级联分段线性随机共振的微弱信号检测

针对强背景噪声下微弱信号检测困难的问题,提出了一种级联分段线性随机共振的微弱信号增强检测方法。该方法采用分段线性随机共振模型,避免了经典双稳系统对强噪声下弱信号提取时存在的饱和现象,同时,选用的分段线性系统的级联方式可使高频噪声被有效滤掉,低频信号能量不断增强。仿真信号和滚动轴承故障信号的检测结果表明,该方法可以适应更低信噪比信号的检测,参数调节方便,检测结果优于级联双稳系统,具有良好的工程应用前景。     

采用粒子群算法的冲击信号自适应单稳态随机共振检测方法

针对冲击信号阱内共振的特点、随机共振系统参数合理选取缺乏有效的理论依据以及传统自适应随机共振单参数优化的不足,提出一种基于粒子群算法(Particle swarm optimization,PSO)的多参数同步优化自适应单稳态随机共振方法.该方法采用单稳态随机共振模型,避免了经典双稳系统势阱间的共振跃迁,并选用单稳态系...     

参数调节随机共振在机械系统早期故障检测中的应用

随机共振是一种利用噪声使微弱信号增强传输的非线性现象,与线性方法相比能够检测更低信噪比的信号.为了准确捕捉表征机械早期故障的特征信号,在分析双稳系统参数及检测信号幅值对随机共振检测性能影响规律基础上,以输入信噪比为变量、信噪比增益为信号增强程度衡量指标,提出一种自适应调节系统参数的随机共振微弱信号检测新方法,讨论了该方法的基本原理及实现步骤.将该方法用于转子碰摩故障早期检测,结果表明该方法简单稳健、实时性好,在短数据条件下能把信噪比较低的周期信号从强背景噪声中可靠地提取出来.     

基于MOMEDA与CS自适应随机共振的滚动轴承微弱故障特征提取

针对调节非线性系统参数的取值会影响输出信噪比(SNR)的大小这一现象,采用信噪比(SNR)作为随机共振输出评价指标,提出将多点优化最小熵解卷积调整(Multipoint Optimal Minimum Entroy Deconvolution Adjusted,MOMEDA)与布谷鸟自适应随机共振相结合的方法来提取微弱故障特征频率,仿真分析表明将MOMEDA作为随机共振前处理能够显著提升故障微弱信号,而实验实例验证进一步表明将MOMEDA方法与随机共振相结合能有效地从存在强噪声的信号中提取弱故障信号的特征频率,从而实现滚动轴承弱故障的诊断.     

基于幂函数型双稳随机共振的故障信号检测方法

在实际的故障诊断中,有用信号经常淹没在噪声中,特征信息提取非常困难。为了提取强噪声背景中的微弱信号,将幂函数型单势阱模型与Gaussian Potential模型相结合提出一种新型的双稳随机共振系统,称为幂函数型双稳随机共振系统。首先,以平均信噪比增益为衡量指标,提出一种寻找最优系统参数组合的算法,使微弱信号、噪声及系统产生最佳的共振效果;然后,基于幂函数型双稳随机共振系统对Levy噪声背景下的仿真信号进行检测;最后提出一种基于小波变换和幂函数型双稳随机共振的微弱信号检测方法并应用于轴承故障信号检测中。仿真实验表明,幂函数型双稳随机共振模型在故障信号检测中是有效和可靠的。     

并联基追踪稀疏分解在齿轮箱弱故障诊断中的应用

为了提取齿轮箱振动信号淹没在强背景噪声中的早期微弱冲击故障信息,先利用不同长度的窗函数的短时傅里叶变换对信号进行稀疏分解,得出初始分解系数,再利用并联基追踪对处理得到的系数进行优化处理,最后对得到的系数进行重构,分别得到信号的持续振荡成分及故障冲击成分,进一步对故障冲击成分分析得出诊断结果。仿真信号分析及应用实例分析结果表明了算法的可行性及有效性,为强噪声环境下的机械故障信号提取提供了一种新的思路。     

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。     

基于多稳随机共振的机电设备故障诊断研究

针对机械轴承早期故障诊断提出了多稳随机共振检测方法。分析了系统参数对多稳系统结构的影响,研究了高斯噪声背景下基于多稳随机共振的微弱信号检测方法。采用平均输出信噪比作为衡量指标,以多频微弱信号为待测信号进行数值仿真,并将其应用于滚动轴承故障信号检测中,实验结果均表明,该方法对早期故障振动信号具备准确的诊断能力,为其应用于工程实践奠定了基础。     

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。     

基于小波包和积分补偿调参随机共振在轴承故障检测中的应用

针对随机共振只适用于解决轴承早期单一频段故障微弱信号以及小参数随机共振系统难以检测多频段大参数输入信号的问题,提出了一种小波包和积分补偿法调节多频段大参数以实现随机共振。利用小波包变换法对多频微弱含噪信号进行分离,得到高频细节信号和低频近似信号,再利用积分补偿算法得到补偿系数,并对模型中的非线性方程进行积分补偿;由积分补偿方程建立新的非线性共振系统模型,利用新模型进行随机共振动态响应并输出其频谱,获得信号故障信息。通过对实验室采集的轴承径向振动信号分析,可以有效获得轴承故障特征频率,仿真与实验验证了理论方法的正确性。     

基于时延约束势随机共振的机械故障诊断方法研究

在实际工作环境中,机械设备的有用信号通常很微弱,并会被淹没在强噪声中,导致其故障特征很难被提取出来,针对这一问题,提出了一种基于时延约束势随机共振的机械故障信号检测方法。首先,建立了时延约束势随机共振模型,描述了其势函数的结构和功能特点,从理论上推导了输出信噪比的数学表达式,并研究了系统参数、时延长度和反馈强度对信噪比和噪声强度关系的影响;然后,利用蚁群算法的参数优化能力,实现了随机共振系统的最佳匹配;最后,将提出的方法应用于仿真故障信号和实际滚动轴承的外圈故障信号的诊断实验中,并将结果与双稳态随机共振方法获得的结果进行了对比。研究结果表明:在故障频率为60 Hz和143.08 Hz时,相比于经典的双稳态随机共振方法,所提出的时延约束势随机共振方法具有更高的频谱峰值,并且其受噪声干扰较小,故障识别效果更明显;该结果可以提高滚动轴承等机械设备的微弱故障诊断能力。     

基于变尺度随机共振的弱周期性冲击信号的检测

以绝热近似小参数的随机共振理论为依据，采用变尺度的方法实现大参数条件下的随机共振。通过调整变尺度随机共振Langevin方程的参数，成功地在强噪声背景下检测出微弱的周期性冲击信号。实验结果表明，该方法在回转类机械的振动信号分析中具有重要的实用价值。     

自适应随机共振新方法及其在故障诊断中的应用

系统参数的选择对随机共振方法的优劣起着决定性的作用。已有的随机共振方法在选择参数过程中存在着致命的问题,例如人为主观选择参数,或者只对单一参数进行自适应优化,而忽略了参数之间的交互作用。为了解决以上问题,提出一种新的自适应随机共振方法。与已有方法相比,该方法的优势在于利用蚁群算法优良的寻优特性,能并行选择和优化随机共振系统的多个参数,考虑了参数之间的交互作用,自适应地实现与输入信号最佳匹配的随机共振系统。因此该方法解决了已有方法在参数选择中存在的问题,从而能更有效地削弱信号中的噪声并增强微弱特征,实现早期故障准确诊断。通过仿真试验和机车轴承早期故障诊断的工程应用,表明提出的方法在微弱特征检测与早期故障诊断中取得了比已有方法更好的效果。     

冲击信号的随机共振自适应检测方法

针对冲击信号的检测问题,在分析峭度指标和互相关系数衡量冲击信号的优势与不足的基础上,构造加权峭度指标.该指标兼顾两者的优势,弥补它们各自的不足.将加权峭度指标与变尺度随机共振相结合,提出了一种冲击信号的自适应随机共振检测算法,该算法被用于仿真冲击信号与实际工程中的微弱冲击信号的检测,结果表明所提方法有效提高了信噪比,还避免了漏峰现象.同时,所提的优化指标与随机共振算法独立,对其他冲击信号自适应算法也有参考价值.     

基于自适应随机共振和稀疏编码收缩算法的齿轮故障诊断方法

针对强背景噪声下齿轮故障冲击特征提取问题,提出了一种基于自适应随机共振和稀疏编码收缩算法的齿轮故障诊断方法。该方法选用相关峭度作为随机共振检测周期性冲击分量的测度函数,借助遗传算法实现信号中周期性冲击特征的自适应提取;在此基础上,利用稀疏编码收缩算法对随机共振检测结果做进一步降噪处理,从而凸显冲击特征,提高故障识别精度。试验和工程实例分析结果表明,该方法可实现齿轮故障冲击特征的增强提取,为齿轮故障诊断提供依据。     

基于参数优化MCKD的行星齿轮箱微弱故障诊断研究

针对行星齿轮箱在故障早期时振动信号比较微弱,受噪声污染严重、且传递路径复杂多变,实际情况下故障特征难以准确提取与分离的问题,提出了基于参数优化最大相关峭度解卷积(MCKD)的微弱故障特征提取方法。首先通过最大相关峭度解卷积对原始信号进行了降噪处理,设置了峭度和自相关峰态系数作为筛选准则,对算法参数组合进行了优化选取,检测周期性故障冲击特征;然后对降噪后的信号进行了希尔伯特包络谱分析,从而获得了准确故障特征频率。仿真信号和实验数据分析结果表明:该方法对于强背景噪声下的行星齿轮箱微弱故障诊断具有良好的效果,有效抑制了噪声干扰,成功提取了故障特征。     

滚动轴承自适应特征提取的包络谱多点峭度多级降噪方法

滚动轴承故障信号主要包含高品质因子振动分量和低品质因子瞬态冲击分量。采用多点最优最小熵解卷积方法初步削弱传输路径等干扰影响,使微弱瞬态冲击成分得到初步增强,然后针对共振稀疏分解(RSSD)方法存在的品质因子选择困难问题,同时考虑包络谱中故障频率成分的严格周期性,提出包络谱多点峭度(ESMK)概念并将其作为优化指标,采用粒子群优化算法(PSO)对品质因子进行选择,得到一种自适应稀疏分解方法（PSO-RSSD）用于瞬态冲击信号的提取,以消除信号中高幅值干扰冲击和背景噪声的影响。轴承仿真与实测信号分析结果表明,与最小熵解卷积信号共振稀疏分解方法相比,在强冲击干扰下ESMK能够有效度量周期性瞬态冲击,PSO-RSSD方法能自适应分离最优低品质共振分量,验证了该方法的有效性和优越性。     

采用知识的粒子群算法的多频微弱信号自适应随机共振检测方法

调参随机共振系统结构参数的选择对该检测方法的性能优劣起着决定性的作用。针对工程应用中对多频微弱信号实时检测的要求,提出以平均输出信噪比为适应度函数,将随机共振系统产生最佳共振效应时势垒与噪声强度大致相等这一特性作为知识,采用基于知识的粒子群算法来并行优化随机共振系统结构参数。与标准粒子群算法相比,该算法能以更快的速度得到最佳的系统结构参数,自适应地实现非线性系统、输入信号和噪声之间的最佳匹配,削弱多频含噪信号中的噪声,提高信号的输出信噪比。仿真试验和水轮机振动信号提取的工程应用均表明,该方法参数寻优效率高,简单易行,在采样点数较少的条件下能最优地检测出淹没在强噪声中的多频微弱信号,可以实现早期故障特征信号的提取。     

刀具磨损早期故障智能诊断研究

针对刀具的早期故障监测中因存在强烈的背景噪声而难以提取故障特征的问题,提出了基于二次采样随机共振消噪和B样条神经网络智能识别的故障诊断方法。首先利用在随机共振过程中,噪声增强振动信号的信噪比特性,将刀具振动信号进行随机共振输出,提取有效特征,再输入到B样条神经网络进行智能识别,进而获得刀具的磨损值。同时,为了得到与输入信号最佳匹配的随机共振参数,提出了基于遗传算法的多参数同步优化的自适应随机共振算法,克服了传统随机共振系统只实现单参数优化的缺点。实验结果表明,该方法能实现弱信号检测,能有效地应用于刀具磨损故障诊断中。     

二阶系统普通变尺度随机共振及轴承故障诊断

针对传统随机共振方法难以实现系统最优输出的问题,提出了基于二阶欠阻尼和一阶过阻尼双稳态系统的普通变尺度随机共振方法,利用量子粒子群优化算法实现了自适应随机共振,提高了轴承故障诊断效率。基于数值模拟讨论了时间尺度、阻尼因子、噪声强度和系统参数对输出信噪比的影响。应用提出的方法对两组轴承故障振动信号进行了分析。结果表明,二阶欠阻尼系统普通变尺度自适应随机共振对微弱故障信号的检测效果优于一阶过阻尼系统普通变尺度自适应随机共振,且二阶欠阻尼系统对噪声的抑制和利用能力更强,故障频率处的幅值明显增大,提高了输出信噪比,在轴承故障诊断应用中具有优越性。