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     

基于最小熵解卷积和Teager能量算子直升机滚动轴承复合故障诊断研究

为了解决强背景噪声环境下直升机滚动轴承故障信号微弱,故障特征难以提取的问题,提出一种基于最小熵解卷积(Minimum Entropy Deconvolution,MED)与Teager能量算子(Teager Energy Operator,TEO)的滚动轴承故障特征提取的新方法。根据滚动轴承故障信号表现为冲击波形的特点和MED降噪对冲击特征敏感的特性,采用MED对故障信号进行降噪处理,同时增强信号中的冲击成分;再结合TEO适合检测信号的瞬时变化,能有效提取故障信号冲击特征的特点,计算降噪信号的Teager能量信号,进行频谱分析提取滚动轴承的故障特征。通过对仿真信号和直升机滚动轴承混合故障信号进行分析,实验结果表明,该方法能有效提取强背景噪声环境中的微弱复合故障特征,具有一定的工程应用价值。     

基于EMD和Teager能量算子的轴承故障诊断研究

提出了一种基于EMD和Teager能量算子的齿轮箱轴承故障诊断的新方法,该方法综合利用了经验模态分解和Teager能量算子分析技术.首先利用经验模态分解方法,将振动信号分解成不同特征时间尺度的单分量固有模态函数,然后用Teager能量算子计算各固有模态函数的瞬时幅值,最后对感兴趣固有模态函数瞬时幅值的包络谱进行分析,就可识别齿轮箱轴承的故障部位和类型.齿轮箱轴承故障振动实验信号的研究结果表明:该方法能有效地识别轴承的故障.     

基于LMD自适应多尺度形态学和Teager能量算子方法在轴承故障诊断中的应用

为了从故障轴承信号中提取包含故障信号的特征频率,提出了基于LMD自适应多尺度形态学和Teager能量算子解调的方法。首先,采用LMD将目标信号分解成有限个PF（Product function,PF）分量,分别对其进行多尺度形态学滤波,利用峭度准则优化形态学结构元素尺度,自适应寻求最优解,最后用Teager能量算子计算各PF分量的瞬时幅值,通过瞬时Teager能量的Fourier频谱识别轴承的故障特征频率。为了验证理论的正确性,进行了数字仿真实验和轴承故障模拟实验,并与EMD形态学和包络解调方法进行了比较,结果表明该算法明显优于其他两种方法,对滚动轴承外圈、内圈和滚子故障的检测精度更高,能够清晰地提取出故障信号的频率特征。     

Teager能量算子增强倒阶次谱提取轴承微弱故障特征

针对变速器加速过程下轴承故障特征易于暴露难以提取问题,提出一种Teager能量算子增强倒阶次谱方法。计算加速过程等角度重采样信号的Teager能量算子,对Teager能量算子输出进行倒谱分析,获得Teager能量算子增强倒阶次谱。对加速过程滚动轴承外圈、内圈剥落故障信号进行分析,结果表明,Teager能量算子能有效增强冲击成分,抑制非冲击成分;倒阶次谱能从干扰中准确识别被增强的故障冲击特征,提取轴承微弱故障特征。     

基于谱峭度和Teager能量算子的轴承故障特征增强

共振解调法的难点在于带通滤波器的确定,谱峭度可根据信号特征寻找最优滤波器参数,很好地解决以上问题。然而谱峭度在对低信噪比数据进行处理时,滤波后的信号往往残留较大带内噪声,极大地影响了后续故障诊断的准确性。针对该问题,提出利用Teager能量算子追踪SK滤波信号的系统总能量,从信号能量的角度消除带内噪声,二次增强隐藏于噪声中的故障冲击特征,最后通过包络谱分析获得诊断结果。应用轴承故障仿真数据、实验室内圈和外圈故障数据验证了本方法的有效性。     

基于自相关与能量算子增强的滚动轴承微弱故障特征提取

针对滚动轴承(rolling element bearings, REBs)早期故障振动信号冲击成分微弱,受噪声影响故障特征难以提取,提出了基于自相关和Teager能量算子增强的滚动轴承微弱故障特征提取法。利用自相关计算和经验模态分解(empirical mode decomposition, EMD),分别实现轴承振动信号整个频带随机噪声和低频噪声的抑制,突出故障冲击周期。同时,提出基于内禀模态函数(intrinsic mode function, IMF)能量比加权的互相关系数-峭度指标用于筛选最优IMF进行信号重构,强化重构信号中的故障信息。对重构信号作用Teager能量算子(Teager energy operator, TEO),得到故障冲击特征增强的瞬时能量序列,通过功率谱分析提取轴承故障特征频率。内圈故障仿真信号和滚动体故障实测信号分析表明,该方法能够有效抑制轴承振动信号噪声,对早期故障的微弱特征有显著增强作用。     

基于CEEMD-MED和Teager能量算子的滚动轴承微弱故障特征提取

滚动轴承故障产生的早期阶段,故障信号中的周期冲击成分微弱,并且环境噪声干扰严重,导致轴承故障难以识别。针对这一问题,提出基于CEEMD-MED和Teager能量算子的轴承故障特征方法。首先应用互补集合经验模态分解(CEEMD)对故障信号进行分解,依据相关系数原则,选取相关系数最大的分量作为分析对象;然后应用最小熵反褶积(MED)对选出的分量进行降噪;最后应用Teager能量算子对降噪后的信号进行解调处理,从其能量谱中便可准确地获取故障特征信息。通过对仿真信号和实验数据进行诊断分析,结果证明该文方法有效。     

基于改进VMD与包络导数能量算子的滚动轴承早期故障诊断EI北大核心CSCD

针对滚动轴承早期故障比较微弱,特征信息难以提取且变分模态分解(VMD)中分解层数k的大小需要使用者反复尝试而不能有效确定的问题,提出了改进的VMD方法,以能量差作为评价参数自适应地确定分解层数k。在此基础上,将改进的VMD与包络导数能量算子结合,提出了VMD与包络导数能量算子的轴承早期故障诊断方法。采用VMD对轴承故障振动信号进行分解,根据能量差曲线确定最佳的分解层数k;依据峭度准则,从分解得到的k个本征模态分量中选取敏感分量进行重构;并用包络导数能量算子对重构信号进行解调分析,从其能量谱中便可准确地提取轴承的故障特征信息。通过仿真信号和实验数据的分析,验证了该方法的有效性与可行性。     

基于经验模式分解和Teager能量谱的齿轮箱故障诊断

在线监测汽车齿轮变速箱运转工作状态,及时发现齿轮箱的早期故障,对汽车运行的安全性有重要意义。利用经验模式分解和Teager能量谱对振动加速度传感器获取的齿轮箱振动信号进行特性分析。先利用经验模式分解获得故障信号的本征模式函数,然后计算本征模式函数Teager能量谱,提取本征模式函数系数-能量谱特征值来分析时频故障特性。仿真研究结果表明用Teager能量特征表达在故障定位和故障信息提取方面是可行的和有效的,提高了故障检测的可靠性。     

基于卷积胶囊网络的滚动轴承故障诊断研究

针对目前许多基于深度学习的滚动轴承故障诊断方法在检测含有噪声的信号以及载荷变化时,其诊断性能会有所下降的问题。提出一种基于卷积胶囊网络的故障诊断方法;该模型使用两个卷积层的卷积网络直接对原始的一维时域信号进行特征提取,并将其送入胶囊网络,输出每种故障类型的诊断结果;为了验证该模型的诊断性能,选用凯斯西储大学轴承数据库来进行验证,并与常见的卷积神经网络和深度神经网络进行对比。试验结果表明,相比于其它深度学习方法,该方法在载荷变化以及信号受到严重噪声污染时,依然拥有良好的诊断性能。     

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。     

滚动轴承故障的EMD诊断方法研究

提出了一种基于经验模式分解（Empirical Mode Decomposition，EMD）的滚动轴承故障诊断方法。这种方法中，局部损伤滚动轴承产生的高频调幅信号成分被EMD分解作为本征模函数分离出来，然后用Hilbert变换得到其包络信号，计算包络谱，就能够提取滚动轴承故障特征频率。该方法被用于分析实验台上采集的具有内圈损伤及外圈损伤的滚动轴承振动信号。分析结果表明，与传统的包络解调方法相比，新方法能够更有效地提取轴承故障特征，诊断轴承故障，因而具有重要的实用价值。     

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。     

滚动轴承非接触式声学故障诊断方法研究及应用

基于非接触式声学诊断方法,以滚动轴承人工缺陷为对象进行试验测试,通过统计参量分析,对滚动轴承有无故障进行判断,并对轴承声学信号传播特性进行了研究。分别用与特征频率密切相关的触发数,小波包分析与BP神经网络结合两种分析方法对故障模式进行识别,提高了轴承故障诊断的有效性和准确性。     

基于PSO改进深度置信网络的滚动轴承故障诊断

针对深度置信网络(Deep Belief Network,DBN)用于轴承故障诊断时,网络层结构调试比较费时等问题,提出一种基于粒子群优化(Particle Swarm Optimization,PSO)的DBN算法,以及基于该算法的轴承故障诊断模型。该模型利用PSO算法优选DBN网络结构,并通过自适应时刻估计法微调模型参数,随后运用具有最优结构的DBN模型直接从原始振动信号中提取低维故障特征,并将其输入到Soft-max分类器中识别轴承的故障模式。该算法与支持向量机、BP神经网络、DBN、堆叠降噪自编码等方法进行对比分析,实验结果表明,PSO改进的DBN算法具有更高的准确率以及更好的鲁棒性。     

基于形态滤波与灰色关联度的滚动轴承故障诊断

针对滚动轴承故障振动信号的强噪声背景与故障样本不易大量获取的问题,提出一种基于形态滤波与灰色关联度的滚动轴承故障诊断方法。采用形态闭与形态开相减构成的差值滤波器对故障信号进行滤波,不需要考虑振动信号的频谱特征与分布,即能够有效的提取故障频率特征;灰色关联度分析方法对小样本模式识别问题具有良好的分类效果,适用于滚动轴承的故障模式识别。首先对故障信号进行形态滤波,然后提取滤波后信号的故障特征频率的归一化幅值作为特征向量,最后通过待识别样本与标准故障模式的关联度来对故障模式进行分类。实例表明该方法能够取得良好的效果。     

基于自适应深度卷积神经网络的发射车滚动轴承故障诊断研究

作为发射车的关键组成部件,滚动轴承的工作环境复杂,故障诊断困难。提出一种自适应深度卷积神经网络,针对传统CNN诊断方法存在的计算效率较低、参数调试需人工经验指导等问题,采用粒子群优化算法确定CNN模型结构和参数,应用主成分分析法将故障诊断特征学习过程可视化,评估其特征学习能力。将提出方法应用于发射车滚动轴承故障诊断,对比标准CNN、SVM、ANN诊断方法,10种工况的诊断结果表明,提出方法诊断精度高且鲁棒性好。