基于VMD和变尺度多稳随机共振的微弱故障信号特征提取方法

针对强噪声背景下旋转机械早期故障诊断的难题,提出一种基于变分模态分解与变尺度多稳随机共振的微弱故障信号特征提取方法。首先应用参数优化的变分模态分解(variational mode decomposition, VMD)算法对微弱故障信号进行分解, 得到若干本征模态分量(intrinsic mode function, IMF);然后通过峭度准则筛选出其中峭度最大的IMF分量;最后对该IMF分量进行变尺度多稳随机共振, 实现微弱故障信号的增强。实例表明:在强噪声背景下,利用参数优化VMD分解与变尺度多稳随机共振相结合的方法,可以有效提取出微弱信号特征频率,实现旋转机械故障状态的准确判断。     

基于参数自适应VMD和MCKD的滚动轴承微弱故障特征提取

针对传输路径复杂和强噪声干扰条件下滚动轴承故障信号信噪比低、微弱故障特征难以提取的问题，提出一种将参数优化变分模态分解（Variational Mode Decomposition,VMD）与最大相关峭度解卷积（Maximum Correlated Kurtosis Deconvolution, MCKD）相结合的滚动轴承微弱故障特征提取方法。首先，利用经麻雀搜索算法（Sparrow Search Algorithm, SSA）优化的VMD对故障信号进行自适应分解，构建加权峭度指标以筛选有效模态分量；然后对有效模态分量利用经SSA优化后的MCKD进行增强；最后，对增强后的信号进行包络解调分析，提取出轴承故障特征频率。实验和工程实际案例分析表明，所提出的方法能够自适应增强轴承信号中的微弱冲击成分，有效提取出强噪声背景下的滚动轴承微弱故障特征。     

自适应二阶双稳态随机共振的微弱特征增强检测方法研究

针对大型机械设备运行环境恶劣故障特征难以提取的问题,提出一种自适应二阶双稳态随机共振方法。首先系统输出信号的信噪比作为蚁群算法的自适应度函数,然后采用蚁群算法优化二阶随机共振系统的参数和阻尼因子,再利用优化得到的最佳参数设置二阶随机共振系统,最后实现微弱故障特征的增强与提取。数值仿真分析表明:该方法可以有效地提取淹没在强噪声背景下的微弱正弦信号;而且深沟球轴承滚动体故障实验结果证明提出的方法能有效增强与提取滚动体故障特征频率。仿真与实验对比结果表明:提出的方法优于传统随机共振方法,归功于该方法不仅能够利用蚁群算法并行选择和优化随机共振系统参数,而且克服传统随机共振方法对高通滤波器的依赖。     

自适应多尺度噪声调节二阶随机共振增强方法EI北大核心CSCD

经典双稳态随机共振系统通过各种参数地调节可实现噪声、周期信号及非线性双稳态系统的最佳匹配从而实现随机共振,促使系统输出的微弱周期分量得到了一定的噪声能量而达到增强的效果,从而有效检测出微弱的周期分量,但噪声能量利用有限,系统响应中仍存在一定的噪声能量。二阶随机共振增强的系统模型,借助“双重积分”实现噪声的重复利用,将噪声进行二次利用,有效促进高频噪声能量进一步转移到低频区域,有效提高输出响应的信噪比。考虑到多尺度带限噪声对随机共振的影响,并基于随机共振特殊低通滤波器的数学本质,提出了以协同信噪比(collaborative signal to noise ratio,CSNR)为目标函数,基于Paul小波的自适应多尺度噪声调节二阶随机共振增强方法,充分利用了小波的多分辨时频分析能力,将输入信号和噪声划分到不同频带,实现了不同频带信号和噪声强度大小的控制,以进一步改善随机共振检测效果。数值仿真、实验数据及工程实际应用均验证了该方法的有效性。     

基于共振稀疏分解和松鼠优化算法的滚动轴承故障诊断

共振稀疏分解方法在滚动轴承故障诊断方面得到广泛应用,分解参数的选取对故障分离效果起决定性影响。为保证参数选择的准确性,提出基于松鼠算法的自适应共振稀疏分解多参数优化方法。以信号低共振分量峭度最大作为目标,使用松鼠算法同时优化共振稀疏分解的品质因子与权重系数;利用最优品质因子和权重系数对滚动轴承振动信号进行共振稀疏分解,得到高低共振分量;对低共振分量进行希尔伯特包络谱分析。通过仿真试验和应用实例证明,所提方法可以有效提取轴承的微弱故障信息,实现共振稀疏分解小波基函数库与耗散函数之间的最优匹配,具有较高的分离精度。     

一种谱峭度和Morlet小波的滚动轴承微弱故障诊断方法

提出一种基于谱峭度和Morlet小波的滚动轴承微弱故障诊断新方法。该方法利用Morlet小波的滤波特性,基于谱峭度表征的Morlet小波系数最大化原则,采用频带平移及外扩的方法自适应地在全频范围内定位由冲击信号激起的各个共振频带,再利用谱峭度和带宽这两个参数有选择地利用一个或若干个共振带进行轴承微弱故障诊断。与原有的谱峭度快速算法相比,该方法能有效避免一个共振带被人为分割为多个频带以及将非共振频带并入共振频带中的现象,从而提高了轴承故障诊断效果。另外,该方法避免了传统方法只利用一个共振带而丢弃其他频带的做法,可以利用找到的不同共振频带的轴承信息进行微弱故障特征增强,以提高微弱故障诊断性能。滚动轴承微弱故障实验证明了新方法的有效性。     

级联双稳随机共振和基于hermite插值的局部均值分解方法在齿轮故障诊断中应用

针对于弱信号在齿轮故障中难以提取问题,提出了一种基于级联双稳随机共振 (Cascaded Bistable Stochastic Resonance,简称CBSR)降噪和局部均值分解（Local Mean Decomposition,简称LMD）齿轮故障的诊断方法。随机共振可有效削弱信号中的噪声,利用噪声增强故障信号的微弱特征;LMD方法可自适应将复杂信号分解为若干个具有一定物理意义上PF分量之和,适合处理多分量调幅调频信号。首先将振动信号进行CBSR消噪处理,然后对消噪信号进行LMD分解,通过PF分量的幅值谱找到齿轮的故障频率。通过齿轮磨损故障诊断的工程应用,表明该方法可以有效提取齿轮故障微弱特征,实现齿轮箱的早期故障诊断。       

基于变尺度随机共振的冲击信号自适应提取与识别方法

针对不同设备故障会产生不同冲击信号类型的问题,为了克服传统指标不能区分冲击信号类型的不足,本文分析了冲击信号峭度值和近似熵的特性,将两个指标相结合,构造冲击信号特征系数,在此基础上提出了一种基于变尺度随机共振的冲击信号自适应提取与识别方法,实现强噪声环境中弱冲击信号的提取与识别。最后,通过仿真验证该方法的有效性和可行性。     

一种改进的解卷积算法及其在滚动轴承复合故障诊断中的应用EI北大核心CSCD

针对滚动轴承复合故障振动信号非平稳、非线性特性且不同类型故障之间相互耦合,使得传统方法对复合故障冲击特征难以提取的问题,提出了一种基于自适应信号稀疏共振分解(ARSSD)和多点峭度最优最小熵解卷积修正(MK-MOMEDA)的故障诊断新方法。使用ARSSD分析故障信号,并定义一个新的复合指标作为目标函数,利用布谷鸟寻优算法(CSA)对高、低品质因子进行优化选择,获得包含瞬态冲击成分的最优低共振分量;计算其多点峭度谱,提取低共振分量中包含的故障冲击周期成分;之后设定适当的周期区间,进行解卷积运算分离不同的故障特征;通过包络解调,分析谱图中突出的故障特征频率进而识别故障类型。实验平台模拟了滚动轴承两种和三种故障的复合情况,并对所提算法进行了验证,结果表明该方法可有效的从复合故障中提取出各类故障特征,实现故障诊断。     

基于网格搜索法优化最大相关峭度反卷积的滚动轴承早期故障诊断方法

针对环境噪声下滚动轴承早期故障信号微弱难以检测的问题,提出了基于网格搜索法优化最大相关峭度反卷积(Maximum Correlated Kurtosis Deconvolution,MCKD)滚动轴承早期故障诊断方法。并针对MCKD方法受滤波器阶数和周期影响的问题,提出了利用网格搜索法优化最大相关峭度反卷积参数。首先,早期微弱故障信号集成经验模态分解后,采用相关系数以及峭度准则重构原信号;然后,以小波Shannon熵作为目标函数采用网格搜索法搜寻最优滤波器阶数以及周期,采用自适应MCKD方法对重构信号中故障脉冲冲击成分进行加强,最后通过包络谱、包络功率谱提取微弱故障特征。实验表明,该方法能够对早期微弱故障中冲击成分进行自适应增强,有效检测出被噪声淹没的微弱故障,实现滚动轴承故障的精确诊断。     

基于人工鱼群算法的轴承故障随机共振自适应检测方法

针对传统的自适应随机共振以单个参数为优化对象忽略参数间交互作用的不足及采用遗传算法优化参数在种群数量增加时算法收敛速度明显减缓的缺陷,提出基于人工鱼群算法的自适应随机共振新方法。该方法利用人工鱼群算法对初值、参数设定容许范围较大、具备并行处理能力及人工鱼个体数目增加时鱼群算法收敛速度能提高的特性,自适应实现与输入信号最佳匹配的随机共振系统。仿真数据与轴承滚动体故障数据分析表明,基于该算法的自适应随机共振方法可有效实现微弱特征检测与早期故障诊断。     

基于二维互补随机共振的轴承故障诊断方法研究

一维随机共振(One-Dimensional Stochastic Resonance,1DSR)被广泛用于轴承故障诊断中。针对传统1DSR对微弱信号的检测效果不够理想,输出信号噪声大,不能准确获得轴承故障特征频率(Fault Characteristic Frequency,FCF)等问题,提出一种新的二维互补随机共振(Two-Dimensional Complementary Stochastic Resonance,2DCSR)方法并应用于轴承故障诊断。将采集到的轴承故障信号根据共振带位置进行带通滤波并解调,随后将解调信号对半分成两个子信号并输入2DCSR的两个输入端,利用输出信号的加权功率谱峭度(WPSK)指标对2DCSR系统参数进行自适应调节优化,得到最优的滤波输出信号及频谱,以识别轴承FCF并诊断轴承故障类型。数值仿真及实验结果表明,提出的方法可以有效地增强轴承FCF并提高轴承故障诊断效果。     

最大相关峭度解卷积结合稀疏编码收缩的齿轮微弱故障特征提取

针对强背景噪声环境下齿轮早期故障诊断问题,提出了最大相关峭度解卷积结合稀疏编码收缩的微弱故障特征提取方法。由于最大相关峭度解卷积算法的处理结果同时受滤波器长度参数及解卷积周期参数的影响,为自适应地实现最佳的解卷积效果,利用粒子群算法优良的寻优特性,对最大相关峭度解卷积算法的最佳影响参数组合进行搜索。原故障信号经影响参数优化的最大相关峭度解卷积算法处理后,冲击特征会明显增强,为剔除剩余噪声,对所获解卷积信号做进一步稀疏编码收缩降噪处理,并通过分析降噪信号的包络谱来识别故障特征频率成分。实例分析结果验证了该方法的有效性和可靠性。     

基于周期势函数的自适应二阶欠阻尼随机共振信号增强方法

针对滚动轴承微弱故障振动信号在噪声环境下故障特征难以提取的问题,提出一种基于周期势函数的自适应二阶欠阻尼随机共振信号增强方法。采用粒子群算法对系统参数和阻尼系数的自适应匹配,实现对多个拟增强频段的随机共振,更加适用于工程实际中多故障信号提取。数据库考题检验和工程实验验证表明:1)该方法明显提高了输出信噪比,故障特征频率处主峰突出,边带干扰少,方便故障的机器判读,误判率低;2)随着噪声强度的增加,虽然输出信噪比有所降低,但该方法的检测效果仍优于基于周期势函数的自适应一阶随机共振方法的检测效果;3)该方法对噪声的适应性更强,在噪声环境下对于微弱故障信号的提取有着明显优势。     

基于随机共振与蝙蝠算法的高速动车组滚动轴承故障诊断

仿真计算滚动轴承外圈故障引起的冲击信号,并将其作为轨道车辆的激励,输入到高速动车组整车模型的故障轴承位置。模拟列车运行,采集列车轴箱处的垂向加速度信号作为故障诊断信号,提出基于蝙蝠算法的自适应随机共振信号处理方法对其进行处理。提出故障诊断指标L的计算方法和基于L的一种新的高速动车组滚动轴承早期外圈故障的在途诊断方法。动力学仿真与数据处理结果表明提出的信号处理算法有较好的故障信号分离效果,提出的高速动车组滚动轴承早期故障的在途诊断新方法是有效的。     

基于自适应Morlet小波参数字典设计的微弱故障检测方法研究

针对强背景噪声干扰下微弱故障冲击特征难以准确检测的问题,提出了一种基于自适应Morlet小波参数字典设计的齿轮故障诊断法。该方法基于信号局部分割和全局分析的思想,采用相关系数(CF)与峭度指标综合评价小波函数与目标信号的局部匹配度与全局匹配度,利用鲸鱼优化算法(WOA)自适应确定小波字典参数,逐点时移构建原子参数字典后,结合正交匹配追踪(OMP)检测故障特征信息。对仿真故障信号和齿轮实际故障信号分析的结果表明,该方法可以有效提取齿轮微弱故障特征,诊断效果优于传统的相关滤波算法(CFA)、小波降噪法和K-SVD学习字典方法。     

基于噪声辅助信号特征增强的滚动轴承早期故障诊断

针对滚动轴承振动信号特征提取在滤除干扰噪声的同时会将部分有用信号滤除,造成特征信号丢失的问题,提出了一种基于噪声辅助信号特征增强的滚动轴承早期故障诊断方法。采用广义多尺度排列熵筛选准则筛选振动信号,并通过粒子群优化算法优化Duffing振子系统参数,实现Duffing振子系统、输入信号与噪声间的最优匹配,从而提高随机共振效果,将部分背景噪声能量转移到滚动轴承早期微弱故障信号特征上,实现了早期微弱故障信号特征的增强。将所提方法应用于滚动轴承全寿命状态早期故障诊断,并与基于VMD的自适应形态学方法相比较,结果表明了该方法的有效性和可行性。     

基于噪声信号和改进VMD的滚动轴承故障诊断

受运行环境及传递路径影响,滚动轴承声音信号中包含有强背景噪声和较大的非周期性瞬态冲击成分,导致轴承故障特征提取困难。文中提出一种基于自适应变分模态分解(AVMD)的滚动轴承噪声信号故障诊断方法。该方法首先根据不同的信号自适应地确定模式数和惩罚因子,利用优化参数的VMD对原始信号进行分解,得到多个本征模式分量;然后计算各模式分量时域、包络谱和时-频加权峭度,根据时-频加权峭度最大化准则选择最佳IMF;最后采用共振解调技术求出最佳IMF包络谱。对轴承故障信号研究表明,所提方法可解决传统VMD算法分解精度受参数影响较大,导致信号出现过分解或欠分解的问题。另外与传统方法相比,该方法可以在强背景噪声和非周期性瞬态冲击下有效识别轴承故障。