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。     

感应电动机轴承故障检测的相关分析方法

根据感应电机轴承发生故障时的振动信号特性以及定子电流特性,提出了一种基于相关分析的感应电动机轴承故障检测方法.该方法先求三相电流的Park矢量模信号,然后将其与电机滚动轴承振动信号进行相关分析,从振动信号与电流信号的相关谱图中有效地提取轴承故障特征信息,并将其作为轴承故障识别的依据.实验结果表明,该检测方法具有较高的信噪比,可提高故障识别的精度,实际应用也是可行的.     

最优最小熵反褶积与包络-导数能量算子在轴承故障提取中的应用

最小熵反褶积是检测轴承故障或齿轮故障信号等类脉冲信号的一种有效技术,但是该方法仍存在一个不足,即在使用前须设置滤波器的长度,而该参数值的选择一般只能通过技术人员的经验选择。针对这个局限性,提出了一个基于峭度、排列熵与信号能量的滤波器长度选择准则。通过该准则,可以有效地挑选出最优的滤波器长度,从而更好地对故障信号进行滤波。随后,一种增强的能量算子,包络-导数能量算子用来对过滤后的故障信号进行故障特征频率的提取。实验结果表明,该方法不仅可以有效地提取出轴承故障特征频率,并且与一些传统方法相比,该方法可以大大突出故障特征频率的幅值。     

声测法和经验模态分解在轴承故障诊断中的应用

提出了一种基于声测法、经验模态分解(EMD)和包络谱分析的轴承故障诊断新方法。声测法是轴承故障诊断最有效方法之一,但在获得的声测信号中含有大量噪声,严重影响了信号处理的结果。采用EMD可以有效地实现对信号的处理,大大地提高信噪比。EMD是把时间序列信号,分解成不同特征时间尺度的固有模态函数(IMF),具有自适应的分析能力,通过选取表征轴承故障的IMF分量进行包络谱分析,可提取轴承故障信号的特征。实验结果表明该方法能有效地诊断轴承故障。     

基于EEMD模糊熵和支持向量机的轴承故障诊断方法

电动机轴承的振动信号具有不平稳、非线性和高噪声等特点.在轴承故障的情况下,通过原始信号或部分时域特征参数不易准确判断故障位置.为解决此问题,在考虑时域特征的基础上,进一步通过集成经验模态分解(EEMD)和模糊熵进行特征参数提取.将轴承在正常、内滚道故障、滚动体故障以及外滚道的三个方向故障状态下的振动信号通过集成经验模态分解和计算模糊熵的方法提取信号特征,并与时域特征相结合得到10维特征向量.使用支持向量机(SVM)分类方法对所提取特征进行训练,最终得到可用于电动机轴承故障诊断的模型.比对发现,经特征提取后的模型训练速度和准确率均有较大提升,表明此方法对电动机轴承故障诊断是有效的,并为电气设备的故障诊断提供一种新思路.     

基于谱相干滤波冲击增强的轴承故障诊断

针对优化特征改进包络谱(IESFO)存在早期故障弱特征提取能力较弱和对频率分辨率要求较高的不足,提出了基于谱相干滤波冲击增强的轴承故障特征提取方法。首先使用IESFO算法选取优化解调频带并进行带通滤波;然后对滤波后信号使用多点优化最小熵反褶积(MOMEDA)算法增强信号中轴承故障产生的冲击;最后进行包络分析。基于实测信号的研究结果表明,和现有方法相比,本方法在轴承性能退化过程中可以提前提取到轴承早期故障信息,且可用于提取滚动轴承复合故障信息。     

小波降噪及Hilbert变换在电机轴承故障诊断中的应用

针对振动信号降噪处理及故障特征提取是机械故障诊断的重点问题,为了有效消除高频信号的影响,并充分提取出电机轴承的低频故障特征。提出利用小波降噪及Hilbert变换的方法对采集的电机轴承振动数据进行处理并提取其故障特征信息。首先,运用小波降噪对采集到的振动数据进行降噪处理,抑制噪声干扰,然后对其进行Hilbert变换解调出故障特征频率。通过对现场测取的轴承振动数据进行信号处理可以达到理想的诊断效果,由此得知,该方法能通过电机轴承振动信号进行故障特征信息处理,有效地进行轴承故障分析及诊断。     

可调品质因子小波变换在滚动轴承微弱故障特征提取中的应用

针对滚动轴承早期微弱故障识别困难的问题,提出一种基于可调品质因子小波变换的特征提取方法。利用可调品质因子小波对原始信号进行处理,将其分解为若干子带信号,为了使所得信号分量包含尽可能多的故障相关信息,以峭度为指导标准对子带信号做进一步合并处理,并从所得结果中筛选出峭度极值分量,利用相关系数准则剔除冗余分量后,通过分析保留信号分量的包络谱来判断轴承的故障类型。利用所述方法对仿真信号和试验信号进行分析,均成功提取出微弱特征频率成分,由此表明该方法可实现轴承早期故障的精确诊断,具有一定可靠性和应用价值。     

TKEO和SET在轴承故障诊断中的应用

时频分析是提取轴承故障诊断的重要方法,在强背景噪声下难以提取瞬态故障特征。针对这一问题,提出一种基于Teager-Kaiser能量算子(TKEO)和同步提取变换(SET)的轴承故障诊断方法,提高SET的时频分析能量的集中度。该方法首先对采集的轴承振动信号进行提取TKEO处理,凸显轴承故障振动信号的冲击分量;然后,对处理后信号进行SET时频分析,通过同步提取算子(SEO)提取时频脊线的时频系数,实现对瞬态故障特征提取;最后通过仿真信号和实测信号进行分析,验证该方法的可行性。实验结果表明:该方法可以有效提取轴承的故障特征,且与先前的时频分析方法相比分析结果具有一定的优越性。     

基于 QH-ITD 和 AMCKD 的滚动轴承故障诊断研究

由于滚动轴承早期微弱故障易受噪声影响导致难以对故障进行诊断。针对原固有时间尺度(ITD)和三次样条插值改进ITD算法的不足以及最大相关峭度解卷积(MCKD)算法的滤波器长度参数选取困难的问题,提出基于四次Hermite插值改进的ITD(QH-ITD)算法和利用变步长网络搜索参数寻优改进MCKD(AMCKD)算法。该方法首先利用QH-ITD算法对原滚动轴承故障信号进行分解运算,然后利用峭度指标和互相关系数筛选相应的分量信号进行重构,再利用AMCKD算法中对重构信号进行降噪处理,最后利用Teager-Kaiser能量算子进行解调处理,提取出故障特征信息并判断故障类型。通过人工模拟的滚动轴承损伤故障诊断实验和全寿命周期的轴承早期微弱故障诊断实验,验证了所提方法可以有效地对滚动轴承的早期微弱故障进行诊断识别。