基于SK-NLM包络的滚动轴承故障冲击特征增强

非局部均值算法(NLM)是活跃于图像信号处理领域的一种新方法,因其良好的去噪特性,近几年来在滚动轴承故障诊断领域也开始获得应用。NLM利用样本点邻域窗口包含的局部结构为基本单元,通过对相似成分加权运算后取其平均值以达到抑制噪声干扰、突出故障冲击特征的目的。但对于强噪声条件下的低信噪比信号而言,NLM滤波效果并不理想。提出一种结合谱峭度(SK)和NLM权重包络谱的故障诊断方法,首先对原始信号进行SK分析得到最优中心频率及带宽构成最优滤波器,初步消除环境干扰及测量噪声;其次对NLM算法进行改进,不再以滤波信号为分析对象,而是直接利用NLM加权运算得到的信号样本点权值分布曲线作为预处理信号的包络信号,从权重角度使故障冲击得到二次增强,消除SK带通滤波器的带内噪声;最后对权值分布曲线进行包络谱分析,进而得到诊断结果。通过仿真信号、实验室信号及工程实际信号分析对所提方法进行了验证,并与最小熵解卷积(MED)进行了对比。     

基于GI-AMED的滚动轴承早期故障诊断

针对滚动轴承早期故障信号受噪声干扰严重，特征频率难以提取的问题，提出了基于基尼系数(GI)和自适应最小熵解卷积(AMED)的滚动轴承早期故障诊断方法。首先，以基尼系数为指标对滚动轴承健康状态进行评估，得到轴承故障初始起点；然后，以模糊熵为标准，通过步长迭代的方式对最小熵解卷积滤波器长度L进行寻优，用优化后的自适应最小熵解卷积对轴承信号进行自适应降噪处理；最后，对预处理信号进行包络谱分析并提取故障特征频率，完成滚动轴承早期故障诊断。试验结果表明，基尼系数能够比均方根值更早判定轴承运行趋势的异常点，AMED则能够克服人为经验选取参数的局限性，且能够得到更清晰的故障特征频率，从而有效实现滚动轴承早期故障诊断。     

改进的CEEMDAN故障诊断算法及在加工装备中的应用

轴承的故障诊断是保证设备安全运行的重要手段。故障诊断的关键是振动信号解调的方法。自适应噪声完备集合经验模态分解(CEEMDAN)是一种自适应信号处理方法,在非线性非平稳信号中有较好的解调性能。本文提出一种基于峭度准则改进的CEEMDAN故障诊断算法。具体步骤如下:首先,采用基于峭度准则改进的CEEMDAN方法提取有用的模态分量信号;之后,将筛选出来的模态信号叠加并通过Teager能量算子得到输出的能量信号;最后,对信号进行包络谱分析提取故障特征频率,从而实现故障诊断。通过仿真和加工装备部件的试验验证,改进的方法在实际应用中具有一定的实用价值。     

基于稀疏信号分解的自适应时变滤波器及其在齿轮故障诊断中的应用

提出一种新的自适应时变滤波器设计方法,并将其应用于变速齿轮箱齿轮故障诊断中.齿轮箱振动信号频率成分复杂,特别是多级变速齿轮箱,存在多个啮合频率,而齿轮箱齿轮故障诊断的核心是获取啮合频率的调制状态.在非平稳转速下,如何从复杂振动信号中提取包络调制信号是齿轮箱故障诊断需要解决的关键问题.基于多尺度线调频基(Multi-scale chirplet)的稀疏信号分解方法可以有效地提取频率呈曲线变化的信号分量,适合于载波频率的提取,以该载波频率为滤波器的中心频率,转频的倍频为滤波带宽,设计滤波中心频率曲线变化的自适应时变滤波器,可以有效地将多个包络调制信号分别提取出来,进而可以对变速多级齿轮箱齿轮进行故障诊断.提出的自适应滤波器可以根据信号本身的特点自动改变滤波中心频率和滤波带宽,对信号进行滤波,保留信号的有用频率成分,抑制无用成分.仿真算例和应用实例说明了方法的有效性.     

基于自适应共振解调的齿轮故障诊断方法

针对传统共振解调技术难以确定带通滤波器参数及受噪声影响较大,诊断效果不佳的问题,提出一种基于EEMD、信息熵和快速峭度图的自适应共振解调方法。该方法通过EEMD方法将故障信号分解成若干个固有模态分量,利用互相关系数方法自适应重构信号以突出故障特征信号,对信息熵最小的固有模态分量进行谱峭度分析,自适应确定带通滤波器的中心频率和带宽,最后对通过滤波的重构信号进行Hilbert包络谱分析。数字仿真实验和实测齿轮故障数据分析结果表明,该方法可以有效突出故障特征信号,证明了该方法的有效性。     

基于形态滤波和Laplace小波的轴承故障诊断

针对强噪声背景下,轴承故障冲击响应的提取易被周围噪声干扰的问题,提出了一种基于数学形态学滤波和Laplace小波的包络谱分析方法。首先通过形态学滤波来滤除信号中的复杂噪声,增强信号的冲击特征,然后采用Laplace小波相关滤波法提取信号的冲击响应,最后对提取的冲击相关系数进行包络谱分析,即可诊断出故障。该方法结合了数学形态滤波和Laplace小波两者的优点,可以准确地捕捉到强噪声下的故障脉冲。将该方法应用于轴承内圈、外圈的故障诊断,与传统包络谱分析方法的对比结果很好地验证了所提方法的有效性。     

基于包络谱分析的滚动轴承故障诊断分析

介绍了包络谱分析方法的基本原理,它是一种基于滤波检波的振动信号处理方法,也是诊断设备零件损伤故障的一种有效的手段,尤其对初期故障和信噪比比较第的故障信号,识别能力很强。重点分析了包络谱分析方法在轴承故障诊断中的应用。通过对滚动轴承故障诊断的实例分析,验证了包络谱分析运用于诊断设备零件损伤故障所取得的效果。     

基于小波相关滤波法的滚动轴承早期故障诊断方法研究

目前基于小波分析的滚动轴承故障诊断方法研究已经很多,但是这些方法对于强噪声背景下的早期故障微弱信号特征提取效果并不理想。为此,提出了适用于强噪声背景的小波相关滤波滚动轴承早期故障诊断方法。该方法将小波相关滤波降噪方法和Hilbert包络细化谱分析相结合:对被测信号进行小波相关滤波降噪处理,对降噪处理后的高频段尺度域的小波系数进行Hilbert包络细化谱分析。该方法在滚动轴承的早期故障诊断中的试验结果表明,该方法与直接小波系数包络谱诊断方法相比,较大地增强了对滚动轴承早期故障诊断的能力,在强噪声背景下有效地提取出滚动轴承的早期故障频率。     

基于自适应最优Morlet小波的滚动轴承故障诊断

滚动轴承早期故障信号中故障信息比较微弱常常被强噪声所掩盖,增加了对滚动轴承故障诊断的难度。针对这一问题,笔者提出了基于自适应最优Morlet小波变换的滚动轴承故障诊断方法。首先,利用粒子群优化算法对Morlet小波变换的核心参数进行自适应寻优,在获得最优Morlet小波的同时保证了良好的带通滤波性能;然后,将最优Morlet小波对滚动轴承早期故障信号进行滤波去噪,提高信号的信噪比;最后,对最优Morlet小波滤波信号进行包络谱分析,通过包络谱中的主导频率成分与滚动轴承各元件的故障特征频率对比从而判断轴承的故障位置。仿真数据和实测数据分析结果证明,笔者所提方法能够有效提取故障信号中的特征信息,具有一定的有效性。     

基于EMD细化包络谱分析的齿轮箱故障诊断

针对细化谱分析中对信号进行带通滤波时需要依靠经验来设置中心频率和带宽的缺点,提出了一种将EMD、Hilbert变换和ZOOM技术相结合的齿轮故障诊断研究方法。首先用EMD对齿轮振动信号进行自适应分解,选取有用的IMF进行重构得到新的信号,通过Hilbert变换得到信号的包络谱,再对包络谱进行细化得到高分辨率细化频谱。实验结果表明,基于经验模式分解自适应滤波的齿轮振动信号解调方法计算简便,能有效地突出故障特征频率成分。     

基于自适应多尺度自互补Top-Hat变换的轴承故障增强检测

针对实际工程中滚动轴承冲击性故障特征难以提取的问题,提出一种自适应多尺度自互补Top-Hat(Adaptive multi-scale self-complementary Top-Hat, AMSTH)变换方法用于轴承故障的增强检测。自互补Top-Hat变换在消除信号中背景噪声的同时,能有效增强故障振动信号的冲击特性,而构造的多尺度自互补Top-Hat变换方法,可以较有效地兼顾抗噪性能和信号的细节保持。在分析形态学滤波的基础上,提出采用特征幅值能量比(Feature amplitude energy radio, FAER)的方法自适应确定最优结构元素的尺度,并应用于轴承的故障增强检测。通过对仿真信号和实测轴承滚动体、内圈故障信号进行分析,结果表明该方法可有效增强滚动轴承的故障检测,并且在运算效率和提取效果方面优于基于信噪比标准的多尺度形态学开-闭和闭-开组合变换方法。     

Fault diagnosis of rolling element bearing using a new optimal scale morphology analysis method

Periodic transient impulses are key indicators of rolling element bearing defects. Efficient acquisition of impact impulses concerned with the defects is of much concern to the precise detection of bearing defects. However, transient features of rolling element bearing are generally immersed in stochastic noise and harmonic interference. Therefore, in this paper, a new optimal scale morphology analysis method, named adaptive multiscale combination morphological filter-hat transform (AMCMFH), is proposed for rolling element bearing fault diagnosis, which can both reduce stochastic noise and reserve signal details. In this method, firstly, an adaptive selection strategy based on the feature energy factor (FEF) is introduced to determine the optimal structuring element (SE) scale of multiscale combination morphological filter-hat transform (MCMFH). Subsequently, MCMFH containing the optimal SE scale is applied to obtain the impulse components from the bearing vibration signal. Finally, fault types of bearing are confirmed by extracting the defective frequency from envelope spectrum of the impulse components. The validity of the proposed method is verified through the simulated analysis and bearing vibration data derived from the laboratory bench. Results indicate that the proposed method has a good capability to recognize localized faults appeared on rolling element bearing from vibration signal. The study supplies a novel technique for the detection of faulty bearing.     

Detection of Bearing Faults Using a Novel Adaptive Morphological Update Lifting Wavelet

The current morphological wavelet technologies utilize a fixed filter or a linear decomposition algorithm, which cannot cope with the sudden changes, such as impulses or edges in a signal effectively. This paper presents a novel signal processing scheme, adaptive morphological update lifting wavelet (AMULW), for rolling element bearing fault detection. In contrast with the widely used morphological wavelet, the filters in AMULW are no longer fixed. Instead, the AMULW adaptively uses a morphological dilation-erosion filter or an average filter as the update lifting filter to modify the approximation signal. Moreover, the nonlinear morphological filter is utilized to substitute the traditional linear filter in AMULW. The effectiveness of the proposed AMULW is evaluated using a simulated vibration signal and experimental vibration signals collected from a bearing test rig. Results show that the proposed method has a superior performance in extracting fault features of defective rolling element bearings.     

复选降噪自适应型MCKD方法研究

针对强噪声干扰下,最大相关峭度解卷积（Maximum correlation kurtosis deconvolution,MCKD）对于弱响应轴承滚动体故障信号指定周期冲击增强和辨识能力有限,无法自适应确定参数的问题,提出一种改进MCKD故障诊断方法。首先利用小波多尺度分解得到故障响应高频分量使冲击成份更加凸显;然后以峭度值最大准则复选出最优故障信号高频分量,降低噪音的干扰;最后结合小波方差自适应确定MCKD参数。轴承故障仿真、实验数据分析结果表明,该方法能够实现弱响应的轴承滚动体故障诊断,同时适用轴承内外圈故障诊断。     

形态非抽样小波与灰色关联度的轴承故障诊断

文中针对滚动轴承振动信号的强噪声背景以及故障样本不易大量获取的问题,提出了一种基于形态非抽样小波与灰色关联度的滚动轴承故障诊断方法。形态非抽样小波克服了传统形态小波由于采用抽样方式分解而造成的信息丢失问题,具有良好的特征提取和抗噪性能。灰色关联度分析方法对小样本模式识别问题具有良好的分类效果,适用于滚动轴承的故障模式识别。文中首先利用差值形态滤波能够提取信号冲击成分的特点,提出一种多尺度形态非抽样小波方法提取滚动轴承故障特征,然后将形态非抽样小波分解后近似信号的归一化特征能量作为特征向量,最后通过比较待识别样本与标准故障模式的灰色关联度来对故障模式进行分类。实例表明该方法可取得良好的效果。     

基于CEEMDAN与自适应阈值降噪的滚动轴承故障诊断

针对滚动轴承故障信息受到噪声污染而难以识别的问题,提出一种基于自适应噪声完备集合经验模态分解和自适应阈值降噪(CEEMDAN-ATD)的滚动轴承故障诊断方法。首先对原始振动信号进行CEEMDAN分解;其次利用灰色关联分析法(GRA)筛选出噪声主导和信号主导的分量;然后对噪声主导分量分别进行自适应阈值降噪(ATD)处理,并与信号主导分量进行重构;最后通过分析重构信号的Teager能量谱实现滚动轴承故障的识别。采用凯斯西储大学轴承数据对所提方法进行验证,并与完全总体经验模态分解-自适应阈值降噪(CEEMD-ATD)和CEEMDAN-小波阈值降噪(CEEMDAN-WTD)2种方法作比较,结果表明,所提方法表现出较好的自适应性和去噪效果,能够较好地服务于滚动轴承故障诊断。     

基于互相关检测的滚动轴承实时故障诊断方法

提出了一种易于用模拟电路实现的基于互相关检测的滚动轴承实时故障诊断方法,首先,用两个加速度传感器在不同测点采集轴承振动信号,将其分别送入相应通道的高Q带通滤波器来选择最优共振带;然后,将两路带通滤波器的输出信号进行互相关检测,将互相关检测得到的信号经低通滤波器,保留低频故障信号;最后,将低通滤波器输出的时域信号通过频谱分析仪显示滚动轴承故障特征频率的谱线以实现滚动轴承的实时故障诊断。用模拟电路的形式将该方法进行搭建,并在QPZZ-II实测平台完成滚动轴承的实时故障诊断。结果表明:该方法克服了单一信号源的局限性,能利用互相关函数削弱共振带内部噪声,使诊断结果具有更高的频谱辨识率,而且能够用结构简单、易于维护的模拟电路实现,对轴承实时故障诊断方法的应用与普及具有一定的参考价值。     

基于ITD-形态滤波和Teager能量谱的轴承故障诊断

针对强背景噪声下滚动轴承振动信号故障特征信息难以提取的问题,提出了结合固有时间尺度分解(ITD)-形态滤波和Teager能量谱的滚动轴承故障特征提取与诊断方法。首先对滚动轴承振动信号采用ITD方法分解,得到若干个固有旋转分量;考虑到噪声主要分布在高频段,取前2个高频的固有旋转分量进行形态滤波,并将滤波后的信号与剩余固有旋转分量重构;对重构信号计算Teager能量算子并绘制Teager能量谱,从Teager能量谱中可以识别出故障特征。将本方法应用于滚动轴承的内圈故障和外圈故障诊断,结果表明ITD-形态滤波可以有效去除振动信号中的背景噪声并保留冲击特征,Teager能量谱可以直观并准确显示出故障特征。