S变换时频谱SVD降噪的冲击特征提取方法

为了从滚动轴承故障振动信号中提取出冲击特征,以进行轴承故障诊断,提出基于S变换时频谱奇异值分解(SVD)的信号降噪方法。S变换是一种信号时频表示方法,适合于处理与分析非平稳的冲击特征信号。在SVD降噪过程中,数据矩阵由信号的S变换谱系数构成;奇异值序列的置零阈值位置坐标可由奇异值差分谱最前面部分峰值群的最后一个峰值点序号来确定。最后对降噪的数据矩阵进行S逆变换,获得信号的时域冲击特征。仿真研究表明,基于S变换时频谱的SVD降噪方法可以成功地从低信噪比信号中提取出周期性的冲击特征。将本方法用于处理与分析滚动轴承故障振动信号,根据所提取出的冲击特征出现频率,能够方便有效地实现轴承相关故障的诊断。     

强背景噪声振动信号中滚动轴承故障冲击特征提取

针对机械早期故障引起的冲击特征微弱,易受强背景信号和噪声的干扰而难以提取的问题,提出一种奇异值分解(Singular Value Decomposition,SVD)差分谱与S变换相结合的微弱冲击特征提取方法。将原始信号构造成Hankel矩阵,采用SVD对重构矩阵进行分解;利用奇异值差分谱确定降噪阶次进行降噪;采用S变换对降噪后的信号进行时频分析,提取信号中的微弱冲击特征信息。通过数值仿真和实际轴承故障数据的对比,表明该方法可有效辨别轴承振动信号中故障引起的早期微弱冲击特征,为轴承故障诊断提供先验信息。     

加权firm阈值奇异值分解及其旋转机械故障诊断

奇异值分解(Singular value decomposition,SVD)作为一种有效的信号降噪方法广泛应用于旋转机械振动信号周期性瞬态冲击提取中。传统SVD以能量为导向，无法提取出能量较弱但含故障信息丰富的奇异分量(Singular Component,SC)。为此，提出加权firm阈值奇异值分解(Weighted Firm Singular Value Decomposition,WFSVD)方法。该方法首先引入平方包络谱峭度(Squared Envelope Spectrum Kurtosis,SESK)作为量化故障敏感度的指标，以评估各个SC所含故障信息的丰富程度；其次，将SESK作为权重因子引入到基于firm阈值的SC去噪中，设计基于SESK的加权firm阈值SC去噪策略；最后，重构信号，实现信号降噪并有效提取故障特征。对于仿真信号与试验数据的分析验证了所提方法在周期性微弱瞬态冲击提取及旋转机械故障诊断中的有效性。     

基于SVD-MEEMD与Teager能量谱的滚动轴承微弱故障特征提取

针对滚动轴承早期微弱故障特征难以提取的问题,提出一种基于奇异值分解(Singular Value Decomposition,SVD)、改进的集总经验模态分解(Modified Ensemble EMD,MEEMD)和Teager能量谱的滚动轴承微弱故障特征提取方法。该方法首先采用Hankel矩阵理论对滚动轴承的故障信号进行相空间重构得到重构矩阵,并根据奇异值差分谱理论对重构矩阵进行SVD处理,实现信号的初步降噪;其次,对降噪后的信号进行MEEMD分解得到一组本征模态分量(Intrinsic Mode Function,IMF)和一个余量,依据峭度-相关系数规则选取出一个冲击特征敏感的IMF分量,计算其Teager能量算子;最后,通过分析能量谱图实现对滚动轴承微弱故障的模式辨识。采用美国西储大学的滚动轴承故障数据对所提方法进行验证,并与其它模式的组合方法进行比较。结果表明,该方法具有良好的降噪效果和敏感特征筛选能力,从而能更准确提取出滚动轴承早期故障频率,实现故障类型的准确辨识。     

基于参数自寻优变分模态分解的信号降噪方法EI北大核心CSCD

针对滚动轴承故障信号具有非线性、非平稳、噪声强的特点,提出了一种基于参数自寻优变分模态分解(variational modal decomposition,VMD)的信号降噪方法。以模态复合熵作为适应度函数,采用改进粒子群算法进行VMD参数自适应寻优,确定变分模态分解最优模态数K和二次惩罚因子α;基于最优K和α,对原始信号进行VMD分解,得到K个本征模态函数(intrinsic mode function,IMF)分量;利用相关系数筛选法,进行模态分量的有效模态和含噪模态识别,利用小波阈值去噪方法对含噪模态进行去噪处理;将有效模态与去噪后的模态进行重构,实现信号降噪。分别用滚动轴承故障仿真信号和试验信号进行验证,并与EMD降噪方法进行比较,结果表明该方法可有效提高故障信号的信噪比,降噪效果明显,有利于滚动轴承故障特征的提取。     

基于HVD小波包降噪编码深度学习的风电机组智能诊断研究

针对风机齿轮箱轴承振动信号非线性非平稳性对故障诊断的干扰问题,提出一种基于降噪编码器深度特征学习和希尔伯特振动分解(hilbert vibration decomposition, HVD)的智能故障诊断方法。引入峭度评估指标,对HVD分量进行模态选择,并以小波包提取分量能量熵构造特征向量,实现数据预处理。构建层叠降噪编码器(stacked denoising autoencoder, SDAE)模型完成信号的特征学习和故障分类。采用两个轴承数据集进行算法验证,试验结果表明,提出的基于HVD小波包降噪编码方法(HWSDAE)能高效地识别故障信号,具有突出的故障诊断性能,单次最高诊断准确率高达100%,平均诊断准确率可达99.49%,相比未经预处理的轴承数据输入SDAE模型提高了13.52%的故障诊断精度。     

基于ITD与稀疏编码收缩的滚动轴承故障特征提取方法

针对滚动轴承早期故障信号具有周期性冲击的特点和被强噪声淹没而难以提取的问题,提出了一种基于固有时间尺度分解(Intrinsic Time Scale Decomposition,ITD)与稀疏编码收缩(Sparse Coding Shrinkage,SCS)集成的轴承故障特征提取方法(命名为ITD-SCS)。ITD能自适应地将振动信号分解成若干固有旋转分量(Proper Rotation,PR),选择有效的PR分量突显信号的冲击特征。进一步采用奇异值分解(Singular Value Decomposition,SVD)对每一有效PR实施滤噪作为SCS的前置滤噪单元以提高信号的稀疏性。最后,通过SCS利用极大似然估计方法提取合成信号中的冲击特征。将ITD-SCS应用于轴承内圈故障仿真信号和外圈实际故障振动信号的实验结果表明,ITD-SCS能有效提取强背景噪声下的轴承故障信号的冲击特征。     

基于SSA-VMD-MCKD的强背景噪声环境下滚动轴承故障诊断EI北大核心CSCD

为在强背景噪声环境下有效提取滚动轴承微弱故障特征并准确诊断故障,提出奇异谱分析(singular spectrum analysis, SSA)、变分模态分解(variational mode decomposition, VMD)和最大相关峭度解卷积(maximum correlated kurtosis deconvolution, MCKD)结合的滚动轴承故障诊断方法。首先,利用SSA算法将故障信号分解,根据时域互相关准则对分解信号筛选重构;其次,利用鲸鱼优化算法(whale optimization algorithm, WOA)分别优化VMD的参数alpha,K以及MCKD的参数L和M,利用参数优化的VMD对重构信号进行分解,根据峭度指标从分解所得的本征模态函数(intrinsic mode function, IMF)中提取故障特征信号;再次,利用参数优化的MCKD算法增强故障特征;最后,通过频谱包络进行故障诊断。仿真和试验表明,所提方法能在强噪声干扰下有效提取并诊断轴承故障。     

基于自适应MOMEDA与VMD的滚动轴承早期故障特征提取

轴承故障衍生早期,由于故障尺寸较小且易受环境噪声和信号衰减的影响,因此故障冲击信号往往非常微弱。变分模态分解(Variational Mode Decomposition,VMD)已经在轴承的故障特征提取中有一定的应用,但对于背景噪声较强时的滚动轴承的微弱故障提取效果并不理想。针对这一问题,将改进多点优化最小熵解卷积(Multipoint Optimal Minimum Entropy Deconvolution Adjusted,MOMEDA)与VMD相结合,研究了滤波器长度对MOMEDA效果的影响,提出基于进退法确定最优滤波器长度的自适应MOMEDA方法。利用自适应MOMEDA对信号降噪并避免传统MED迭代以及滤波后可能出现的虚假峰值。将自适应MOMEDA降噪后的信号使用VMD进行分解,然后依据谱峭度大小进行重构,对重构之后的信号进行故障特征提取,取得了较好的效果。最后通过实验验证了方法的可行性及有效性。     

基于VMD-SVD联合降噪和频率切片小波变换的滚动轴承故障特征提取

针对滚动轴承早期故障信息微弱,频率切片小波变换(FSWT)在强背景噪声中提取故障特征的不足,提出变分模态分解(VMD)奇异值分解(SVD)联合降噪与FSWT相结合的故障特征提取方法,首先利用VMD故障信号自适应分解为若干本征模态分量(IMF),通过峭度准则选择包含故障信息最丰富的IMF进行信号重构,其次利用SVD对重构信号进行再次降噪,提高信噪比。最后对降噪信号进行FSWT,凸显故障信号的时频分布信息提取故障特征。仿真信号和实际数据分析结果表明,该方法有效消除了噪声的影响,能够清晰提取故障信号的特征频率,实现滚动轴承故障的精准识别。     

基于MOMEDA和增强倒频谱的风电机组齿轮箱多故障诊断方法

风电机组齿轮箱结构复杂,当齿轮、轴承存在多故障时,由于各故障强弱不同、故障间相互耦合及噪声干扰,造成故障诊断准确率低及漏诊问题。提出了一种基于多点最优最小熵解卷积(multipoint optimal minimum entropy deconvolution adjusted,MOMEDA)和增强倒频谱的风电机组齿轮箱多故障诊断方法。依据齿轮和轴承不同部位的故障特征频率设置合理的解卷积周期,利用MOMEDA对原始信号进行预处理;再通过增强倒频谱进一步抑制噪声干扰和增强故障特征;将增强倒频谱中的突出成分与齿轮箱故障特征频率对比,判断故障类型。实际风电机组齿轮箱多故障振动试验数据分析结果表明,该方法可以有效地提取出齿轮箱多故障特征信息。     

基于SVD降噪的经验模式分解及其工程应用

提出了一种基于奇异值分解降噪的机械设备振动型号经验模式分解方法,该方法首先对原始振动信号进行相空间重构和奇异值分解,然后根据分解奇异值的奇异熵确定降噪阶次,最后利用经验模式分解法提取降噪后振动信号的基本模式分量。对滤波前和滤波后的工业现场振动信号进行了经验模式分解,分析结果表明奇异值分解能够有效地提高信噪比,突出原始振动信号的故障特征,使得降噪后的振动信号分解出的基本模式分量具有更明确的物理意义,有利于对设备故障进行精确诊断。     

CS自适应随机共振与ITD相结合的轴承弱故障诊断

为了解决轴承早期弱故障诊断的问题，提出将固有时间尺度分解 (intrinsic time-scale decomposition，ITD) 与布谷鸟自适应随机共振 (cuckoo adaptive stochastic resonance，CASR) 相结合的方法进行滚动轴承早期弱故障特征频率提取。针对采集到的滚动轴承振动信号复杂且信噪比 (SNR) 低、故障特征难以提取的问题，结合ITD能抑制端点效应、运算复杂度低等优势，该方法将信噪比作为随机共振的目标函数，通过仿真信号分析及实例验证，将ITD作为CASR处理信号的前处理，使滚动轴承故障信号显著加强，信噪比提高2.17倍，故障特征得到有效提取。     

基于信号子空间的新型盲解卷积方法

解卷积方法已广泛应用于振动信号的故障冲击提取.然而设备运行工况复杂多变、故障特征周期难以准确预知以及随机冲击干扰,使得当前的解卷积方法难以适应工业现场复杂环境下故障冲击增强的需求.针对该问题,提出了一种基于信号子空间的新型盲解卷积方法.该方法通过奇异值分解(SVD)方法将测试信号空间分解,分离各子空间,在此基础上通过稀...     

基于VMD和SVD的柴油机气门间隙异常特征提取研究

为有效地从柴油机缸盖表面振动信号中提取气门间隙故障特征,提出一种基于变分模态分解(VMD)和奇异值分解(SVD)的特征提取新方法。采用VMD算法对缸盖振动信号进行分解,利用所得的模态分量构建特征矩阵;接着应用SVD理论将特征矩阵转变为表征频率特性的奇异值序列,探讨了稳定工况下的奇异值序列与不同气门间隙状态之间的关系;由于转速、负荷等工况的改变对信号特征层的影响与故障所引起的信号特征的改变可能非常相似,因此将奇异值序列作为特征参数,输入到随机森林分类器中,构建分类模型,对柴油机变工况下的气门间隙故障进行诊断。实验结果表明:该方法能有效识别气门间隙故障,突出故障敏感特征;与传统基于Hankel矩阵和小波包系数矩阵的SVD特征提取方法相比,该方法所提特征参数在柴油机变工况条件下具有更高的识别率。     

参数优化变分模态分解与多域流形学习的行星齿轮箱故障诊断

针对行星齿轮箱特征提取困难的问题,提出一种基于参数优化变分模态分解与多域流形学习的故障诊断方法.首先,利用樽海鞘群优化变分模态分解(SSO-VMD)对信号进行分解与重构,降低噪声干扰;然后,从多域提取故障特征,并采用改进监督型自组织增量学习神经网络界标点等度规映射(ISSL-Isomap)算法进行降维处理,获取低维故障...     

基于最优Morlet小波和SVD的滤波消噪方法及故障诊断的应用

分析了传统的小波去噪方法和小波变换的滤波特性.利用小波变换技术、奇异值分解技术和Morlet小波良好的时域和频域特性,提出了基于最优Morlet小波和SVD的滤波消噪方法.首先,采用最小Shannon熵方法确定出最优Morlet小波;然后,利用奇异值分解技术确定出最佳变换尺度a;最后对信号进行滤波消噪处理,从而提取信号中的有用成分.实验结果表明,该方法具有良好的去噪性能,用于故障特征提取是有效的.     

基于谱峭度与变分模态分解的转子微弱不对中故障诊断

针对噪声干扰下转子微弱不对中故障特征难以提取的问题,提出一种谱峭度与变分模态分解的转子故障诊断方法。该方法首先利用谱峭度(Spectral Kurtosis)滤除信号背景噪声以强化故障特征相关信号分量,然后通过变分模态分解(Variational Mode Decomposition,VMD)将转子振动信号分解为一系列本征模态分量并对各分量进行频谱分析,提取转子的故障特征。将该方法应用到转子不对中故障实验数据中,结果表明,该方法能有效提取出转子微弱不对中故障特征,并且结果要优于基于谱峭度与经验模态分解(EMD)方法的分析结果。     

基于参数优化变分模态分解的滚动轴承故障特征提取方法

在滚动轴承早期故障阶段,代表轴承故障特征的冲击成分容易被较强的背景噪声淹没,针对这一问题提出相关峭度(Correlated Kurtosis,CK)优化变分模态分解(Variational Mode Decomposition,VMD)的滚动轴承故障特征提取方法.针对变分模态分解方法参数不确定问题,提出利用以相关峭度为...