改进的TQWT在滚动轴承早期故障诊断的应用

针对滚动轴承早期故障特征信息十分微弱难以提取以及可调品质因子小波变换(tunable Q-factor wavelet transform,简称TQWT)参数设置依赖使用者经验的问题,提出改进的TQWT的滚动轴承早期故障诊断方法。首先,设定Q因子的区间范围,利用TQWT对滚动轴承故障振动信号进行分解得到若干个分量;其次,对各分量进行包络导数能量算子解调,在能量谱中根据特征频率强度系数这一指标自适应地确定TQWT的最佳分解参数,实现对故障信号的最优分解;最后,通过对最佳分量的包络导数能量谱分析即可准确地提取到轴承故障特征信息。通过对仿真信号、实验数据以及工程案例分析表明,该方法能够有效提取滚动轴承早期微弱故障特征并准确判断出滚动轴承故障类型,具有一定的工程应用价值。     

载荷影响下的机电阻抗协整结构损伤识别方法

针对滚动轴承早期故障特征信息十分微弱难以提取以及可调品质因子小波变换(tunable Q-factor wavelet transform，简称TQWT)参数设置依赖使用者经验的问题，提出改进的TQWT的滚动轴承早期故障诊断方法。首先，设定Q因子的区间范围，利用TQWT对滚动轴承故障振动信号进行分解得到若干个分量；其次，对各分量进行包络导数能量算子解调，在能量谱中根据特征频率强度系数这一指标自适应地确定TQWT的最佳分解参数，实现对故障信号的最优分解；最后，通过对最佳分量的包络导数能量谱分析即可准确地提取到轴承故障特征信息。通过对仿真信号、实验数据以及工程案例分析表明，该方法能够有效提取滚动轴承早期微弱故障特征并准确判断出滚动轴承故障类型，具有一定的工程应用价值。     

基于VMD与增强包络谱的轴承早期故障诊断方法

针对滚动轴承的早期故障信号容易受到噪声的干扰,造成信号的信噪比较低等问题,结合VMD和增强包络谱两种算法的优势,提出了一种基于遗传算法优化VMD与增强包络谱的轴承故障诊断方法。首先,使用包络熵与平方包络谱峭度的组合作为遗传算法的适应度函数,对变分模态分解的参数进行了寻优,得到了最优的模态分量个数和惩罚因子组合;然后,使用最优参数组合对轴承故障信号进行了变分模态分解,得到了若干模态分量,并选择了最小适应度值对应的最优模态分量;最后,为验证该方法的有效性,采用无刷直流电机轴承和全寿命加速退化轴承两种实测信号进行了轴承故障类型识别分析。研究结果表明：相比传统方法,采用基于VMD与增强包络谱的方法,其输出信噪比平均提升了5.94 dB,对于全寿命轴承退化数据可提前600 min识别出轴承的早期故障;该方法具有输出信噪比高、适应性好等优点,在轴承的微弱信号检测和早期故障识别方面具有较好的应用前景。     

基于VMD和快速谱峭度的滚动轴承早期故障诊断

针对滚动轴承故障发生初期,故障冲击特征微弱难以识别以及共振解调中带通滤波器参数难以选择的问题,提出了基于变分模态分解与快速谱峭度的轴承早期故障特征提取方法。首先采用VMD对轴承早期故障信号进行预处理,依据峭度准则选取峭度值较大的分量进行重构;然后应用快速谱峭度法确定滤波器最优参数,使用带通滤波器对重构信号进行降噪处理;最后应用Hilbert解调方法对消噪后信号进行包络解调,分析包络谱得到诊断结果。对仿真信号和轴承试验数据的诊断分析表明,该方法可有效识别出早期故障信号。     

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FOA的变分模态分解在轴承故障诊断中的应用

变分模态分解(VMD)广泛应用于故障诊断中,从振动信号中提取故障特征是故障诊断过程中的关键部分。针对强背景噪声和脉冲干扰下滚动轴承早期故障特征难以提取的问题,提出了一种新的基于果蝇优化算法(FOA)的变分模态分解的轴承故障诊断方法。首先,利用果蝇优化算法自适应优化VMD的惩罚参数α和分解数K,获取最优参数组合;然后,对信号进行VMD分解,得到K个模态分量;最后,基于峭度最大化准则选取最优模态分量进行包络解调分析,提取出故障特征频率。通过仿真信号分析、实际故障轴承信号验证以及与基于果蝇优化算法的多分辨奇异值分解(MRSVD)方法进行对比,证明了所提方法的有效性。     

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PSO-VMD-MCKD方法的风机轴承微弱故障诊断

针对风机滚动轴承微弱故障信号所具有的非线性和非平稳特征及易被强背景噪声掩盖的特点,提出了一种变分模态分解(variational modal decomposition,简称VMD)和最大相关峭度解卷积(maximum correlated kurtosis deconvolution,简称MCKD)相结合的滚动轴承微弱故障诊断方法。为实现VMD和MCKD的参数自适应选择,采用粒子群优化算法(particle swarm optimization,简称PSO),对两种算法中的参数进行优化。首先,利用PSO优化VMD算法中的α和K,再基于VMD对微弱故障信号分解后的结果,选取最优模态分量;其次,利用PSO优化MCKD算法中的L和T,再基于MCKD算法加强最优分量信号中的故障冲击成分;最后,通过包络谱提取出轴承微弱故障特征。仿真和试验均表明,此方法能够自适应增强轴承微弱故障中的冲击成分,有效提取出被强噪声淹没的轴承微弱故障特征。     

可变负载的准零刚度隔振器特性

针对风机滚动轴承微弱故障信号所具有的非线性和非平稳特征及易被强背景噪声掩盖的特点，提出了一种变分模态分解(variational modal decomposition, 简称VMD)和最大相关峭度解卷积(maximum correlated kurtosis deconvolution, 简称MCKD)相结合的滚动轴承微弱故障诊断方法。为实现VMD和MCKD的参数自适应选择，采用粒子群优化算法(particle swarm optimization, 简称PSO)，对两种算法中的参数进行优化。首先，利用PSO优化VMD算法中的α和K，再基于VMD对微弱故障信号分解后的结果，选取最优模态分量；其次，利用PSO优化MCKD算法中的L和T，再基于MCKD算法加强最优分量信号中的故障冲击成分；最后，通过包络谱提取出轴承微弱故障特征。仿真和试验均表明，此方法能够自适应增强轴承微弱故障中的冲击成分，有效提取出被强噪声淹没的轴承微弱故障特征。     

自适应MCKD和VMD在行星齿轮箱早期故障诊断中的应用

针对行星齿轮箱早期故障信号微弱且受强背景噪声影响,致使故障信号特征频率难提取,通过自适应最大峭度解卷积（MCKD）和变分模态分解（VMD）进行早期故障特征提取。首先,利用变步长搜索,以峭度值为评判标准,搜索最优滤波器长度L;然后,将信号通过优化后的自适应MCKD算法降噪;最后,利用VMD分解降噪信号,通过包络谱进行分析,寻找故障特征频率。经仿真信号和实验信号验证,这里所提方法能够有效地提取出强噪声背景下的行星齿轮箱故障特征。     

基于瞬时包络尺度谱熵的滚动轴承早期故障奇异点识别及特征提取

滚动轴承故障信号具有较强的非平稳特性,并且极易受齿轮等噪源污染,故障特征信息微弱,特别当滚动轴承处于故障早期,上述问题尤为严重。针对这一难点,提出基于瞬时包络尺度谱熵的滚动轴承早期故障奇异点识别及特征提取方法。应用重分配尺度谱对轴承的包络信号进行时频分解,计算每一时刻的功率谱熵,以获取信号的瞬时包络尺度谱熵(Instantaneous envelope scalogram entropy,IESE),则信号IESE曲线发生畸变的位置,即是轴承故障表征最为明显的时刻,进而可以提取轴承故障信号的最优故障表征时段(Optimal fault characterization phase,OFCP),应用包络解调和包络尺度谱分析OFCP,以提取轴承故障特征频率。实测信号分析结果表明,该方法能有效提取轴承故障早期的微弱故障特征信息。     

参数自适应TVF-EMD的滚动轴承故障诊断

针对目前出现的时变滤波经验模式分解(TVF-EMD)在滚动轴承故障特征提取中参数选择难的问题,提出了一种参数自适应TVF-EMD方法。首先利用粒子群优化(PSO)算法对TVF-EMD影响最大的参数组合进行优化,获得最佳的参数组合,并对故障信号进行TVF-EMD分解。然后筛选经分解故障信号获得的敏感固有模态函数(IMF),并进行包络解调运算。最后根据包络谱判断滚动轴承的故障。分别利用TVF-EMD、集合经验模式分解(EEMD)和变分模态分解(VMD)方法对仿真信号进行分析,表明TVF-EMD方法具有更优越的分解性能。利用参数自适应TVF-EMD方法对滚动轴承故障信号进行分析,表明参数自适应TVF-EMD方法可有效识别滚动轴承故障。     

基于自适应复平移Morlet小波的轴承包络解调分析方法

针对滚动轴承的传统包络解调分析技术需要人工选择参数的缺点,提出一种自适应包络解调分析方法。该方法针对轴承故障在振动信号中表现为冲击衰减波形的特点,采用复平移Morlet小波实现冲击特征波形的自动提取。同时,基于小波系数峭度值最大的优化策略,给出Morlet小波基函数的中心频率和包络因子的优化方法,从而实现与冲击特征成分的最优匹配,获得较好的包络信号。对模拟信号和实际轴承故障数据的应用分析表明,该方法通过对基函数波形的优化匹配,可以有效地解调出弱故障特征分量,效果优于普通的复平移Morlet小波变换,适合于轴承的早期故障特征提取。     

基于参数自适应特征模态分解的滚动 轴承故障诊断方法

针对强背景噪声下轴承故障信息难以有效提取的问题,提出一种基于参数自适应特征模态分解的滚动轴承故障诊断方 法。 首先,为了克服原始特征模态分解(FMD)需要依赖人为经验设定关键参数而不具有自适应性的缺点,提出基于平方包络 谱特征能量比(FER-SES)的网格搜索方法自动地确定 FMD 的模态个数 n 和滤波器长度 L;随后,采用参数优化的 FMD 将原轴 承振动信号划分为 n 个模态分量,并选取具有最大 FER-SES 的模态分量为敏感模态分量;最后,通过计算敏感模态分量的平方 包络谱来提取故障特征频率,从而判别轴承故障类型。 通过仿真信号和工程案例分析验证了提出方法的有效性。 与变分模态 分解(VMD)和谱峭度方法(SK)相比,提出方法具有更好的故障特征提取性能。     

滚动轴承故障诊断的自适应包络谱谱峰因子算法

表征滚动轴承故障特征的周期性冲击,特别是在故障早期阶段,常常被噪声和其它结构振动所淹没,从而难以辨别。共振解调被广泛用于滚动轴承故障冲击特征提取,但其滤波频带的参数选择常需要一定的先验知识。针对现有的频带优化方法的不足,本文提出一种基于包络谱谱峰因子和复平移Morlet小波滤波的自适应共振解调方法-自适应包络谱谱峰因子算法。包络谱谱峰因子(Crest factor of envelope spectrum,CE)定义为包络谱在一定范围内的最大值和有效值之比,能有效度量信号中周期性冲击强弱,结合粒子群优化算法的寻优特性,对Morlet小波滤波器中心频率和带宽参数进行优化。将包络谱谱峰因子作为适应度函数来比较不同参数组合下的滤波效果,根据适应度函数值最大原则选取Morlet小波滤波器参数。仿真信号、实验信号以及工程实际信号分析验证了该方法在共振解调最优频带选取中的有效性和优越性。     

IVMD融合奇异值差分谱的滚动轴承早期故障诊断

针对滚动轴承早期故障阶段存在特征信号微弱、故障识别相对困难的问题,提出了融合改进变分模态分解和奇异值差分谱的诊断方法。原始信号经改进变分模态分解方法处理后,被分解为若干本征模态函数分量,利用包络谱稀疏度指标筛选出最佳分量构造Hankel矩阵并进行奇异值分解,求取奇异值差分谱后,根据差分谱中的突变点重构信号,最终通过分析信号的包络谱可判断轴承的故障类型。利用改进变分模态分解融合奇异值差分谱的方法对轴承故障模拟及实测信号进行分析,均成功提取出微弱特征信息,能够实现滚动轴承早期故障的有效判别,具有一定的可靠性和应用价值。     

MED与TQWT相结合的滚动轴承早期故障特征提取

针对滚动轴承早期故障冲击特征微弱且故障信息难以识别的问题,提出了一种最小熵解卷积(MED)与可调品质因子小波变换(TQWT)相结合的滚动轴承早期故障冲击特征提取方法 .由于(MED)能够突出信号中的冲击特征成分,首先对振动信号进行MED预处理,使受到传输路径影响的微弱冲击成分得到一定程度的增强.再利用TQWT对预处理后的信号进行分解重构,得到若干个子带信号.对比不同品质因子Q下的各子带信号峭度值,根据峭度最大原则确定子带中的最佳分量并对其进行包络谱分析,从而根据轴承故障特征频率确定轴承健康状态.仿真信号验证了所提方法的有效性,实验信号表明了该方法在轴承早期故障诊断中具有一定的优势.     

基于VMD的自适应随机共振在滚动轴承早期故障检测中的应用

针对滚动轴承早期微弱故障难以检测的问题,提出一种基于变分模态分解(Variational mode decompsition,VMD)的自适应随机共振轴承故障检测方法。首先对滚动轴承的振动故障信号进行VMD分解,得到有限个本征模态函数(Intrinsic mode function,IMF),选取包含故障特征的IMF分量并进行信号重构;将重构信号输入随机共振系统,采用以改进加权峭度为目标函数的量子粒子群算法,优化系统结构参数,得到最佳共振输出,从而实现降噪和增强故障特征的目的,最后通过输出信号的自相关包络谱提取故障特征频率。实测数据的分析结果验证了该方法的有效性和优势。     

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MED和变分模态分解的滚动轴承早期故障诊断方法

针对滚动轴承早期微弱故障特征容易淹没于环境噪声中而难以提取的问题,提出了最小熵解卷积(MED)降噪和变分模态分解(VMD)相结合的滚动轴承早期故障诊断方法。首先以峭度最大为准则利用MED对轴承振动信号进行降噪处理,然后采用新的高精度多分量信号分解方法——VMD将降噪信号分解为若干个分量,最后通过分析最大峭度分量包络谱中故障频率成分诊断轴承故障。轴承实验分析结果表明了该方法的有效性。