基于自适应多尺度形态梯度变换的滚动轴承故障特征提取

滚动轴承故障信号是一种典型的周期性冲击信号,如何从含有强噪声的振动信号中有效的提取出冲击特征信号是轴承故障诊断的关键。基于数学形态学理论,本文提出了一种自适应多尺度形态梯度变换（AMMG）方法,它能够在有效抑制噪声的同时很好的保留信号的细节。仿真信号和实测轴承故障信号的分析结果表明,与常用的包络解调分析和近来提出的另一种基于数学形态学的形态闭变换方法相比析,自适应多尺度形态梯度变换具有更强的噪声抑制和脉冲提取能力,并且计算简单、快速,为滚动轴承故障特征提取提供了一种有效的方法。     

基于形态滤波和EMD-AR谱的轴承故障特征提取

将AR谱估计与EMD方法结合,应用组合形态滤波对故障信号进行降噪预处理,对预处理后的信号进行EMD分解,之后对各阶IMF做AR谱估计并集总平均,从而提取振动信号的故障特征频率。文中所述算法能够避免HHT方法中Hilbert变换所产生的难以解释的负频率,较准确地提取出滚动轴承振动信号的故障特征频率,从而为滚动轴承振动信号的检测与故障诊断研究提供参考意见。     

基于自适应组合形态滤波的柴油机气缸冲击信号检测

针对柴油机气缸缸盖表面振动信号在进行故障诊断时往往会伴随噪声干扰的问题,提出一种基于自适应组合形态滤波的冲击段分离与识别方法,从振动信号中检测冲击特征信息。首先,基于三种组合算子构造一种新的组合形态滤波器,可有效提取信号中的正负冲击特征;其次,通过基于局部极值的结构元素选取和基于梯度法的权值优化,构造自适应组合形态滤波器,使滤波效果达到最优;最后,依据柴油机工作时序分析提出气缸冲击信号检测流程,并将自适应组合形态滤波器应用到于冲击段的分离与识别。柴油机实验数据分析结果表明,该方法具有较好的混叠抑制和抗噪声干扰能力,可有效检测缸盖表面振动冲击信号。     

多尺度形态滤波在行星轮轴承故障诊断的应用EI北大核心CSCD

齿轮箱中滚动轴承的故障信号微弱且易受干扰,导致轴承故障特征提取困难。为了提取信号中的微弱故障特征,提出了一种自适应的多尺度广义形态滤波(adaptive multiscale generalized morphological filter,AMGMF),特有的形态变换在抑制干扰的同时还增强了特征提取能力。首先,针对差值形态算子的滤波缺陷,提出了广义的优化差分算子(generalized enhanced different filter,GEDIF),并通过幅频特性和脉冲提取特性揭示其滤波特点;其次,由局部信号特征确定扁平结构元素的长度,改进的长度选择方法确保了形态滤波的自适应性和准确性;最后,以特征幅值比(feature amplitude ratio,FAR)分配各尺度的权重,加权重构得到了AMGMF的处理结果。通过仿真信号和行星轮轴承故障信号分析,结果表明AMGMF方法能有效地从复杂信号中分离出故障特征。与单尺度形态滤波、多尺度形态滤波和EEMD对比,AMGMF方法具有一定的优越性。     

基于自适应多尺度形态梯度与非负矩阵分解的轴承故障诊断

轴承故障诊断的关键步骤是信号处理与特征参数提取。提出采用自适应多尺度形态梯度算法对轴承振动信号进行处理,综合利用小尺度下能保留信号细节和大尺度下抑制噪声的优点,可有效地提取振动信号中反映轴承状态的冲击分量;在此基础上提出采用非负矩阵分解技术对信号进行压缩,计算用于轴承故障诊断的特征参量。采用轴承在七种状态下的振动信号对所提出的信号处理和特征参数提取方法进行验证,结果表明：与传统的信号处理与特征参量提取方法相比,本文提出的方法具有更高的轴承故障分类精度,为准确判断轴承工作状态提供了一种行之有效的新方法。     

一种基于形态提升的自适应轴承微冲击提取方法

在轴承早期故障中,冲击信号十分微弱,往往被背景噪声和低频谐波淹没,使得冲击信号提取有一定的难度。自适应多尺度形态滤波采用非线性滤波方法,通过不同尺度的结构元素,对冲击信号进行匹配并提取出来,但是由于微弱的冲击信号对结构元素尺度十分敏感,所以很难达到理想的提取效果。而利用形态梯度提升小波,首先将信号中的脉冲进行放大,降低低频信号和部分噪声的干扰,再对提升后的信号进行自适应多尺度形态滤波,这样就能显著的提取微弱的冲击信号,进而判定轴承发生的故障类型。仿真实验和轴承故障实例表明,该方法能有效提取背景噪声下的微弱冲击信号,是一种有效的微冲击提取方法。     

基于多尺度局部保持投影的轴承故障特征增强方法

针对轴承故障声发射信号的非线性特性,及易受背景噪声干扰的特点,提出一种多尺度局部保持投影方法。通过小波包分解实现一维信号的多尺度构造,利用近邻图保持信号局部流形信息,通过局部保持投影将信号变换到新的坐标空间下,实现故障特征增强。仿真和实验信号处理结果表明,多尺度局部保持投影方法在轴承故障增强检测中效果显著。     

基于形态滤波和稀疏分量分析的滚动轴承故障盲分离

为有效分离滚动轴承复合故障特征,提高故障诊断正确率,针对旋转机械调制故障信号非线性、强噪声干扰以及故障源信号未知的问题,提出一种基于形态滤波(Morphological Filtering, MF)和稀疏分量分析(Sparse Component Analysis, SCA)相结合的故障诊断方法。该方法首先对观测信号进行形态滤波提取信号中重要调制特征并使信号满足稀疏性要求,应用SCA分离滤波后的观测信号。在完备及欠定条件下对故障轴承加速度信号进行实验验证,分析结果表明该方法能够有效分离提取滚动轴承故障特征     

基于改进EMD与形态滤波的齿轮故障特征提取

针对齿轮故障特征往往被强背景噪声淹没的问题,提出一种改进EMD与形态滤波相结合的齿轮故障特征提取新方法。首先采用开－闭、闭－开级联而成的组合形态滤波器对原始故障信号进行消噪处理,然后通过EMD方法将包含在齿轮故障信号中的各个频率族信号分离,再采用互信息方法消除传统EMD分解结果中包含的虚假分量,最后利用分解得到的各阶固有模态函数为单一分量调制信号的特点,通过差值形态滤波的方式对分量信号进行解调以提取故障特征。齿轮故障实验信号的研究结果表明：该方法可有效的提取齿轮故障特征信息并抑制噪声,而且能够取得比传统包络解调分析更好的效果。     

基于自适应多尺度散布熵的滚动轴承故障诊断方法

针对滚动轴承振动信号的非平稳、非线性特性,将一种新的衡量时间序列复杂性和不规则程度指标——散布熵(dispersion entropy,DE)引入到滚动轴承非线性故障特征提取,提出一种基于经验模态分解与DE相结合的自适应多尺度散布熵滚动轴承故障诊断方法。首先,采用经验模态分解对振动信号进行分解,得到若干不同尺度的本征模态函数;其次,计算每个本征模态函数的DE值;再次,将得到的DE值作为特征向量输入到基于支持向量机建立的多故障分类器进行训练和识别。最后,将提出的滚动轴承故障诊断方法应用于试验数据分析,结果表明,提出的方法能准确地识别滚动轴承故障类型。     

形态非抽样小波及其在冲击信号特征提取中的应用

针对形态小波分解过程的抽样引起信号长度逐层递减的问题,提出一种基于多尺度Top-Hat变换的形态非抽样小波构造方法。利用形态非抽样小波的一般框架,分别采用形态学开运算和多尺度Top-Hat变换作为形态非抽样小波分解的近似信号和细节信号的分析算子,使形态小波分解过程中信号长度保持不变,从而保证了形态分析时所需的信息量。结合转子振动冲击特征信号提取试验,验证所提方法在故障诊断中应用的可行性与有效性。     

基于改进EMD和形态滤波的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳性特点,提出一种改进经验模态分解(EMD)和形态滤波相结合来提取故障特征信息的方法。该方法首先在原信号中加入高频谐波并进行EMD分解,减小传统EMD分解中存在的模态混叠现象,然后从高频本征模态分量(IMF)中去除高频谐波得到故障冲击成分,经形态滤波消噪后进行频谱分析,提取出故障特征信息。信号仿真分析该方法的实施过程,并将该方法成功运用于滚动轴承内圈和外圈故障的诊断。实验结果表明该方法能够有效提取滚动轴承故障特征信息,实现故障诊断。     

基于形态优化滤波和最小二乘支持向量机的轴承故障分析

为实现滚动轴承故障分析,提出基于形态优化滤波和最小二乘支持向量机的轴承故障分析方法。首先,通过判别指标最大化原则确定最佳形态滤波算子;然后,用最佳形态滤波算子对滚动轴承实例故障信号进行降噪分析;最后,利用粒子群对模型参数进行寻优,利用最小二乘支持向量机建立轴承故障分析模型,并对模型效果进行评价。实验结果表明:该方法从模型稳定性、预测准确度、模型复杂度3个方面考虑,故障分析结果较优,能够更好地提取轴承故障特征信息。     

基于复合多尺度模糊熵的滚动轴承故障诊断方法

为了精确地提取滚动轴承振动信号非线性故障特征,针对多尺度熵（Multi-scale entropy,MSE）中粗粒化方式的不足,提出一种新的衡量时间序列自相似性和复杂性的方法--复合多尺度模糊熵（Composite multi-scale Fuzzy entropy,CMFE）。与MSE相比,CMFE综合同一尺度下多个粗粒化序列的信息,随着尺度因子的增加,熵值变化更加稳定,一致性更好。在此基础上,结合Fisher得分特征选择和支持向量机模式分类,提出了一种新的滚动轴承智能故障诊断方法。将提出的方法应用于滚动轴承实验数据分析,通过对比结果验证了所提出方法的有效性和优越性。     

基于精细复合多尺度熵和自编码的滚动轴承故障诊断方法

多尺度熵是一种有效的衡量机械振动信号复杂度的非线性动力学方法。针对其存在的不足,引入了精细复合多尺度熵（Refined composite multiscale entropy, RCMSE）,在此基础上,结合自编码降维和遗传优化支持向量机,提出了一种滚动轴承故障智能诊断新方法。首先,利用RCMSE提取滚动轴承振动信号多尺度复杂度特征,构建初始特征向量矩阵;其次,采用自编码对初始高维特征数据降维,得到低维流形特征;然后,将低维特征向量输入到基于遗传优化支持向量机的多故障模式分类器中进行训练、识别与诊断。最后,将所提方法应用于实验数据分析,并与多尺度熵方法进行对比,结果表明,论文方法不仅能够有效地诊断滚动轴承的工作状态和故障类型,而且识别率高于所对比方法。     

基于改进多尺度熵与VPMCD的滚动轴承故障诊断

多尺度熵(Multiscale entropy,MSE)是一种衡量时间序列复杂性的方法,针对其粗粒化过程由时间序列长度变短而导致熵值不精确、波动较大等问题,提出一种改进的多尺度熵(Improved multiscale entropy,IMSE)算法。在此基础上,结合迭代拉普拉斯得分(Iteration Laplacian Score,ILS)特征选择和多变量预测模型(Variable predictive model based class discriminate,VPMCD),提出一种新的滚动轴承智能故障诊断方法。最后,将提出的方法应用于滚动轴承试验数据分析,并与现有方法进行对比。结果表明,提出的方法不仅能够有效地识别滚动状态和故障类型,而且其诊断效果优于现有方法。     

一种新的基于多尺度分析的滤波算法

利用多分辨分析思想对空域相关滤波法进行了研究,给出了一种形式简单的变系数算法,仿真结果说明该算法对处理含有噪声的信号是有效的。     

基于AWMMD的柴油机气缸故障特征提取方法研究

针对柴油机气缸故障诊断时的噪声干扰问题,提出一种自适应加权多尺度形态分解(adaptive weighted multi-scale morphological decomposing, AWMMD)方法,从各个缸盖表面振动信号中提取故障特征。基于三种组合算子构造一种新的组合差值形态滤波器,用于对振动信号进行多尺度分解;以Teager能量峭度作为评判指标,设计基于遗传算法的各尺度形态模式分量(morphological mode component, MMC)权值自适应分配算法,提出加权多尺度形态分解方法;将自适应权值与多尺度分解的形态模式分量进行绑定,得到优化的故障特征提取结果。仿真信号测试与柴油机故障模拟信号分析结果表明,该方法能有效抑制噪声干扰并提取故障特征。     

基于多尺度形态分解谱熵的电机轴承预测特征提取及退化状态评估

由于预测特征提取与退化状态评估直接关系故障预测可信性,结合数学形态学与信息熵理论,针对电机滚动轴承,提出基于多尺度形态分解谱熵的预测特征提取方法,用灰色关联分析对退化状态进行评估。对不同损伤程度轴承振动信号进行多尺度形态分解,分别计算其在不同尺度域内的复杂性度量能谱熵、奇异谱熵,以其作为预测特征向量。建立标准退化模式矩阵,对待检测样本信号特征向量与标准模式进行灰色关联分析,据关联度大小对样本信号退化状态进行评估。并仿真与实例数据验证该方法对电机轴承退化状态评估的有效性。     

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。