采集到的复杂振动信号进行EEMD分解,根据自相关函数峰态系数和峭度准则重构IMF分量以突出故障特征信息;然后,利用谱峭度自动确定带通滤波器的最佳中心频率和带宽;最后,将滤波后的信号进行包络解调分析并与理论故障特征频率对比。通过轴承故障的仿真和实验研究,验证了该方法的有效性和可行性。     

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。     

基于双调Q小波变换的瞬态成分提取及轴承故障诊断应用研究

因轴承的剥落、裂纹等局部故障易致运行时振动信号中出现瞬态成分,而轴承故障振动信号为非平稳信号,含高、低振荡成分,传统的线性信号处理方法及基于频率的分解方法均存在一定局限性。对此,研究基于信号振荡特征而非频率特征的双调Q小波变换,设定不同Q因子小波将轴承故障信号非线性分解成低、高振荡及噪声成分,轴承故障瞬态成分对应低振荡成分,提取低振荡成分即能实现轴承故障瞬态成分提取。通过轴承故障状态下瞬态成分检测表明,该方法能有效提取轴承故障瞬态成分。经与均值滤波、小波阈值及经验模态分解(EMD)等方法比较,验证该方法的优越性。     

基于故障特征系数模板的变转速滚动轴承故障诊断

与恒转速相比,机械中普遍存在的变转速工作模式使滚动轴承的故障诊断更加困难;另外变转速条件下的常规方法—阶比分析存在误差以及计算效率方面的问题,因此,提出了基于故障特征系数模板的滚动轴承故障诊断方法。该方法主要包括六部分:(1)根据目标轴承的几何参数计算其故障特征系数以设定模板;(2)利用快速谱峭度滤波算法对滚动轴承振动信号进行滤波;(3)根据Hilbert变换以及短时傅里叶变换计算滤波信号的包络时频图;(4)通过峰值搜索算法从滤波信号的包络时频图中提取瞬时故障特征频率趋势线;(5)根据转速脉冲信号计算滚动轴承的转速曲线;(6)瞬时故障特征频率与瞬时转频相比获取瞬时故障特征系数,进而通过故障特征系数模板实现滚动轴承的故障诊断。随即以变转速情况下的故障轴承仿真信号以及实测的外圈故障、内圈故障和健康轴承的振动信号为例验证了该算法的有效性。     

最小熵解卷积法轮对轴承故障诊断

针对强噪声下轮对轴承弱故障特征难以提取,以及在实际信号检测中检测信号在故障点到检测点的传播路径中有变形和失真导致实际采集信号成分复杂难以判别的问题,提出基于最小熵解卷积的轴承故障诊断方法。该方法的核心是利用熵最小原理设计最优滤波器,突出信号中的脉冲冲击,使滤波后信号近似于原始冲击信号,消除检测中传递路径对信号的干扰,对解卷积后的信号做包络谱分析达到轮对轴承故障诊断的目的。通过实验分析,基于最小熵解卷积的轴承故障诊断方法能很好突出冲击脉冲,在包络谱中能够准确检测到故障的基频和高次谐波。     

基于自适应加权多尺度组合形态滤波的轴承故障特征提取研究

针对滚动轴承振动信号在进行早期故障诊断时往往会伴随着噪声干扰的问题,提出了一种选择性自适应加权多尺度组合形态滤波(Adaptive Weighted Multi-scale Combination Morphological Filtering,AWMCMF)方法,从振动信号中提取故障特征。首先,采用三种组合算子构成一组新的形态算子,可有效地提取出信号中的正负冲击特征;其次,基于新算子提出了加权多尺度形态滤波方法,并将Teager能量峭度作为评判指标为各尺度提供优化的权值;最后,将选择性自适应权值与多尺度算子进行加权绑定得到优化的故障特征提取结果。通过仿真信号和轴承故障振动信号的结果表明,该方法能有效地滤除噪声并提取故障特征。     

基于EEMD的混合陶瓷球轴承故障双冲击特征提取

疲劳剥落是导致滚动轴承失效的主要原因,当滚道出现剥落故障时滚动体在进入和退出剥落区时的加速度振动信号表现出不同特征：进入故障区时产生以较低频率成分为主的阶跃响应;退出剥落区则引起频带较宽的脉冲响应。有效分离这两类信号特征,对实现对混合陶瓷球轴承剥落区长度的测量有重要意义。本文提出了一种基于总体经验模态分解（EEMD)的混合陶瓷球轴承剥落故障双冲击特征提取方法,该方法首先用AR模型对原始振动信号进行预白化处理,然后利用EEMD对白化后的振动信号进行去噪,并结合Hilbert包络提取算法实现对剥落故障混合陶瓷球轴承振动信号双冲击特征的有效分离提取。仿真及试验研究表明该方法能够有效地分离出混合陶瓷球轴承故障双冲击特征。     

基于EEMD和Laplace小波的滚动轴承故障诊断

滚动轴承故障导致振动信号中出现多阶模态冲击响应,为了提取单阶模态冲击响应的模态参数,由于Laplace小波相关滤波受多阶模态冲击响应的影响,提出了一种基于EEMD和Laplace小波的滚动轴承故障诊断方法。先用EEMD把振动信号中的多阶模态脉冲响应分解为各单阶模态冲击响应分量,然后用从分解的分量的频谱中选取所需的单阶模态冲击响应分量,再用Laplace小波相关滤波对选取的单阶模态冲击响应分量进行分析,便可以诊断出故障。通过对仿真信号和滚动轴承内圈、外圈、滚动体数据分析很好地验证了提出的方法的有效性。     

基于无迹卡尔曼滤波的动态贝叶斯小波变换在轴承故障诊断中的应用

针对工程实际中滚动轴承发生故障的类型具有典型性和故障信号具有冲击性,且振动信号的频率成分因外界环境的影响而变得极其复杂的特点,提出了一种基于负熵和无迹卡尔曼滤波的动态贝叶斯小波变换方法。该方法将SE(Squared Envelope) Infogram方法应用到无迹卡尔曼滤波方法(Unscented Kalman Filter, UKF)中,利用SE Infogram确定滤波器参数初值,即中心频率与带宽的初值,结合UKF对中心频率与带宽进行优化,以最优中心频率与带宽对振动信号进行滤波分析,对滤波后的信号进行包络解调分析,实现轴承微弱故障特征的提取。利用负熵指标代替以往研究所用的峭度指标,可以有效消除或削弱高峰值干扰的影响。最后,通过对仿真信号和轮对轴承试验信号对提出的方法进行了验证。结果表明,该方法能够有效提取强背景噪声下轴承外圈、内圈故障和滚动体故障,验证了该方法对轴承微弱故障诊断的有效性。     

滚动轴承故障诊断的多重超阶分析方法

多重分形去趋势波动分析(MF-DFA)可以获得能够表征信号内在动力学机制的多重分形谱,但是在提取滚动轴承振动信号故障特征时存在参数接近、状态混叠等问题,导致分析结果易受信号噪声等因素干扰,影响分类精度。为解决此问题,提出了多重超阶分析(MF-SOA)的方法。该方法将极值增量方法引入了多重去趋势波动分析中,对时间序列进行取极值操作;然后计算并分析获得的极值增量序列的重分形特征,通过MF-SOA方法获得的特征可以更清晰地表现出序列的内部动力学机制。最后将所提出的方法应用于滚动轴承的故障诊断中。试验数据分析结果表明,该方法对于信号的不规则程度十分敏感,并且有效改善了MF-DFA方法的缺陷,对于模式相近的故障类型有更优的区分度,提高了滚动轴承故障诊断的精度。     

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。     

一种基于样本熵的轴承故障诊断方法

运用非线性动力学参数样本熵作为特征,对轴承正常、内圈故障、滚动体故障、外圈故障四种工况的振动信号进行分析识别。针对利用原始振动信号的样本熵只能在一个尺度域进行分析,无法准确区分轴承运行状况的问题,提出一种基于集成经验模式分解与样本熵的轴承故障诊断方法。首先利用集成经验模式分解方法将原始振动信号分解为有限个内蕴模式分量,从中选取包含故障主要信息的前几个内蕴模式分量的样本熵作为特征,然后利用支持向量机进行轴承故障诊断,这样可以在多个尺度对轴承信号进行分析,提高了轴承故障诊断的准确率。通过轴承故障实测信号的诊断实验,证明了该方法的可行性和有效性。     

基于峭度原则的EEMD-MCKD的柔性薄壁轴承故障特征提取

谐波减速器用柔性薄壁轴承运行过程中因内圈长、短轴交替产生周期性冲击成分。当柔性薄壁轴承发生故障后,这种正常的周期性冲击成分和因故障引起的冲击叠加在一起,使得其故障特征提取难度很大。针对这一特点,提出基于峭度原则的EEMD-MCKD的柔性薄壁轴承故障特征提取方法。首先使用集成经验模态分解算法(EEMD)对信号进行预处理,选用峭度原则滤除信号中的无关分量和冗余分量,重构筛选后的固有模态分量(IMF)得到EEMD重构信号;在此基础上,针对柔性薄壁轴承振动信号特点进行MCKD算法进行参数优化,利用参数优化后的MCKD对EEMD重构信号进行提取。运用此方法对实测柔性薄壁轴承外圈故障振动信号进行特征提取,结果表明,准确提取到了清晰的故障特征频率。将提取效果与单一EEMD算法和MCKD算法进行对比分析,EEMD-MCKD算法提取效果更佳。