自适应改进双树复小波变换的齿轮箱故障诊断

针对双树复小波变换存在频率混叠以及参数需自定义的缺陷,提出自适应改进双树复小波变换的齿轮箱故障诊断方法。首先,利用双树复小波变换将信号进行分解和单支重构,采用粒子群算法将分解后分量峭度值作为适应度函数,选择双树复小波的最优分解层数;其次,对重构出的低频信号进行频谱分析提取故障特征,将单支重构后的各高频分量进行变分模态分解,通过峭度值获得各高频分量经变分模态分解后的主频率分量信号;最后,分析各主频率分量信号的频谱,识别齿轮箱的故障特征。结果表明,该方法与双树复小波变换和变分模态分解相比,不仅消除了频率混叠现象,提高了信噪比和频带选择的正确性,而且还提高了从强噪声环境中提取瞬态冲击特征的能力。     

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。     

双树复小波包与自适应排列熵在轴承故障诊断中的应用

针对滚动轴承信号存在大量噪声、故障特征难以提取,而双树复小波包可减少有用信息的丢失,提出双树复小波包与排列熵结合的轴承故障诊断方法。首先经双树复小波包与排列熵结合对不同层数的分量计算平均排列熵值,确定最佳分解层数;其次采用峭度值作为指标对加噪信号选取分解后的最佳分量;最后对最佳分量进行包络分析提取故障特征频率。双树复小波包与排列熵相结合确定最佳层数方法,避免了对原始信号的过分解和欠分解,从而有效应提取到故障特征。     

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。     

ELMD和MCKD在滚动轴承早期故障诊断中的应用

针对滚动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,提出了基于总体局部均值分解(Ensemble local mean decomposition,ELMD)和最大相关峭度反褶积(Maximum correlated kurtosis deconvolution,MCKD)的早期故障诊断方法。该方法首先运用ELMD对采集到的振动信号进行分解,得到有限个乘积函数(Product function,PF),由于噪声的干扰,从PF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PF分量进行最大相关峭度反褶积处理以消除噪声影响,凸现故障特征信息。最后对降噪信号进行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。通过轴承故障模拟实验和工程应用实例验证了该方法的有效性与优越性。     

基于LMD和MCKD的滚动轴承早期故障诊断

滚动轴承故障产生的初期,信号中的冲击成分受到严重的噪声干扰,导致故障信号的周期特征难以提取。针对这一问题,提出基于局部均值分解(LMD)算法和最大相关峭度反褶积(MCKD)算法结合的滚动轴承早期故障诊断方法。首先应用LMD算法对轴承早期故障信号进行自适应分解,选取与原始信号相关系数较大的乘积函数(PF)分量进行重构;然后应用MCKD算法对重构信号进行降噪,突出周期冲击成分;最后对消噪后的信号进行Hilbert包络处理,从包络谱中即可准确地获取故障特征频率。通过对仿真信号和内圈故障实验信号的分析,证明了该方法的有效性。     

改进双树复小波包变换及在故障诊断中的应用

针对双树复小波包分解存在频带错位和频带重叠的缺陷,提出了一种改进的双树复小波包分解算法。该算法通过交换高频子带节点小波包分解后的两节点频带顺序来消除频带错位缺陷,引入切比雪夫滤波器滤去除低频、高频子带理想通带范围之外的频率成分,以消除频带重叠缺陷。将改进双树复小波包谱峭度方法应用于齿轮箱故障诊断,首先将振动信号分解成不同频带的分量,然后利用谱峭度理论自动确定最优带通滤波器参数,获取最佳频带,再采用Hilbert包络解调,准确识别出故障齿轮的转动频率。实验结果表明,该方法能更有效地提取强噪声干扰下的齿轮箱微弱故障特征,验证了该方法的可行性和有效性。     

基于双树复小波变换的轴承故障诊断研究

提出了一种基于双树复小波变换解调技术的轴承故障诊断新方法。该方法利用双树复小波变换具有近似平移不变性、避免频率混叠和有效降噪的优点,首先对轴承故障振动信号进行双树复小波分解和重构,将振动信号分解成实部和虚部,然后计算振动信号的双树复小波幅值包络和包络谱。齿轮箱轴承故障振动实验信号的分析表明,该方法能在强噪声环境下准确提取轴承故障产生的周期性瞬态冲击信号,能有效消除频率混叠现象和强噪声的影响,能有效识别轴承内圈和外圈故障。     

基于双树复小波与完全集合经验模态分解的滚动轴承故障诊断方法

针对滚动轴承振动信号故障特征不易提取的问题,提出了基于双树复小波与完全集合经验模态分解的滚动轴承故障诊断方法。首先,对信号进行双树复小波分解与重构,达到初步降噪的目的;然后,通过完全集合经验模态分解与互相关系数分析获得典型模态分量并进行信号重构;最后,分析重构信号的时、频域信息并与轴承故障特征频率对比完成轴承故障类型识别。仿真及试验结果表明,与小波降噪和集合经验模态分解相比,该方法有更好的降噪效果,能更准确地判断滚动轴承的故障状态。     

基于改进双树复小波变换的轴承多故障诊断

针对双树复小波变换产生频率混叠的缺陷,提出了改进双树复小波变换的轴承多故障诊断方法,该方法综合利用了双树复小波包变换和经验模态分解技术。首先,利用双树复小波变换将振动信号分解成不同频带的分量;然后,将各小波分量进行经验模态分解,获得各小波分量的主频率分量信号;最后,计算各小波分量的主频率分量信号的包络谱,根据包络谱识别齿轮箱轴承的故障部位和类型。通过仿真信号和齿轮箱轴承多故障振动实验信号的研究结果表明,该方法不仅消除了频率混叠现象,提高了信噪比和频带选择的正确性,而且提高了从强噪声环境中提取瞬态冲击特征的能力,能有效识别轴承的故障类型。     

基于MCKD-EEMD的滚动轴承微故障特征提取

在强噪声环境下滚动轴承故障信号非常微弱,特征信息难以识别,为了能够准确、有效地检测出轴承故障,提出了最大相关峭度反褶积(maximum correlated kurtosis deconvolution,MCKD)和总体平均经验模态分解(ensemble empirical mode decomposition,EEMD)相结合的诊断方法。信噪比较低时EEMD不能很好地提取微弱的信号特征,故先运用MCKD对含有强噪声的轴承振动信号进行降噪预处理。然后对降噪后的信号进行EEMD分解,选取与降噪信号相关系数较大的IMF分量进行信号重构。最后对重构信号进行能量算子解调分析,从包络谱中便能准确获得故障特征频率。通过信号仿真和实验数据处理结果证明了该方法的有效性。     

相关系数包络谱联合指标CeK的轴承故障诊断方法

针对轴承故障冲击特征提取时存在噪声和转频等成分的干扰问题,提出一种相关系数包络谱联合综合指标C_eK的轴承故障诊断方法。在信号预处理阶段采用新的综合指标C_eK从总体平均经验模态分解(Ensemble empirical mode decomposition,EEMD)得到的多个本征模态分量(Intrinsic mode function,IMF)中选取最优分量,进一步使用最大相关峭度反褶积(Maximum correlated kurtosis deconvolution,MCKD)对最优分量进行滤波降噪处理,最后使用Laplace小波相关滤波法提取故障冲击相关系数的峰值,做相关系数的包络谱图。通过仿真信号的分析结果,验证了本文方法的可行性。借助于南昌铁路局采集的真实故障信号,并以峭度指标代替本文提出的综合指标进行后续处理以及自适应Morlet小波滤波提取故障特征的分析结果,突出了利用综合指标C_eK和相关系数包络谱提取故障特征频率的优越性。     

基于阶次跟踪最大相关峭度反褶积的滚动轴承早期故障诊断

针对滚动轴承早期故障冲击信号受到现场噪声的干扰,难以提取周期冲击成分的问题,以及非平稳转速下对故障信号直接进行傅里叶分析会出现频率混叠,无法确定故障特征频率的问题。提出基于角域最大相关峭度反褶积的滚动轴承故障诊断方法。首先对时域非平稳故障信号进行计算阶次跟踪转换为角域内的平稳信号;然后用最大相关峭度反褶积对故障信号进行处理,提取信号中的周期冲击成分。通过对仿真和实验数据的分析,验证了角域最大相关峭度反褶积方法的有效性。     

基于峭度准则VMD及平稳小波的轴承故障诊断

为了从强噪声背景下的轴承振动信号中准确稳定地提取滚动轴承故障特征,提出了基于峭度准则VMD及平稳小波的轴承故障诊断方法。使用变分模态分解对同一负荷下的故障信号进行预处理,通过峭度准则筛选出最佳和次佳信号分量进行重构并使用平稳小波进行去噪处理,最后分析信号的包络谱来对轴承的故障类型进行判断。通过对仿真滚动轴承内圈故障信号进行分析,该方法可成功提取出微弱特征频率信息,噪声抑制效果优于EMD。由此表明,基于峭度准则VMD及平稳小波的轴承故障诊断可有效提取强声背景下的滚动轴承早期故障信息,具有一定的可靠性和应用价值。     

自适应MCKD和ALIF的滚动轴承早期故障诊断

针对滚动轴承故障信号冲击成分能量往往较低,故障特征频率难以提取以及最大相关峭度反褶积（Maximum Correlation Kurtosis Deconvolution,MCKD）降噪效果受限于滤波器L和位移数M等问题,提出了一种自适应最大相关峭度反褶积和自适应局部迭代滤波（Adaptive Local Iterative Filter,ALIF）的滚动轴承故障特征提取方法。以排列熵为标准,应用步长搜寻法确定最佳的MCKD滤波器的长度和位移数,对采集的振动信号进行降噪预处理,突出被噪声所淹没的故障冲击;然后应用ALIF算法对降噪后的信号自适应分解为一组固有模态函数（IMF）分量,利用最大峭度准则选取包含故障信息量最大的分量,即敏感分量;最后对敏感分量进行包络谱分析,提取故障特征频率。仿真和试验分析结果证明了该方法的有效性和准确性。     

基于角域级联最大相关峭度反褶积的滚动轴承早期故障诊断

变转速工况是某些启制动工作制设备常用的工作方式,针对启制动工作制下滚动轴承故障的振动信号呈现非平稳特性,加之现场环境噪声的干扰,难以从原始故障信号中提取特征频率。提出基于角域级联最大相关峭度(CMCKD)的滚动轴承故障诊断方法。首先将时域非平稳故障信号进行角域重采样转换为角域内的平稳信号;然后用级联最大相关峭度反褶积对故障信号进行处理,抑制信号中的噪声,提取信号中的周期冲击成分。通过对仿真和实验数据的分析,验证了角域级联最大相关峭度反褶积方法的有效性。     

双树复小波包和ICA用于滚动轴承复合故障诊断

针对滚动轴承复合故障信号特征难以分离的问题,提出将双树复小波包变换和独立分量分析(independent component analysis,简称ICA)结合的方法应用到滚动轴承复合故障诊断中。首先,利用双树复小波包变换将复杂的、非平稳的复合故障信号分解为若干不同频带的分量;其次,引入ICA对各个分量所组成的混合信号进行盲源分离,从而尽可能消除频率混叠;最后,对从混合信号中分离出来的独立信号分量进行希尔伯特解调,即可实现对复合故障特征信息的分离和故障识别。试验结果表明,该方法可以有效地分离和提取轴承复合故障的特征频率,验证了方法的可行性和有效性。     

DTCWPT-TV在高速列车齿轮箱轴承故障诊断中的应用

齿轮箱轴承作为高速列车转向架上的关键部件,其故障特征主要体现在其振动信号中,但是列车运行过程中存在强电磁噪声。针对强背景噪声下信号中故障特征频率的提取,提出双树复小波包变换(Dual Tree Complex Wavelet Package Transform,DTCWPT)和全变差(Total Variation,TV)结合的算法。该算法利用DTCWPT将齿轮箱轴承振动信号分解为不同尺度的信号分量,通过峭度指标选择冲击特征最显著的一个信号分量;针对含噪声的冲击特征,通过对该信号分量的全变差进行稀疏追踪从而得到信号的稀疏优化表示,使得振动信号中的冲击特征得到显著增强。通过构造一仿真信号对稀疏追踪算法的有效性进行了验证,并将该方法与DTCWPT结合并应用于齿轮箱轴承故障诊断中,结果表明:该方法能够很好地提取出信号中的冲击特征,并且频谱中的故障表征明显,能够有效地指导故障诊断。     

基于改进LMD与小波包降噪对故障弱信号的提取

针对微弱故障信号易被强噪声淹没的难题,提出了一种基于小波包降噪与改进LMD相结合的提取微弱信号特征向量的方法。首先选择恰当的小波基进行小波包分解,再根据计算出的最优小波包树进行信号重构,实现对原始信号的降噪处理。然后对重构的信号进行LMD分解,再计算PF分量的互相关系数和峭度值,减少虚假分量同时增强故障信号幅值。最后对真实的PF分量进行包络谱分析,提取弱信号的故障特征。实例研究结果表明:该方法能够有效地提取出淹没在强噪声中的故障弱信号的特征向量。     

噪声参数最优ELMD与谱峭度在滚动轴承故障诊断中的应用

为了精准、稳定地提取滚动轴承故障特征,提出一种噪声参数最优总体局部均值分解(Ensemble Local Mean Decomposition,ELMD)与谱峭度(Spectral Kurtosis,SK)相结合的轴承故障诊断新方法。首先引入相对均方根误差确定ELMD方法中的最优噪声幅值;然后对故障信号进行噪声参数最优ELMD分解,并选取具有最大相关性的窄带乘积函数(Product Function,PF)作为重构信号;最后利用谱峭度方法和包络解调方法对重构信号进行处理。实验结果表明,噪声参数最优ELMD方法可以有效地抑制ELMD分解中的模态混叠,与谱峭度结合可以准确地提取滚动轴承故障特征。