基于改进形态分量分析的齿轮箱轴承多故障诊断研究

形态分量分析是一种基于信号形态多样性和信号稀疏表示的信号和图像处理方法,其主要目标是根据信号组成成分的形态差异性,选择合适的字典来分离信号。针对传统形态分量分析的字典选择和阈值选择的缺陷,提出了基于自适应字典选择和TH-MOM (Hard Threshold-MOM)的阈值更新策略,通过仿真信号和齿轮箱轴承多故障振动实验信号的研究结果表明：该方法不仅能将形态各异的多分量信号进行有效分离,提高了信噪比,而且提高了从强噪声环境中提取瞬态冲击特征的能力,能有效地识别轴承的故障类型和部位。     

基于奇异值分解和独立分量分析的滚动轴承故障诊断方法

针对强背景噪声下难以提取滚动轴承早期故障信号中故障特征频率的问题,提出奇异值分解和独立分量分析相结合的滚动轴承故障诊断方法。该方法首先利用相空间重构将一维时域矩阵拓展到高维矩阵,得到吸引子轨迹矩阵;然后对轨迹矩阵进行奇异值分解降噪,依据奇异值差分谱阈值原则选取相应阶次分量进行重组构造虚拟噪声通道;接着将重组信号和观测信号进行独立分量分析分离;最后利用能量算子解调方法提取出有效的故障特征分量,进而识别故障类型。滚动轴承故障诊断实验和仿真结果表明该方法有效可行。     

基于形态滤波和稀疏分量分析的滚动轴承故障盲分离

为有效分离滚动轴承复合故障特征,提高故障诊断正确率,针对旋转机械调制故障信号非线性、强噪声干扰以及故障源信号未知的问题,提出一种基于形态滤波(Morphological Filtering, MF)和稀疏分量分析(Sparse Component Analysis, SCA)相结合的故障诊断方法。该方法首先对观测信号进行形态滤波提取信号中重要调制特征并使信号满足稀疏性要求,应用SCA分离滤波后的观测信号。在完备及欠定条件下对故障轴承加速度信号进行实验验证,分析结果表明该方法能够有效分离提取滚动轴承故障特征     

基于相空间重构与独立分量分析的局部独立投影降噪算法

针对故障分析信号中存在噪声问题,提出一种将相空间重构与独立分量分析相结合的局部独立投影降噪算法。其中相空间重构的目的在于从高维相空间中恢复混沌吸引子,独立分量分析能够找到信号的主流形,选择邻域是为了将特征相近的相点结合在一起。使用该方法对正弦仿真信号和Lorenz仿真信号进行降噪处理,结果表明局部独立投影降噪算法的降噪效果与局部独立分量分析算法降噪效果接近,但优于全局投影降噪算法。运用该方法对低速重载轴承振动信号进行分析,准确判断出轴承故障。     

基于最小熵解卷积和Teager能量算子直升机滚动轴承复合故障诊断研究

为了解决强背景噪声环境下直升机滚动轴承故障信号微弱,故障特征难以提取的问题,提出一种基于最小熵解卷积(Minimum Entropy Deconvolution,MED)与Teager能量算子(Teager Energy Operator,TEO)的滚动轴承故障特征提取的新方法。根据滚动轴承故障信号表现为冲击波形的特点和MED降噪对冲击特征敏感的特性,采用MED对故障信号进行降噪处理,同时增强信号中的冲击成分;再结合TEO适合检测信号的瞬时变化,能有效提取故障信号冲击特征的特点,计算降噪信号的Teager能量信号,进行频谱分析提取滚动轴承的故障特征。通过对仿真信号和直升机滚动轴承混合故障信号进行分析,实验结果表明,该方法能有效提取强背景噪声环境中的微弱复合故障特征,具有一定的工程应用价值。     

基于改进形态-小波阈值降噪的轴承复合故障声学诊断

现场采集的滚动轴承复合故障声学信号存在噪声来源复杂、背景噪声强、非线性等特点,导致已知的自适应多尺度形态滤波不能很好的适用于轴承复合故障的盲分离。针对上述问题,提出一种基于改进的自适应多尺度多结构形态滤波(IAMSCMF)、改进的小波阈值降噪方法(IWTDM)和稀疏量分析(SCA)相结合的滚动轴承复合故障特征盲提取方法。首先利用IAMSCMF和IWTDM构造滤波器进行滤波及提高信噪比(SNR);其次利用SCA分离信号;最后用FFT进行频谱分析。仿真分析和滚动轴承现场采集声学信号分析结果均清晰的提取出了轴承故障特征,验证了算法的有效性。     

基于广义解调时频分析和瞬时频率计算的阶次谱方法在齿轮故障诊断中的应用

针对齿轮启停过程中故障振动信号的调频特性,提出了基于广义解调时频分析和瞬时频率计算的阶次谱方法,并将其应用于齿轮瞬态信号的分析。广义解调时频分析是一种新的时频分析方法,它可以将多分量的信号分解为若干个瞬时频率具有物理意义的单分量信号,每个单分量信号可以是调幅-调频信号,因此非常适合处理多分量的调幅-调频信号。而当齿轮发生故障时,其启停过程中的振动信号就表现为多分量的调幅-调频特征。在基于广义解调时频分析和瞬时频率计算的阶次谱方法中,首先采用广义解调时频分析方法将齿轮瞬态信号分解为若干个单分量信号,然后计算各个分量的瞬时频率,再对其瞬时频率信号进行重采样,最后对重采样信号进行频谱分析得到阶次谱,从而提取齿轮振动信号的故障特征,判断齿轮的工作状态。仿真信号和实验信号的分析结果表明了该方法的有效性。     

基于独立分量分析与希尔伯特-黄变换的轴承故障特征提取

滚动轴承早期故障信号具有能量小、频带分布宽等特征,易受到其它能量较大振源信号的干扰。传统的希尔伯特-黄变换（HHT）对信噪比大、多频率调制信号常因不能对其所包含的固有模式函数（IMF）实现准确分离和去除调制干扰分量而失效。本文提出了基于HHT和独立分量分析（ICA）的滚动轴承诊断新方法。该方法首先利用经验模式分解（EMD）将滚动轴承振动信号分解成若干平稳的本征模式函数IMF分量,通过提取若干包含主要信息的IMF分量,应用带通滤波器和Hilbert变换获取IMF分量的高频包络波形,再应用ICA分离包络波形并进行频谱分析,进而判断滚动轴承的运行状况。仿真和试验分析结果验证了本方法的可行性。     

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。     

基于振动信号分离的行星轴承故障特征提取

由于行星轴承振动信号传递路径的时变性,且行星齿轮箱中齿轮啮合振动信号较强,导致行星轴承故障特征提取较为困难。为此,提出了一种基于振动信号分离的行星轴承故障特征提取方法。该方法首先采用阶比分析技术将原始振动信号进行等角度采样;每当行星架旋转一周,采用Tukey窗进行加窗截取,按照啮合齿序重新拼接,构造振动分离信号。再采用离散随机分离从振动分离信号中提取行星轴承故障分量;最后进行包络谱分析提取故障特征。行星轴承内圈故障实测信号分析表明,该方法能有效提取行星轴承故障特征。     

形态分量分析在转子早期碰摩故障诊断中的应用

提出了一种基于形态分量分析的转子早期碰摩故障诊断方法,该方法用形态分量分析从转子早期碰摩故障信号中提取出冲击成分。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。当转子系统中出现早期碰摩时,其振动信号往往由以转频及其谐波为主要成分的周期成分、包含转子早期碰摩故障信息的冲击成分及随机噪声构成。周期成分表现为信号中的平滑部分,而冲击成分则表现为信号中的细节部分,因此,可根据周期成分与冲击成分的形态差异,用形态分量分析实现二者的分离。对形态分量分析的阈值方法进行了改进,提出了基于半软阈值的形态分量分析,仿真结果表明,基于半软阈值的形态分量分析要优于基于硬阈值的形态分量分析。对某转子早期碰摩故障信号进行了分析,结果表明,基于半软阈值的形态分量分析能有效地提取转子早期碰摩故障信号中的冲击成分,进而诊断转子早期碰摩故障。     

基于核形态成分分析的齿轮箱复合故障诊断研究

形态成分分析（MCA）是最新提出的一种基于稀疏表示的信号和图像分解(分离)方法,该方法的主要思想是利用信号组成成分的形态差异性（可以由不同的字典稀疏表示）进行分离。结合核函数把基于MCA的线性盲分离方法拓展到非线性混叠情况,给出了一种非线性混叠信号盲分离算法。该算法通过非线性映射将混叠信号投影到高维特征空间,将样本空间的非线性混叠问题转化成高维特征空间的线性混叠问题,然后应用MCA算法对高维特征空间中的混叠信号进行分离。通过对齿轮齿根裂纹、轴承内圈、外圈复合故障的实验信号的分析,表明该方法能有效地分离出齿轮箱的复合故障。     

基于字典学习的轴承早期故障稀疏特征提取

针对低速重载机械滚动轴承早期故障的振动信号中故障特征冲击成分微弱易被噪声覆盖难以识别,而利用稀疏表示方法提取冲击成分时因轴承工况非平稳性,准确匹配冲击成分字典难以构造问题,提出基于字典学习的轴承早期故障稀疏特征提取方法。利用改进型K-SVD字典学习算法构造自适应字典;采用正交匹配追踪算法(Orthogonal Matching Pursuit,OMP)对振动信号进行稀疏分解,计算每次迭代逼近信号的峭度值,找出最大峭度值对应的逼近信号;重构特征成分并进行包络谱分析,获得故障类型。仿真及轴承振动数据测试结果表明,所提方法能更好匹配早期故障特征成分、满足轴承实时故障监测需求。     

温变工况下超定独立成分分析导波监测方法

基于超声导波的结构健康监测技术在实际工程应用中受到变化的环境工况条件的影响,由于独立成分分析方法对于处理时变工况条件下的大量监测导波信号存在局限性,以及对不同程度的损伤表征研究存在不足,提出一种基于超定独立成分分析的导波监测方法并改进了基于k均值聚类的损伤指标。以广泛存在的环境温度作为环境变量,通过主成分分析从大量导波信号组成的观测矩阵中确定独立分量个数,使用独立成分分析将处理后的导波信号分解为独立分量,能够有效地将损伤与环境工况的影响分离到不同的独立分量中。对长期经受环境温度变化的铝板进行了导波监测实验,结果表明该方法能够有效减少独立分量数目并从大量导波信号中排除环境温度的干扰识别出损伤,并且对处于温变条件下的完整和不同损伤程度的铝板进行了损伤识别实验,进一步研究了该方法在排除环境温度干扰的同时表征损伤程度的效果。     

基于独立分量分析的欠定盲源分离方法

目前的欠定盲分离算法只能分离稀疏信号,对于不稀疏的信号分离效果不理想。经典独立分量分析算法中的扩展Infomax算法既能分离超高斯信号,也能分离亚高斯信号,但却只能应用于观测数不少于源数的超定盲源分离,结合扩展Infomax算法,本文提出了一种欠定ICA算法,通过生成隐藏数据将欠定盲分离问题转化为超定盲分离问题,然后再应用经典的扩展Infomax算法进行分析,该方法可以分离欠定情形下超高斯和亚高斯混合信号。并用该算法对实测的齿轮箱混合故障信号进行分离,再用包络阶次方法对分离出的信号进行分析,成功识别出了齿轮箱的不同故障特征,验证了该算法在齿轮箱故障诊断中的有效性。     

基于核竞争学习算法的图像特征提取

利用核函数学习可有效解决图像特征线性不可分的特性,结合稀疏表示算法的优势,提出了一种新的图像特征提取方法。采用基于竞争学习规则的独立分量分析法对图像进行稀疏表示,该算法可提取数据的高维特征,且不需要优化高阶的非线性函数和进行稀疏密度估计,因而有较快的收敛速度。与仅使用基于竞争学习的独立分量分析法相比,在PolyU数据库上的实验结果表明,采用基于核函数学习和稀疏表示相结合的方法所提取的数据特征有利于提高特征分类精度。     

SCA-VMD在变压器声信号降噪中的应用

针对采集变压器运行声信号时会混入噪声的情况,提出了基于稀疏分量分析-变分模态分解（sparse component analysis-variational modal decomposition,SCA-VMD）分离变压器运行声信号并降噪的方法。基于稀疏特性的欠定盲源分离能够在观测信号数目小于未知源信号数目的情况下实现源信号的有效分离,变分模态分解（VMD）能将一个多分量信号一次性分解为多个单分量信号。以两路观测信号作为输入,利用稀疏分量分析法（SCA）分离得到变压器运行声信号,再利用VMD将分离信号分解为4层本征模态函数（intrinsic mode function,IMF）分量,通过阈值滤波的方法对高频分量和低频分量进行去噪处理,利用新的IMF分量重构得到去噪信号。仿真试验和实际试验结果表明,该方法能实现对变压器运行声信号的有效分离和去噪处理。