基于QGA优化广义S变换的滚动轴承故障特征提取

考虑到实际工程环境中噪声对故障特征提取的影响,提出了基于量子遗传算法(QGA)优化广义S变换的滚动轴承故障特征提取方法。该方法以时频分布集中程度为评价标准,首先采用量子遗传算法自适应地选取广义S变换中最优窗口控制参数,然后提取信号变换后复时频矩阵的模向量作为滚动轴承故障特征向量。利用该方法提取的滚动轴承故障特征与其它故障特征进行故障识别对比研究,实验结果表明该方法能够更准确地提取出故障特征,验证了方法的优越性。此外,对不同噪声强度背景下的滚动轴承振动信号进行故障特征提取,诊断结果进一步显示所提方法具有良好的抗噪性和健壮性。     

基于迭代广义解调算法的变转速滚动轴承复合故障特征的提取

变转速工作模式使得本来就互相干扰、彼此联系的滚动轴承复合故障特征的提取更加困难。为此提出了基于迭代广义解调算法的变转速滚动轴承复合故障特征提取方法。该方法根据复合故障轴承信号包络时频谱中代表故障特征频率的时频曲线的突出性,结合迭代广义解调算法可以将特定时频曲线转换成平行于时间轴的直线这一特点,直接对滚动轴承振动信号中的特定成分进行分析和提取。整个算法由以下四部分组成:对同步测取的故障轴承转速脉冲信号进行处理得到转频曲线,根据转频曲线以及目标轴承的故障特征系数确定迭代广义解调算法需要的相位函数;其次,对故障轴承信号进行包络分析获取包络信号;根据计算的相位函数对故障轴承包络信号进行迭代广义解调;对解调信号进行频谱分析,通过分析频谱中独立峰的位置对滚动轴承的健康状况进行判断。仿真与实验结果表明,该算法可以消除转速变化对滚动轴承复合故障特征的影响,有效实现复合故障特征的识别和提取。     

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。     

一种用于滚动轴承故障诊断的脉冲增强提取方法

针对齿轮箱滚动轴承发生故障时,其故障脉冲被强烈干扰信号湮没而导致故障特征难以提取的难题,提出了基于脉冲增强提取的滚动轴承故障诊断方法。基于表征故障脉冲周期性的包络谱,构建了能指示振动信号中故障脉冲强度的脉冲提取算子（PEO）;考虑到微弱故障信号特征增强的需求,结合最小熵解卷积（MED）构造了脉冲增强提取算子指标（PEEO）,用于评价MED不同滤波长度对故障脉冲增强的效果;构建基于MED滤波长度、脉冲频率以及PEEO的三维滤波模型,利用三维滤波谱PEEO峰值定位MED最优滤波长度并指示脉冲增强信号特征频率,获取最优脉冲增强信号的同时实现齿轮箱滚动轴承故障特征的提取。仿真分析和实验验证结果表明,该方法可以有效增强轴承故障脉冲,并在最优脉冲增强信号PEEO幅值谱中呈现显著的轴承故障特征,实现了齿轮箱滚动轴承微弱故障的诊断,且与典型方法相比具有明显优势。     

同步压缩-交叉小波变换及滚动轴承故障特征增强

为了更有效地对轴承故障进行监测和诊断,提出了一种基于同步压缩-交叉小波变换的滚动轴承故障特征增强方法。该方法首先将信号分成长度相等的两路信号,然后分别进行同步压缩小波变换,并将得到的同步压缩小波系数作为交叉小波变换的输入,进而获得交叉小波尺度谱,实现轴承故障特征频率的增强。将该方法应用于滚动轴承的故障诊断,与连续小波变换、交叉小波变换和同步压缩小波变换方法相比,所提方法可有效提取轴承在时频域内的细节特征,使轴承特征频率在时频域上的可读性增强,进而实现轴承故障的精确可靠诊断。     

基于多时频曲线提取广义特征的变转速轴承故障诊断

变转速工况下的滚动轴承故障振动信号呈现时变非平稳、故障特征信息微弱、被噪声淹没的特点,使其故障诊断变得困难。广义解调算法作为典型的非平稳信号处理方法,可有效处理时变非平稳故障信号。由于广义解调变换中相位函数的确定需要额外安装转速计,且迭代解调变换过程导致频谱混叠,容易造成故障的漏诊或误诊。为此提出了一种新的基于多时频曲线提取广义特征的变转速滚动轴承故障诊断方法。首先,利用快速谱峭度算法计算最优带通滤波参数,并对原始振动信号进行滤波。对滤波后的共振带信号进行短时傅立叶变换(short-time Fourier transform, STFT)获取时频图,采用多时频曲线提取算法(multiple time-frequency curve extraction, MTFCE)提取瞬时故障特征频率(instantaneous fault characteristic frequency, IFCF)和瞬时转频(instantaneous shaft rotational frequency, ISRF),拟合IFCFs和ISRF曲线的多项式方程。其次,基于假设思想,利用广义解调理论定义了变转速...     

基于倒谱预白化和形态学自互补Top-Hat变换的滚动轴承故障特征提取

为了消除振动信号中离散频率分量和强背景噪声对提取滚动轴承故障特征频率的干扰,提出了一种新的基于倒谱编辑(Cepstrum Editing Procedure,CEP)预白化和形态学自互补Top-Hat变换的方法用于滚动轴承的故障特征提取。CEP能够去除故障振动信号中的周期性频率成分,剩余只包含背景噪声和碰撞损伤引起的非平稳冲击成分的白化信号,通过分析构造的形态学自互补Top-Hat变换滤波器,提出采用故障特征幅值能量比(Feature Amplitude Energy Radio,FAER)的方法自适应确定最优结构元素的尺度,预白化信号经过形态学滤波有效消除了背景噪声的干扰,提取了较为清晰的轴承故障特征频率。对实测轴承滚动体、内圈故障信号进行了分析,结果表明该方法可有效提取滚动轴承故障冲击成分并抑制噪声。     

分数阶时频局部二值模式谱在齿轮故障诊断中的应用

针对齿轮故障信号分析,提出采用分数阶时频LBP谱表达齿轮故障信号的时频特征。首先为克服S变换对高频信号的时频分辨性能差的不足,基于分数阶Fourier变换良好的时频旋转特性设计了一种分数阶S变换,用于获取齿轮信号的二维时频表示;然后引入局部二值模式(LBP)算子,将LBP算子作用于分数阶S变换时频图,提取分数阶时频LBP谱;最后结合"uniform"模式LBP的概念和类内类间距准则,对分数阶时频局部二值模式谱进行特征优选,用于表达齿轮故障特征。对5种不同状态的齿轮信号进行了分析,结果表明优选后的分数阶时频LBP谱具有较强的特征描述能力,是齿轮故障信号的一类新的有效特征参数。     

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。     

基于卷积神经网络和离散小波变换的滚动轴承故障诊断

针对滚动轴承故障诊断时频特征自适应提取与智能诊断问题,提出了一种基于卷积神经网络(Convolution Neural Network,CNN)和离散小波变换(Discrete Wavelet Transform,DWT)的滚动轴承故障诊断方法。首先应用离散小波变换将信号时频特征充分展现,构造出时频矩阵;然后再利用卷积神经网络的多层特征提取网络对输入信号进行分级表达,将时频矩阵低层信号特征逐层变换形成抽象的深层特征,以获取原信号时频信息的分布式特征表达。最后在特征输出层后端添加softmax多分类器,利用反向传播(Backpropagation,BP)逐层微调结构参数,建立特征空间到故障空间的映射以生成合适的分类器,从而实现滚动轴承故障诊断。通过对不同故障类型、不同损伤程度以及不同工况下的滚动轴承进行故障诊断实验,结果证明了所提方法的可行性与有效性,并具有较好的泛化能力和稳健性。     

基于同步挤压S变换和集成深层脊波自编码器的轴承故障诊断

针对传统滚动轴承故障诊断算法过度依赖专家经验和故障特征提取困难的问题,提出一种基于同步挤压S变换(SSST)和集成深层脊波自编码器(EDRAE)方法。该方法对轴承振动信号进行SSST变换得到时频图像,并将时频图像进行双向二维主成分分析压缩;利用不同的脊波函数设计不同的脊波自编码器(RAE),并构造相应的深层脊波自编码器(DRAE)且引入"跨层"连接以缓解DRAE的梯度消失现象;将压缩时频图像输入各DRAE网络进行无监督预训练和有监督微调,并通过加权平均法输出识别结果。试验结果表明,基于SSST和EDRAE的轴承故障诊断方法能有效地对轴承进行多种工况和多种故障程度的识别,特征提取能力和识别能力均优于人工神经网络、深度信念网络和深度自编码器等模型。     

局部波动特征分解及其在滚动轴承故障诊断中的应用研究

提出了一种新的自适应时频分析方法--局部波动特征分解（Local oscillatory-characteristic decomposition,LOD）,该方法以信号本身的局部波动特征为基础,并采用微分、坐标域变换、分段线性变换等运算手段将信号分解为一系列瞬时频率具有物理意义的单一波动分量（Mono-oscillatory component,MOC）,非常适合于处理多分量信号。在详细说明LOD分解原理的基础上,通过仿真信号将LOD、经验模态分解（Empirical mode decomposition,EMD）和局部均值分解（Local mean decomposition,LMD）进行了对比分析,结果表明了LOD 的优越性。同时,针对滚动轴承故障振动信号的多分量调制特点,将LOD应用于滚动轴承故障诊断,对滚动轴承实验信号进行了分析,结果表明LOD可以有效地提取滚动轴承故障振动信号的特征。     

基于DCAE-CNN的自动倾斜器滚动轴承故障诊断

针对直升机自动倾斜器滚动轴承工况复杂、噪声干扰大,造成故障诊断效果不佳的问题,提出一种基于深度卷积自编码器(Deep Convolutional AutoEncoder,DCAE)和卷积神经网络(Convolutional Neural Network,CNN)的轴承故障诊断方法。该方法首先采用小波变换方法构造不同状态下振动信号的时频图,然后使用DCAE对时频图进行图像去噪,最后利用CNN对去噪后的时频图进行故障分类。利用课题组和美国凯斯西储大学的滚动轴承故障数据开展诊断实验,并与CNN、堆叠降噪自编码器(Stacked Denoise AutoEncoder,SDAE)两种深度学习方法进行对比,结果表明,该方法在高噪声环境下具有更高的故障识别率。     

时频谱相似性度量的故障特征提取方法

针对齿轮或轴承在局部故障损伤状态下的振动信号,提出一种基于时频谱相似性度量的故障特征提取方法,用于齿轮或轴承相关故障的诊断。该方法首先利用比例因子可调的S变换对振动信号进行时频变换;然后在S变换时频谱中,选取一个显著的冲击特征,保持其频率不变,令其沿时间轴方向,从初始时间平移至终了时间,同时计算冲击特征与所遮掩时频区块之间的余弦相似度和相关系数;平移结束后获得余弦相似度和相关系数的曲线。仿真信号和齿轮、轴承故障振动信号的处理结果表明,余弦相似度曲线和相关系数曲线均可展现出故障冲击特征的周期性变化规律,且两者的频谱均能够提取出故障特征频率,实现齿轮或轴承相关故障的识别。     

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。     

基于非平稳循环特征极坐标增强的曲轴轴承磨损故障诊断

曲轴轴承早期磨损故障特征微弱且呈现非平稳循环特征,提出一种非平稳循环特征极坐标增强方法。利用连续小波变换对发动机振动信号进行处理,然后根据发动机工作过程与配气相位的关系对于每一工作循环数据进行等角度采样,将信号特征由直角坐标系映射到极坐标系并进行同步增强,并利用模糊C均值聚类对故障特征参数进行分类识别。仿真信号的分析对比显示了该方法能够削弱噪声干扰,突出信号特征。运用此方法对某型发动机曲轴轴承磨损信号进行分析,有效地提取了曲轴轴承磨损特征信息,准确识别了曲轴轴承不同磨损故障。     

基于包络S变换时频图像提取齿轮故障特征

齿轮故障振动信号中调幅和调频现象同时存在,其频谱包括以啮合频率及其谐波为载频,齿轮所在轴转频及其谐波为调制频率产生的调制边频带。针对齿轮故障振动信号特征提取困难的问题,提出一种基于包络分析和S变换时频图像相结合的故障特征提取方法。通过变速器齿轮故障模拟实验,采集齿轮正常、轻微磨损和严重磨损时的稳态振动信号,对其进行Hilbert变换得到信号的包络,然后对包络信号进行S变换,得到包络的时频图像的等高线灰度图像,计算图像的灰度共生矩阵及其统计特征量,提取齿轮故障特征。试验结果表明：该方法能有效提取齿轮故障特征。     

RS-LOD方法及其在旋转机械故障特征提取中的应用

局部波动特征分解(LOD)方法是一种新的自适应时频分析方法。该方法通过采用微分、坐标域变换、分段线性变换三种运算,可以高效地将信号自适应分解为一系列的单一波动分量(MOC),非常适合于处理多分量信号。然而,由于分段线性变换的使用,虽可以显著提高算法的计算效率,但会使MOC分量缺乏光滑性,从而导致失真。对此,将样条曲线形状可调可控的有理样条函数引入LOD方法替代分段线性变换,提出了基于有理样条函数的局部波动特征分解(RS-LOD)方法。在详细阐述RS-LOD分解原理的基础上,通过仿真信号将RS-LOD、LOD和经验模态分解(EMD)进行了对比分析,结果表明RS-LOD方法可以明显改善原LOD方法中MOC分量光滑度差的问题。此外,针对旋转机械故障振动信号的多分量调制特点,将RS-LOD方法应用于旋转机械的故障特征提取,对滚动轴承和齿轮箱故障振动信号的分析结果表明,RS-LOD方法可以有效地提取旋转机械振动信号的故障特征。     

基于多尺度降维的柴油机信号信息熵增强方法

针对柴油机曲轴轴承磨损故障信号特征微弱,易被噪声湮没且不同故障程度信号较难区分的特点,提出了一种基于压缩小波和局部保持投影的柴油机信息熵增强方法。利用压缩小波对信号多尺度重构减弱噪声干扰,通过局部保持映射对多尺度信号进行降维,消除冗余信息并增强信号的冲击特性,最终以时域、频域以及时频域的三种信息熵表征信号特征。仿真和实例信号表明,该方法对故障信号特征增强明显,依据信息熵值实现了曲轴磨损状态的分类识别。