基于最优品质因子信号共振稀疏分解的滚动轴承故障诊断

滚动轴承常常在复杂工况下工作,当滚动轴承出现局部故障时,其振动信号中除了与故障信息相关的周期性瞬态冲击成分外,还包含轴转频等谐波成分和背景噪声。因此,在滚动轴承故障早期,对滚动轴承振动信号直接进行包络解调分析往往效果不佳。针对上述问题,提出了基于最优品质因子信号共振稀疏分解的滚动轴承故障诊断方法。该方法首先以信号共振稀疏分解低共振分量的峭度最大为目标,利用遗传算法对信号共振稀疏分解方法的品质因子进行优化,得到最优品质因子;然后利用最优品质因子对轴承振动信号进行信号共振稀疏分解,得到高共振分量和低共振分量;最后对低共振分量进行希尔伯特解调分析,提取轴承故障特征频率,进而诊断滚动轴承故障。仿真信号和试验信号的分析结果表明,该方法能有效提取轴承故障振动信号中的冲击成分,诊断轴承故障。     

基于信号共振稀疏分解的包络解调方法及其在轴承故障诊断中的应用

提出了基于信号共振稀疏分解的包络解调方法,并将其应用到轴承故障诊断中.与常规的基于频带划分的信号分解方法不同,信号共振稀疏分解方法根据信号中各成分品质因子的不同,将信号分解成高共振分量和低共振分量.当轴承出现损伤时,振动信号由以包含轴承自身振动的谐振信号、包含轴承故障信息的瞬态冲击信号以及噪声组成.谐振信号为窄带信号,具有高的品质因子,可分解为高共振分量;而瞬态冲击信号为宽带信号,具有低的品质因子,可分解为低共振分量.基于信号共振稀疏分解的包络解调方法首先利用信号共振稀疏分解方法将信号分解成高共振分量、低共振分量及残余分量,再对低共振分量进行包络解调分析,根据包络解调谱进行轴承故障诊断.算法仿真和应用实例表明该方法能有效地提取轴承故障信号中的冲击成分,凸显故障特征.     

GASA-PSO优化算法共振稀疏分解齿轮故障诊断研究#br#

针对齿轮箱齿轮早期微弱故障信号在恶劣工况下信噪比降低、故障特征不明显、提取困难等问题,提出一种基于遗传模拟退火算法与粒子群算法融合的共振稀疏分解故障诊断方法,对成分复杂、存在模态混叠的非平稳齿轮箱振动信号进行分析。建立齿轮箱故障模型,模拟齿轮故障信号,将遗传模拟退火算法与粒子群融合算法对品质因子全局快速寻优,利用最匹配品质因子对齿轮振动信号分离得到高、低共振分量与残差分量,对低共振分量做Hilbert 包络分析,得到冲击脉冲信号,进而对齿轮箱进行故障诊断;利用MATLAB仿真分析与实验证明,所提出的方法可以有效提取齿轮箱早期微弱的故障信号,具有较高的分离精度,实现齿轮微弱故障诊断,证明了该方法的可行性与有效性。     

基于信号共振稀疏分解与重分配小波尺度谱的转子碰摩故障诊断方法

提出了基于信号共振稀疏分解与重分配小波尺度谱的转子碰摩故障诊断方法。与常规的基于频带划分的信号分解方法不同,信号共振稀疏分解方法根据信号中各成分品质因子的不同,将信号分解成高共振分量和低共振分量。当转子出现碰摩故障时,振动信号往往由以转频及谐波为主要成分的周期信号、包含转子故障信息的瞬态冲击信号以及噪声组成。周期信号为窄带信号,具有高的品质因子,可分解为高共振分量;而瞬态冲击信号为宽带信号,具有低的品质因子,可分解为低共振分量。本文方法先利用信号共振稀疏分解方法从转子碰摩信号中提取冲击成分,再对提取的冲击成分进行重分配小波尺度谱分析,最后根据尺度图中冲击成分的周期诊断转子碰摩故障。算法仿真和应用实例验证了该方法诊断转子碰摩故障的有效性。     

一种改进的解卷积算法及其在滚动轴承复合故障诊断中的应用EI北大核心CSCD

针对滚动轴承复合故障振动信号非平稳、非线性特性且不同类型故障之间相互耦合,使得传统方法对复合故障冲击特征难以提取的问题,提出了一种基于自适应信号稀疏共振分解(ARSSD)和多点峭度最优最小熵解卷积修正(MK-MOMEDA)的故障诊断新方法。使用ARSSD分析故障信号,并定义一个新的复合指标作为目标函数,利用布谷鸟寻优算法(CSA)对高、低品质因子进行优化选择,获得包含瞬态冲击成分的最优低共振分量;计算其多点峭度谱,提取低共振分量中包含的故障冲击周期成分;之后设定适当的周期区间,进行解卷积运算分离不同的故障特征;通过包络解调,分析谱图中突出的故障特征频率进而识别故障类型。实验平台模拟了滚动轴承两种和三种故障的复合情况,并对所提算法进行了验证,结果表明该方法可有效的从复合故障中提取出各类故障特征,实现故障诊断。     

MCKD和RSSD在滚动轴承早期故障诊断中的应用

由于干扰噪声较强,共振稀疏分解在滚动轴承早期故障阶段并不能有效提取瞬态冲击成分。针对此问题提出基于最大相关峭度解卷积（Maxim Correlated Kurtosis Deconvolution,MCKD）和共振稀疏分解(Resonance Sparse Signal Decomposition,RSSD)相结合的故障特征提取方法。该方法首先利用MCKD对振动冲击信号进行处理,有效降噪并突出故障信号尖脉冲,然后使用共振稀疏分解将信号分解成包含谐波信号的高共振分量与包含瞬态冲击信号的低共振分量,最后利用包络功率谱根据低共振分量提取故障特征频率。通过仿真和试验验证了该方法可以准确提取故障特征频率,凸显故障特征。     

参数优化 VMD-MPE 和 PSO-CS-Elman 神经网络在滚动轴承故障诊断中的应用研究

针对滚动轴承振动信号的非线性、非平稳特征,提出了基于参数优化变分模态分解（Variational Mode Decomposition,VMD）、多尺度排列熵（Multi?scale Permutation Entropy,MPE）和粒子群?布谷鸟搜索融合算法优化 Elman神经网络的故障诊断方法。针对 VMD 中模态分量个数和惩罚因子难以确定的问题,引入鲸鱼优化算法,令其自主搜寻最优解;利用获得最优参数的 VMD 对滚动轴承故障仿真信号进行分解,对最佳模态分量进行包络谱分析,对比仿真故障频率与实际值的吻合度,验证该方法的可行性。考虑到 MPE 具有可探究信号内动力突变的优点,将其与参数优化 VMD 相结合,求取滚动轴承振动信号各阶模态分量的 MPE 值,选择部分熵值构建特征向量,并将其投放在三维空间观察其差异性,判断其是否能够良好地表征不同故障类型。针对 Elman 神经网络识别精度低的问题,将粒子群优化（Particle Swarm Optimization,PSO）算法和布谷鸟搜索（Cuckoo Search,CS）算法相融合,以此联合优化 Elman 网络的权重和阈值,以提升网络的收敛精度和诊断精度。以实验采集和凯斯西储大学的滚动轴承振动信号为研究对象,应用所提方法进行分析。结果表明,所提方法不仅能够自适应地将信号分解,并提取出有效的故障特征,还能准确实现故障模式的分类,提高故障识别率。     

麻雀算法参数优化VMD联合K-SVD的滚动轴承故障诊断

针对经典K-均值奇异值分解(K-means Singular Value Decomposition,K-SVD)易受噪声干扰产生虚假原子,导致信号稀疏不彻底、故障特征识别困难的问题,提出基于麻雀算法优化变分模态分解(Variational Modal Decomposition,VMD) 参数联合K-SVD的滚动轴承故障诊断方法。首先引入包络熵适应度函数指标并基于麻雀算法优化VMD的模态层数k 和平衡因子α。其次利用平方包络谱峭度指标遴选最优模态,以所选模态分量相空间构造Hankel 矩阵进行K-SVD字典学习。最后对恢复至时间序列的稀疏重构信号进行包络解调,提取轴承故障特征频率。通过轴承故障仿真信号和全寿命实验信号进行验证,证明相较于经典K-SVD算法,所提方法在低信噪比条件下在轴承故障特征提取方面具有优势,有一定的工程应用价值。     

基于噪声信号和改进VMD的滚动轴承故障诊断

受运行环境及传递路径影响,滚动轴承声音信号中包含有强背景噪声和较大的非周期性瞬态冲击成分,导致轴承故障特征提取困难。文中提出一种基于自适应变分模态分解(AVMD)的滚动轴承噪声信号故障诊断方法。该方法首先根据不同的信号自适应地确定模式数和惩罚因子,利用优化参数的VMD对原始信号进行分解,得到多个本征模式分量;然后计算各模式分量时域、包络谱和时-频加权峭度,根据时-频加权峭度最大化准则选择最佳IMF;最后采用共振解调技术求出最佳IMF包络谱。对轴承故障信号研究表明,所提方法可解决传统VMD算法分解精度受参数影响较大,导致信号出现过分解或欠分解的问题。另外与传统方法相比,该方法可以在强背景噪声和非周期性瞬态冲击下有效识别轴承故障。     

基于MPA-VMD的滚动轴承故障诊断方法

针对变分模态分解方法（Variation mode decomposition, VMD）在提取滚动轴承振动信号的故障特征频率时受参数设置影响及敏感模态分量的选取问题,构建一种基于海洋捕食者算法（Marine Predator Algorithm,MPA）优化变分模态分解的滚动轴承故障诊断方法。首先,利用以包络熵为适应度函数的海洋捕食者算法对变分模态分解算法的模态个数K和二次惩罚因子α进行自适应选定;其次,使用获得的最佳参数组合对故障振动信号进行变分模态分解,得到多个本征模态分量（Intrinsic Mode Function,IMF）;最后,计算各模态分量的平方包络基尼系数（Squared Envelope Gini Index,SEGI）,选择系数最大的模态作为最优IMF并进行包络分析,提取相应的故障特征频率。通过公开数据集和实验数据验证表明该方法可解决VMD受参数设置影响的问题,成功诊断轴承故障。且相比于峭度和相关系数指标,平方包络基尼系数指标在筛选最优IMF具备更佳的准确性和鲁棒性。     

参数优化VMD结合1.5维谱的滚动轴承复合故障特征分离方法

针对滚动轴承复合故障分离的问题,基于相关峭度具有突出故障冲击周期性的特点和1.5维谱抑制高斯白噪声、剔除非耦合谐波分量的优点,提出了参数优化VMD结合1.5维谱的滚动轴承复合故障特征分离的方法。首先以轴承不同故障特征频率对应的周期计算得到的最大相关峭度为评价指标,通过相应的相关峭度图来实现VMD中参数选择以及最优分量的选取;然后对最优分量进行包络处理,并为减少冗余成分和噪声干扰,选择1.5维谱来对包络信号做进一步分析,以此来实现滚动轴承复合故障的有效分离。通过对轴承复合故障仿真及实验信号的分析证明了该方法的有效性。     

基于最大幅值变分模态分解和均方根熵的滚动轴承故障诊断

针对变分模态分解中模态个数的设定会对分解结果产生重要影响的问题,提出一种求取最优分解层数的方法,该方法以瞬时频率的幅值特性为依据,通过分析变分模态分解过程中,各分量最大幅值之间的关系来确定最佳分解参数;均方根熵可以反映不同振动信号的能量值,以信号均方根熵为故障特征参量,通过优化支持向量机建立故障分类模型,实现故障模式分类。将基于最大幅值变分模态分解和均方根熵的故障诊断方法应用于滚动轴承实测信号中,实验结果表明基于最大幅值变分模态分解和均方根熵的方法能够有效识别滚动轴承运行状态,识别准确率高达98.75%。     

基于ITD-SVD和MOMEDA的故障特征提取方法

为提高滚动轴承故障诊断的准确性,提出一种基于固有时间尺度分解(ITD)、奇异值分解(SVD)和多点最优最小熵反褶积(MOMEDA)相结合的故障特征提取方法。首先,采用ITD分解故障振动信号,并构建基于峭度和相关系数的组合权重指标筛选准则,从而完成分量信号的筛选与重构。其次,对其进行SVD滤波降噪。最后,利用MOMEDA提取降噪后信号中的周期性冲击成分,并通过Hilbert包络谱分析得到诊断结果。经过实验数据分析,结果表明所提出的方法不仅能滤除噪声干扰,增强故障特征信息,而且能准确提取出故障特征。     

OVMD-MPE群稀疏全变分去噪算法研究

轴承振动数据在采集过程中易受噪声干扰,无法有效突出微弱局部故障脉冲,从而影响轴承故障诊断效率.针对这一问题,提出了一种OVMD-MPE的群稀疏全变分去噪算法.首先,利用变分模态分解分解信号,再利用蚱蜢优化算法获得变分模态分解的最优参数;然后,计算各模态分量的经验模态分解,分离出噪声主导分量和有用分量;最后,通过群稀疏全...     

基于EEMD和共振解调的滚动轴承自适应故障诊断

本文为解决滚动轴承原始振动信号信噪比低以及带通滤波器参数选择依赖于人的主观经验等影响传统共振解调技术有效应用的问题,提出了EEMD自适应消噪和自适应共振解调相结合的方法。论文首先利用EEMD自适应地将信号分解成多个分量,通过互相关系数方法进行自适应重构以突出故障特征信号,然后利用谱峭度自动确定带通滤波器的中心频率和带宽,最后对滤波后的信号进行能量算子解调谱分析。数字仿真信号和滚动轴承实验证明了该方法的有效性。     

基于特征优选和GA-SVM的滚动轴承智能评估方法

针对滚动轴承等旋转机械设备零部件的退化状态识别问题,研究并提出一种基于支持向量机(support vector machine,SVM)的智能评估方法。对于在线持续输出的轴承振动信号,采用时域方法和集成经验模态分解(ensemble empirical mode decomposition,EEMD)能量熵提取轴承特征,并基于相关性、单调性和鲁棒性进行特征选择。综合考虑三个指标,计算选择准则,得到最终的退化特征。针对SVM参数选择困难问题,使用遗传算法(genetic algorithm,GA)优化SVM参数,确定参数最优值。定义轴承性能退化指标,用三种不同故障类型的轴承数据训练模型。分别输入不同故障的轴承全寿命周期数据,得到轴承故障的类型和性能退化曲线,确定早期故障点,并对方法进行对比和验证。实验表明,模型故障诊断平均准确率为97.69%,性能退化评估曲线结果准确,早期故障检测能力强。     

基于滚动轴承故障诊断的AR预测滤波器阶数问题研究

通过对滚动轴承故障原理的研究,详细讨论的了利用AR预测滤波器对滚动轴承故障进行降噪处理时其最优化阶数选择的问题。根据滚动轴承故障信号的冲击衰减模型,提出了共振衰减整周期截取的定阶思路。通过对仿真信号的研究分析,揭示了应用AR预测滤波器分析故障信号时阶数选取和信号的信噪比、衰减阻尼比、采样频率、结构共振频率之间的关系,为深入分析AR预测滤波器的阶数选择问题提供了良好的基础。同时,利用最大峭度方法实现了最优化阶数的确定,通过对实验数据的分析,验证了本定阶方法的有效性     

基于IVMD和马田系统的滚动轴承故障检测方法

针对滚动轴承运转信号单一特征参数对早期故障的敏感性、可靠性问题,提出一种基于IVMD和马田系统的滚动轴承故障诊断方法。该方法首先根据谱相关系数确定VMD分解层数;其次,通过VMD方法对机械振动信号进行处理得到一系列有限带宽固有模态函数,并计算各模态函数的特征参数,在此基础上构建MTS系统的基准空间。引用信噪比的方法筛选有效特征变量,并重新构建MTS的基准空间。最后,计算待诊断信号到基准空间的马氏距离来检测轴承故障,建立滚动轴承早期故障的诊断控制指标。