基于自回归滑动平均最小熵反褶积的滚动轴承故障诊断

滚动轴承的时域故障信号含有工作部件或轴承元件间微弱碰撞产生非周期性冲击以及工况噪声成分,造成信号中表征故障信息的周期冲击成分难以提取,无法准确有效的对滚动轴承进行故障诊断。针对这一问题,提出自回归滑动平均最小熵反褶积方法。通过自回归滑动平均模型和最小熵反褶积计算得出正逆两组滤波器系数,其中自回归滑动平均模型计算出的滤波器系数用于分离故障信号中的非周期冲击成分,最小熵反褶积计算出的逆滤波器系数用于恢复故障冲击成分。通过仿真和实验的处理结果证明了方法的有效性。     

最小熵解卷积在滚动轴承早期故障诊断中的应用

滚动轴承发生早期故障时,轴承座的振动信号一般很微弱,且隐含的冲击成分常被淹没在强烈的噪声中,直接做频谱或包络谱分析,其故障特征很难提取。最小熵解卷积方法可以提高被分析信号的信噪比,突出隐含在故障信号中的脉冲成分。应用最小解卷积方法对滚动轴承滚动体、外圈和内圈三类典型早期故障信号进行了相应的解卷积滤波,然后进行幅值谱和包络解调分析,提取出了相应的典型故障特征。应用验证了最小熵解卷积方法在滚动轴承早期故障诊断中的有效性和优点。     

基于小波包样本熵的滚动轴承故障特征提取

将样本熵引入故障诊断领域,讨论了样本熵的性能和计算参数的选择.结合小波包分解和样本熵,提出了一种新的滚动轴承故障特征提取方法.首先对轴承振动信号进行小波包分解;然后对归一化能量最大的子带进行重构,计算重构信号的样本熵;最后通过样本熵评价故障状态.滚动轴承故障诊断实例验证了该方法的有效性.     

基于最小熵反褶积的动车组牵引电动机轴承故障诊断方法北大核心

针对牵引电动机轴承故障信号冗余程度高,信号微弱且伴随有较强非高斯噪声,故障特征难以提取的问题,采用了一种最小熵反褶积算法对复杂信号进行处理,由于该算法中滤波步长对处理信号影响较大,采用包络谱熵作为适应度函数,使用量子行为粒子群优化算法对最小熵反褶积算法中的滤波步长进行优化,使最小熵反褶积算法达到最优。试验结果表明,优化后的最小熵反褶积算法能够准确提取牵引电动机轴承故障特征。     

基于最小熵解卷积与稀疏分解的滚动轴承微弱故障特征提取

受环境噪声及信号衰减的影响,强背景噪声下的滚动轴承故障特征往往表现得非常微弱。滚动轴承的微弱故障特征提取一直是难点。稀疏分解在滚动轴承的故障特征提取中已经取得一定的应用。但其在强背景噪声干扰下滚动轴承微弱信号故障的特征提取效果并不明显。将最小熵解卷积(Minimum entropy deconvolution,MED)与稀疏分解相结合用于滚动轴承的微弱故障特征提取。用MED对强噪声滚动轴承信号进行降噪处理,对降噪后的信号进行稀疏分解和故障特征提取,取得了较好的效果。通过仿真和试验验证了所述方法的有效性及优点。     

基于形态提升小波变换的滚动轴承故障特征提取

为有效提取表征轴承故障的脉冲特征,提出采用形态提升小波变换对轴承故障信号分析的方法.仿真信号和实际滚动轴承故障信号的分析结果证明了形态提升小波变换提取信号脉冲特征的有效性.与传统的线性小波变换方法相比,形态提升小波的脉冲信号保持和抗噪声能力较强,可以识别出传统小波不能识别的轴承故障状态,同时形态提升小波变换只涉及加、减和比较运算,计算更加简单、快速,可应用于轴承故障的在线监测与诊断.     

极大熵谱法及其在滚动轴承故障诊断中的应用

针对轴承运行状态采用极大熵谱法建立了 AR模型 ;并计算出轴承正常及故障状态的时序模型。对饱含着信号的时间序列进行了故障敏感因子计算、极大熵谱分析 ,对滚动轴承故障进行了定性的诊断 ,同时将功率谱和极大熵谱进行比较分析 ,为诊断提高可靠信息     

基于自适应增强差分积形态滤波器的滚动轴承故障特征提取方法

为了在强背景噪声下提取滚动轴承微弱的故障特征信息.提出一种新的自适应增强差分积形态滤波方法(Adaptive enhanced difference product morphological filter,AEDPO)用于滚动轴承早期的故障诊断.首先,结合已有的四种形态学滤波算子滤波的能力,提出一种改进的增强差分积形...     

基于LMD和MOMEDA的滚动轴承早期故障特征提取研究

采用局域均值分解(LMD)提取强噪声背景下的滚动轴承的故障特征效果并不理想,针对该问题,将多点优化最小熵解卷积(MOMEDA)与局域均值分解(LMD)相结合,进行了滚动轴承微弱故障信号处理研究.首先,利用局域均值分解(LMD)对外圈故障轴承的振动信号进行了信号重构;其次,利用多点优化最小熵解卷积(MOMEDA)滤波,进...     

基于LMD能量熵的滚动轴承故障特征提取

为了对滚动轴承运行状态进行有效的判断,利用局部均值分解(LMD)对滚动轴承振动信号进行分解,将复杂的多分量信号分解成多个单分量信号;针对分解后的单分量信号在各频域范围分布不均匀特点,利用LMD能量熵提取出滚动轴承振动信号的故障特征。实验结果表明,LMD能量熵具有较强的信号表征能力,可以有效提取出滚动轴承故障特征。     

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。     

基于最小熵解卷积-变分模态分解和优化支持向量机的滚动轴承故障诊断方法

提出了一种基于最小熵解卷积和变分模态分解以及模糊近似熵的故障特征提取方法,并采用优化支持向量机对故障进行识别分类。首先利用最小熵解卷积方法降低噪声干扰并增强故障信号中故障特征信息,进而对降噪后的信号进行变分模态分解,并利用模糊近似熵量化变分模态分解后包含故障特征信息的模态分量以构建特征向量,之后通过采用扩展粒子群算法优化惩罚因子和核函数参数的支持向量机,对故障样本训练并完成故障识别分类。将所提方法应用于滚动轴承不同损伤程度、不同故障部位的实验数据,验证了该方法的有效性。与基于局部均值分解的特征提取方法相对比,结果表明所提方法可以更精确地提取出滚动轴承故障特征,并能够更准确地完成不同故障的识别;通过与基于网格寻优算法优化的支持向量机方法和基于扩展粒子群优化的最小二乘支持向量机方法相对比,结果表明所提方法具有更好的分类性能,能达到更好的诊断效果。     

应用EMD和倒包络谱分析的故障提取方法

针对倒频谱分析方法难以提取滚动轴承早期微弱故障的问题,提出了一种利用最小熵反褶积(minimum entropy deconvolution,简称MED)和倒包络谱分析的故障特征提取方法,并应用于滚动轴承诊断中。首先,采用MED方法对故障信号进行降噪处理,同时增强信号中的周期成分;然后,计算降噪后信号的包络,再对包络信号进行倒频谱分析;最后,得到倒包络谱,提取故障特征。试验结果表明,所提出的方法优于传统的倒频谱分析,能够有效提取强背景噪声下的滚动轴承早期故障特征频率信息。     

数学形态学和HHT在轴承故障诊断中的应用

数学形态学滤波算法具有很强的抑制脉冲干扰的能力,但滤除白噪声的能力却不及小波算法。针对这一不足,在对信号进行形态滤波之前先进行小波消噪,再进行HHT分析提取故障特征频率。通过仿真和示例证实了该方法可以有效地消除信号干扰噪声,提取轴承故障特征,达到对滚动轴承故障诊断的目的。     

基于改进最大相关峭度解卷积的滚动轴承复合故障诊断

强背景噪声环境下,多故障特征的准确分离是滚动轴承复合故障诊断的关键与难点。针对此问题,提出了一种改进最大相关峭度解卷积的滚动轴承复合故障诊断方法。该方法基于故障信号的特点,利用最大相关峭度解卷积实现信号中的多故障特征分离,借助改进的粒子群算法对参数进行优化选取;利用互相关谱进一步突出信号中的故障特征,提高信噪比。仿真信号和实测滚动轴承内、外圈复合故障信号的分析表明,所提方法能够准确提取出滚动轴承复合故障特征,借助互相关谱的噪声抑制能力,能实现比单一MCKD方法更为有效的故障特征提取。     

基于精细复合多尺度散布熵与支持向量机的滚动轴承故障诊断方法

为克服多尺度样本熵的不足,更精确地提取滚动轴承非线性故障特征,将一种新的非线性动力学分析方法--精细复合多尺度散布熵引入到滚动轴承的故障特征提取。在此基础上,提出了一种基于精细复合多尺度散布熵与支持向量机的滚动轴承故障诊断新方法。通过滚动轴承实验数据分析,将所提方法与基于多尺度样本熵和多尺度散布熵的故障诊断方法进行了对比,结果表明：所提方法不仅能精确地识别滚动轴承故障类型和故障程度,而且故障识别率高于另两种方法。     

基于最小熵解卷积的齿轮箱早期故障诊断

齿轮箱发生早期故障时,其振动信号一般很微弱,且隐含的能反应出齿轮箱运转状态的冲击成分常被淹没在强烈的噪声中,直接做频谱分析或包络谱分析,很难提取其故障特征。论文将最小解卷积方法应用于炼胶机的齿轮箱故障诊断。首先利用该方法对齿轮箱振动信号进行解卷积滤波处理,然后对滤波后的信号进行包络解调分析,最后提取出了该齿轮箱轴5上齿轮8(z8=28)齿根轻微裂纹的故障特征,实现了该齿轮箱的早期诊断。应用实例验证了最小熵解卷积方法的有效性和优点。     

基于小波包最优熵与RVM的滚动轴承故障诊断方法

为解决滚动轴承振动信号信噪比低和故障分类准确性不高的问题,提出了小波包最优熵和相关向量机相结合的故障诊断方法。首先采用小波包对采集到的信号进行信噪分离,寻找分解后信号的最优小波包节点熵;然后提取最优节点能量作为训练样本,对相关向量机的多故障分类器进行训练,实现轴承的智能诊断。试验表明,该方法可简单有效地分离噪声,并具有良好的分类能力,可以很好地应用于轴承故障诊断。     

基于形态差值滤波和差分熵的滚动轴承故障诊断

针对滚动轴承内外圈的早期故障,提出了一种新的诊断方法,该方法融合了数学形态学对非线性信号的滤波和信息熵理论在信号表征方面的优越性。首先,利用数学形态差值滤波器对实测的轴承内外圈轻重损伤的故障信号进行消噪处理,充分突出了有用的故障特征信息;然后,利用差分熵提取该信号中的突变特征信息,对其进行不确定性和复杂性度量;最后,根据突变点的冲击时间间隔和内外圈故障周期性冲击的时间间隔一致的思想来完成对滚动轴承的故障诊断。通过对仿真信号和滚动轴承实测内外圈两种故障程度的振动信号的诊断分析,证明该方法能够很好地识别轴承内外圈早期故障的类型,且具有很高的准确率。