基于Kalman滤波和谱峭度的滚动轴承故障诊断

针对传统共振解调方法难以确定带通滤波器参数的问题,将Kalman滤波技术和快速谱峭度图结合应用于滚动轴承故障诊断中。首先利用齿轮箱原始振动信号建立系统AR模型,通过AIC准则确定模型阶数,通过最小二乘法确定模型参数,对原始信号进行Kalman滤波降噪预处理;并用快速谱峭度图选择最优带通滤波器参数,最后对带通滤波后的信号进行能量算子包络解调,实现故障诊断。工程实测信号的分析结果表明,基于Kalman滤波和快速谱峭度的诊断方法能够很好地诊断轴承故障。     

基于小波包能量与峭度谱的滚动轴承故障诊断

针对故障轴承的振动信号中包含冲击成分,导致信号的能量集中的问题,提出了一种基于小波包能量与峭度谱相结合的方法用以提取轴承故障信号特征.首先应用小波包对测量信号进行分解、能量归一化处理和信号重构,然后将重构信号采用峭度谱确定带通滤波器的最佳中心频率和带宽,最后将滤波信号进行包络解调并提取故障特征频率.分别对仿真信号和试验数据进行研究,能够清晰地得到故障特征频率及其高次谐波,从而验证了所提方法在滚动轴承的故障诊断中的有效性和可行性.     

基于MED和峭度准则形态滤波的滚动轴承故障诊断

针对滚动轴承故障诊断问题,提出一种基于最小熵解卷积(Minimum entropy deconvolution,MED)和峭度准则形态滤波的滚动轴承故障诊断方法。该方法首先通过MED对滚动轴承故障信号进行降噪处理,然后设计不同长度结构元素的形态滤波器对降噪后的信号进行差值形态滤波,最后利用峭度准则筛选出峭度值最大的最佳形态滤波分量,进行幅值谱分析提取轴承故障特征频率。应用该方法分析了滚动轴承内圈故障模拟信号和实验测试信号,取得良好的分析效果,证明了该方法的有效性。     

基于包络谱稀疏度和最大相关峭度解卷积的滚动轴承早期故障诊断方法

滚动轴承处于早期故障阶段时,特征信号微弱,并且受环境噪声影响严重,因此故障特征提取困难。针对这一问题,将最大相关峭度解卷积算法应用于轴承故障诊断,并通过包络谱稀疏度来筛选最佳解卷积周期参数,提出了基于包络谱稀疏度和最大相关峭度解卷积的滚动轴承早期故障诊断方法。利用最佳参数相对应的最大相关峭度解卷积算法对原信号进行处理,得到解卷积信号后计算其包络谱,通过分析包络谱中幅值突出的频率成分来判断故障类型。早期故障仿真信号及实测全寿命数据分析结果表明,该方法可有效应用于轴承早期故障诊断。     

基于复合信号处理的滚动轴承早期微故障诊断研究

针对滚动轴承早期故障的微弱信号检测问题,将小波包、谱峭度和包络分析三者相结合,提出一种新的故障诊断方法,该方法首先通过小波包降噪提取原始含噪信号中的高频成分并提高信噪比,然后对降噪后的重构信号应用谱峭度理论来确定合适的带通滤波参数,最后对带通滤信号进行包络解调而得出故障特征频率信号,从而实现滚动轴承的早期微弱故障诊断。对基于小波包和谱峭度的故障诊断法在滚动轴承故障诊断中的应用进行了研究,实验结果表明该方法可以有效抑制背景噪声,提取有用故障信息,为滚动轴承的故障诊断提供了一种切实可行的方法。     

基于峭度准则VMD及平稳小波的轴承故障诊断

为了从强噪声背景下的轴承振动信号中准确稳定地提取滚动轴承故障特征,提出了基于峭度准则VMD及平稳小波的轴承故障诊断方法。使用变分模态分解对同一负荷下的故障信号进行预处理,通过峭度准则筛选出最佳和次佳信号分量进行重构并使用平稳小波进行去噪处理,最后分析信号的包络谱来对轴承的故障类型进行判断。通过对仿真滚动轴承内圈故障信号进行分析,该方法可成功提取出微弱特征频率信息,噪声抑制效果优于EMD。由此表明,基于峭度准则VMD及平稳小波的轴承故障诊断可有效提取强声背景下的滚动轴承早期故障信息,具有一定的可靠性和应用价值。     

基于SK-MOMEDA的滚动轴承微弱故障特征提取

针对滚动轴承早期周期性瞬态冲击不明显及谱峭度在低信噪比情况下分析效果差的问题,提出多点优化最小熵解卷积(Multipoint optimal minimum entropy deconvolution adjusted,MOMEDA)和谱峭度相结合的轴承微弱故障特征提取方法.首先,采用MOMEDA作为前置滤波器对含有强噪声的微弱故障冲击信号进行降噪,突显信号中的周期性冲击性成分;然后,通过谱峭度分析,以最佳中心频率和带宽对降噪的信号进行带通滤波;最后,对滤波后的信号进行Hilbert包络谱分析,便可以准确地获得轴承信号的故障特征频率.仿真信号和实验分析结果表明,该方法可有效增强振动信号的周期性瞬态冲击特征,提取出滚动轴承早期微弱故障特征.     

轴承故障检测的EEMD-RA-KU方法研究

利用滚动轴承故障信号呈现出的冲击特征,提出一种捕捉冲击特征的EEMD-RA-KU轴承故障诊断新方法。将故障信号进行EEMD(ensemble empirical mode decomposition)分解得到的IMF(intrinsic mode function)分量,利用相关分析RA(relative analysis)、峭度KU(kurtosis)联合选择IMF,并利用谱峭度确定滤波器参数对选出的IMF重构信号进行滤波,对滤波后的信号进行包络分析,利用包络谱检测轴承故障。结果表明,该方法能在强噪声背景下提取出轴承的故障特征。     

基于改进EMD与谱峭度的滚动轴承故障特征提取

针对滚动轴承故障信号的调制特点和其需要依靠经验来选择共振高频带的缺点,提出一种改进经验模态分解(EMD)与谱峭度法结合的滚动轴承故障诊断方法。首先,通过EMD将滚动轴承故障信号分解为若干固有模态函数(IMF);然后通过互信息、峭度、互相关性剔除虚假IMF分量,重构故障信号;最后利用谱峭度设计最优带通滤波器,并对滤波后的信号进行包络解调分析,提取滚动轴承故障特征。滚动轴承故障实验信号分析结果表明,改进EMD与谱峭度方法能有效提取滚动轴承故障特征,且比传统包络分析方法更具优势。     

低信噪比下的滚动轴承早期微弱故障识别

低信噪比下的滚动轴承早期微弱故障识别是轴承故障诊断领域的一个难点问题，基于希尔伯特变换解调的包络谱分析法虽是得到广泛工程应用的轴承故障检测经典方法，但其对信噪比过低的轴承早期微弱故障诊断能力不足。针对这一问题，采用时频域高阶统计量——谱峭度开展滚动轴承早期微弱故障识别研究。利用滚动轴承从完好逐渐发展到外圈损伤失效的全寿命周期试验数据进行分析，结果表明：对于轴承出现的早期微弱故障，谱峭度法能够通过识别提取位于高信噪比共振频带的微弱故障信号，实现轴承早期微弱故障识别，相比直接采用包络谱分析法提前了200 min检测出微弱故障。     

基于谱峭度和CEEMD的滚动轴承声信号故障诊断研究

使用声信号来诊断轴承故障越来越受到重视。针对滚动轴承故障信号的强背景噪声特点,提出一种基于谱峭度和互补集合经验模态分解(CEEMD)的故障特征提取方法。该方法首先对滚动轴承声信号进行快速谱峭度计算并进行带通滤波预处理,使滚动轴承声信号变得简单且噪声小,故障冲击成分明显;然后利用CEEMD将滤波信号进行分解运算,得到一系列本征模态(IMF)分量;再利用相关系数法和时域特征指标峰值因子选取包含故障信息最丰富的IMF分量;最后用Hilbert算法包络解调分析选取的IMF分量,得到清晰的故障特征频率。经滚动轴承故障实验分析,该方法可以对滚动轴承故障进行有效的诊断。     

基于小波包和AR谱分析的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳性,提出了一种基于小波包和AR谱分析的滚动轴承故障诊断方法.该方法对系统输出信号进行小波包分解,然后进行重构,再对重构信号进行AR谱分析,从而提取出故障特征频率.试验结果表明,这种方法能有效地提取滚动轴承的故障特征,诊断其故障.     

基于最大相关峭度反褶积的轴承故障诊断方法

针对滚动轴承的故障信号是周期性冲击信号这一特性,提出了最大相关峭度反褶积(maximum correlated kurtosis deconvolution,简称MCKD)与谱峭度(spectral kurtosis,简称SK)结合的滚动轴承早期故障诊断方法,即MCKD-SK法。利用MCKD方法可以有效提取滚动轴承早期故障信号中被噪声淹没的周期冲击成分,抑制信号中的噪声,实现信号降噪,提升原信号的峭度。利用SK方法可以选择合理频带,将信号中的低频信息从高频信息中解调出来。通过仿真与实际监测数据的分析和验证,证明MCKD-SK方法可以准确有效地诊断滚动轴承的早期故障,可用于滚动轴承早期故障的在线监测。     

基于EMD和峭度的Hilbert包络解调在滚动轴承故障诊断中的应用分析

针对直接运用快速傅里叶变换（FFT）无法有效提取具有非线性非平稳特性的滚动轴承振动信号故障特征频率的问题,提出了一种基于经验模式分解和峭度指标的Hilbert包络解调方法.首先对滚动轴承的振动信号进行了经验模式分解（EMD）,得到了包含轴承故障特征信息的各阶本征模态函数（IMF）,再计算各阶IMF的峭度值,选取了峭度值较大的几阶IMF分量重构信号,并对重构信号进行了Hilbert包络解调分析,从而获得了滚动轴承的准确故障特征信息.分别对仿真模拟信号和实际滚动轴承发生内圈故障的振动信号进行了分析,清晰地得到了故障特征频率.研究结果表明,利用融合EMD、峭度系数和Hilbert包络解调的诊断方法能够快速、准确地提取滚动轴承的故障特征频率,从而可以对滚动轴承进行有效地故障诊断.     

基于改进最大相关峭度解卷积的滚动轴承复合故障诊断

强背景噪声环境下,多故障特征的准确分离是滚动轴承复合故障诊断的关键与难点。针对此问题,提出了一种改进最大相关峭度解卷积的滚动轴承复合故障诊断方法。该方法基于故障信号的特点,利用最大相关峭度解卷积实现信号中的多故障特征分离,借助改进的粒子群算法对参数进行优化选取;利用互相关谱进一步突出信号中的故障特征,提高信噪比。仿真信号和实测滚动轴承内、外圈复合故障信号的分析表明,所提方法能够准确提取出滚动轴承复合故障特征,借助互相关谱的噪声抑制能力,能实现比单一MCKD方法更为有效的故障特征提取。     

Rolling bearing composite fault diagnosis method based on EEMD fusion feature

Aiming at the problem that the composite fault vibration signal of rolling bearing is complex and it is difficult to effectively extract the impact characteristics of the composite fault, a composite fault diagnosis method of rolling bearing based on multi-scale fuzzy entropy feature fusion is proposed. Compared with traditional fault feature extraction methods that can only extract single fault feature information, this method can increase the discrimination of composite fault features, effectively separate multiple composite fault features, and more comprehensively characterize composite fault feature information. First, the signal is processed by EEMD, getting a series of IMF components. Secondly, the energy and kurtosis index of the IMF component are calculated, the appropriate IMF component is selected through the correlation coefficient to obtain a new time series, the multi-scale fuzzy entropy is calculated, and feature fusion performed. Finally, the least square support vector machine is used to diagnose the fault of the fusion feature. The method is verified by a mechanical failure simulation test bench. The experimental results show that this method can quantitatively characterize the data information of fault signal, improve the anti-interference ability, have good feature extraction ability of composite fault of rolling bearings, and can effectively identify the type of composite fault. Compared with the method using multi-scale fuzzy entropy, energy and kurtosis index alone, the accuracy of fault diagnosis increases by 8.12 % and 11.65 %, respectively.

     

IEWT和FSK在齿轮与滚动轴承故障诊断中的应用

改进的经验小波变换方法(improved empirical wavelet transform,简称IEWT)是一种新的自适应性信号处理方法,将这种方法和快速谱峭度(fast spectral kurtosis,简称FSK)相结合,进行齿轮与滚动轴承的故障诊断。首先,采用IEWT对信号进行分解,筛选出故障特征最为明显的2个分量并重构信号;其次,对重构信号进行快速谱峭度滤波;最后,对滤波后的信号进行包络谱分析,提取出信号的故障特征。分析齿轮断齿及滚动轴承故障信号,与直接包络谱和基于EMD经验模态分解(empirical mode decomposition,简称EMD)方法的FSK滤波包络谱分析方法相比可知,采用IEWT处理后再进行FSK滤波的信号进行包络谱分析更具有区分性,可有效识别齿轮和滚动轴承的故障特征。     

基于改进EMD和谱峭度法滚动轴承故障特征提取

针对滚动轴承故障信号的强背景噪声特点,提出一种基于改进经验模态分解(empirical mode decomposition,简称EMD)与谱峭度法的滚动轴承故障特征提取方法.首先,利用EMD方法对原故障信号进行分解,得到若干平稳固有模态分量(intrinsic mode function,简称IMF);然后,采用灰色关联度与互信息相结合方法剔除传统EMD分解结果中存在的虚假分量;最后,运用谱峭度法和包络解调方法对真实IMF分量进行分析,提取故障特征频率.通过对实际滚动轴承故障信号的应用表明,该方法可有效地提取滚动轴承故障特征,且能够取得比传统包络解调分析更好的效果.     

基于WAEEMD和MSB的滚动轴承故障特征提取

针对调制信号双谱（MSB）方法仅能处理平稳信号的不足,提出了一种基于加权平均集成经验模态分解（WAEEMD）和MSB的滚动轴承故障特征提取方法。首先,利用WAEEMD将滚动轴承的非平稳振动信号分解成一系列具有平稳特性的固有模态函数（IMF）;然后,开发了一种基于Teager能量峭度（TEK）的加权平均方法以强调敏感IMF的重要性,并将加权后的IMF重构为WAEEMD滤波信号;最后,应用MSB分解WAEEMD滤波信号中的调制分量并提取故障特征频率。仿真和实验结果表明,相对于快速谱峭度（FK）和EEMD-MSB方法,WAEEMD-MSB方法能更准确地获取故障特征,从而验证了WAEEMD-MSB方法的有效性。     

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。