基于CPW和SCD的行星轴承内圈故障特征提取

行星齿轮箱振动信号传递路径具有时变性,各振动分量间相互耦合和调制,拾取的信号往往比较复杂。此外,行星轴承早期故障对应的振动信号微弱,常湮没于背景噪声和较强的齿轮啮合振动信号中,使得行星轴承故障特征提取较为困难。为此,笔者提出一种基于倒谱预白化（cepstral pre?whitening,简称CPW）和谱相关密度（spectral correlation density,简称SCD）的行星轴承内圈故障特征提取方法。首先,采用CPW削弱具有严格周期特性振动分量的能量幅值,增强轴承故障分量的冲击幅值;其次,基于谱峭度算法获取与轴承故障冲击相关的谱峭度最大值时对应的解调频带参数,并获得带通滤波后复包络信号,进而消除解调频带外成分的干扰;最后,基于轴承故障的随机滑动特性,结合SCD提取行星轴承故障振动分量,进而包络谱分析提取出行星轴承故障特征。利用行星轴承内圈故障实测数据验证了方法的有效性。     

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。     

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。     

基于广义S变换与双向2DPCA的轴承故障诊断

将轴承故障诊断问题转化为故障信号时频图像的识别问题,提出一种采用双向二维主成分分析(two-directional,two-dimensional,principal component analysis,简称TD-2DPCA)的时频图像矩阵特征提取方法。首先,利用广义S变换将轴承故障信号变换为时频域图像,采用一种双向压缩的二维PCA方法对图像信息进行特征提取;然后,进行了轴承故障试验,分别采集了轴承在正常、内圈故障及外圈故障状态下的振动信号,采用所述方法对轴承3种状态下的时频分布图像进行特征提取,并根据集成矩阵距离(assembled matrix distance,简称AMD)实现图像的分类识别。试验结果表明,结合广义S变换的双向2DPCA特征提取算法可有效提高计算效率,同时具有良好的诊断性能。     

半主动悬架的无迹卡尔曼状态观测器设计

卡尔曼滤波器是线性动态系统中应用最广泛的一种状态估计方法。在非线性系统中,扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)被广泛应用,相比扩展卡尔曼滤波器,无迹卡尔曼滤波器准确度更高、更易于实现。在车辆动力学这种强的非线性系统中,无迹卡尔曼滤波器应用广泛。设计了一种基于无迹卡尔曼滤波器的半主动悬架系统状态观测器,讨论了不准确的过程噪声协方差Q和测量噪声协方差R、及测量信号组合的选择和不准确的模型参数对状态观测精度的影响,仿真结果表明不准确的过程噪声和测量噪声协方差、不合适的测量信号选择和模型参数不准确的干扰在不同程度上降低了状态估计精度。     

基于粒子群优化的CYCBD在滚动轴承故障特征提取的应用研究

针对在背景噪声下滚动轴承故障初期周期性瞬态冲击不明显的问题,应用基于循环平稳最大化盲解卷积方法(Blind deconvolution based on cyclostationarity maximization,CYCBD).滤波器长度和循环频率左右CYCBD降噪效果,应用粒子群优化算法(Particle swarm optimization,PSO)对其进行智能化寻优,确定优化参数,解决CYCBD不稳定问题.首先,采用PSO优化CYCBD中滤波器长度和循环周期频率,对周期性冲击成分进行增强;然后,通过包络谱峰值因子(Crest factor of enve-lope spectrum,EC)作为PSO的目标函数,迭代寻找滤波器长度和循环周期频率的最优解;最后,对CYCBD应用最优解,对增强后的信号进行包络解调分析,可以准确地获得轴承信号的故障特征频率.通过对仿真信号和实验数据分析,表明该方法可有效增强振动信号的周期性瞬态冲击特征,在滚动轴承早期故障特征提取方面具有优势.     

基于多尺度极差熵和专家森林的轴承故障诊断

针对轴承故障的敏感特征提取与模式诊断问题,提出了一种基于多尺度极差熵的故障特征提取方法和基于专家森林算法的轴承故障识别方法.首先,介绍了轴承的3种故障模式和相应的故障特征频率,引入了多尺度理论,计算了轴承振动信号的多尺度极差熵,并将其作为特征向量;然后,研究了特征向量的主成分提取法,有效降低了特征向量维度,并提取出了高...     

基于Hilbert谱奇异值的轴承故障诊断

针对机械故障振动信号时频特征提取问题,提出一种基于Hilbert谱奇异值的特征提取方法,并将其应用于轴承故障诊断。该方法首先利用经验模式分解方法将振动信号分解为若干个内蕴模式函数之和,接着对每个内蕴模式函数进行Hilbert变换得到振动信号的Hilbert谱,然后对Hilbert谱进行奇异值分解,得到反映机械状态特征的奇异值序列,最后利用奇异值作为特征向量,使用支持向量机进行轴承故障诊断。轴承正常、内圈故障、滚动体故障、外圈故障实测信号实验结果表明,该方法能有效地提取轴承故障振动信号特征。

     

基于卡尔曼滤波的涡街流量计信号处理方法研究

为了改善涡街流量计的性能，提出了一种基于卡尔曼滤波的涡街信号处理方法。根据涡街信号的特点，设计了一个线性涡街信号模型。结合模糊搜索和迭代算法，通过分析卡尔曼滤波器算法的原理和关键参数，改进卡尔曼滤波器算法。通过仿真模拟和实际流量实验验证了所提出的方法，并与其他方法进行了比较。实验结果表明，所提出的方法具有自适应滤波、更好的抗干扰能力和更快的滤波速度的优点。     

基于增强最小熵解卷积的航空发动机故障诊断

为有效提取轴承的微弱故障特征,提出一种基于无偏自相关分析的增强最小熵解卷积方法。该方法的滤波器系数的迭代求解中,通过抑制滤波信号中的非周期成分,实现对周期性故障冲击的增强检测,完成轴承故障的准确辨识。仿真信号分析结果表明,所提方法在复杂干扰下仍能准确提取轴承故障冲击序列。航空发动机故障诊断案例分析证实了该方法对复杂机械结构中轴承故障诊断的有效性。     

基于极值点概率密度和听觉模型的滚动轴承瞬态冲击信号提取方法研究

滚动轴承故障的一个重要特点是故障元件会诱发冲击响应振动成分,针对滚动轴承故障振动信号的调制特征和传统分析方法的复杂性,提出了一种基于极值点概率密度和听觉模型的滚动轴承故障特征提取方法。该方法首先使用Gammatone滤波器对滚动轴承故障信号进行带通滤波,相位调整,然后提取每个滤波通道的极值点,计算其概率密度函数并对其求导,通过导数中是否存在向上过零点判断是否存在瞬态冲击成分,继而提取相关的极值点,最后累加提取相关瞬态成分。考虑到滚动轴承振动信号中冲击成分在不同时刻振幅大小不同,分段对信号做处理,能够提取到因振幅较小而被忽略掉的冲击成分。将该方法应用到某型号线切割机床滚动轴承实测振动信号中,实验结果表明该方法能有效提取到滚动轴承故障信号中的瞬态冲击成分。     

高频信号扩展卡尔曼滤波器设计

为了实现永磁同步电动机转子位置估计试验的高频信号滤波,基于扩展卡尔曼滤波器原理,提出了一种改进的基于FPGA的信号提取方案,设计了高频信号扩展卡尔曼滤波器。该滤波器采用迭代算法提取转子位置信息,并对基频控制电流进行滤波处理,比传统IIR滤波器或FIR滤波器具有更快的滤波速度和更好的滤波性能。该滤波器简单易实现,消除了反馈回路中的低通滤波器。由于反馈回路中没有高频信号成分的干扰,控制器对高频位置估计的影响较小,所设计的位置估计器几乎不受控制器的影响,简化了位置估计器的设计。最后,仿真结果说明文中方法的可行性,并给出了一个基于EKF的低速无传感器试验。     

快速Hoyer谱图及VNCMD的变转频滚动轴承故障诊断

针对变转频情况下滚动轴承振动信号出现频谱混叠现象而无法直接提取故障特征频率的问题,提出一种基于快速Hoyer谱图及改进变分非线性调频模态分解（variational nonlinear chirp mode decomposition,简称VNCMD）的变转频轴承故障诊断方法。首先,采用快速Hoyer谱图确定轴承故障冲击所处的共振频带,对信号进行带通滤波提取轴承故障冲击成分并与低通滤波后的信号进行融合;其次,通过多分量协同转频估计方法对转频及轴承故障特征频率脊线进行估计;最后,将估计的脊线作为VNCMD的输入参数,提取转频及轴承故障冲击成分,并通过阶次分析确定轴承的故障类型。相较于集合经验模态分解（ensemble empirical mode decomposition,简称EEMD）,所提方法可以获得更加精确的时频脊线,并通过信号分解得到正确的分量。仿真信号和实验信号均表明所提方法的有效性。     

基于NACKF的分布式驱动电动汽车轮胎侧向力与质心侧偏角估计

针对传统容积卡尔曼滤波算法在进行车辆关键状态估计时要求噪声统计特性已知的问题,提出一种噪声自适应容积卡尔曼滤波（Noise adaptive cubature Kalman filter, NACKF）算法来进行车辆关键状态的估计。基于次优无偏极大后验估计器对量测噪声协方差进行实时更新并将其嵌入到标准容积卡尔曼算法中实现自适应容积卡尔曼滤波。针对车辆不同子系统间耦合特性对滤波精度的影响,构建双重自适应容积卡尔曼滤波器分别进行侧向力与质心侧偏角的估计,两者在估计过程中互为输入构成闭环反馈,利用分布式模块化结构弱化系统耦合特性对估计精度的影响,实现轮胎侧向力与质心侧偏角的实时准确估计。利用Simulink-Carsim联合仿真平台进行仿真验证和实车试验验证。结果表明,基于双重自适应容积卡尔曼滤波的估计算法相对标准容积卡尔曼滤波估计精度更高,较好地改善了传统容积卡尔曼滤波器在噪声先验统计特性未知条件下非线性滤波精度下降的问题。     

卡尔曼滤波器在过程估计中的应用

提出了一种卡尔曼滤波算法,建立离散状态模型,运用MATLAB对直流电机进行分析,对过程进行估计.以一个平方信号作为过程输入,分别计算了无噪声过程响应和有噪声过程响应来加以比较.根据控制信号和测量输出估计过程输出和状态,卡尔曼滤波器的估计输出接近于无噪声过程的输出,状态估计也令人满意;估计输出信号的误差方差较小,效果良好.     

基于迭代经验小波变换的齿轮故障诊断方法

齿轮故障振动信号具有多分量和调幅-调频等特点,导致振动信号耦合程度高、数据特征提取和识别难度大。提出了一种基于迭代经验小波变换(EWT)和稀疏滤波(SF)的振动信号故障特征提取和诊断方法。首先,利用尺度空间表示将齿轮振动信号的Fourier频谱自适应的划分为若干频带,并利用EWT将输入信号分解为若干本征模态函数(IMF);其次,利用互信息能量熵方法迭代去除振动信号中的噪声干扰成分,并重构振动信号;再次,建立基于稀疏滤波的无监督神经网络模型,将重构的振动信号作为神经网络模型的输入并学习故障特征,利用softmax辨识故障信息;最后,利用建立的故障诊断模型辨识齿轮故障测试数据并验证本文方法的有效性。结果表明,所提方法能够有效辨识故障特征。     

基于改进群延迟估计的同步压缩变换及其在冲击类振动信号提取中的应用

旋转机械振动信号中的冲击特征通常代表着轴承损伤、齿轮损伤等常发故障的出现,为了准确提取信号中的冲击分量,提出一种基于改进群延迟估计的同步压缩变换时频分析方法。分析时间重分配同步压缩变换原型算法在处理实际强频变信号时的特性,发现其易导致明显的时频模糊问题。构建基于局部最大搜索算法的改进型经典群延迟估计方法,以克服TSST在分析强频变信号时带来的时频模糊问题,并在此基础上提出了群延迟自适应估计策略。形成一种基于改进群延迟估计的自适应同步压缩变换方法,在其基础上提出一种振动信号中脉冲特征提取方法。仿真信号和试验数据分析结果表明,该方法可较准确地提取出振动信号中的冲击特征,相较其他常用时频分析方法能够生成更为聚集的时频表示。     

基于S变换与奇异值中值分解的滚动轴承故障诊断

为了有效地提取出滚动轴承故障信号的冲击特征,提出了一种基于S变换时频谱和奇异值中值分解(SVMD)算法的滚动轴承故障诊断方法。首先,利用S变换对滚动轴承原始振动信号进行了时频变换,得到了其时频系数矩阵,通过SVMD对时频系数矩阵进行了计算,筛选出合适的奇异值用以降噪;然后,通过仿真的方式,对结果进行了S逆变换,以获得信号的时域冲击特征;最后,以滚动轴承(型号N205)外圈、滚动体故障为例,进行了故障信号冲击特征提取实验,通过对轴承的外圈和滚动体故障数据分析处理,对基于ST-SVMD算法的有效性进行了验证。研究结果表明：通过采用基于ST-SVMD算法,得到了滚动轴承外圈的故障频率,该频率与该型号轴承特征频率基本一致;基于ST-SVMD算法,得到了滚动轴承滚动体的故障频率,该频率与该型号轴承特征频率基本一致;该结果证明,基于ST-SVMD算法在滚动轴承故障信号冲击特征的提取方面是有效的。     

基于形态分量分析和包络谱的轴承故障诊断

滚动轴承出现局部损伤时,其振动信号往往由包含轴承自身振动的谐振分量、包含轴承故障信息的冲击分量及随机噪声分量构成。提出了基于形态分量分析和包络谱的滚动轴承故障诊断方法。该方法根据轴承振动信号中各组成成分的形态差异,利用改进的形态分量分析对滚动轴承故障振动信号中的谐振分量、冲击分量和噪声分量进行分离,然后对冲击分量进行Hilbert包络解调分析,根据包络谱诊断滚动轴承故障。算法仿真和应用实例表明,该方法能有效提取滚动轴承故障特征。     

基于SK-MOMEDA的滚动轴承微弱故障特征提取

针对滚动轴承早期周期性瞬态冲击不明显及谱峭度在低信噪比情况下分析效果差的问题,提出多点优化最小熵解卷积(Multipoint optimal minimum entropy deconvolution adjusted,MOMEDA)和谱峭度相结合的轴承微弱故障特征提取方法.首先,采用MOMEDA作为前置滤波器对含有强噪声的微弱故障冲击信号进行降噪,突显信号中的周期性冲击性成分;然后,通过谱峭度分析,以最佳中心频率和带宽对降噪的信号进行带通滤波;最后,对滤波后的信号进行Hilbert包络谱分析,便可以准确地获得轴承信号的故障特征频率.仿真信号和实验分析结果表明,该方法可有效增强振动信号的周期性瞬态冲击特征,提取出滚动轴承早期微弱故障特征.