基于倒谱预白化和形态学自互补Top-Hat变换的滚动轴承故障特征提取

为了消除振动信号中离散频率分量和强背景噪声对提取滚动轴承故障特征频率的干扰,提出了一种新的基于倒谱编辑(Cepstrum Editing Procedure,CEP)预白化和形态学自互补Top-Hat变换的方法用于滚动轴承的故障特征提取。CEP能够去除故障振动信号中的周期性频率成分,剩余只包含背景噪声和碰撞损伤引起的非平稳冲击成分的白化信号,通过分析构造的形态学自互补Top-Hat变换滤波器,提出采用故障特征幅值能量比(Feature Amplitude Energy Radio,FAER)的方法自适应确定最优结构元素的尺度,预白化信号经过形态学滤波有效消除了背景噪声的干扰,提取了较为清晰的轴承故障特征频率。对实测轴承滚动体、内圈故障信号进行了分析,结果表明该方法可有效提取滚动轴承故障冲击成分并抑制噪声。     

基于自适应多尺度形态学AVG-Hat滤波的滚动轴承故障特征提取方法

针对机械设备故障信号中故障特征微弱,容易被背景噪声淹没而不能准确提取的问题,提出了一种新的自适应多尺度形态学AVG-Hat滤波方法,并将其用于强背景噪声下滚动轴承故障信号的特征提取中。首先,在分析传统形态学滤波器滤波特点的基础上,提出了形态学AVG-Hat滤波器的构造方法;然后,提出采用改进包络谱稀疏度作为选择滤波后最优信号的评价标准,通过粒子群优化算法自适应确定了多尺度滤波器中不同尺度结构元素的权重系数,进而构建了最优的多尺度形态学AVG-Hat滤波器;最后,将该滤波器用于处理故障振动信号,经过包络解调分析准确提取出了信号中的故障特征信息。通过对实测轴承故障信号进行分析,结果表明:该方法在信号降噪的基础上具有较强的故障特征提取能力,能有效用于滚动轴承故障的诊断,具有较高的工程应用价值。     

基于小波-倒频谱的齿轮故障诊断方法及应用

利用振动信号采集到的齿轮故障信息,依据点蚀的故障机理和频谱特征,采用小波分解将信号分解在不同频带,有效抑制了背景噪声,从而得到故障特征频带,获得周期性突变的故障信息.选择故障所处频带重构信号,对故障进行诊断.结合倒频谱方法可以有效地识别故障特征频率.结果表明小波分析与倒频谱相结合是齿轮故障检测中一种有效的诊断方法.     

基于最小熵解卷积和Teager能量算子直升机滚动轴承复合故障诊断研究

为了解决强背景噪声环境下直升机滚动轴承故障信号微弱,故障特征难以提取的问题,提出一种基于最小熵解卷积(Minimum Entropy Deconvolution,MED)与Teager能量算子(Teager Energy Operator,TEO)的滚动轴承故障特征提取的新方法。根据滚动轴承故障信号表现为冲击波形的特点和MED降噪对冲击特征敏感的特性,采用MED对故障信号进行降噪处理,同时增强信号中的冲击成分;再结合TEO适合检测信号的瞬时变化,能有效提取故障信号冲击特征的特点,计算降噪信号的Teager能量信号,进行频谱分析提取滚动轴承的故障特征。通过对仿真信号和直升机滚动轴承混合故障信号进行分析,实验结果表明,该方法能有效提取强背景噪声环境中的微弱复合故障特征,具有一定的工程应用价值。     

基于小波基稀疏信号特征提取的轴承故障诊断

轴承弱故障振动信号中的瞬态成分极易被强背景噪声湮没而无法及时检测,结合稀疏表示原理提出一种基于小波基的稀疏信号特征提取方法,从而实现信号中瞬态特征成分的提取。通过构建原始信号瞬态成分稀疏表示模型,对原始信号采用相关滤波法获取最优小波原子,并构建最优冗余小波基底,实现小波基与信号故障特征的最优匹配;设计二次严格凸函数并运用MM(Majorization Minimization)算法求解模型中的目标函数,将信号中的瞬态冲击成分转化为稀疏表示系数,实现强背景噪声下弱特征的有效提取。仿真信号及轴承微弱故障试验验证了该方法能有效地检测和提取强背景噪声下的微弱瞬态成分。     

基于小波基稀疏信号特征提取的轴承故障诊断EI北大核心CSCD

轴承弱故障振动信号中的瞬态成分极易被强背景噪声湮没而无法及时检测,结合稀疏表示原理提出一种基于小波基的稀疏信号特征提取方法,从而实现信号中瞬态特征成分的提取。通过构建原始信号瞬态成分稀疏表示模型,对原始信号采用相关滤波法获取最优小波原子,并构建最优冗余小波基底,实现小波基与信号故障特征的最优匹配;设计二次严格凸函数并运用优化最小(Majorization Minimization,MM)算法求解模型中的目标函数,将信号中的瞬态冲击成分转化为稀疏表示系数,实现强背景噪声下弱特征的有效提取。仿真信号及轴承微弱故障试验验证了该方法能有效地检测和提取强背景噪声下的微弱瞬态成分。     

基于噪声辅助信号特征增强的滚动轴承早期故障诊断

针对滚动轴承振动信号特征提取在滤除干扰噪声的同时会将部分有用信号滤除,造成特征信号丢失的问题,提出了一种基于噪声辅助信号特征增强的滚动轴承早期故障诊断方法。采用广义多尺度排列熵筛选准则筛选振动信号,并通过粒子群优化算法优化Duffing振子系统参数,实现Duffing振子系统、输入信号与噪声间的最优匹配,从而提高随机共振效果,将部分背景噪声能量转移到滚动轴承早期微弱故障信号特征上,实现了早期微弱故障信号特征的增强。将所提方法应用于滚动轴承全寿命状态早期故障诊断,并与基于VMD的自适应形态学方法相比较,结果表明了该方法的有效性和可行性。     

基于数学形态学的分形维数计算及在轴承故障诊断中的应用

滚动轴承故障信号是一种典型的非线性信号,分形几何为描述轴承故障信号的特性提供了一个有力的分析工具。基于数学形态学的分形维数是在Minkowski-Boulingand维数基础上拓展的一种采用形态学操作计算分形维数的新方法。本文较详细的阐述了基于数学形态学的分维数计算方法,对比分析了与传统计盒维数方法的区别与联系,并对实际的滚动轴承正常、滚动体故障、内圈故障和外圈故障信号进行了分析,结果表明,基于数学形态学的分维数计算方法具有计算速度快,估计准确稳定的特点,为准确判断滚动轴承故障状态提供了一种快速有效的新方法。     

基于TVD和MSB的滚动轴承故障特征提取

针对滚动轴承故障冲击信号周期性强且易被背景噪声淹没的特点,提出一种基于二阶全变分去噪(TVD)与调制信号双谱(MSB)的滚动轴承故障诊断方法。该方法利用二阶TVD处理故障信号,包络谱相关峭度被用于确定滤波过程中的参数λ;为进一步抑制噪声干扰,对滤波后信号进行MSB分析,选取故障特征频率占比最大的5个切片进行平均得到复合切片谱,提取出轴承故障特征;通过分析复合切片谱,判断轴承故障类型。将该方法运用到轴承故障仿真和实验信号。结果表明,所提出的方法能够有效抑制强背景噪声的干扰,实现了滚动轴承的故障诊断,证明了方法的有效性。     

基于相空间独立分量分析及峭度贡献系数的早期故障分析方法研究

独立分量分析方法在信号分析中具有振源分离的特点,但由于机械设备早期故障信号具有强背景噪声及振源复杂等特点,独立分量分析方法对于单通道强背景噪声信号中的早期故障检测也无法取得满意效果。因此提出相空间对独立分量方法对其进行振源分离及重构,获得早期故障成分较为集中的重构信号,进而提出了峭度贡献系数来提取重构信号的早期故障特征信息;在对于某挤压机变速箱轴承的早期故障信号应用中,此方法在强背景噪声下成功的提取了早期故障的特征信息,确定了早期故障发生的部件。上述实验证明,相空间独立分量分析及峭度贡献系数方法在早期故障检测方面提供了一个可行的研究方向。     

基于峭度准则EEMD及改进形态滤波方法的轴承故障诊断

针对轴承故障成分常以周期性冲击成分出现在振动信号中,而冲击响应成分常被强大噪声淹没,造成轴承故障特征提取困难等问题,将集成经验模态分解(EEMD)与改进形态滤波方法相结合,在本征模态函数(IMF)及形态学结构元素(SE)选取时均以峭度准则为依据,对筛选出的IMF分量进行信号重构后,再进行基于峭度准则的改进形态滤波方法处理。结果表明,该方法可避免共振解调中中心频率及滤波频带选取,自适应性较好;通过对实际滚动轴承内外圈故障分析,该方法可清晰准确提取到故障特征信息,噪声抑制效果好,可用于轴承故障精确诊断。     

基于形态自相关和时频切片分析的轴承故障诊断方法

频率切片小波变换(Frequency Slice Wavelet Transform,FSWT)是一种新的时频分析方法,信号中的噪声会降低FSWT分析的频率分辨率。为了提高分析精度,提出了基于形态滤波和时延自相关的时频切片分析方法,并成功应用到轴承故障诊断中。该方法首先采用多结构元素差值形态滤波和时延自相关方法对信号进行降噪,采用FSWT分解降噪后的轴承振动信号,然后根据轴承故障特征频率选择时间频率切片区间,进行细化分析来提取故障特征。仿真信号与轴承故障诊断实例的分析验证了该方法的有效性。     

风力发电机轴承复合故障特征提取方法研究

针对较强背景噪声干扰下的风力发电机轴承复合故障特征难以准确提取的问题,提出了基于自适应最大相关峭度解卷积(AMCKD)的风力发电机轴承复合故障特征提取的方法。首先,利用人工鱼群算法(AFSA)以解卷积信号包络谱的相关峭度值为目标函数对最大相关峭度解卷积算法(MCKD)的影响参数自适应寻优;然后,将影响参数优化的MCKD对原始故障信号进行解卷积处理,对解卷积信号进行包络谱分析,通过包络谱中的主导频率成分与轴承各元件的故障特征频率相对比,准确实现轴承复合故障的诊断。仿真和工程应用实例验证了所提方法的有效性与实用性。     

基于自适应加权多尺度组合形态滤波的轴承故障特征提取研究

针对滚动轴承振动信号在进行早期故障诊断时往往会伴随着噪声干扰的问题,提出了一种选择性自适应加权多尺度组合形态滤波(Adaptive Weighted Multi-scale Combination Morphological Filtering,AWMCMF)方法,从振动信号中提取故障特征。首先,采用三种组合算子构成一组新的形态算子,可有效地提取出信号中的正负冲击特征;其次,基于新算子提出了加权多尺度形态滤波方法,并将Teager能量峭度作为评判指标为各尺度提供优化的权值;最后,将选择性自适应权值与多尺度算子进行加权绑定得到优化的故障特征提取结果。通过仿真信号和轴承故障振动信号的结果表明,该方法能有效地滤除噪声并提取故障特征。     

基于EEMD和改进的形态滤波方法的轴承故障诊断研究

轴承故障会导致振动信号中出现冲击响应成分,可通过对冲击响应成分的周期的检测与提取, 进行局部故障诊断。但在复杂工况下,故障脉冲易被周围噪声淹没,在分析EEMD和形态学滤波方法的基础上,将EEMD方法与形态学滤波方法相结合,提出结构元素(SE)选择方法,并用于本征模态信号中冲击响应特征的提取。通过将该方法用于轴承外圈、内圈局部故障状态下的特征的检测,结果表明该方法能有效提取周期性脉冲成分并抑制噪声。     

梳状滤波器在滚动轴承早期故障诊断中的应用

在滚动轴承的早期故障信号中,由于较强的齿轮啮合频率以及噪声成份的存在,致使故障特征的提取比较困难.应用二阶循环平稳方法可以有效的抑制噪声,提取出信号中的周期成份,但无法排除啮合频率的干扰.提出了构造梳状滤波器滤除啮合频率,然后进行二阶循环平稳分析的滚动轴承早期故障诊断方法,并通过实际工程信号进行了验证.     

基于VMD的自适应形态学在轴承故障诊断中的应用

为有效提取滚动轴承信号的特征频率,提出了基于变分模态分解(VMD)的自适应形态学的特征提取方法。首先利用VMD将目标信号分解为有限个模态信号,依据互信息法提取与原始信号相关的模态信号,将其进行求和重构;然后利用形态学对重构信号进行降噪处理,提取出滚动轴承的特征频率。针对形态学固有统计偏移和结构元素的选择问题,利用粒子群算法来优化改进的广义形态学滤波器,实现自适应滤波。通过数字仿真实验与滚动轴承故障试验分析,将其与基于经验模式分解(EMD)的自适应形态学、包络解调方法进行比较,结果表明该方法可以有效提取故障信号的特征频率。     

非负矩阵分解的发动机故障特征提取中的应用

信号处理与特征参数提取是发动机故障诊断的核心和关键。提出了采用自适应多尺度形态梯度算法对信号进行处理,综合利用小尺度下能保留信号细节和大尺度下抑制噪声能力强的优点,能够在强噪声背景下有效地提取振动信号中能够反映发动机工作状态的有用分量;在此基础上提出采用非负矩阵分解的特征提取方法对信号进行压缩,计算用于发动机故障诊断的特征参量。结果表明：与传统的信号处理与特征参量提取方法相比,本文提出的方法能够具有更高的分类精度,为准确判断发动机故障状态提供了一种行之有效的新方法。     

基于MOMEDA和增强倒频谱的风电机组齿轮箱多故障诊断方法

风电机组齿轮箱结构复杂,当齿轮、轴承存在多故障时,由于各故障强弱不同、故障间相互耦合及噪声干扰,造成故障诊断准确率低及漏诊问题。提出了一种基于多点最优最小熵解卷积(multipoint optimal minimum entropy deconvolution adjusted,MOMEDA)和增强倒频谱的风电机组齿轮箱多故障诊断方法。依据齿轮和轴承不同部位的故障特征频率设置合理的解卷积周期,利用MOMEDA对原始信号进行预处理;再通过增强倒频谱进一步抑制噪声干扰和增强故障特征;将增强倒频谱中的突出成分与齿轮箱故障特征频率对比,判断故障类型。实际风电机组齿轮箱多故障振动试验数据分析结果表明,该方法可以有效地提取出齿轮箱多故障特征信息。     

基于噪声辅助多元经验模态分解和多尺度形态学的滚动轴承故障诊断方法

为了从强噪背景中提取滚动轴承微弱故障特征,提出一种基于噪声辅助多元经验模态分解 (Noise Assisted Multivariate Empirical Mode Decomposition,NAMEMD)和数学形态学的滚动轴承故障诊断方法。NAMEMD是新提出的一种基于噪声辅助数据分析方法,其克服了集成经验模态分解的模态混淆和运算量大等问题。本文将NAMEMD与多尺度形态学相结合应用于滚动轴承故障诊断。该方法首先利用NAMEMD将多分量调频调幅故障信号自适应分解为一系列IMF分量;其次,选取能量高的IMF分量求和重构;最后利用多尺度形态学差值滤波器提取信号的故障特征频率。为了验证理论的正确性,进行了仿真试验和轴承故障试验,并与EEMD和包络解调进行了比较,结果表明本文方法在进一步降低模态混叠效应的同时,明显提高了运算速度,对滚动轴承外圈、内圈和滚子故障的检测精度更高,能够清晰地提取出故障信号的故障特征频率。