基于Hilbert谱奇异值的滚动轴承故障诊断

提出一种基于Hilbert谱奇异值的故障特征提取方法,将其与支持向量机结合应用于轴承故障诊断。利用小波阈值降噪的方法对拾取的轴承故障振动信号进行滤波降噪,然后利用经验模式分解将降噪信号分解为若干个IMF分量之和,对每个IMF分量进行Hilbert变换得到振动信号的Hilbert谱,对Hilbert谱进行奇异值分解得到反映轴承状态特征的奇异值序列,再利用奇异值作为特征向量,应用支持向量机进行轴承故障诊断,并对不同核函数的诊断结果进行了分析比较。对正常轴承、内圈故障、外圈故障、滚动体故障的实际信号的诊断验证了该方法可的有效性。     

基于快速谱峭度和正交匹配追踪算法的轴承故障诊断方法

针对快速谱峭度在低信噪比情况下诊断效果差的问题,提出了一种基于正交匹配追踪(OMP)算法的滚动轴承故障诊断新方法。该方法通过快速谱峭度图确定最优滤波器参数对信号进行滤波,利用故障信号在傅里叶稀疏基下的稀疏度已知的特点,对滤波信号的包络信号在傅里叶稀疏基下用OMP算法对轴承振动信号的包络信号进行重构,以减少噪声和其他无关成分的影响,最后对重构信号进行频谱分析获取轴承故障特征。通过轴承故障仿真数据、实验台故障轴承外圈和内圈试验数据的检验,验证了该方法的有效性和可行性。     

基于参数化滤波的旋转设备特征频率提取EI北大核心CSCD

针对强背景噪声下的特征提取问题,提出一种基于参数化滤波的旋转设备特征频率提取方法。对目标特征频率进行瞬时频率的初步提取;利用傅里叶基函数对初始瞬时频率进行拟合,得到所需特征频率的瞬时频率;根据提取出的瞬时频率和瞬时幅值重构出提取后的频谱图,从而达到对噪声进行抑制并准确提取所需特征频率的目的。使用仿真信号验证了该方法的有效性,对齿轮传动系统中行星齿轮箱振动数据、轴承外圈故障振动数据及轴承外圈早期故障进行试验分析。结果表明,该方法能有效提高信号的信噪比,准确提取特征频率,增强故障特征。     

基于峭度准则EEMD及改进形态滤波方法的轴承故障诊断

针对轴承故障成分常以周期性冲击成分出现在振动信号中,而冲击响应成分常被强大噪声淹没,造成轴承故障特征提取困难等问题,将集成经验模态分解(EEMD)与改进形态滤波方法相结合,在本征模态函数(IMF)及形态学结构元素(SE)选取时均以峭度准则为依据,对筛选出的IMF分量进行信号重构后,再进行基于峭度准则的改进形态滤波方法处理。结果表明,该方法可避免共振解调中中心频率及滤波频带选取,自适应性较好;通过对实际滚动轴承内外圈故障分析,该方法可清晰准确提取到故障特征信息,噪声抑制效果好,可用于轴承故障精确诊断。     

基于无迹卡尔曼滤波的动态贝叶斯小波变换在轴承故障诊断中的应用

针对工程实际中滚动轴承发生故障的类型具有典型性和故障信号具有冲击性,且振动信号的频率成分因外界环境的影响而变得极其复杂的特点,提出了一种基于负熵和无迹卡尔曼滤波的动态贝叶斯小波变换方法。该方法将SE(Squared Envelope) Infogram方法应用到无迹卡尔曼滤波方法(Unscented Kalman Filter, UKF)中,利用SE Infogram确定滤波器参数初值,即中心频率与带宽的初值,结合UKF对中心频率与带宽进行优化,以最优中心频率与带宽对振动信号进行滤波分析,对滤波后的信号进行包络解调分析,实现轴承微弱故障特征的提取。利用负熵指标代替以往研究所用的峭度指标,可以有效消除或削弱高峰值干扰的影响。最后,通过对仿真信号和轮对轴承试验信号对提出的方法进行了验证。结果表明,该方法能够有效提取强背景噪声下轴承外圈、内圈故障和滚动体故障,验证了该方法对轴承微弱故障诊断的有效性。     

基于故障特征系数模板的变转速滚动轴承故障诊断

与恒转速相比,机械中普遍存在的变转速工作模式使滚动轴承的故障诊断更加困难;另外变转速条件下的常规方法—阶比分析存在误差以及计算效率方面的问题,因此,提出了基于故障特征系数模板的滚动轴承故障诊断方法。该方法主要包括六部分:(1)根据目标轴承的几何参数计算其故障特征系数以设定模板;(2)利用快速谱峭度滤波算法对滚动轴承振动信号进行滤波;(3)根据Hilbert变换以及短时傅里叶变换计算滤波信号的包络时频图;(4)通过峰值搜索算法从滤波信号的包络时频图中提取瞬时故障特征频率趋势线;(5)根据转速脉冲信号计算滚动轴承的转速曲线;(6)瞬时故障特征频率与瞬时转频相比获取瞬时故障特征系数,进而通过故障特征系数模板实现滚动轴承的故障诊断。随即以变转速情况下的故障轴承仿真信号以及实测的外圈故障、内圈故障和健康轴承的振动信号为例验证了该算法的有效性。     

一种基于样本熵的轴承故障诊断方法

运用非线性动力学参数样本熵作为特征,对轴承正常、内圈故障、滚动体故障、外圈故障四种工况的振动信号进行分析识别。针对利用原始振动信号的样本熵只能在一个尺度域进行分析,无法准确区分轴承运行状况的问题,提出一种基于集成经验模式分解与样本熵的轴承故障诊断方法。首先利用集成经验模式分解方法将原始振动信号分解为有限个内蕴模式分量,从中选取包含故障主要信息的前几个内蕴模式分量的样本熵作为特征,然后利用支持向量机进行轴承故障诊断,这样可以在多个尺度对轴承信号进行分析,提高了轴承故障诊断的准确率。通过轴承故障实测信号的诊断实验,证明了该方法的可行性和有效性。     

基于约束独立成分分析的轴承复合故障特征提取方法

为从复合故障信号中提取各故障特征,提出一种离散小波变换(DWT)和约束独立成分分析(CICA)相结合的单通道复合故障诊断方法。首先通过DWT方法将单通道振动信号进行小波分解后,利用小波重构函数重构各层分解信号。然后取重构信号的包络信号作为CICA算法的输入矩阵,基于滚动轴承先验知识建立参考信号,从而分离出轴承各故障信号,提取故障特征。最后,在滚动轴承故障模拟实验台上进行了方法验证。结果表明:该方法可有效分离滚动轴承外圈和滚动体故障,实现了轴承复合故障的诊断。     

LCD谱熵及其在滚动轴承退化状态识别中的应用

针对滚动轴承在出现故障时其振动信号呈现出非线性、非平稳特性,以及退化特征难以提取等问题,将局部特征尺度分解法应用到轴承振动信号分析中,并与信息熵理论融合提出局部特征尺度分解谱熵的滚动轴承退化特征指标。该方法首先对不同故障程度的轴承振动信号做局部特征尺度分解,基于得到的内禀尺度分量计算振动信号得能谱熵、奇异谱熵和包络谱熵用于表征轴承故障程度,仿真信号分析结果表明以上特征指标能够较好地反映滚动轴承的退化状态。对内圈故障和外圈故障模式下不同程度故障的轴承振动信号进行分析,结果表明该文提出的退化特征能够有效表征轴承的退化状态,并采用灰关联分析法构建轴承退化状态识别模型,可有效实现轴承退化状态识别。     

基于EEMD和改进的形态滤波方法的轴承故障诊断研究

轴承故障会导致振动信号中出现冲击响应成分,可通过对冲击响应成分的周期的检测与提取, 进行局部故障诊断。但在复杂工况下,故障脉冲易被周围噪声淹没,在分析EEMD和形态学滤波方法的基础上,将EEMD方法与形态学滤波方法相结合,提出结构元素(SE)选择方法,并用于本征模态信号中冲击响应特征的提取。通过将该方法用于轴承外圈、内圈局部故障状态下的特征的检测,结果表明该方法能有效提取周期性脉冲成分并抑制噪声。     

基于EMD-DCS的滚动轴承伪故障特征识别方法

伪故障特征是健康零部件振动信号中具有的故障特征,伪故障特征是由系统内故障零部件引起的。由于滚动轴承伪故障特征与故障特征具有相似性,针对转子-轴承系统中滚动轴承伪故障特征识别问题,提出一种基于经验模式分解(Empirical Mode Decomposition,EMD)和循环平稳度(Degree of Cyclostationarity,DCS)的伪故障特征识别方法。利用滚动轴承健康信号和伪故障信号对比分析基于单通道伪故障信号进行滚动轴承故障诊断的技术难点;建立了考虑滚动轴承打滑率的转子-轴承系统动力学模型;利用时频分析方法和循环平稳分析方法对滚动轴承伪故障特征进行分析;给出了基于EMD-DCS的滚动轴承伪故障特征识别流程;在滚动轴承故障模拟实验台上开展了滚动轴承伪故障特征识别实验。实验结果表明:基于EMD-DCS的滚动轴承伪故障信号识别方法可以有效区分滚动轴承故障特征与伪故障特征。该研究工作对于提高滚动轴承故障诊断准确率、保障设备安全运行具有理论意义和实际应用价值。     

基于DCAE-CNN的自动倾斜器滚动轴承故障诊断

针对直升机自动倾斜器滚动轴承工况复杂、噪声干扰大,造成故障诊断效果不佳的问题,提出一种基于深度卷积自编码器(Deep Convolutional AutoEncoder,DCAE)和卷积神经网络(Convolutional Neural Network,CNN)的轴承故障诊断方法。该方法首先采用小波变换方法构造不同状态下振动信号的时频图,然后使用DCAE对时频图进行图像去噪,最后利用CNN对去噪后的时频图进行故障分类。利用课题组和美国凯斯西储大学的滚动轴承故障数据开展诊断实验,并与CNN、堆叠降噪自编码器(Stacked Denoise AutoEncoder,SDAE)两种深度学习方法进行对比,结果表明,该方法在高噪声环境下具有更高的故障识别率。     

基于灰色关联度和Teager能量算子的轴承早期故障诊断

滚动轴承的健康状态直接影响着旋转设备的运行状态,为了及早获取滚动轴承状态异常的信息,提出了基于灰色关联度和Teager能量算子(TEO)的滚动轴承早期故障的诊断方法。对滚动轴承运转的振动数据进行等长度分组,计算各组数据与轴承状态良好的第一组数据之间的灰色关联度,根据灰色关联度值的变化趋势,确定早期故障发生的时间段,截取该时段的振动数据进行Teager能量包络谱分析,确定故障类型。分别采用峭度系数、波形因子和均方根等指标与TEO相结合的方法对相同的轴承振动信号进行了分析和故障诊断,将各种方法的早期故障诊断结果与所提方法比较,结果验证了"灰色关联度+TEO"方法在轴承早期故障诊断中的可行性及有效性。     

滚动轴承故障诊断的多重超阶分析方法

多重分形去趋势波动分析(MF-DFA)可以获得能够表征信号内在动力学机制的多重分形谱,但是在提取滚动轴承振动信号故障特征时存在参数接近、状态混叠等问题,导致分析结果易受信号噪声等因素干扰,影响分类精度。为解决此问题,提出了多重超阶分析(MF-SOA)的方法。该方法将极值增量方法引入了多重去趋势波动分析中,对时间序列进行取极值操作;然后计算并分析获得的极值增量序列的重分形特征,通过MF-SOA方法获得的特征可以更清晰地表现出序列的内部动力学机制。最后将所提出的方法应用于滚动轴承的故障诊断中。试验数据分析结果表明,该方法对于信号的不规则程度十分敏感,并且有效改善了MF-DFA方法的缺陷,对于模式相近的故障类型有更优的区分度,提高了滚动轴承故障诊断的精度。     

基于字典学习的轴承早期故障稀疏特征提取

针对低速重载机械滚动轴承早期故障的振动信号中故障特征冲击成分微弱易被噪声覆盖难以识别,而利用稀疏表示方法提取冲击成分时因轴承工况非平稳性,准确匹配冲击成分字典难以构造问题,提出基于字典学习的轴承早期故障稀疏特征提取方法。利用改进型K-SVD字典学习算法构造自适应字典;采用正交匹配追踪算法(Orthogonal Matching Pursuit,OMP)对振动信号进行稀疏分解,计算每次迭代逼近信号的峭度值,找出最大峭度值对应的逼近信号;重构特征成分并进行包络谱分析,获得故障类型。仿真及轴承振动数据测试结果表明,所提方法能更好匹配早期故障特征成分、满足轴承实时故障监测需求。     

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。     

局部波动特征分解及其在滚动轴承故障诊断中的应用研究

提出了一种新的自适应时频分析方法--局部波动特征分解（Local oscillatory-characteristic decomposition,LOD）,该方法以信号本身的局部波动特征为基础,并采用微分、坐标域变换、分段线性变换等运算手段将信号分解为一系列瞬时频率具有物理意义的单一波动分量（Mono-oscillatory component,MOC）,非常适合于处理多分量信号。在详细说明LOD分解原理的基础上,通过仿真信号将LOD、经验模态分解（Empirical mode decomposition,EMD）和局部均值分解（Local mean decomposition,LMD）进行了对比分析,结果表明了LOD 的优越性。同时,针对滚动轴承故障振动信号的多分量调制特点,将LOD应用于滚动轴承故障诊断,对滚动轴承实验信号进行了分析,结果表明LOD可以有效地提取滚动轴承故障振动信号的特征。     

基于摩擦信号的滑动轴承接触摩擦故障的状态监测

摩擦信号与固有振动信号混叠造成滑动轴承的接触摩擦故障诊断困难。针对此特点,本文在不分离摩擦信号的条件下提出了一种基于摩擦信号强度的接触摩擦故障监测方法。该方法首先结合EMD和非线性峭度确定摩擦信号发生的时刻,然后改进灰色B型绝对关联度以计算摩擦信号对相邻固有振动信号的冲击强度,以此衡量摩擦信号的相对大小,进而监测滑动轴承接触摩擦故障。仿真和试验证明了该方法的有效性,为监测滑动轴承故障提供了一种新思路。     

基于振动信号分离的行星轴承故障特征提取

由于行星轴承振动信号传递路径的时变性,且行星齿轮箱中齿轮啮合振动信号较强,导致行星轴承故障特征提取较为困难。为此,提出了一种基于振动信号分离的行星轴承故障特征提取方法。该方法首先采用阶比分析技术将原始振动信号进行等角度采样;每当行星架旋转一周,采用Tukey窗进行加窗截取,按照啮合齿序重新拼接,构造振动分离信号。再采用离散随机分离从振动分离信号中提取行星轴承故障分量;最后进行包络谱分析提取故障特征。行星轴承内圈故障实测信号分析表明,该方法能有效提取行星轴承故障特征。