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。     

基于粒子群优化MCKD的轴承故障诊断方法

在实际应用中,传统最大相关峭度反褶积(MCKD)关键参数的选择严重依赖于先验知识,为克服这一缺点,提出了一种基于粒子群算法优化的MCKD方法。首先,对采集的信号进行EEMD处理并重构信号,达到对信号降噪的目的;然后,构造Shannon熵和峭度组成的二维向量,将其作为粒子群算法的适应度函数构建自适应的粒子群惯性参数,并对MCKD的3个主要参数进行优化;最后,采用优化后的MCKD对轴承信号进行分析和诊断。试验分析表明,该方法能够有效地增强故障特征,准确地诊断出滚动轴承的故障信息。     

基于MCKD与1.5维Teager能量谱的滚动轴承故障诊断方法

针对滚动轴承早期故障冲击特征微弱,背景噪声干扰严重,冲击特征难以提取,本文提出了一种基于最大相关峭度解卷积(Maximum correlation kurtosis deconvolution,简称MCKD)与1.5维Teager能量谱相结合的滚动轴承故障诊断方法。由于轴承出现故障时其信号表现为周期性冲击,根据这一特性,本文首先利用MCKD的提取淹没在噪声信号中的周期性冲击特征成分,对原始信号进行降噪;然后再利用1.5维Teager能量谱得出信号的故障特征信息,并将该方法与谱峭度方法进行对比,通过仿真信号与实测信号验证了该方法的有效性和可行性。     

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。     

基于MODWPT和MCKD的滚动轴承早期故障诊断

针对齿轮啮合强振动干扰下滚动轴承微弱故障特征提取难的问题，提出一种最大重叠离散小波包变换(MODWPT)和最大相关峭度解卷积(MCKD)相结合的滚动轴承早期故障诊断方法。首先采用MODWPT方法将复杂的轴承故障振动信号分解为若干分量，然后依据峭度准则，选取峭度较大的分量进行MCKD滤波，最后对滤波后所得信号做Hilbert包络分析，将包络谱呈现的频率特征与理论故障特征频率相比较，识别故障特征，实现故障诊断。通过轴承故障的仿真及实验研究，并对比单一MCKD方法和EMD-MED方法的提取效果，说明该方法可以在一定程度上抑制齿轮啮合强振动及噪声的干扰，增强并有效提取出滚动轴承早期低频微弱故障特征。     

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。     

基于QPSO⁃MPE的滚动轴承故障识别方法

为准确辨识滚动轴承故障类型,提出了一种基于量子粒子群优化多尺度排列熵(quantum-behaved particle swarm optimization and multi-scale permutation entropy,简称QPSO-MPE)的滚动轴承故障识别方法。首先,对滚动轴承的原始振动信号进行集成经验模态分解(ensemble empirical mode decomposition,简称EEMD),得到一系列内禀模态分量(intrinsic mode function,简称IMF)和一个趋势项,并以峭度作为度量指标筛选出含有主要故障特征信息的IMF来重构振动信号;然后,利用量子粒子群优化算法对多尺度排列熵的关键参数进行优化,得到其模型计算重构信号的多尺度排列熵,从而构建轴承故障的多尺度排列熵特征集;最后,将故障特征集输入GG(Gath-Geva)模糊聚类算法进行聚类识别。实验结果表明,基于QPSO-MPE的滚动轴承故障识别方法可实现滚动轴承典型故障的准确辨识,证明了QPSO-MPE在故障特征提取方面的有效性。     

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MCKD和CEEMDAN样本熵的滚动轴承故障诊断

针对滚动轴承故障特征微弱以及振动信号的非平稳性,提出一种基于最大相关峭度解卷积(maximum correlated kurtosis deconvolution,MCKD)和自适应白噪声完备经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)样本熵相结合的滚动轴承故障诊断方法。首先采用MCKD算法降低滚动轴承信号内的噪声干扰,突出信号中的冲击特性;然后利用CEEMDAN方法对降噪信号进行分解,根据峭度-相关系数准则选择包含主要故障信息的敏感固有模态函数(intrinsic mode function,IMF)分量;计算各敏感IMF分量的样本熵构成高维特征向量;最后将高维特征向量作为支持向量机(support vector machine,SVM)的输入,对滚动轴承的工作状态和故障类型进行识别。通过实测滚动轴承故障信号的分析,证明了所提方法有效性,并为此类问题的解决提供了一种可行方法。     

自适应MCKD和ALIF的滚动轴承早期故障诊断

针对滚动轴承故障信号冲击成分能量往往较低,故障特征频率难以提取以及最大相关峭度反褶积（Maximum Correlation Kurtosis Deconvolution,MCKD）降噪效果受限于滤波器L和位移数M等问题,提出了一种自适应最大相关峭度反褶积和自适应局部迭代滤波（Adaptive Local Iterative Filter,ALIF）的滚动轴承故障特征提取方法。以排列熵为标准,应用步长搜寻法确定最佳的MCKD滤波器的长度和位移数,对采集的振动信号进行降噪预处理,突出被噪声所淹没的故障冲击;然后应用ALIF算法对降噪后的信号自适应分解为一组固有模态函数（IMF）分量,利用最大峭度准则选取包含故障信息量最大的分量,即敏感分量;最后对敏感分量进行包络谱分析,提取故障特征频率。仿真和试验分析结果证明了该方法的有效性和准确性。