基于POVMD和CAF的低转速齿轮箱故障诊断

针对低转速齿轮箱齿轮故障特征频率低、故障特征频率易被背景噪声淹没,使其难以准确提取的问题,提出了基于参数优化的变分模态分解(parameter optimization variational mode decomposition,简称POVMD)和循环自相关函数(cyclic autocorrelation function,简称CAF)结合的故障诊断方法。首先,通过POVMD对原始信号进行分解,选用余弦相似度度量选取敏感的本征模态函数(intrinsic mode function,简称IMF);其次,计算其循环自相关函数谱,获得包含调制特征的循环自相关函数谱切片;最后,使用Teager能量算子(Teager energy operator,简称TEO)算法对切片解调,提取故障特征频率。同时将本方法与相关方法进行了对比分析,特征频率提取效果更加显著,仿真信号和实验数据分析验证了该方法的有效性和可靠性。     

基于参数优化MCKD的行星齿轮箱微弱故障诊断研究

针对行星齿轮箱在故障早期时振动信号比较微弱,受噪声污染严重、且传递路径复杂多变,实际情况下故障特征难以准确提取与分离的问题,提出了基于参数优化最大相关峭度解卷积(MCKD)的微弱故障特征提取方法。首先通过最大相关峭度解卷积对原始信号进行了降噪处理,设置了峭度和自相关峰态系数作为筛选准则,对算法参数组合进行了优化选取,检测周期性故障冲击特征;然后对降噪后的信号进行了希尔伯特包络谱分析,从而获得了准确故障特征频率。仿真信号和实验数据分析结果表明:该方法对于强背景噪声下的行星齿轮箱微弱故障诊断具有良好的效果,有效抑制了噪声干扰,成功提取了故障特征。     

基于VMD和MED的滚动轴承微弱故障特征提取

针对强噪声环境下滚动轴承故障特征信息非常微弱且难以提取的问题,提出基于变分模态分解(Variational Mode Decomposition,VMD)和最小熵解卷积(Minimum Entropy Deconvolution,MED)的滚动轴承微弱故障特征提取方法。基于VMD和MED的滚动轴承微弱故障特征提取方法首先采用VMD对滚动轴承故障信号进行分解,得到多个模态分量,由于噪声的干扰,很难从各个模态分量中提取有效的故障特征信息;然后根据相关系数准则,选取与原始信号相关系数较大的模态分量进行重构,再对重构后的信号进行MED降噪处理;最后对降噪处理后的信号进行Hilbert包络解调,从得出的包络谱中即可准确地提取到故障特征信息。轴承故障实验信号处理结果表明,该方法可以有效地降低噪声的影响,精确地提取滚动轴承微弱的故障特征信息。     

改进VMD和非凸重叠组收缩降噪的行星齿轮箱早期故障特征提取

针对强背景噪声下行星齿轮箱早期微弱故障特征难以被识别且变分模态分解算法中模态个数K和惩罚因子α需要依赖人为经验反复尝试而不能自适应确定的问题,提出了改进变分模态分解（Modified Variational Mode Decomposition,MVMD）方法,通过故障信号尺度空间谱的自适应分割来确定所需模态个数K,同时建立峭度最大值判定准则自动选取最佳惩罚因子α。在此基础上,将MVMD 与自适应非凸重叠组收缩降噪算法（Adaptive Nonconvex Overlap Group Shrinkage,ANOGS）相融合,提出了基于MVMD?ANOGS 的行星齿轮箱早期故障诊断方法。对故障振动信号进行MVMD 最佳分解,获取多个模态分量;利用ANOGS 算法对峭度最大的敏感模态进行稀疏降噪,从而突出信号中的故障冲击特征;对降噪模态进行包络解调处理,以提取明显的故障特征频率来判别故障。通过仿真信号和工程实验数据分析表明,相比传统VMD 方法、EEMD 方法和快速谱峭度方法,该方法能成功地提取微弱故障冲击特征且更加清晰,提高了行星齿轮箱早期故障的表征能力与诊断精度。     

基于改进VMD与包络导数能量算子的滚动轴承早期故障诊断

针对滚动轴承早期故障比较微弱,特征信息难以提取且变分模态分解(VMD)中分解层数k的大小需要使用者反复尝试而不能有效确定的问题,提出了改进的VMD方法,以能量差作为评价参数自适应地确定分解层数k。在此基础上,将改进的VMD与包络导数能量算子结合,提出了VMD与包络导数能量算子的轴承早期故障诊断方法。采用VMD对轴承故障振动信号进行分解,根据能量差曲线确定最佳的分解层数k;依据峭度准则,从分解得到的k个本征模态分量中选取敏感分量进行重构;并用包络导数能量算子对重构信号进行解调分析,从其能量谱中便可准确地提取轴承的故障特征信息。通过仿真信号和实验数据的分析,验证了该方法的有效性与可行性。     

基于EEMD和DT-CWT的滚动轴承在非稳定运行时的故障诊断研究

为解决滚动轴承在变转速工况下的频率谱模糊及强噪声工况下的微弱故障信息提取问题,提出基于EEMD和DT-CWT相结合的故障特征分离法。首先应用阶次跟踪技术将非平稳的时域信号转化为平稳的角域信号,再运用EEMD技术对角域信号进行预处理,应用互相关与峭度准则提取有效的IMF分量,最后对IMF分量进行DT-CWT降噪,分析降噪后的角域信号阶次谱,能够有效提取特征阶比。通过实验验证了该方法的有效性,为实际滚动轴承在非稳定运行时的微弱故障识别提供参考。     

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。     

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。     

利用FCKT以及深度自编码神经网络的滚动轴承故障智能诊断

实时、快速、批量地对振动信号进行处理成为故障诊断领域的未来发展趋势,但是可能会带来数据维数灾难问题。针对在样本较大情况下深度学习运行时间较长,以及层与层之间节点数的减少使得故障识别准确率降低问题,提出首先计算原始时域信号的频谱在不同偏移点数下的相关峭度值(FCKT)作为新的样本数据,并结合深度自编码神经网络实现轴承的智能故障分类。新样本相对于原始样本,实现了数据的维数约减,缩短了样本集的分析时间。同时,在保持各样本数据原有信息的基础上,使得样本之间差异性更突出。另外,该方法在避免深度学习算法层与层之间的权值根据经验设定的同时,解决了通过逐层减少隐含层节点数来提高计算效率时带来的分类识别准确率降低的问题。最后,通过试验数据对比分析验证了算法的有效性。     

基于MEWT‑ASCS的行星齿轮箱微弱故障特征提取

针对强噪声背景下行星齿轮箱早期微弱故障难以提取以及经验小波变换对信号频率区间边界划分不恰当以及不能有效确定模态数目的问题,提出了一种基于改进经验小波变换（modified empirical wavelet transform, 简称MEWT）和自适应稀疏编码收缩（adaptive sparse coding shrinkage,简称ASCS）的早期微弱故障特征提取方法。根据信号频谱的尺度空间表示,将原始故障信号自适应地分解为一系列的窄频带本征模态分量。利用包络谱峭度（envelope spectrum kurtosis, 简称ESK）值选择敏感分量,为了进一步凸显分量中的故障信息,使用ASCS算法对敏感分量进行稀疏降噪处理,从其包络谱中即可提取到清晰的故障特征频率成分。数值仿真和实际数据分析结果表明,本研究方法能够自适应地实现故障信号的模态分解并增强微弱的故障冲击特征。此外,与经验小波变换（empirical wavelet transform, 简称EWT）,EWT?ASCS和ASCS进行对比,本研究方法可有效提取包含故障信息丰富的分量,经ASCS处理后信号故障特征得到凸显,实现了行星齿轮箱早期微弱故障的准确识别。