基于自适应最大相关峭度解卷积的滚动轴承多故障诊断

滚动轴承存在多个故障时,由于各故障响应之间相互干扰,会使包络谱诊断效果不佳。最大相关峭度解卷积(MCKD)是用于增强周期性脉冲的有效工具,然而,MCKD的滤波器长度参数和移位数需要人工设定,并且在复杂条件下运行的轴承对参数的要求较高。针对此情况,提出了一种自适应最大相关峭度解卷积的滚动轴承多故障诊断方法。该方法以最大相关峭度解卷积信号的包络谱的谱相关峭度值作为目标函数,采用人工鱼群算法,自适应得到MCKD的最优参数,利用参数优化的最大相关峭度解卷积实现滚动轴承多故障分析。滚动轴承多故障仿真及轴承内圈多故障实验分析表明,该方法可以有效提取故障特征,实现滚动轴承多故障的准确诊断。     

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。     

基于LMD与MCKD的风电机组轴承早期故障诊断方法

当滚动轴承出现早期故障时,其故障特征信号微弱,且环境噪声较大,因此其早期故障特征一般难以提取。针对上述问题,提出基于LMD与MCKD的滚动轴承早期故障诊断方法。为了克服局部均值分解（LMD）在早期故障诊断中易受噪声影响的不足,该方法对其包含故障信号大部分能量的前4 个乘积函数（product function, PF）分量进行最大相关峭度解卷积（MCKD）,突出轴承信号中淹没在噪声信号中的周期脉冲成分,最后再对其进行包络解调,便可得到轴承故障特征频率,进而对滚动轴承早期微弱故障进行诊断。实验信号验证了该方法的有效性。     

基于LMD与MCKD的滚动轴承早期故障诊断方法

当滚动轴承出现早期故障时,其故障特征信号微弱,且环境噪声较大,因此其早期故障特征一般难以提取。针对上述问题,提出基于LMD与MCKD的滚动轴承早期故障诊断方法。为了克服局部均值分解(LMD)在早期故障诊断中易受噪声影响的不足,该方法对其包含故障信号大部分能量的前4个乘积函数(product function,PF)分量进行最大相关峭度解卷积(MCKD),突出轴承信号中淹没在噪声信号中的周期脉冲成分,最后再对其进行包络解调,便可得到轴承故障特征频率,进而对滚动轴承早期微弱故障进行诊断。实验信号验证了该方法的有效性。     

Teager能量算子结合MCKD的滚动轴承早期故障识别

针对Teager能量算子在解调滚动轴承早期微弱故障特征中的不足,提出一种最大相关峭度解卷积降噪与Teager能量算子解调相结合的滚动轴承早期故障识别方法。首先采用最大相关峭度解卷积算法以包络谱的峭度最大化为目标对原信号进行降噪处理、检测信号中的周期性冲击成分,然后利用Teager能量算子增强降噪信号中的周期性冲击特征、抑制非冲击成分,最后通过分析Teager能量谱中明显的频率成分来诊断故障类型。滚动轴承外圈、内圈故障诊断实例表明,该方法能有效实现滚动轴承早期微弱故障的识别。     

一种基于多点峭度谱和最大相关峭度解卷积的滚动轴承故障诊断方法

针对最大相关峭度解卷积(MCKD)方法需要预知准确的滚动轴承故障特征周期的不足,提出一种多点峭度谱(Mkurt spectrum)和MCKD相结合的滚动轴承故障诊断方法。利用多点峭度谱对采样信号进行处理,通过比较不同周期下解卷积结果输出的信号的多点峭度谱,对预先估计的故障特征周期进行修正,再将优化得到的故障周期的精确取值输入到MCKD算法中,增强原信号中周期性故障冲击特征,并通过包络解调来诊断故障类型。通过对仿真信号、6205轴承外圈故障和铁路货车轮对轴承复合故障的试验信号的分析表明:即使在未知准确转速的条件下,该方法依然可以有效地实现滚动轴承的故障诊断,具有较高的工程应用价值。     

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MCKD和VMD的滚动轴承微弱故障特征提取EI北大核心CSCD

针对滚动轴承早期故障特征非常微弱,易受随机噪声和其他信号干扰而难以提取等现象,提出了用最大相关峭度解卷积(Maximum Correlated Kurtosis Deconvolution,MCKD)和变分模态分解(Variational Mode Decomposition,VMD)相结合的方法提取滚动轴承故障特征。首先用MCKD进行信号增强,然后利用VMD得到一系列模态,应用互相关系数和峭度准则筛选包含故障信息较为丰富的模态进行重构降噪,最后对重构信号进行包络解调提取故障特征。通过仿真分析和轴承故障模拟实验验证了该方法的有效性,可以精确地分离轴承故障振动信号的不同频率成分。     

基于MCKD和VMD的滚动轴承微弱故障特征提取

针对滚动轴承早期故障特征非常微弱,易受随机噪声和其他信号干扰而难以提取等现象,提出了用最大相关峭度解卷积(Maximum Correlated Kurtosis Deconvolution,MCKD)和变分模态分解(Variational Mode Decomposition,VMD)相结合的方法提取滚动轴承故障特征。首先用MCKD进行信号增强,然后利用VMD得到一系列模态,应用互相关系数和峭度准则筛选包含故障信息较为丰富的模态进行重构降噪,最后对重构信号进行包络解调提取故障特征。通过仿真分析和轴承故障模拟实验验证了该方法的有效性,可以精确地分离轴承故障振动信号的不同频率成分。