基于FSWT细化时频谱SVD降噪的冲击特征分离方法

为有效提取滚动轴承故障振动信号的故障冲击特征,提出了基于FSWT细化时频谱SVD降噪的冲击特征分离提取方法。首先对原始信号进行频率切片小波变换得到全频带下的时频分布,然后根据时频谱能量分布特点选择出感兴趣的时频区域,再以较高的时频分辨率对感兴趣的时频区域进行细化分析得到细化的时频谱,从而分割出含有故障特征时频区域。为克服噪声对细化时频谱精度的影响,FSWT细化分析过程融入SVD降噪,通过对FSWT细化时频谱系数矩阵进行奇异值差分谱阈值降噪,使得FSWT细化时频谱的冲击特征更加明显,最后通对降噪后的细化时频谱进行FSWT逆变换重构,分离出故障冲击信号。仿真分析和故障诊断实例表明,基于FSWT细化时频谱SVD降噪的冲击特征分离提取方法能够成功从低信噪比信号中提取出周期性的冲击特征,有效地实现对滚动轴承各种故障的诊断。     

基于MCKD和改进HHT多尺度模糊熵的齿轮故障诊断方法

针对齿轮故障信号常伴有大量噪声,故障特征难以提取的问题,提出一种基于最大相关峭度解卷积(MCKD)和改进希尔伯特-黄变换(HHT)多尺度模糊熵的故障诊断方法。首先采用MCKD算法对采集到的齿轮振动信号进行降噪处理,以提高信号的信噪比;然后利用自适应白噪声完备经验模态分解(CEEMDAN)对降噪后信号进行分解,获得一系列不同尺度的固有模态函数(IMF),并通过相关系数-能量的虚假IMF评价方法选取对故障敏感的模态分量;最后计算敏感IMF分量的模糊熵,将获得的原信号多尺度的模糊熵作为状态特征参数输入最小二乘支持向量机(LS-SVM)中,对齿轮的故障类型进行诊断。实测信号的诊断结果表明,该方法可实现齿轮故障的有效诊断。     

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。     

全矢FSWT方法在轴承故障诊断中的应用

针对在滚动轴承故障诊断中,传统单通道原始信号存在输入信息缺失,经方法处理后导致诊断结论不一致的问题,将全矢谱分析技术和频率切片小波变换（Frequency Slice Wavelet Transform,FSWT）相结合,提出了全矢FSWT的方法进行故障检测与诊断。运用FSWT分析同源相互垂直的双通道原始样本,并选择合适的时频切片区间进行包络重构,接着对重构后的信号进行全矢融合,观察提取故障数据的特征频率以进行故障诊断。实验结果表明,该方法既能较好地提取故障特征信号,又能准确有效地诊断故障类型。     

基于同步压缩小波变换的滚动轴承故障诊断

针对滚动轴承故障诊断中存在的非平稳故障信号的特征提取困难这一难题,提出利用同步压缩小波变换(SWT)对故障信号的监测数据进行处理的方法。首先对信号进行连续小波变换(CWT),其次对小波变换系数进行同步压缩变换(SST),然后对SST系数进行自适应阈值去噪,之后在有效信号数据的频率中心附近进行积分提取,最后用提取到的有效信号进行重构。对实测的滚动轴承故障信号进行处理验证,结果表明,SWT具有较高的信号提取精度以及降噪能力,同时具有较高的时频分辨率,能够将故障信号转换为高分辨率的时频谱,弥补了CWT在这方面的不足。     

改进经验小波变换在齿轮低频微弱故障特征提取中的应用

齿轮振动信号的经验小波变换频谱分割,可能会将啮合频率及其边频带划分到不同频带上,导致频带划分不合理,分离出的调幅?调频(AM?FM)分量不理想.针对上述主要问题,提出了一种采用频谱趋势进行频谱边界划分的改进经验小波变换方法,将齿轮啮合频率与其相应的边频带划分到同一频带内,得到比较理想的AM?FM分量,实现了依据齿轮振动信号频谱局部特征的自适应分解.同时,对提取的AM?FM分量进行自相关分析以进一步增强改进经验小波变换的低频微弱故障特征提取效果.通过仿真与试验分析,验证了提出方法在齿轮低频微弱故障特征提取中的有效性及优势.     

改进经验小波变换在齿轮低频微弱故障特征提取中的应用

齿轮振动信号的经验小波变换频谱分割,可能会将啮合频率及其边频带划分到不同频带上,导致频带划分不合理,分离出的调幅?调频(AM?FM)分量不理想.针对上述主要问题,提出了一种采用频谱趋势进行频谱边界划分的改进经验小波变换方法,将齿轮啮合频率与其相应的边频带划分到同一频带内,得到比较理想的AM?FM分量,实现了依据齿轮振动信号频谱局部特征的自适应分解.同时,对提取的AM?FM分量进行自相关分析以进一步增强改进经验小波变换的低频微弱故障特征提取效果.通过仿真与试验分析,验证了提出方法在齿轮低频微弱故障特征提取中的有效性及优势.     

基于MCKD-EWT的滚动轴承故障诊断研究

实际工况中的轴承故障信息通常被掩埋在大量噪声中,为有效提取轴承故障特征频率,提出了最大相关峭度反卷积(MCKD)与经验小波变换(EWT)相结合的诊断方法。首先,使用MCKD对轴承振动信号进行降噪处理;然后,使用EWT将MCKD处理后的振动信号分解为多个调幅-调频分量(AM-FM);最后,在含有故障频率的低频分量频谱中寻找轴承故障特征频率。使用轴承故障模拟试验台采集的轴承振动信号验证了该方法对轴承故障诊断的有效性,并采用另一轴承故障数据集验证了该方法的泛化性。     

基于复Morlet小波和系数相关的齿轮故障特征提取

针对大型机械测取的振动信号信噪比低,故障特征不明显,故障定位难度大,提出了基于复Morlet小波和系数相关的齿轮故障特征提取方法。该方法利用了复Morlet小波的幅值、相位组合信息对信号突变点具有更好的敏感特性和小波系数相关降噪特性,对被测信号进行复Morlet小波变换,再分别将小波系数的实部和虚部进行自相关处理,并将相关后系数的幅值和相位进行组合。该方法在对齿轮传动弱故障信号特征提取的试验结果表明,该方法与直接的复Morlet小波变换相比,能够有效去除噪声,更好地突出故障特征,对故障特征点进行更精确地定位。     

一种EEMD阈值降噪方法在故障诊断中的应用

针对机械故障信号分析中随机噪声严重影响和误导人们对故障位置和类型的判断分析,很难准确地提取故障特征信息,该文通过研究集合经验模态分解(EEMD)和小波变换的原理,将二者相融合提出了新的信号降噪方法。该方法就是首先对含有噪声的故障信号进行EEMD分解,对分解后的固有模态函数(Intrinsic Mode Functions,IMFs)采用自适应阈值降噪的办法,对降噪后的故障信号进行重构,再进行故障类型分析。实验分析研究表明,该方法有效地解决了EMD在降噪过程中出现的模态混叠、端点效应问题,降噪效果更好。通过仿真和实测故障信号验证分析,结果表明,所提出的方法不但降噪效果良好,而且能更有效地进行故障特征提取和故障类型判断。     

复选降噪自适应型MCKD方法研究

针对强噪声干扰下,最大相关峭度解卷积（Maximum correlation kurtosis deconvolution,MCKD）对于弱响应轴承滚动体故障信号指定周期冲击增强和辨识能力有限,无法自适应确定参数的问题,提出一种改进MCKD故障诊断方法。首先利用小波多尺度分解得到故障响应高频分量使冲击成份更加凸显;然后以峭度值最大准则复选出最优故障信号高频分量,降低噪音的干扰;最后结合小波方差自适应确定MCKD参数。轴承故障仿真、实验数据分析结果表明,该方法能够实现弱响应的轴承滚动体故障诊断,同时适用轴承内外圈故障诊断。     

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。     

Multi-objective iterative optimization algorithm based optimal wavelet filter selection for multi-fault diagnosis of rolling element bearings

Rolling element bearings (REBs) play an essential role in modern machinery and their condition monitoring is significant in predictive maintenance. Due to the harsh operating conditions, multi-fault may co-exist in one bearing and vibration signal always exhibits low signal-to-noise ratio (SNR), which causes difficulties in detecting fault. In the previous studies, maximum correlated kurtosis deconvolution (MCKD) has been validated as an efficient method to extract fault feature in the fault signals. Nonetheless, there are still some challenges when MCKD is applied to fault detection owing to the rigorous requirements of multiple input parameters. To overcome limitation, a multi-objective iterative optimization algorithm (MOIOA) for multi-fault diagnosis is proposed. In this method, correlated kurtosis (CK) is taken as a criterion to select optimal Morlet wavelet filter using the whale optimization algorithm (WOA). Meanwhile, to further eliminate the effect of the inaccurate period on CK, the update process of period is incorporated. After that, the simulated and experimental signals are utilized to testify the validity and superiority of the MOIOA for multiple faults detection by the comparison with MCKD. The results indicate that MOIOA is efficient to extract weak fault features even with heavy noise and harmonic interferences.     

基于信号共振稀疏分解和最大相关峭度解卷积的齿轮箱故障诊断

当齿轮箱内旋转零件发生故障时,其振动信号中的故障脉冲成分易被箱体中其他旋转部件的谐波信号和背景噪声所淹没,故障特征难以被有效提取。针对这一问题,提出了基于信号共振稀疏分解和最大相关峭度解卷积的故障诊断方法。该方法首先通过信号共振稀疏分解将信号中的低共振冲击成分从谐波分量和噪声中分离,然后对低共振分量进行最大相关峭度解卷积计算,进一步突出低共振分量中的周期脉冲成分,最后通过包络谱分析进行故障诊断。算法仿真、实验分析和工程应用结果表明,该方法能够有效提取强噪声信号中的周期性冲击成分,凸显故障特征,从而提供准确可靠的诊断结果。     

综合改进奇异谱分解和奇异值分解的齿轮故障特征提取方法

针对齿轮故障特征微弱，在强背景噪声下难以有效提取的问题，提出了一种改进奇异谱分解（ISSD）结合奇异值分解（SVD）的齿轮故障特征提取方法。针对奇异谱分解（SSD）算法中模态参数需凭经验选取的缺陷，基于散布熵优化算法对SSD算法进行了改进，在得到既定的一组奇异谱分量的基础上，根据峭度值最大准则筛选出了最佳奇异谱分量并进行了SVD处理，采用奇异值能量标准谱自适应地确定了信号重构阶数以还原信号和提高降噪效果。最后对信号进行包络解调以提取齿轮故障特征，将所提方法运用到仿真信号和齿轮实测信号中，并同传统包络谱、SSD包络谱以及经验模态分解结合SVD(EMD-SVD)方法进行了对比分析，结果表明，所提方法的降噪和特征提取效果更佳，能够更加有效地实现齿轮故障的判别。     

基于形态梯度解调算子的齿轮故障特征提取

针对包络解调和形态闭算子易受强噪声和低频谐波分量干扰的缺点,提出了采用形态梯度解调算子提取脉冲信号的方法。对受到低频干扰的仿真脉冲调制信号和实测齿轮断齿故障信号的分析结果表明,形态梯度解调算子既抑制了噪声又充分突出了故障信号的冲击特征,具有更强的噪声抑制和脉冲提取能力,完全不受低频分量的干扰,且计算简单、快速,为齿轮故障特征提取提供了一种有效的方法。     

A new fault diagnosis algorithm for helical gears rotating at low speed using an optical encoder

Helical gears are widely used in gearboxes due to its low noise and high load carrying capacity, but it is difficult to diagnose their early faults based on the signals produced by condition monitoring systems, particularly when the gears rotate at low speed. In this paper, a new concept of Root Mean Square (RMS) value calculation using angle domain signals within small angular ranges is proposed. With this concept, a new diagnosis algorithm based on the time pulses of an encoder is developed to overcome the difficulty of fault diagnosis for helical gears at low rotational speeds. In this proposed algorithm, both acceleration signals and encoder impulse signal are acquired at the same time. The sampling rate and data length in angular domain are determined based on the rotational speed and size of the gear. The vibration signals in angular domain are obtained by re-sampling the vibration signal of the gear in the time domain according to the encoder pulse signal. The fault features of the helical gear at low rotational speed are then obtained with reference to the RMS values in small angular ranges and the order tracking spectrum following the Angular Domain Synchronous Average processing (ADSA). The new algorithm is not only able to reduce the noise and improves the signal to noise ratio by the ADSA method, but also extracts the features of helical gear fault from the meshing position of the faulty gear teeth, hence overcoming the difficulty of fault diagnosis of helical gears rotating at low speed. The experimental results have shown that the new algorithm is more effective than traditional diagnosis methods. The paper concludes that the proposed helical gear fault diagnosis method based on time pulses of encoder algorithm provides a new means of helical gear fault detection and diagnosis.     

基于自适应时变滤波阶比跟踪的齿轮箱故障诊断

针对多输入多输出齿轮箱传动系统和齿轮箱集群的振动信号中各啮合频率阶次相互干扰,从而导致故障诊断困难的问题,研究提出一种基于自适应时变滤波阶比跟踪的齿轮箱故障诊断方法。该方法利用基于多尺度线调频基稀疏信号分解提取各对传动齿轮的啮合频率,以各啮合频率为中心频率,对应转频的倍频为滤波带宽分别设计自适应时变滤波器对信号进行滤波,逐个提取振动信号中的啮合频率调制分量,再分别对提取的啮合频率调制分量单独进行阶比分析,有效地抑制其他无关联轴上齿轮啮合振动信号和其他非阶比噪声信号对阶比谱的影响,较好地解决阶比信号相互干扰的问题,提高阶比谱的调制识别效果,为多输入多输出齿轮箱系统和齿轮箱集群的故障诊断提供一条有效途径。仿真算例和应用实例说明方法的有效性。