瞬态成分参数的最小二乘法辨识及其轴承故障特征提取应用

机械系统中轴承出现剥落、裂纹等局部故障,运行时振动信号中出现瞬态冲击响应成分,可通过瞬态成分的检测与提取实现故障特征提取。在瞬态成分建模的基础上,提出基于最小二乘法的瞬态成分参数辨识方法,并将其应用于轴承局部故障时振动信号中瞬态成分特征迭代提取。基于Morlet小波参数化表达式建立双边不对称的瞬态成分模型,应用Levenbery-Marquardt方法辨识模型参数,迭代提取信号中的瞬态成分,并通过Wigner-Ville分布获得瞬态成分高聚集性且瞬态成分之间无交叉项的故障特征时频表示。将基于最小二乘法的瞬态成分参数辨识方法应用于轴承局部故障特征提取,结果表明:该方法能通过参数辨识提取各瞬态成分,瞬态成分时频分布将故障的时频特征以高聚集性且瞬态成分之间无交叉项的形式表示出来,从而有效提取轴承故障特征。     

瞬态成分Laplace小波稀疏表示及其轴承故障特征提取应用

机械系统中轴承局部故障会导致振动信号中出现瞬态冲击响应成分,可通过对瞬态成分的分析与提取实现故障特征的提取。稀疏表示是强背景噪声下微弱特征提取的有效方法之一,在信号稀疏表示理论的基础上,针对冲击响应信号的特点,提出其在Laplace小波基底下的稀疏表示,并应用于轴承局部弱故障状态下振动信号中瞬态冲击成分的提取。在选定匹配基底函数的前提下,运用分裂增广拉格朗日收缩算法求解基追踪去噪(Basis pursuit denoising,BPD)问题,将信号中的瞬态冲击成分转化为一系列稀疏表示系数,实现强背景噪声下弱特征的有效提取。仿真信号和轴承微弱故障下的特征提取表明提出的方法能有效地检测和提取强背景噪声下的微弱故障。     

改进的共振稀疏分解方法及其在滚动轴承复合故障诊断中的应用

滚动轴承复合故障信号中各故障特征受到传输路径和其他干扰源的影响,在多缺陷共存条件下提取单个缺陷诱发的故障特征存在困难。提出一种基于双参数优化、子带重构改进的共振稀疏分解(RSSD)滚动轴承复合故障诊断方法：首先利用人工鱼群算法自适应选择RSSD的品质因子和分解层数以构造与故障特征匹配的最优小波基,获得包含瞬态冲击的低共振分量;然后依据提出的子带筛选准则选择并重构低共振分量中包含瞬态冲击成分的最佳子带;最后通过多点最优最小熵反卷积（MOMEDA）方法识别并提取重构信号中周期性故障冲击。仿真信号和轴承全寿命周期复合故障信号分析结果表明,与RSSD-MCKD方法相比,所提出方法能有效提取复合故障信号中各故障特征,精确实现轴承复合故障诊断。     

多源稀疏优化方法研究及其在齿轮箱复合故障检测中的应用

齿轮箱因其工作环境恶劣,极易出现复合故障,其故障振动信号往往包含多种成分且伴随着强烈的背景噪声,给齿轮箱故障诊断带来了很大的困难.稀疏分解能够在强背景噪声下有效地提取微弱故障特征,针对传统稀疏分解方法存在信号保真能力欠缺,目标函数非凸导致局部最优解,模型通用性差等问题,基于广义极小极大凹(Generalized minimax concave,GMC)惩罚函数推导构建了具有保凸性的多源稀疏优化目标函数,并利用前向后向分裂(Forward-backwardsplitting,FBS)算法,基于Laplace小波字典,Morlet小波字典与DFT字典分别求解轴承瞬态成分,齿轮瞬态成分,谐波成分的稀疏表示,最终实现各成分的准确提取.仿真信号和试验信号的分析均验证了所提出的模型能够在不需要故障具体数目的先验知识下,准确实现齿轮箱复合故障的信号分解和故障诊断.     

自适应谱峭度滤波方法及其振动信号检测应用

谱峭度滤波方法是一种在强背景噪声下也能有效提取振动信号中瞬态成分的方法。笔者针对谱峭度滤波方法中窗宽的自适应选择问题,提出一种自适应谱峭度滤波方法。该方法将小波相关滤波提取的振动信号特征频率作为Morlet小波滤波窗口中心频率,并按最大谱峭度原则自适应选择滤波小波窗口宽度,以确定最优带宽Morlet小波窗。通过强背景噪声下的瞬态成分的提取验证该方法的有效性,并与窗口融合自适应谱峭度滤波方法进行比较。针对轴承故障振动信号检测,应用该方法提取反映轴承故障的冲击响应成分,说明该方法能够实现轴承故障振动特征信号的提取。     

基于改进Laplace小波和改进卷积神经网络的压裂车动力端轴承故障识别

在强背景噪声工况下,压裂车动力端轴承振动信号故障特征较微弱,导致轴承故障诊断的准确率较低。针对这一问题,提出了一种基于改进Laplace小波(ELW)和改进卷积神经网络(ECNN)的压裂车动力端轴承故障识别方法。首先,采用了一种Laplace小波振荡频率参数选取策略,使Laplace小波搜寻到了最佳频率参数;然后,采用改进Laplace小波,对采集到的压裂车动力端轴承故障振动信号进行了降噪处理,并在卷积神经网络(CNN)的基础上引入了自注意力机制和编码器、解码器结构,设计出了改进卷积神经网络(ECNN)模型;最后,将压裂车动力端轴承降噪后的信号输入改进卷积神经网络,进行了自动特征提取和故障识别;为了验证该方法的有效性和先进性,将其与其他方法(模型)进行了对比分析。研究结果表明：采用基于改进Laplace小波与和改进卷积神经网络的方法(模型),对压裂车动力端轴承故障进行识别的准确率可高达99.67%,单个样本的测试时间仅为0.14 s;在识别准确率、召回率、F1得分和统计检验等方面,与其他方法(模型)相比,基于改进Laplace小波与改进卷积神经网络的组合模型具有更为优秀的故障识别性能。     

复小波分解联合SVD提取振动信号非平稳特征

针对齿轮箱故障信号的多分量多频调制特点,提出了一种基于奇异值分解的最优小波解调技术。首先,采用小波变换的最小Shannon熵作为时间尺度分辨率的度量指标,将其应用到Morlet分析小波的参数优化选择中;其次,对常规小波参数选择方法进行了改进,利用奇异值分解技术对最优小波变化尺度进行了迭代搜索。该方法可以很好地降低噪声信号,有效提取信号中的周期成分,具有较好的瞬态信息提取能力。试验结果也表明了该方法在齿轮箱故障特征提取中的重要性以及降噪方法的有效性。     

最优共振频带提取的高速列车轴承故障诊断

在非高斯噪声与周期振动信号的干扰下,高速列车轴承的故障特征提取较为困难,针对这一问题,提出了一种新的最优故障频带的判别方法,并通过经验小波变换（Empirical Wavelet Transform,EWT）对故障频带进行提取,从而实现高速列车轴承故障的有效诊断。该方法首先提供了完整的频域分割框架,得到不同中心频率、不同带宽的频带分布;为了得到各频带所包含的故障信息含量,提出了新的故障特征指标HSIB,根据HSIB的变化趋势识别最优频带;最后进行经验小波变换,将选取的故障频带通过正交滤波器组,对得到的分量信号进行Hilbert变换,得到轴承的故障特征频率。通过仿真和实验数据验证,选取的最优频带包含了丰富的故障信息,可以准确地提取出轴承故障特征频率的基频和倍频成分,有效确定轴承故障。     

基于Morlet小波变换的滚动轴承早期故障特征提取研究

针对轴承故障初期振动信号中的特征成分极易被噪声信号淹没而不能及时检测的问题,结合Morlet小波变换降噪的基本原理,提出一种由尺度相关能量分布确定最优尺度参数的方法,从而在该尺度下对信号滤波来提取冲击特征成分.以最小Shannon熵优化Morlet小波的形状参数,实现母小波与信号故障特征的最佳匹配;以最优Morlet小波在不同变换尺度下的小波系数绘制尺度-能量谱,利用信号故障特征能量在特定尺度范围内聚集的特性,从谱图的极值点中选择滤波效果最好的尺度参数.对轴承全寿命数据的实际应用结果表明,与信号的均方根趋势相比,该方法能够提前从信号中提取微弱故障特征并检测到轴承的外圈故障,为轴承早期故障诊断提供了一种有效途径.     

基于稀疏分解的轴承声阵列信号特征提取

利用滚动轴承运行时的异常声响来识别轴承故障,搭建了轴承声阵列信号故障诊断实验平台。针对轴承声信号信噪比差、成分复杂、故障特征不明显的特点,提出一种基于稀疏分解的轴承传声器阵列信号特征提取方法。利用全息面有效声压场及其投影图对实验设备进行噪声源识别与定位,通过coif4小波字典和局部余弦字典构建冗余字典,采用稀疏分解提取热点噪声源声信号的冲击特征。仿真和实际声信号的处理结果表明,该方法准确提取了不同转速下声信号中的故障特征频率,证明了利用声阵列信号对轴承进行故障识别的有效性和可靠性。     

增强Ramanujan模态分解方法及其在滚动轴承故障诊断中的应用

针对现有的滚动轴承故障诊断方法（例如：小波变换和集合经验模态分解）的周期识别能力并不稳定等问题，我们提出了具有良好的周期分量提取能力的自适应周期模态分解(Adaptive periodic mode decomposition, APMD)方法。然而该方法所采用的最大似然估计方法在强噪声背景下估计周期时常出现错误，这导致APMD在强背景噪声下的周期提取性能并不稳定。为此，我们定义了自适应频率加权能量算子(Adaptive frequency weighted energy operator，AFWEO)，并将其用于增强周期脉冲。然后，提出了一种新的周期估计策略以提高周期估计的准确性，并在此基础上提出了增强Ramanujan模态分解(Enhanced Ramanujan mode decomposition, ERMD)方法。滚动轴承仿真和实验信号分析结果表明，新的周期估计策略在强背景噪声下依然有效，同时也说明了ERMD具有优良的周期成分识别和提取能力，是一种有效的滚动轴承故障诊断方法。     

Doppler Effect removal based on instantaneous frequency estimation and time domain re-sampling for wayside acoustic defective bearing detector system

The phenomenon of Doppler Effect in the acoustic signal recorded by the wayside acoustic defective bearing detector (ADBD) leads to the difficulty for fault diagnosis of train bearings with a high moving speed, which is a barrier that would badly reduce the effectiveness of online defect detection. In order to improve the performance of condition monitoring of the bearings on a passing train with microphones amounted besides the railway, the elimination of the Doppler Effect should be solved firstly. An effective method for removing the Doppler Effect embedded in the source signal is presented in this paper. The Short Time Fourier Transform-Viterbi Algorithm (STFT-VA) is applied to obtain instantaneous frequency estimation of the distorted signal. According to the acoustic theory of Morse, the non-linear data fitting is then carried out to get the fitting instantaneous frequencies. The necessary parameters for time domain interpolation re-sampling, which is totally based on the kinematic analysis, are acquired from the fitting curve and the re-sampling sequence could be established in the time domain. As a result of the preceding steps, the fault diagnosis for the train bearings could be implemented with the restored signal. The effectiveness of this proposed method is verified by means of a simulation with three adjacent frequencies and an experiment with practical acoustic signals of train bearings with a crack on the outer race and the inner race. The results of the simulation and the experiment indicate that the proposed method has an excellent performance in removing Doppler Effect, and could be well employed to the condition monitoring and fault diagnosis of train bearings with a high moving speed.     

Sparsity-based signal extraction using dual Q-factors for gearbox fault detection

Early detection of faults developed in gearboxes is of great importance to prevent catastrophic accidents. In this paper, a sparsity-based feature extraction method using the tunable Q-factor wavelet transform with dual Q-factors is proposed for gearbox fault detection. Specifically, the proposed method addresses the problem of simultaneously extracting periodic transients and high-resonance component from noisy data for the gearboxes fault detection purpose. Firstly, a sparse optimization problem is formulated to jointly estimate the useful components from the noisy observation. In order to promote wavelet sparsity, non-convex regularizations are employed in the cost function of the optimization problem. Then, a fast converging, computationally efficient iterative algorithm which termed SpaEdualQA (the sparsity-based signal extraction algorithm using dual Q-factors) is developed to solve the formulated optimization problem. The derivation of the proposed fast algorithm combines the split augmented Lagrangian shrinkage algorithm (SALSA) with majorization–minimization (MM). Finally, the effectiveness of the proposed SpaEdualQA is validated by analyzing numerical signals and real data collected from engineering fields. The results demonstrated that the proposed SpaEdualQA can effectively extract periodic transients and high-resonance component from noisy vibration signals.     

自适应Laplace统计模型下的量子降噪算法

受量子理论启发,提出自适应Laplace统计模型下的量子降噪算法,并将其成功应用于机械故障诊断。建立起带自适应参数的Laplace概率密度函数模型,提高统计模型的适用性;结合贝叶斯估计理论,推导出小波系数收缩函数;利用父-子代小波系数的相关性,提出量子叠加态信号与噪声出现概率,并推导出基于量子叠加态参数估计的方差公式,实现小波系数的非线性收缩。通过仿真试验和轴承故障诊断实例分别对此算法进行分析和验证,结果表明,该算法均具有良好的降噪效果,可以有效地对机械振动信号进行降噪。     

基于非均匀快速傅里叶变换的正交频分复用水声通信多普勒估计与补偿方法

针对正交频分复用水声通信对多普勒频移敏感的问题,提出了一种基于非均匀快速傅里叶变换的正交频分复用水声通信多普勒估计与补偿算法。将第2类非均匀快速傅里叶变换引入正交频分复用水声通信中,利用非均匀快速傅里叶变换对接收信号进行多普勒因子网格补偿,通过稀疏贝叶斯学习获得水声信道估计,以水声信道的稀疏能量最小作为多普勒因子判断准则,从而获得高精度多普勒估计。仿真结果显示,所提出的方法在信噪比大于5 dB时,多普勒估计均方根误差优于1×10~(-5),同时系统误码率随着多普勒估计均方根误差减小而降低。海上试验结果显示,利用本文所给多普勒估计方法获得的两船相对径向速度与实际情况相吻合,系统解码后的平均误码率优于8.33×10~(-4)。仿真和海上试验结果表明,所提出的算法能够对多普勒因子进行有效估计,并且降低系统误码率。     

基于粗糙集和ACO-LSSVM的Cr12MoV刀具磨损量预测

针对Cr12MoV刀具磨损量预测问题,提出了一种新的粗糙集和最小二乘支持向量机(LSSVM)相结合的预测方法。将声发射信号提取的能量值和切削要素作为预测模型的输入参数,为了降低运算的复杂性,提出采用粗糙集理论对多维输入参数进行降维处理的方法;为提高预测准确性和精度,利用蚁群算法对LSSVM的参数进行优化,建立基于粗糙集和ACO-LSSVM的Cr12MoV刀具磨损量预测模型。仿真结果表明,所建立的Cr12Mo V刀具磨损量预测模型合理有效,具有较强的推广能力和较高的预测精度。     

Transient modeling and parameter identification based on wavelet and correlation filtering for rotating machine fault diagnosis

At constant rotating speed, localized faults in rotating machine tend to result in periodic shocks and thus arouse periodic transients in the vibration signal. The transient feature analysis has always been a crucial problem for localized fault detection, and the key aim for transient feature analysis is to identify the model and its parameters (frequency, damping ratio and time index) of the transient, and the time interval, i.e. period, between transients. Based on wavelet and correlation filtering, a technique incorporating transient modeling and parameter identification is proposed for rotating machine fault feature detection. With the proposed method, both parameters of a single transient and the period between transients can be identified from the vibration signal, and localized faults can be detected based on the parameters, especially the period. First, a simulation signal is used to test the performance of the proposed method. Then the method is applied to the vibration signals of different types of bearings with localized faults in the outer race, the inner race and the rolling element, respectively, and all the results show that the period between transients, representing the localized fault characteristic, is successfully detected. The method is also utilized in gearbox fault diagnosis and the effectiveness is verified through identifying the parameters of the transient model and the period. Moreover, it can be drawn that for bearing fault detection, the single-side wavelet model is more suitable than double-side one, while the double-side model for gearbox fault detection. This research proposed an effective method of localized fault detection for rotating machine fault diagnosis through transient modeling and parameter detection.     

基于LCD的自适应小波脊线解调及齿轮故障诊断

针对最佳小波参数的设定和齿轮裂纹故障振动信号频率成分复杂、信噪比低等问题,将遗传优化算法、小波脊线解调与局部特征尺度分解(local characteristic-scale decomposition,简称LCD)相结合,提出了基于LCD的自适应小波脊线解调方法。首先,采用LCD方法将原始信号分解为若干个内禀尺度分量(intrinsic scale component,简称ISC),并通过选择蕴含特征信息的ISC来实现信号降噪;然后,以小波能量熵为目标函数,采用遗传算法优化小波参数,得到自适应小波;最后,通过自适应小波分析提取ISC的小波脊线,从而实现对原始信号的解调分析。通过齿轮裂纹故障诊断实例验证了该方法的有效性和优越性。     

车削粗糙表面的特征解耦与形貌仿真

结合机床运动学与切削理论,对车削加工过程中表面形貌的影响因素进行了归类概括。基于复杂叠加信号解耦的思想,针对已加工成型的车削表面,采用频谱分析将形貌信号按照波长关系进行划分,得到加工因素对各波段信号幅值的影响规律。解决了直接分析多种加工因素耦合所引起考虑参数缺失与复杂信号分量叠加无法直接解耦的难题。针对相对精细的粗糙表面信号直接提取难度大的特点,按照加工表面粗糙度数值的大小,将粗糙表面划分为粗糙与精细两种类型。从幅值梯度较大,相对粗糙的加工表面形貌成分提取入手,得到各加工成分信息对实际形貌的影响规律。采用相应信号成分对各加工因素信号成分进行代替,实现粗糙表面形貌的提取与仿真。继而将分析得到的信号成分影响规律应用于相对精细粗糙表面信号的分析,最终实现从粗糙表面信号到精细表面信号成分的表征与解耦,为相对精细粗糙表面形貌的预测与仿真提供一种新的方法与思路。最后,结合表面信号特征提取的结果,实现了对车削粗糙表面形貌的仿真,为车削加工表面形貌的预测与车削粗糙表面接触分析提供了实用性的数字模型。