应用多分辨SVD和ICA的轴承复合故障诊断研究

针对滚动轴承复合故障信号中故障特征难以分离的问题,提出了基于多分辨奇异值分解(SVD)和独立分量分析(ICA)的复合故障诊断方法。首先利用多分辨SVD将复合故障振动信号分解为几个分量实现维数的增加;然后将分解得到的分量组合为混合信号,并利用ICA进行欠定盲分离;最后对分离后的独立分量进行Hilbert包络解调,由此实现对复合故障特征信息的分离和故障识别。通过对滚动轴承内外圈复合故障的试验信号分析表明,该方法可以有效地分离和提取轴承复合故障的特征信息。     

双树复小波包与自适应排列熵在轴承故障诊断中的应用

针对滚动轴承信号存在大量噪声、故障特征难以提取,而双树复小波包可减少有用信息的丢失,提出双树复小波包与排列熵结合的轴承故障诊断方法。首先经双树复小波包与排列熵结合对不同层数的分量计算平均排列熵值,确定最佳分解层数;其次采用峭度值作为指标对加噪信号选取分解后的最佳分量;最后对最佳分量进行包络分析提取故障特征频率。双树复小波包与排列熵相结合确定最佳层数方法,避免了对原始信号的过分解和欠分解,从而有效应提取到故障特征。     

基于改进双树复小波变换的轴承多故障诊断

针对双树复小波变换产生频率混叠的缺陷,提出了改进双树复小波变换的轴承多故障诊断方法,该方法综合利用了双树复小波包变换和经验模态分解技术。首先,利用双树复小波变换将振动信号分解成不同频带的分量;然后,将各小波分量进行经验模态分解,获得各小波分量的主频率分量信号;最后,计算各小波分量的主频率分量信号的包络谱,根据包络谱识别齿轮箱轴承的故障部位和类型。通过仿真信号和齿轮箱轴承多故障振动实验信号的研究结果表明,该方法不仅消除了频率混叠现象,提高了信噪比和频带选择的正确性,而且提高了从强噪声环境中提取瞬态冲击特征的能力,能有效识别轴承的故障类型。     

自适应改进双树复小波变换的齿轮箱故障诊断

针对双树复小波变换存在频率混叠以及参数需自定义的缺陷,提出自适应改进双树复小波变换的齿轮箱故障诊断方法。首先,利用双树复小波变换将信号进行分解和单支重构,采用粒子群算法将分解后分量峭度值作为适应度函数,选择双树复小波的最优分解层数;其次,对重构出的低频信号进行频谱分析提取故障特征,将单支重构后的各高频分量进行变分模态分解,通过峭度值获得各高频分量经变分模态分解后的主频率分量信号;最后,分析各主频率分量信号的频谱,识别齿轮箱的故障特征。结果表明,该方法与双树复小波变换和变分模态分解相比,不仅消除了频率混叠现象,提高了信噪比和频带选择的正确性,而且还提高了从强噪声环境中提取瞬态冲击特征的能力。     

基于ICA和小波变换的滚动轴承故障诊断方法研究

提出了结合独立分量分析(ICA)和小波变换进行滚动轴承故障诊断的方法。在设计的系统平台上,首先对冲击脉冲信号进行预处理,使信号较好地满足独立分量分析的前提条件。然后,应用独立分量快速算法分离故障轴承的冲击脉冲信号,通过小波快速算法完成信号重构,实现滚动轴承故障的识别。实验结果表明,利用独立分量分析方法提取的故障状态特征向量与小波快速算法相结合可以有效、准确地识别滚动轴承的故障信号。     

基于小波变换和ICA的滚动轴承早期故障诊断

滚动轴承早期故障诊断的关键在于如何从低信噪比混合信号中检测出显著的轴承故障特征频率。提出以连续小波变换(CWT)和独立分量分析(ICA)相结合的方法来诊断单通道信号的滚动轴承早期故障,提出按频谱等间隔选取伪中心频率的小波分解尺度,并对ICA处理后的信号进行包络频谱分析以确定故障类型。最后,利用实际的滚动轴承实验数据对该方法进行了验证。     

双树复小波与宽度学习在轴承故障诊断的应用

针对滚动轴承时域信号难以有效提取其故障特征,且信号频谱在高低频区域内较为存在对分类无意义的冗余特征使得故障分类模型在训练过程中做无用功的问题,提出使用双树复小波进行故障特征提取。在此基础上,将双树复小波和宽度学习模型结合,提出了基于双树复小波与宽度学习的滚动轴承故障诊断方法。首先,利用双数复小波将采集到的振动信号分解为不同频带的子信号;然后提取子频带作为特征向量;最后用宽度学习对样本进行训练以完成快速故障分类。     

基于DT-CWT和奇异能量差分谱的滚动轴承故障诊断研究

滚动轴承故障信号具有非平稳、能量低等特征,为了能够准确、有效地检测出轴承故障,提出了将双树复小波和奇异值能量差分谱相结合的诊断方法。首先运用双树复小波对采集到的振动信号进行分解,再重构单支信号,由于噪声的干扰,从重构后分量的频谱中很难对故障做出正确的判断。然后对包含故障特征的分量求取奇异值能量差分谱,确定有效阶次进行信号重构降噪。最后对降噪信号求Hibert包络谱,便能准确获得故障特征频率。通过信号仿真和实验数据分析验证了该方法的有效性。     

基于改进谐波小波包分解的滚动轴承复合故障特征分离方法

为解决滚动轴承单通道振动信号中复合故障特征难以分离的问题,提出了基于改进谐波小波包分解的轴承复合故障特征分离方法。首先,改进了二进谐波小波包分解方法,提出了连续谐波小波包分解方法,克服了信号分解后子带个数和带宽范围受二进制划分的缺陷;然后,采用谐波窗分解提取信号中频率成分集中的频段,根据轴承各单点故障特征频率确定分解层数,进行连续谐波小波包分解,利用能量算子包络解调得到子带信号中各个单点故障的权重因子;最后,重构轴承各单点故障信号,实现复合故障的特征分离和提取。对仿真信号和实测轴承内、外圈复合故障信号分析的结果表明,该方法能将轴承单通道复合故障信号分解到不同的通道中,实现了复合故障特征的分离,具有一定的工程实用价值。     

基于小波变换的盲信号分离的神经网络方法

提出一种新的盲信号分离的神经网络方法,该方法将小波变换和独立分量分析(ICA,Independent Component Analysis)相结合。利用小波变换的滤噪作用,将混合在原始信号中的部分高频噪声滤除后,再重构原始信号作为ICA的输入信号,有效地克服了现有ICA算法不能将噪声从源信号中分离的缺陷。实验结果表明,将该方法用于多通道脑电信号的盲分离是很有效的。     

CEEMD与FastICA结合的故障特征提取方法

针对滚动轴承故障特征信息难以分离的问题,提出了互补式集成经验模态分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD)与快速独立分量分析(Fast Independent Component Analysis,Fast ICA)结合的故障特征提取方法。首先将振动信号进行CEEMD分析,分解成不同尺度的固有模态分量(Intrinsic mode function,IMF);然后通过敏感度评估算法对分解信号进行重组,并利用Fast ICA对其进行降噪处理;最后对Fast ICA分离的信号进行Hilbert包络谱分析,获取故障特征信息。将此方法应用于滚动轴承振动信号故障分析,实验证明了所提方法的有效性。     

基于AIF和TT的滚动轴承复合故障诊断

针对滚动轴承复合故障模式下的微弱特征难以提取的问题,提出了基于自适应迭代滤波（adaptive iterative filtering,简称AIF）和改进的时时变换（time?time transform,简称TT）的滚动轴承复合故障诊断方法。首先,采用AIF将信号分解,得到一系列本征模态分量,并以最大相关峭度作为评价准则,筛选出其中的特征分量,实现滚动轴承复合故障振动信号的特征分离;其次,利用改进的时时变换方法对特征分量进行降噪,增强特征分量的冲击特征;最后,对降噪的特征分量进行包络谱分析,提取故障特征频率,实现滚动轴承故障模式的精确判别。仿真实验和故障诊断实例表明,该方法可以有效提取滚动轴承复合故障模式下的微弱特性信息。     

提高双树复小波的齿轮箱复合故障特征提取

针对双树复小波变换分解层数需要先验确定和重构后各子带出现的频率混叠现象,提出了一种改进双树复小波变换的齿轮箱复合故障特征提取方法。首先,确定双树复小波变换的分解层数和有效的子带;对得到的各子带进行去频率混叠,确保消除频率混叠现象,使每个子带仅含有唯一的特征频率;然后,用所提方法和现有VMD(Variational Mode Decomposition)进行对比,验证了所提方法的可行性;最后将所提方法应用于齿轮箱复合故障振动信号中,成功提取出齿轮剥落和轴承外圈故障。所提方法为齿轮箱复合故障特征提取提供了一种新的思路。     

基于DT-CWT和MCKD的滚动轴承早期故障诊断方法

滚动轴承早期故障信号具有非平稳、能量低等特征,为了能够准确、有效地检测出轴承故障,提出了双树复小波(dual-tree complex wavelet transform,DTCWT)和最大相关峭度反褶积(maximum correlated kurtosis deconvolution,MCKD)相结合的诊断方法。首先运用双树复小波对采集到的振动信号进行分解,再重构单支信号,由于噪声的干扰,从重构后分量的频谱中很难对故障做出正确的判断。然后对包含故障特征的分量进行最大相关峭度反褶积处理以消除噪声成分,凸现故障特征信息。最后对降噪信号求取Hilbert包络谱,便能准确获得故障特征频率。通过信号仿真和实验数据分析验证了该方法的有效性。     

基于相空间重构的独立分量分析及其工程应用

针对单通道信号无法满足独立分量分析的欠定问题,将相空间重构与独立分量相结合,通过相空间重构实现单通道信号的升维,并将升维信号进行独立分量分析,可以有效地分离出原信号中包含的独立信源。以提取冲击特征为例,通过仿真验证了该方法的有效性。将该方法运用于滚动轴承故障特征提取中,成功地从早期滚动轴承故障信号中提取了周期性故障冲击成分。与传统的小波包-峭度故障特征提取方法对比,此方法更有效。     

结合复小波包变换及频谱校正的机械转子碰摩故障诊断方法研究

针对机械转子系统中碰摩故障发生时故障特征微弱及识别困难的问题,提出一种结合双树复小波包变换及频谱校正的故障诊断方法。首先对于振动位移信号中工频基波成分,采用频谱加矩形窗的频谱校正方法识别其谐波信息,通过构造补偿信号进行对消,以减少其对后续特征提取的影响。其次通过双树复小波包对补偿过的信号进行多尺度分解;最后对小波包子空间信号进行希尔伯特包络解调分析,通过瞬时幅值及瞬时频率信息诊断转子的动静碰摩故障。在转子实验台上进行了实验验证,结果表明提出的方法能有效提取转子碰摩产生的微弱故障特征。     

双树复小波和MED在齿轮箱早期故障诊断中的应用

针对齿轮箱轴承早期故障特征信号微弱且受环境噪声影响严重,故障特征信息难以识别的问题,提出了双树复小波变换(dual-tree complex wavelet transform,DT-CWT)和最小熵反褶积(minimum entropy deconvolution,MED)的故障诊断方法。首先对采集到的振动信号进行双树复小波分解,得到几个不同频段的分量,由于噪声的干扰,从各个分量的频谱中很难对故障做出正确的判断。然后对包含故障特征的分量进行最小熵反褶积滤波处理以消除噪声影响,凸显故障特征信息。最后对滤波后的信号进行Hilbert包络谱分析,即可从中准确地识别出轴承的故障特征频率。通过齿轮箱轴承故障模拟实验和工程应用实例分析验证了该方法的有效性与优越性。     

基于改进形态分量分析的滚动轴承包络分析方法

滚动轴承出现局部损伤时,其振动信号既包含轴承自身原因引起的谐振分量,也包含故障信息的冲击分量和噪声分量。谐振分量为信号中的相对平滑部分,其品质因子较高;冲击分量表现为信号中的瞬态成分,其品质因子较低。针对这一特点,利用可调品质因子小波变换稀疏表示信号,提出一种改进形态分量分析方法,并将其应用于滚动轴承的包络分析中。采用可调品质因子小波作为稀疏表示字典,实现不同分量的分离,并对冲击分量进行包络分析,判断滚动轴承故障。滚动轴承故障实验表明,该方法能够有效提取故障特征,诊断轴承出现的故障类型。     

EWT-KICA联合的滚动轴承故障诊断

滚动轴承故障信号能量较弱,故障信息在实际工况下更容易受到噪声的影响,致使很难有效地实现信噪分离。针对这一问题,提出经验小波变换（EWT）和核独立分量分析（KICA）联合的振幅解调方法消噪。使用经验小波变换对轴承故障信号进行分解,根据相关系数准则对分解获得的IMF分量信号进行筛选,重组分量信号并构造虚拟噪声信号。使用核独立分量分析算法对重构的信号进行增强处理并分解,实现信号和噪声的分离。采用包络谱法对分离后的信号进行分析。仿真对照实验表明,该方法具备较强的特征提取能力。     

基于高密度小波变换的航空发动机滚动轴承故障诊断方法

基于高密度小波变换对原始信号尺度划分更加精细的优势,将高密度小波变换、软阈值降噪和频谱分析相结合,提出了基于高密度小波变换的航空发动机滚动轴承故障诊断方法。该方法通过设定分解层数对信号进行高密度小波变换,得到每一尺度上的低频、中频、高频分量;对各分量软阈值降噪处理后进行频谱分析,进而实现故障特征频率的识别。利用仿真信号验证了高密度小波变换的有效性,通过航空发动机滚动轴承内圈故障和滚子故障工况下的试验信号进一步验证了该方法提取故障特征的能力,与传统小波变换方法的对比证明了该方法在抑制噪声干扰和故障特征频率识别方面的优势。