广义稀疏解卷算法研究及其轴承故障诊断应用

机械系统中轴承局部故障会导致振动信号中出现瞬态冲击成分,而瞬态成分的有效提取是实现轴承故障诊断的关键。最小熵解卷积是一种基于峭度准则的微弱特征提取方法,然而其在强背景噪声下的稳定性较差。因此,提出一种基于广义P算子稀疏准则的解卷积方法。首先理论推导出广义P算子稀疏准则下的优化解卷积表达式,然后建立以归一化频率能量比为指标的广义稀疏准则下的轴承故障特征识别方法,最后利用仿真信号与实验数据对提出方法进行验证。仿真信号分析结果表明了提出方法能够识别出强背景噪声下轴承微弱故障特征;同时实验信号分析结果也证明了提出方法能可靠地检测出轴承微弱故障,并优于现有最小熵解卷积等故障诊断方法。     

ITT变换在风电机组滚动轴承故障诊断中的应用

为实现风电机组滚动轴承微弱故障诊断,提出了基于改进的时时(ITT)变换的风电机组滚动轴承故障诊断方法。由时时(TT)变换可得到一维轴承故障振动信号的TT变换矩阵,实现滚动轴承振动信号的二维TT表示。提取该TT变换矩阵的对角线元素可滤除低频干扰信号,起到增强故障特征的效果。鉴于噪声对TT变换分析效果具有重要影响,提出基于能量熵准则的奇异值分解降噪方法改进TT变换,以提高TT变换的抗噪能力,实现强背景噪声条件下轴承微弱故障特征提取。仿真、实验及工程应用实例结果均表明所提方法可以有效诊断出风电机组滚动轴承的故障类型。     

基于频率加权能量算子与1.5维谱结合的发电机特征振动信号增强

针对多极发电机故障振动信号信噪比低,故障识别难度高的不足,本文提出了频率加权能量算子(FWEO)与1.5维谱结合的方法来对发电机振动信号进行特征增强和滤噪.该方法应用频率加权能量算子来提取瞬态冲击特征和滤噪,应用1.5维谱来进行信号的二次特征增强和抑噪.对3对极发电机定子匝间短路故障前后定子振动数据的处理效果表明,本文所提方法能有效对发电机特征振动信号进行增强并实现有效滤噪,实现故障的快速识别;其处理效果不仅优于单一的频率加权能量算子和单一的1.5维谱,而且与当前流行的最大相关峭度解卷积算法相比具有一定优越性.     

基于改进VMD-MCKD和深度残差网络的风机齿轮箱故障诊断

行星齿轮箱是风电机组传动系统中的重要部件,其运行工况复杂,背景噪声大,导致齿轮早期故障信号微弱且极易受背景噪声的影响。针对风电机组齿轮箱早期故障特征难以有效提取,齿轮故障难以识别的问题,提出一种风机齿轮箱故障诊断方法。首先,通过变分模态分解算法（variational mode decomposition,VMD）分解风机齿轮箱原始振动信号,获得振动信号故障的最优模态分量;接着,利用最大相关峭度解卷积算法（maximum correlated kurtosis decnvolution,MCKD）通过解卷积重构最优模态分量,削弱背景噪声增强故障冲击成分,获得故障特征;同时利用麻雀搜索算法（sparrow search algorithm,SSA）优化惩罚因子α、模态分解个数K、滤波器阶数L和反褶积周期T等参数,提升振动信号故障特征提取的准确度;最后,构建基于深度残差网络（deep residual network,ResNet）的齿轮箱故障诊断模型,建立齿轮箱故障特征与类别的非线性映射关系,实现风机齿轮箱故障分类识别。实验结果表明,所提风机齿轮箱故障诊断方法的准确率达到97.48%,相...     

基于改进降噪自编码器的风机轴承故障诊断方法

滚动轴承是风电机组中故障最为频繁的部件之一,准确有效的轴承故障诊断方法有助于保障风电机组安全稳定运行。针对轴承振动信号特征微弱、难以诊断的问题,提出了一种基于改进降噪自编码器的风电机组轴承故障检测方法。首先引入了一维信号的图像化预处理,将原始的时域信号转化为二维特征灰度图。然后利用卷积神经网络在图像特征提取上的强大优势,构建了堆叠降噪自编码器与卷积神经网络的集成模型,去除了传统卷积神经网络中的池化层,进一步提升提取特征的鲁棒性和泛化性。整体诊断流程由数据驱动,减少了对于经验的依赖。最后的实验结果表明,该方法能够精确诊断不同类型的轴承故障。此外,通过与其他方法的对比实验进一步验证了该方法在故障诊断方面的优越性。     

基于决策融合的直驱风力发电机组轴承故障诊断

基于振动信号时域、频域和包络谱等多源特征,采用决策融合方法构建了直驱风力发电机组轴承故障诊断模型。对直驱风力发电机组主轴轴承经常发生的外圈故障、内圈故障、滚动体故障以及正常运行4种状态进行了实验研究。选取具有较高故障区分度,适合风电机组轴承故障诊断的特征参数。以风电机组振动信号的时域特征、频域特征和包络谱频域特征为诊断样本,使用灰色关联分析方法对机组轴承故障进行初步诊断,然后用证据融合理论对不同证据进行决策信息融合,从而获得最终诊断结果。实验结果表明,该方法能较好地识别风力发电机组轴承故障。     

基于改进辅助分类生成对抗网络的风机主轴承故障诊断

基于振动信号的风电机组故障诊断方法是风电安全运维领域研究的重点之一。风电机组主轴承较少发生故障,给运用数据挖掘方法判断故障类型带来很大困难。针对该问题,文中提出了一种用于风电机组主轴承故障诊断的数据增强方法。通过对辅助分类生成对抗网络(ACGAN)的适应性进行改进,引入梯度惩罚,构建了改进ACGAN框架,以提高其学习稳定性;在判别器网络中引入池化层,以提升其在多分类场景下提取数据特征的能力。仿真结果表明,所提出的改进ACGAN框架能够实现对原始数据分布特征的有效学习,抗噪声干扰性强,相对于原框架训练过程更稳定,生成数据的质量更高;能够有效平衡风电机组主轴承故障振动数据,进一步提升了风电机组主轴承故障诊断的正确率。     

基于MCKD-EMD的风电机组轴承早期故障诊断方法

风电机组轴承处于早期故障阶段时,特征信号往往比较微弱,并且受环境噪声及信号衰减的影响严重,因此轴承早期故障特征一直难以提取。经验模态分解(EMD)在轴承的故障特征提取中已经得到了广泛的应用,但其在强背景噪声干扰下对轴承早期故障特征的提取具有一定的局限性。针对这一问题,考虑到最大相关峭度解卷积(MCKD)算法可凸显出轴承振动信号中被噪声所掩盖的故障冲击脉冲,非常适用于轴承早期故障信号的降噪处理,因此将MCKD与EMD相结合用于轴承早期故障诊断。用MCKD对强噪声轴承信号进行降噪,然后对降噪后的信号进行EMD,选取敏感本征模态函数(IMF)并计算其包络谱,通过分析包络谱中幅值凸出的频率成分判断故障类型。仿真和试验分析结果验证了所提方法的有效性和准确性。     

风力发电机轴承故障包络谱扫频分析诊断

为提升风力发电机轴承故障诊断的准确性和效率,本文提出了包络谱扫频分析法,该方法通过扫频,将包络谱中的振动信号变换到扫频谱,然后利用故障信号在包络谱中的形态特征过滤干扰频率,最终突显代表故障的周期性冲击信号,实现对风力发电机轴承故障的准确快速诊断。实际诊断结果表明,包络谱扫频分析法能够准确快速地诊断风力发电机轴承典型故障。该方法可作为传统故障诊断方法的有效补充,不仅适用于风力发电机轴承故障诊断,也适用于其他设备滚动轴承的故障诊断。     

基于改进DEMD和ICA的海上风机传动系统早期故障诊断

针对传动系统早期故障振动信号较弱的情况,提出基于改进微分经验模式分解(DEMD)和独立分量分析(ICA)的海上风机传动系统早期故障诊断方法。为克服传统的DEMD算法在分解低阶本征模态函数(IMF)时存在失真现象,提出改进的微分经验模式算法将原始振动信号分解成若干个独立的IMF信号,结合ICA进一步进行原始振动信号故障特征分量的提取,并基于标准数据和风机动力传动故障诊断实验平台进行了仿真研究,最后选取海上风电机组传动系统常出现的发电机轴承故障进行诊断分析。结果表明,相对于传统的故障诊断方法,该方法能更好地放大故障分量,减少噪声和其他振动干扰信号的影响,提高了海上风电机组传动系统早期故障诊断的准确性。     

PSO 优化的最大峭度熵反褶积齿轮箱故障诊断

考虑到最小熵反褶积只对单一的异常振动信号很敏感,而且,滤波器的长度需要人工调控,提出了一种最大峭度熵反褶积方法,并将其应用于轴承故障诊断。考虑峭度熵具有突出连续冲击振荡的优点,选择峭度熵作为反褶积的目标函数。同时,利用峭度熵作为改进的局部粒子群优化算法的适应度函数,利用局部粒子群优化滤波器长度,使最大峭度熵反褶积在解卷积时自适应地调整滤波器长度,从而能够准确地提取出连续的脉冲信号。实验分析结果验证了该方法能够更加有效的提取连续脉冲信号的能力,提升了故障诊断的精度。     

考虑不平衡磁拉力的双馈异步风力发电机轴承外圈故障动力学建模

轴承故障会引起双馈异步风力发电机转子气隙变化,产生不平衡磁拉力(UMP)。为准确揭示双馈异步风力发电机轴承故障振动特性,开展了考虑UMP的双馈异步风力发电机轴承外圈故障动力学建模研究。首先,基于赫兹接触理论构建了轴承外圈故障模型;然后,推导了正常和轴承故障下发电机转子的气隙磁密,得到了发电机转子受到的UMP解析式;最后,采用Runge-Kutta法对模型进行求解,得到了轴承故障振动响应。试验分析表明：所提动力学模型能够有效揭示双馈异步风力发电机轴承故障振动信号的双冲击现象,UMP激励会影响风力发电机轴承外圈故障振动信号的调制特性。为风力发电机轴承故障诊断提供了新的理论参考。     

基于固有时间尺度分解的风电机组轴承故障特征提取

针对风电机组调心滚子轴承故障振动信号非平稳、非线性的特点,提出了基于固有时间尺度分解(ITD)的轴承故障特征提取方法。ITD方法可以将复杂信号分解成若干个固有旋转分量和一个趋势分量之和,能准确地展示非平稳信号的动态特性,有较高的拆解效率和频率分辨率。分析结果表明,ITD方法能有效地提取风电机组轴承故障特征,可用于在线故障诊断。     

自适应VMD联合MOMEDA的滚动轴承故障提取

针对强背景噪声下滚动轴承微弱故障特征提取问题,提出了一种基于参数自适应优化变分模态分解(VMD)与多点最优最小熵解卷积(MOMEDA)相结合的轴承故障特征提取方法。首先对滚动轴承时域振动信号进行VMD分解,然后基于自相关函数脉冲谐波噪声比指标(AIHN)最大化原则进行挑选得到最佳模态分量(BIMF)并对其进行MOMEDA滤波,包络解调后得到故障特征频率,最后将本文所提方法体应用于数值仿真信号上可以明显观察到故障特征频率131.1Hz,应用于实际轴承故障信号可以有效识别轴承故障特征频率294.5Hz,与原始包络谱提取的311Hz以及MCKD提取的320Hz相比更加接近理论故障特征频率294Hz。     

基于 FastICA-BAS-MCKD 的滚动轴承 复合故障特征提取方法

针对强背景噪声下轴承复合故障特征难以分离提取的问题,提出了一种基于快速独立成分分析-天牛须-最大相关峭度 解卷积算法(FastICA-BAS-MCKD)的滚动轴承复合故障特征提取方法。 首先,引入 FastICA 对滚动轴承多通道故障信号进行盲 源分离;其次,利用 BAS 算法同步优化 MCKD 算法的解卷积周期 T、滤波器长度 L 和移位数 M,构建基于 BAS-MCKD 的滚动轴 承振动信号自适应分析方法;然后,应用 BAS-MCKD 方法处理分离后的信号,实现分离信号的降噪和特征增强;最后,应用希尔 伯特解调方法对 MCKD 处理后的信号进行包络谱分析,实现滚动轴承不同类型故障的识别。 仿真和实测信号的分析结果表 明,所提方法能清晰地从复合故障信号中提取出单一故障特征频率,为滚动轴承复合故障特征提取提供了一种有效的解决 方案。     

改进的 FEWT 及其在滚动轴承故障诊断中的应用

针对快速经验小波变换(FEWT)中使用软阈值函数造成的频谱划分不合理的问题,提出了一种基于折中阈值函数的改进的快速经验小波变换(MFEWT)方法。方法首先通过傅里叶变换及反变换计算信号频谱的趋势谱,使用小波折中阈值函数去噪方法对趋势谱进行优化;然后根据优化后的趋势谱建立滤波带,融合峭度准则和相关系数分量选取原则,完成EWT经验模态分量的重构和特征分量的筛选,并对重构信号进行最小熵解卷积,进而计算频谱特征频率;最后,通过理论特征频率的匹配,完成滚动轴承的故障诊断。实验结果表明,与FEWT相比较,改进的快速经验小波变换能够获得更理想的信号分解结果,包络频谱中的故障特征频率峰值更为明显;改进方法实现了EWT信号分解的性能的改善,提高了滚动轴承故障诊断的可靠性。     

电动机滚动轴承的故障诊断

本文根据滚动轴承发生损伤故障时振动信号的特点，利用带通数字滤波和希尔伯特变换，对电动机轴承振动信号进行处理，然后对包络信号作谱分析，再从包络谱中提取故障特征频率分量，以诊断电动机轴承故障。实验结果表明，这种诊断方法是很有效的。     

融合粗糙集与神经网络的燃气轮发电机组振动故障诊断方法

针对燃气轮发电机组振动故障诊断中可测参数难以直接反映机组故障状态的问题,提出一种融合粗糙集理论和神经网络的燃气轮发电机组振动故障诊断方法。结合粗糙集对燃气轮发电机组振动信号原始特征数据进行约简,减少冗余信息。将粗糙集与神经网络有机结合,用优化了的神经网络诊断燃气轮发电机组振动故障。试验结果表明了所述方法的有效性,为燃气轮发电机组振动故障的快速诊断提供了可参考的新思路。