PSO 优化的最大峭度熵反褶积齿轮箱故障诊断

考虑到最小熵反褶积只对单一的异常振动信号很敏感,而且,滤波器的长度需要人工调控,提出了一种最大峭度熵反褶积方法,并将其应用于轴承故障诊断。考虑峭度熵具有突出连续冲击振荡的优点,选择峭度熵作为反褶积的目标函数。同时,利用峭度熵作为改进的局部粒子群优化算法的适应度函数,利用局部粒子群优化滤波器长度,使最大峭度熵反褶积在解卷积时自适应地调整滤波器长度,从而能够准确地提取出连续的脉冲信号。实验分析结果验证了该方法能够更加有效的提取连续脉冲信号的能力,提升了故障诊断的精度。     

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。     

基于CEEMD和MOMEDA的滚动轴承故障提取

当滚动轴承发生故障时,故障特征信号会夹杂在振动信号中,造成故障特征信号提取效果不理想.针对这一问题,提出了一种互补集成经验模态分解与多点最优最小熵(CEEMD-MOMEDA)的滚动轴承故障提取方法.首先通过CEEMD算法对采集到的振动信号进行处理,然后通过峭度准则对非故障冲击成分进行筛除,最后利用MOMEDA算法对重组后的信号进行处理从而抑制噪声的影响,从中提取出故障特征.并与单一的MOMEDA算法进行对比.结果 表明,提出的CEEMD-MOMEDA算法故障提取能力、抗干扰能力有较大提升.     

基于改进VMD-MCKD和深度残差网络的风机齿轮箱故障诊断

行星齿轮箱是风电机组传动系统中的重要部件,其运行工况复杂,背景噪声大,导致齿轮早期故障信号微弱且极易受背景噪声的影响。针对风电机组齿轮箱早期故障特征难以有效提取,齿轮故障难以识别的问题,提出一种风机齿轮箱故障诊断方法。首先,通过变分模态分解算法（variational mode decomposition,VMD）分解风机齿轮箱原始振动信号,获得振动信号故障的最优模态分量;接着,利用最大相关峭度解卷积算法（maximum correlated kurtosis decnvolution,MCKD）通过解卷积重构最优模态分量,削弱背景噪声增强故障冲击成分,获得故障特征;同时利用麻雀搜索算法（sparrow search algorithm,SSA）优化惩罚因子α、模态分解个数K、滤波器阶数L和反褶积周期T等参数,提升振动信号故障特征提取的准确度;最后,构建基于深度残差网络（deep residual network,ResNet）的齿轮箱故障诊断模型,建立齿轮箱故障特征与类别的非线性映射关系,实现风机齿轮箱故障分类识别。实验结果表明,所提风机齿轮箱故障诊断方法的准确率达到97.48%,相...     

列车牵引电机轴承故障特征稀疏在线监测方法

列车牵引电机轴承状态多传感数据无线感知及在线监测技术是确保轨道车辆可靠运行的关键技术之一,现有的方法存在数据量大传输困难及特征小数据监测可视化不明显的问题。为此,提出一种列车牵引电机轴承故障特征稀疏在线监测方法,利用粒子群优化多点最优调整的最小熵解卷积的方法(PSO-MOMED)提取了背景噪声下电机轴承故障特征信号,采用离散余弦变换的压缩感知方法实现电机轴承特征的小数量多传感器采集,基于高阶频率加权能量算子(HFWEO)增强轴承故障特征稀疏可视化,并通过搭建试验台及某线路现场实测验证了所提方法的有效性。实验结果表明,信噪比为-10 dB时,相比传统方法,粒子群优化多点最优调整的最小熵解卷积方法可以更加有效的提取故障特征信号;在压缩率90%的情况下,从牵引电机轴承故障特征稀疏感知信号中能清晰表征轴承故障特征频率成分,有效解决了列车牵引电机轴承状态多传感数据无线感知及在线监测技术难题。     

基于IEWT-DELM的行星齿轮箱故障诊断

针对在恶劣情况下行星齿轮箱特征难以提取以及多种故障状态下难以准确分类这种问题，提出在经验小波变换基础上将原有频谱分解替换为在噪声干扰下更为稳定的尺度谱分解的改进经验小波变换与深度极限学习机相结合的故障诊断方法。首先，将行星齿轮箱不同故障工况下的信号利用改进经验小波变换分别进行降噪处理并提取各阶调频-调幅分量，之后选取包络幅值峭度较高的前6个分量多尺度样本熵作为故障特征集，输入到深度极限学习机中进行故障诊断分类，行星齿轮箱故障诊断试验表明：与EWT、EMD与DELM结合的故障诊断准确率相比，该方法故障平均识别率可达97.6%,具有一定的有效性。     

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。     

基于经验小波变换复合熵值与特征融合的故障电弧检测

针对电力系统交流配电线路中串联故障电弧易引发电气火灾且检测精度不高的问题，提出一种基于经验小波变换(empirical wavelet transform,EWT)复合熵值与信号特征融合的故障电弧诊断方法。首先搭建故障电弧实验平台，对典型负载实测电流归一化处理，利用经验小波变换进行频谱分割并提取出具有紧支撑的模态分量，根据燃弧前后信息熵熵减分析选取特征分量。为反映时频多域细节复杂度特征，提取时频域特征分量复合熵值与时域敏感特征组成多域高维特征，利用主成分分析(principal component analysis,PCA)选取累积贡献率高于90%的主元实现特征降维融合，最后输入概率神经网络(probabilistic neural network,PNN)验证检测精度。结果表明，融合特征较单域特征检测精度更高，选用负载最低诊断率达98%验证了该方法的有效性。     

广义稀疏解卷算法研究及其轴承故障诊断应用

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成分,而瞬态成分的有效提取是实现轴承故障诊断的关键。最小熵解卷积是一种基于峭度准则的微弱特征提取方法,然而其在强背景噪声下的稳定性较差。因此,提出一种基于广义P算子稀疏准则的解卷积方法。首先理论推导出广义P算子稀疏准则下的优化解卷积表达式,然后建立以归一化频率能量比为指标的广义稀疏准则下的轴承故障特征识别方法,最后利用仿真信号与实验数据对提出方法进行验证。仿真信号分析结果表明了提出方法能够识别出强背景噪声下轴承微弱故障特征;同时实验信号分析结果也证明了提出方法能可靠地检测出轴承微弱故障,并优于现有最小熵解卷积等故障诊断方法。     

基于FastICA-BAS-MCKD的滚动轴承复合故障特征提取方法

针对强背景噪声下轴承复合故障特征难以分离提取的问题,提出了一种基于快速独立成分分析-天牛须-最大相关峭度 解卷积算法(FastICA-BAS-MCKD)的滚动轴承复合故障特征提取方法。 首先,引入 FastICA 对滚动轴承多通道故障信号进行盲 源分离;其次,利用 BAS 算法同步优化 MCKD 算法的解卷积周期 T、滤波器长度 L 和移位数 M,构建基于 BAS-MCKD 的滚动轴 承振动信号自适应分析方法;然后,应用 BAS-MCKD 方法处理分离后的信号,实现分离信号的降噪和特征增强;最后,应用希尔 伯特解调方法对 MCKD 处理后的信号进行包络谱分析,实现滚动轴承不同类型故障的识别。 仿真和实测信号的分析结果表 明,所提方法能清晰地从复合故障信号中提取出单一故障特征频率,为滚动轴承复合故障特征提取提供了一种有效的解决 方案。     

基于振动信号的锂离子电池故障诊断方法

为实现对锂离子电池过充及外部短路故障的诊断,提出一种基于改进变分模态分解(VMD)-多尺度熵(MSE)的锂离子电池振动信号特征提取方法.通过改进VMD对振动信号进行分解,对所得固有模态分量求多尺度熵值,提取锂离子电池在不同工况下的振动特征,最后基于此特征进行K均值聚类,完成对过充和外部短路故障的故障识别.经对比实验验证,该方法能有效提取锂离子电池振动信号特征量,正确识别锂离子电池的过充及外部短路故障,且准确率更优.     

基于最优Morlet小波自适应包络解调的弱故障特征提取方法

为自适应实现Morlet小波与故障冲击特征成分的最优匹配,采用基于Shannon小波熵的方法优化带宽参数设计最优Morlet小波。针对最佳尺度求取的难题,利用谱峭度与小波熵均能敏感反映冲击性的特性,提出了基于峭熵比求取最佳尺度。基于此,提出基于最优Morlet小波自适应包络解调的弱故障特征提取方法,该方法首先对信号进行最优Morlet连续小波变换;然后,依据峭熵比自适应地求取最佳尺度并提取最佳尺度的小波系数;最后,对最佳尺度的小波系数取模即可实现对最优频带的包络解调,得到包络谱,从而实现微弱故障特征的提取。实例分析表明:该方法克服了传统包络解调需要人为设定带通滤波器参数的不足,能有效地从强噪背景中提取微弱故障特征。     

基于谱峭度解卷积的特高压直流输电换流阀空冷器故障诊断方法

针对特高压直流输电换流站换流阀的空冷器电机在实际运行过程中易出现的复合故障,该文提出了空冷器电机早期复合故障的诊断方法。基于频谱分析法和快速峭度图解决了空冷器电机潜在的,由于微弱故障累积而导致的换流阀乃至换流站运行不安全、不稳定的问题。首先,从振动信号入手,通过分析快速峭度图,得到复合故障模式下严重故障的谱峭度值,根据谱峭度值构建带通滤波器,进而得到严重故障的故障特征;然后,再构建带阻滤波器,通过多次滤波人为地不断衰减严重故障的故障特征,从而凸显微弱故障,经过多次滤波后使原本耦合的复合故障得到有效分离;最后,采用换流阀空冷器电机运行的实际信号,对所提算法进行了验证。     

基于增广Huber正则化稀疏低秩矩阵的旋转机械微弱故障诊断

在多重故障相互耦合和强烈背景噪声下,提取大型旋转机械中的复合微弱故障特征是一个难点,针对这一问题,提出一种新的基于增广Huber正则化稀疏低秩矩阵(augmented Huber regularized sparse low-rank-matrix,AHR-SLM)的旋转机械故障特征提取方法,以大型减速机齿轮箱复合微弱诊断为例。该方法借助于非凸罚正则化稀疏低秩矩阵的思想,通过引入增广Huber罚函数代替传统最小化L1-norm融合套索算法,建立正则化目标成本函数,推导所建立模型的严格凸性,同时讨论模型严格凸性前提下的模型参数最优取值问题,并利用前向–后向算法对所建立模型进行求解。仿真算例与大型减速机齿轮箱微弱故障诊断实例表明:该方法不仅能提取隐藏在强烈外界噪声中的复合微弱故障特征,而且改善传统最小化L1-norm融合套索算法在提取微弱故障冲击时产生的稀疏系数低估与故障频率丢失问题,以及变分模态分解与快速谱峭度图特征提取算法产生的能量衰减与故障频率丢失问题。     

基于经验模态分解和散度指标的风力发电机滚动轴承故障诊断方法

提出了一种基于经验模态分解（Empirical Mode Decomposition, EMD）和散度指标的滚动轴承故障诊断方法。该方法首先对原始振动信号进行经验模态分解,再以峭度为准则,选取包含故障信息的特征模态函数（Intrinsic Mode Function, IMF）进行信号重构,并对重构后的信号进行Hilbert包络谱分析,然后提取故障特征量,最后通过计算故障特征量的J-散度(J-divergence)和KL-散度(Kullback–Leibler divergence)来判断故障类型和描述故障程度。通过从试验台采集的无故障和具有内环故障、外环故障和滚动体故障样本,以及从某风电场风力发电机齿轮箱高速输出端采集的近一年的监测数据分析结果,证明了所选故障特征量的准确性,同时也验证了所提出的基于经验模态分解和散度指标的滚动轴承故障诊断方法的有效性和准确性。     

基于谱峭度分析和粒子群Kmeans算法的高压断路器故障诊断研究

为满足电网对高压断路器高效诊断要求,提出一种谱峭度分析和粒子群K均值算法(PSO-Kmeans)相结合的故障诊断方法。该方法首先对正常状态和故障状态振动信号进行快速Kurtogram谱峭度分析,得到谱峭度指标最大中心频率和相应频率分辨率,据此设计带通滤波器对信号进行去噪;对去噪后的信号进行小波分解,提取小波包能量熵作为特征量;进一步采用PSO-Kmeans对特征量进行聚类分析。实验结果表明:改进谱峭度分析法弥补了传统带通滤波器参数确定的不足,提升去噪效果;去噪与PSO-Kmeans算法相结合的诊断方法克服了传统Kmeans易受初始聚类中心影响的缺点,聚类效果良好且精度高于传统算法,证实该方法适用于高精度高压断路器机械故障诊断。     

基于电—振信号熵权特征的断路器储能机构故障诊断方法

弹簧势能的可靠储存是保障断路器后续分合闸操作正确的前提。通过分析控制回路、电机、传动部件和弹簧之间的能量转换和传递关系,提出一种电—振信号熵权特征联合的断路器储能机构故障类型辨识方法。首先利用希尔伯特变换(Hilbert transform)提取储能电机电流信号包络时域特征并计算峭度;然后由局部均值分解(LMD)处理断路器储能过程伴随的振动信号得到乘积函数分量(PF),并提取PF能量谱频域的盒维数特征;进而采用熵权法对电流和振动信号待分类样本进行剪辑,按照样本信息量和重要性赋予对应的权重;最后把熵权特征作为KNN算法的输入,辨识储能机构运行状态。实验结果表明:采用联合电—振信号的熵权特征量,KNN算法能更准确地诊断断路器储能机构发生的故障类型。     

基于VMD与自相关分析的滚动轴承故障特征提取

滚动轴承故障信号多呈现非平稳、多分量调制特性,早期故障信号调制特性微弱、易受周围设备噪声干扰,导致轴承早期故障特征淹没在噪声信号中,故障特征难以提取。为此,提出一种变分模态分解(variational mode decomposition,VMD)与自相关分析相结合的轴承故障特征提取方法。首先利用自相关分析消除故障信号中噪声干扰,提取周期成分;然后再用VMD算法将消噪信号分解成若干本征模态分量(intrinsic mode function,IMF),运用能量算子对相关系数及峭度值较大分量进行解调分析;最后通过能量解调谱来判别滚动轴承故障类型。将该方法应用到滚动轴承仿真故障数据和实测数据中,结果表明,该方法可降低了噪声的干扰,有效提取故障特征频率,能够实现滚动轴承故障的精确诊断。     

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。     

基于VMD的变压器绕组松动故障分析与诊断

为了及时有效地诊断变压器绕组松动故障,针对变压器空载合闸振动信号,提出了一种基于变分模态分解(VMD)的分析方法。首先运用VMD对绕组松动前后变压器表面合闸振动信号进行最优模态分解,建立信息熵—峭度—相关系数综合评价模型,并运用熵权—TOPSIS法提取特征模态分量;通过计算变压器振动信号能量熵进一步判定绕组状态;最后搭建测试平台进行实验验证。结果表明,绕组松动和正常状态下变压器振动信号在特征频率和能量分布上均存在明显差异,该方法为变压器绕组松动故障诊断提供了新的思路。