基于数学形态学和模糊聚类的旋转机械故障诊断

提出了一种数学形态学与GG (Gath-Geva)模糊聚类相结合的旋转机械故障诊断方法,通过对滚动轴承信号的多尺度形态运算得到信号的形态谱,定量反映了信号在不同尺度下的形态变化特征.为进一步对滚动轴承信号进行故障识别,提取出基于形态学操作的分形维数和描述不同信号形态特征的指标即形态谱墒,并把这2个参数作为GG聚类的故障特征向量,进行聚类分析,同时对GG聚类与FCM(fuzzy center means)聚类和GK (Gustafaon-Kessel)聚类进行了比较.实验证明了基于数学形态学与GG聚类相结合的机械故障诊断方法的有效性,且证明了GG聚类更适合对不同形状、大小和密度的空间故障数据模糊聚类,聚类效果更好.     

基于多尺度形态学与奇异值分解的滚动轴承故障特征提取

针对多尺度形态差值滤波存在的问题,将多尺度形态差值算子与奇异值差分谱理论相结合,提出了一种新的滚动轴承故障特征提取方法,能有效滤除噪声,并提取出信号中的故障信息。借助特征能量比的概念,在多尺度形态差值滤波中,提出并分析了两种不同的多尺度加权方法,同时对不同最大分析尺度下多尺度形态差值滤波的结果进行了研究。然后利用奇异值差分谱理论对未能有效滤除高斯噪声的形态差值滤波结果进行SVD重构,得到最终的特征提取结果。仿真表明该方法能在高噪声背景下有效提取出脉冲冲击信号,并在实测轴承故障信号特征提取中得到了验证。     

改进的多尺度形态学大型风力发电机轴承故障研究

大型风力发电机轴承的故障冲击信号通常受到复杂载荷和强背景噪声的干扰,其早期故障不易检测.针对这个问题,基于信息熵(Information Entropy,IE)和特征能量因子(Feature Energy Factor,FEF)提出一种改进的多尺度形态学分析方法.形态梯度乘积算子(Morphology Gradient Product Operation,MGPO)是一种有效的提取滚动轴承冲击信号的形态学算子,为了能够提取更为详细的故障特征信息,基于MGPO算子提出了多尺度形态学分析方法.为了改进峭度准则和信噪比在选择最优尺度上的不足,基于信息熵和特征能量因子提出一种综合的尺度范围选则方法,试验结果表明提出的算法具有一定的优越性.     

基于自适应增强差分积形态滤波器的滚动轴承故障特征提取方法

为了在强背景噪声下提取滚动轴承微弱的故障特征信息.提出一种新的自适应增强差分积形态滤波方法(Adaptive enhanced difference product morphological filter,AEDPO)用于滚动轴承早期的故障诊断.首先,结合已有的四种形态学滤波算子滤波的能力,提出一种改进的增强差分积形态滤波算子(Enhanced difference product morphological filter operation,EDPO),该算子具有在强背景噪声下提取周期性脉冲特征的能力.随后,针对形态滤波过程中最优的结构元素(Structuring element,SE)尺度选择问题,提出一种新的自适应选择策略,名为峭度特征能量积(Kurtosis feature energy product,KF).最后,EDPO算子凭借最优的SE尺度进行滤波处理,提取滚动轴承早期的故障特征.通过对仿真信号和实测滚动轴承内圈故障信号进行分析,结果表明AEDPO方法能够有效地在强背景噪声中提取滚动轴承微弱的故障特征,对比于传统的形态滤波方法更能体现该方法的准确性和优越性.     

加权多尺度形态滤波在轴承故障诊断中的应用

滚动轴承故障信号中通常包含了周期性出现的冲击衰减成分,冲击频率反映了轴承发生故障的位置信息。多尺度形态滤波可以提取分布在不同尺度下的冲击特征,为了更准确的反映不同尺度分析结果的贡献,提出了一种评价冲击特征提取效果的指标,并以此计算权值对多尺度分析结果进行加权综合。仿真信号和轴承外圈故障信号的分析结果表明,加权多尺度形态滤波方法可以有效提取强背景噪声下的冲击特征,为滚动轴承故障诊断提供了一种有效的手段。     

基于多尺度形态学分解谱熵的电机轴承性能退化特征提取

结合数学形态学与信息熵理论,提出一种基于多尺度形态分解谱熵的电机轴承退化特征提取方法。对不同损伤程度轴承的振动信号进行多尺度形态分解,分别计算其在不同尺度域内的复杂性度量:能谱熵与奇异谱熵,以其作为预测特征矢量可以对性能退化趋势有很好的线性反映能力。仿真与实例数据验证了此方法的有效性。     

基于EMD与功率谱分析的滚动轴承故障诊断方法研究

针对西部油田大型设备故障信号的非线性、非平稳特征，提出一种基于经验模态分解方法EMD（empirical mode decomposition）和功率谱的分析方法。首先对滚动轴承振动信号进行经验模态分解，然后对分解后包含轴承故障特征信息的固有模态函数分量作功率谱分析，得到各分量的功率谱图，清晰直观显示出故障特征信号的功率谱，从混有背景信号和噪声的振动信号中提取轴承故障信息。由于EMD方法具有自适应特性，适宜于非线性、非平稳信号的分解，该方法应用于滚动轴承的故障振动信号分析中，结果表明，该方法能够突出滚动轴承振动信号的故障特征，从而提高滚动轴承故障诊断的准确性。     

连续小波变换在滚动轴承故障诊断中的应用

针对滚动轴承故障振动信号的特点，构造脉冲响应小波，采用连续小波变换的方法来提取滚动轴承故障振动信号的特征，在此基础上提出了两种滚动轴承故障诊断方法：尺度——小波能量谱比较法和时间——小波能量谱自相关分析法。通过对滚动轴承外圈和内圈故障振动信号的分析，说明两种方法不仅能检测到滚动轴承故障的存在，而且能有效识别滚动轴承的故障模式，从而为滚动轴承故障诊断提供了一种新途径。     

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。     

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。     

Correlating motif analysis and morphological filters for surface texture analysis

In contrast to the mean-line based evaluation system, motif analysis and morphological filters are two techniques oriented to the characterization of functional properties of surfaces. The motif combination procedure is consistent with the functionality of the morphological closing filter that insignificant peaks on the profile are suppressed. By linking the functionality of the structuring elements with motif combination criterions, morphological envelopes are computed efficiently. Reversely the morphological closing filter coupled with horizontal line-segment structuring elements with lengths equivalent to the motif limits for roughness and waviness provides an alternative for motif analysis. The proposed morphological method has a sound mathematical basis and is stable. An example of applying the empirical motif method (ISO 12085) and the morphological method is demonstrated. The motif parameters resulted from two methods reveal that they coincide with each other. Thus two distinct function oriented methods for surface texture evaluation are technically correlated by mutual exploitation.     

正弦加载液压泵故障振动信号的阶比多尺度形态滤波方法研究

 液压泵在变载荷作用下会引起转速波动且发生幅值调制现象,振动信号呈现出明显的非平稳性,传统的滤波方法难于进行有效滤波。针对正弦加载液压泵故障振动信号提出一种阶比多尺度形态滤波方法,利用基于EEMD理论的时频阶比分析方法将正弦加载液压泵故障振动非平稳信号转化成角域平稳信号,再用多尺度形态滤波方法对角域平稳信号进行多尺度寻优和解调处理获得多尺度解调信号,并进行阶次谱分析得到振动信号的特征阶次。通过实验证实,该方法能对正弦加载液压泵故障振动信号进行有效滤波,且能提取出更多的有用故障信息。     

基于粒子群优化的形态学滤波器消噪方法

为了有效地消除信号的噪声,提出了基于粒子群优化的数学形态滤波器构造方法。首先,根据数学形态学算法的特性构造了形态学滤波器;然后,对于形态学滤波运算中的重要参数形态结构算子,采用具有全局优化性能的粒子群算法自适应选取,以最大信噪比作为整个优化过程的判定标准,从而实现了最优滤波器的构造;最后,通过仿真实验和轴承故障信号的分析表明,该形态学滤波器能够实现较好的滤波效果,可以有效地对机械设备的故障信号进行消噪。     

Segmentation of non-stochastic surfaces based on non-subsampled contourlet transform and mathematical morphologies

In precision engineering, non-stochastic surfaces are employed more and more widely in advanced functional components. The statistically defined amplitude or spatial parameters commonly adopted for stochastic surfaces are not suited to characterize non-stochastic surfaces. It is required to segment the whole surfaces into regions and assess the qualities of the geometrical features individually. The non-subsampled contourlet transform (NSCT), composed of bases oriented along various directions in multiple scales, is a shift-invariant representation with good directional/scale localization. In this paper, by combining NSCT and mathematical morphologies, a novel surface segmentation method is proposed. The multiscale properties of NSCT make this method flexible in extracting salient borderlines between feature regions, and the mathematical morphological operators are employed subsequently to deal with occasional broken filaments or over-segmentation. Experimental results are presented to demonstrate the superiority of the proposed method on the identification and segmentation of various morphological features with complex boundaries.     

基于数学形态滤波的齿轮故障特征提取方法

针对齿轮故障特征的提取问题,提出一种根据信号形态特征对齿轮故障信号进行形态滤波的新方法.形态滤波是一种新的非线性滤波方式,可以有效地提取出信号的边缘轮廓以及信号的形状特征.对Lorenz信号进行不同结构元素的数学形态滤波处理,证实形态滤波对抑制信号噪声、保留信号非线性特征方面的作用.采用长度为齿轮冲击周期长度的0.6～0.8倍的扁平结构元素,对齿轮断齿故障振动信号进行形态闭运算处理,并对滤波后的信号进行频谱分析.结果表明,利用形态滤波可以从齿轮断齿信号中成功提取隐含在噪声中的冲击故障特征.     

多尺度分析在微孔钻削状态监测中的应用

采用小波变换对微孔钻削振动加速信号的功率谱进行了多尺度分析,取得了满意的结果,为微孔钻削加工过程提供了有效监测方法。本方法对其他设备或过程的状态监测和故障诊断亦有应用价值。     

Early fault detection method for rolling bearing based on multiscale morphological filtering of information-entropy threshold

The scale of structure element is especially important to obtain good filtering results in multiscale morphological filtering (MMF) method. In general, the optimal scale of structure element is set to be a fixed value in traditional morphological filter, therefore it is difficult to extract the fault feature from rolling bearing vibration signal effectively. A novel multiscale morphological filtering algorithm is proposed based on information-entropy threshold (IET-MMF) for early fault detection of rolling bearing. Compared with traditional MMF method, several optimal scales of structure elements are achieved according to the energy distribution characteristic of different vibration signals. The information entropy theory is applied to quantify the analyzed signals, and the optimal threshold of information entropy is obtained by iterative algorithm to ensure integrity of useful information. The simulation and rolling bearing experimental analysis results show that the IET-MMF method can extract fault features of vibration signals effectively.

     

激光CCD二维自准直仪中圆目标中心精确定位算法

提出一种新的激光CCD二维自准直仪中圆目标中心精确定位算法。该算法采用变结构元多尺度广义数学形态学滤波算法滤除图像噪声,由Zernike矩定位算法得出目标轮廓的亚像素位置,用最小二乘拟合法精确获取圆目标的中心位置,并进行了实验。结果表明:该算法稳定性好,定位精度高,应用该算法后自准直仪的测量分辨力提高了10倍,在±2'测量范围内测量不确定度优于0.3″,有效地提高了自准直仪的测量分辨力和测量精度。     

基于数学形态变换的转子故障特征提取方法

基于非线性数学形态变换提出旋转机械故障特征提取的新方法.由数学形态变换构成的形态滤波器可以有效地提取出信号的边缘轮廓以及形状特征,通过选取不同长度的形态结构元素,采用组合形态滤波器将旋转机械故障信号分解到不同频带上,故障信号被分解成基频成分、故障成分及高频噪声三部分,在分解过程中,信号长度没有减少,没有信息的丢失;将分解得到的故障成分单独提取出来进行分析,可以更准确描述故障特征;对实际碰摩故障信号进行形态学分解后,提取出故障成分,采用Hilbert-Huang变换(Hilbert-Huang transform,HHT)对分解前后的信号进行对比分析,验证了方法的有效性,表明基于形态变换的信号特征提取可以更准确刻画故障的非平稳特性,提高了分析效果,并具有计算简单、快速的优点.