基于典型谱相关峭度图的滚动轴承故障诊断方法EI北大核心CSCD

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冲击信号具有周期性的特点,提出了一种典型谱相关峭度图算法。该算法在借鉴典型谱峭度图算法区间划分的思想基础上,将相关峭度指标代替峭度指标,不但避免了宽频带解调引入的噪声干扰,而且充分利用了典型故障冲击的周期性信息,并通过优化谱相关峭度值,快速定位典型故障冲击信号所在的频率区间,并将该算法应用于最优解调频带的确定。通过对仿真信号和轮对轴承实验信号的分析表明,该算法无论在准确性还是在稳定性方面均表现出了极大的优越性,能够有效的自适应定位共振频带。     

EMD降噪和谱峭度法在滚动轴承早期故障诊断中的应用

共振解调是滚动轴承故障诊断中最常用的方法之一,然而其带通滤波器参数的选取通常比较困难。谱峭度法能根据峭度最大化原则自动确定带通滤波器参数,取得了一定的诊断效果,但由于滚动轴承的早期故障信号中含有强烈的背景噪声,诊断效果有时也不够明显。为此,提出一种基于EMD降噪和谱峭度法的滚动轴承早期故障诊断新方法,首先采用基于互相关系数和峭度准则的EMD降噪对采样信号进行预处理,突出高频共振成分,再利用谱峭度法选取最佳带通滤波器参数,最后使用带通滤波和包络解调进行故障诊断,并通过实际工程信号进行了验证。     

基于AR模型和谱峭度法的滚动轴承故障诊断

自回归(AR)模型是平稳信号分析的重要工具,本文利用峭度最大原则确定AR模型最优阶次,然后利用此AR模型对滚动轴承故障信号进行预处理,剔除可线性预测的平稳成分,得到的残余分量中理论上只包含了噪声信号和信号的非平稳部分,从而降低了后期数据分析难度。谱峭度对于非平稳信号非常敏感,它可以将非平稳信号从噪声中检测出来,因此将两者结合起来可以更有效的对滚动轴承故障进行诊断,实验结果验证了此方法的有效性。     

基于VMD和谱峭度的滚动轴承早期故障诊断方法

针对滚动轴承故障信号为多分量非平稳振动信号、故障早期特征微弱诊断困难的问题,该文提出变分模态分解(VMD)结合谱峭度的滚动轴承早期故障诊断方法。首先对振动信号进行VMD分解得到若干分量信号,选择峭度最大分量作为最优分量,然后对最优分量进行快速谱峭度计算并进行带通滤波、凸显故障冲击成分,通过分析滤波信号包络谱中故障频率成分实现故障诊断。实验数据分析结果表明该方法能有效诊断轴承早期故障,有一定的工程应用价值。     

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。     

基于最大相关峭度解卷积和谱峭度的滚动轴承声信号故障特征增强

采用滚动轴承的声学信号进行状态监测及故障诊断时,环境噪声、传递路径以及其它设备噪声会严重干扰目标信息的提取.针对这一问题,提出一种基于最大相关峭度解卷积和快速谱峭度图的滚动轴承声信号故障特征增强方法.该方法首先利用最大相关峭度解卷积算法对滚动轴承声信号进行解卷积,增强信号中每旋转一周时出现的脉冲信号,削弱噪声信号;然后...     

基于最大相关峭度解卷积和谱峭度的滚动轴承声信号故障特征增强

采用滚动轴承的声学信号进行状态监测及故障诊断时,环境噪声、传递路径以及其它设备噪声会严重干扰目标信息的提取。针对这一问题,提出一种基于最大相关峭度解卷积和快速谱峭度图的滚动轴承声信号故障特征增强方法。该方法首先利用最大相关峭度解卷积算法对滚动轴承声信号进行解卷积,增强信号中每旋转一周时出现的脉冲信号,削弱噪声信号;然后将谱峭度作为指标,利用快速谱峭度对信号进行滤波分析,获得包含轴承故障信息最丰富的频带;最后对该频带进行包络提取特征频率。仿真及实验结果表明,相较于传统的包络解调,该方法在滚动轴承声信号故障特征提取方面具有更好的降噪性能和故障特征增强效果。     

改进增强峭度图和增强包络谱在滚动轴承故障诊断上的应用

针对滚动轴承故障诊断问题,在分析了基于二进制小波包分解的增强峭度图方法的不足后,提出了基于谐波小波包分解的改进增强峭度图方法。通过计算故障信号的改进增强峭度图,筛选出峭度值最大的最优节点,利用最优节点处的谐波小波包系数进行信号重构,并对重构信号做增强包络谱分析,利用故障特征频率的理论计算值与增强包络谱中峰值明显的谱线进行对比,从而对轴承故障类型做出判断。运用所提出的诊断方法分别对滚动轴承内圈故障模拟、实测信号进行分析,结果表明,该方法具有一定的可靠性,能够满足实际的工程需要。     

基于EMD与谱峭度的滚动轴承故障检测改进包络谱分析

针对滚动轴承故障振动信号的调制特征和传统包络分析法的缺陷,提出一种基于经验模式分解(Empirical Mode Decomposition,简称EMD)和谱峭度(Spectrum Kurtosis,简称SK)的改进包络谱滚动轴承故障诊断方法。该方法首先对滚动轴承故障振动信号进行经验模式分解,将其分解为多个固有模式函数(Intrinsic Mode Function,简称IMF)之和,然后对各IMF分量傅里叶变换后取其绝对值,并计算其谱绝对值平方包络,在此基础上再计算不同频带IMF分量谱平方包络的峭度,最后利用谱峭度的滤波器作用,选取由轴承缺陷所引起的共振频率所在频带的IMF分量,自动构建最佳包络来进行故障诊断。将该方法应用到滚动轴承内圈缺陷的仿真故障数据和实际数据中,分析结果表明了该方法的有效性。     

基于奇异值分解和相关峭度的滚动轴承故障诊断方法研究

为了从复杂的轴承振动信号中提取微弱的故障信息,将相关峭度引入滚动轴承故障诊断领域,结合奇异值分解(Singular Value Decomposition,SVD)和相关峭度,提出了一种新的滚动轴承故障特征提取方法。该方法首先利用SVD对轴承振动信号进行分解,然后根据相关峭度选取SVD分解后的分量,提取出滚动轴承的弱故障信号。通过对轴承内圈故障的仿真和实验研究验证了该方法的有效性。     

基于多传感器信号和卷积神经网络的滚动轴承故障诊断

针对滚动轴承故障信号非平稳非线性且易受背景噪声干扰的特点,结合深度学习的优势,提出了一种基于卷积神经网络(CNN)的滚动轴承故障诊断法。将不同故障下多个传感器测得的1维(1D)振动信号转化为2维(2D)灰度图像作为网络输入,并将其分为训练集和测试集;将训练集输入卷积神经网络进行训练,自动提取其中的特征;测试集被用于验证学习完毕的网络的有效性,实现滚动轴承故障识别。该方法不依赖于人为经验和信号处理技术进行预先的信号特征提取,实验数据分析表明,相比于经典的支持向量机和概率神经网络方法,提出的方法识别准确率更高且更稳定。     

基于共振解调与神经网络的滚动轴承故障智能诊断

介绍了一种基于共振解调与神经网络技术的滚动轴承故障诊断方法。对采集系统所拾取的滚动轴承振动信号进行共振解调处理，依据故障包络频谱中必然存在谐波谱线的规律，在共振解调后的包络信号中提取所需的轴承故障谱线特征信息，并将其作为神经网络输入，利用神经网络进行轴承各种故障状态的识别，实现滚动轴承故障的智能诊断。实验表明，该方法能准确而有效地识别出滚动轴承的不同磨损状态，诊断便捷。     

基于EEMD和自相关函数峰态系数的轴承故障诊断方法

针对滚动轴承故障冲击信号周期性强且易被强烈的背景噪声所淹没的特点,提出了基于EEMD和自相关函数峰态系数的轴承故障诊断方法。首先,对采集到的复杂振动信号进行EEMD分解,根据自相关函数峰态系数和峭度准则重构IMF分量以突出故障特征信息;然后,利用谱峭度自动确定带通滤波器的最佳中心频率和带宽;最后,将滤波后的信号进行包络解调分析并与理论故障特征频率对比。通过轴承故障的仿真和实验研究,验证了该方法的有效性和可行性。     

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EEMD和共振解调的滚动轴承自适应故障诊断

本文为解决滚动轴承原始振动信号信噪比低以及带通滤波器参数选择依赖于人的主观经验等影响传统共振解调技术有效应用的问题,提出了EEMD自适应消噪和自适应共振解调相结合的方法。论文首先利用EEMD自适应地将信号分解成多个分量,通过互相关系数方法进行自适应重构以突出故障特征信号,然后利用谱峭度自动确定带通滤波器的中心频率和带宽,最后对滤波后的信号进行能量算子解调谱分析。数字仿真信号和滚动轴承实验证明了该方法的有效性。     

基于虚拟仪器技术的滚动轴承故障诊断的包络分析

分析了滚动轴承典型故障产生机理及其故障特征频率，利用Hilbert变换的包络分析法分析滚动轴承故障特征的思想，并且结合现代虚拟仪器技术设计并开发出实用的齿轮箱滚动轴承故障诊断系统。该诊断系统是我们自主开发的VMIDS系统基础上开发出的智能控件化虚拟式滚动轴承故障诊断系统，在成功完成故障信息提取的同时，能降低系统的成本。     

基于Teager能量算子的滚动轴承故障诊断研究

周期性冲击是判断滚动轴承局部损伤故障的关键特征,如何提取周期性冲击及其重复频率是轴承故障诊断中的关键问题。Teager能量算子能够估计产生信号所需的总机械能,对信号的瞬态变化具有良好的时间分辨率和自适应能力,在检测信号冲击特征方面具有独特优势。为了提取滚动轴承故障的特征频率,针对滚动轴承故障振动信号中的瞬态冲击特点,提出了基于Teager能量算子的频谱分析方法,利用Teager能量算子提取轴承故障引起的周期性冲击,通过瞬时Teager能量的Fourier频谱识别轴承的故障特征频率。分析了滚动轴承故障仿真信号和实验测试信号,并和包络谱方法进行了对比分析,准确诊断了滚动轴承元件故障,验证了该方法的有效性     

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。