瞬态成分Laplace小波稀疏表示及其轴承故障特征提取应用

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响应成分,可通过对瞬态成分的分析与提取实现故障特征的提取。稀疏表示是强背景噪声下微弱特征提取的有效方法之一,在信号稀疏表示理论的基础上,针对冲击响应信号的特点,提出其在Laplace小波基底下的稀疏表示,并应用于轴承局部弱故障状态下振动信号中瞬态冲击成分的提取。在选定匹配基底函数的前提下,运用分裂增广拉格朗日收缩算法求解基追踪去噪(Basis pursuit denoising,BPD)问题,将信号中的瞬态冲击成分转化为一系列稀疏表示系数,实现强背景噪声下弱特征的有效提取。仿真信号和轴承微弱故障下的特征提取表明提出的方法能有效地检测和提取强背景噪声下的微弱故障。     

基于特征增强倒频谱分析的齿轮故障诊断方法

齿轮发生故障后,由于采集到的振动信号同时包含故障冲击、确定性啮合信号及噪声等多种信号,同时,各种信号还会受传递路径的影响,使得齿轮故障特征提取难度较大。倒频谱分析是常见的齿轮故障诊断方法,能将边频带中的周期成分显示为单根谱线,有助于故障诊断,但当故障特征信号较微弱时,倒频谱中得到的故障特征并不明显。为此,提出一种特征增强倒频谱分析方法,利用最小熵解卷积、自回归线性预测和小波去噪3种特征增强方法,逐步增强齿轮振动信号中的故障冲击特征,再利用倒频谱进行故障特征提取。通过实验,验证了所提方法的有效性。     

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。     

随机共振降噪下的齿轮微弱故障特征提取

针对强背景噪声下的齿轮微弱故障特征提取问题,提出了一种将级联单稳随机共振与经验模式分解(EMD)-Teager能量算子解调方法相结合的特征提取方法。首先对含噪故障信号进行随机共振输出,降噪后再进行经验模式分解,分解得到具有不同特征时间尺度的固有模态函数(IMFs),最后通过Teager能量算子解调方法求取每个有效IMF分量的幅频信息,从而提取齿轮微弱故障特征。仿真分析和实际测试结果均表明,通过随机共振降噪后,该方法能有效检测出齿轮局部损伤故障特征频率。     

综合改进奇异谱分解和奇异值分解的齿轮故障特征提取方法

针对齿轮故障特征微弱,在强背景噪声下难以有效提取的问题,提出了一种改进奇异谱分解（ISSD）结合奇异值分解（SVD）的齿轮故障特征提取方法。针对奇异谱分解（SSD）算法中模态参数需凭经验选取的缺陷,基于散布熵优化算法对SSD算法进行了改进,在得到既定的一组奇异谱分量的基础上,根据峭度值最大准则筛选出了最佳奇异谱分量并进行了SVD处理,采用奇异值能量标准谱自适应地确定了信号重构阶数以还原信号和提高降噪效果。最后对信号进行包络解调以提取齿轮故障特征,将所提方法运用到仿真信号和齿轮实测信号中,并同传统包络谱、SSD包络谱以及经验模态分解结合SVD(EMD-SVD)方法进行了对比分析,结果表明,所提方法的降噪和特征提取效果更佳,能够更加有效地实现齿轮故障的判别。     

KPCA法在风电机组齿轮箱故障诊断中的应用

将核主成分分析法应用于风电机组齿轮箱的故障诊断中,通过计算齿轮箱振动信号原始数据空间的内积核函数来实现原始数据到特征空间的非线性映射。利用某风场齿轮箱的正常工作状态、初期磨损状态以及断齿状态下的振动数据进行测试,对主成分分析法和核主成分分析法的分类结果进行了分析比较。实验结果表明,核主成分分析法能够有效地对齿轮故障信号进行特征提取和模式分类,更适合于故障信号非线性特征的提取。     

基于小波相关—包络排列熵的齿轮故障特征提取

振动信号是齿轮箱故障特征信息的有效载体,对振动信号的分析可实现不停机操作下的齿轮箱故障诊断。但振动信号易受噪声干扰,特别在复杂设备中,众多运动部件同时产生振动激励,使得实际获取信号的信噪比较低。针对传统方法存在的问题,将小波相关降噪和包络谱分析技术相结合,并利用排列熵对微弱信号变化敏感的特点,提出了基于小波相关—包络排列熵的齿轮故障特征提取方法,实现了齿轮箱不同状态下故障特征的提取。通过仿真信号和诊断实例分析结果表明,该方法比传统的信号分析方法更有效地凸显齿轮的故障特征。     

基于CYCBD和包络谱的滚动轴承微弱故障特征提取

针对在强噪声的干扰下,滚动轴承微弱故障特征难以有效地提取的问题,提出一种基于最大2阶循环平稳盲解卷积(Maximum Second-order Cyclostationarity Blind Deconvolution,CYCBD)和包络谱相结合的微弱故障特征提取方法。首先,由故障特征频率设置合理的循环频率集,使用CY-CBD对含有强噪声的微弱故障冲击信号进行降噪处理,增强信号中的周期性冲击成分;然后,对降噪信号进行Hilbert包络谱分析来识别故障特征频率。通过仿真和实验,结果证明,该方法能有效地提取被强噪声淹没的微弱故障特征。     

EMD与cICA方法在多级齿轮传动微弱故障特征提取中的应用

为提取多级齿轮传动单通道测量信号中隐含的微弱低频故障特征信息,提出了一种基于经验模态分解(Empirical mode decomposition,EMD)与约束独立分量分析(Constrained independent component analysis,cICA)相结合的故障特征提取方法。首先对实测的齿轮箱单通道测量信号进行EMD分解;然后计算各个本征模态函数(Intrinsic mode function,IMF)的峭度及其与原信号的互相关系数,并选择合适的IMFs分量与原信号组成新的虚拟观测向量;最后,通过构建合适的参考信号进行cICA分析,提取出了理想的微弱低频故障特征。通过多级齿轮传动中的低速级断齿故障特征提取试验分析,验证了该方法的有效性和适用性。     

基于多尺度排列熵的复合行星齿轮故障诊断研究

针对行星齿轮传动系统复合故障特征提取问题,以行星齿轮箱的运行状态为研究背景,建立了考虑路面随机激励下的行星齿轮箱复合故障动力学模型,利用多尺度排列熵对齿轮箱正常、断齿故障和复合故障时的振动信号进行了对比分析,通过对处于不同状态的行星齿轮箱进行分析,发现行星齿轮箱正常振动信号的多尺度排列熵值要高于单一断齿和复合断齿故障信号,熵值平均高出约5.3%,单一断齿的多尺度排列熵高于复合断齿故障信号,熵值平均高出约7.4%。研究结果证明,多尺度排列熵可以有效地诊断多排行星齿轮系统的故障类型。