基于迭代自适应多尺度形态滤波的滚动轴承故障诊断

针对工业现场强噪声背景下振动信号特征信息提取困难和单尺度形态滤波时尺度选择的盲目性和随意性的问题,基于自适应多尺度形态分析(AMMA)的思想提出了一种迭代自适应多尺度形态分析(IAMMA)的滤波方法。该方法对振动信号进行多尺度形态差值迭代运算,每次采用的结构元素尺度逐渐增大,然后求多次滤波结果的平均值,达到滤除噪声成分的目的。对仿真信号和滚动轴承故障信号进行分析,结果表明,IAMMA较AMMA能够选取更为合适的结构元素尺度,提取更多的故障特征信息,滤波效果更佳,与Hilbert包络解调方法相比处理过程更加简捷,从而为轴承的故障诊断提供了一种有效的方法。     

基于自适应局部迭代滤波和模糊C均值聚类的滚动轴承故障诊断方法

为准确提取滚动轴承振动信号的故障特征,并对不同状态信号进行划分,提出了一种基于自适应局部迭代滤波(ALIF)和模糊C均值(KFCM)聚类的滚动轴承故障诊断方法.首先,将多模态信号自适应分解为多阶单一模态分量;然后,结合相关系数提取出含有最多故障特征信息的最优分量,计算其近似熵值并构建特征向量矩阵;最后,将得到的特征向量...     

基于形态学滤波和EEMD方法的风力发电系统滚动轴承故障诊断

将形态学滤波方法与EEMD方法相结合,提出一种新的滚动轴承故障诊断策略。设计开-闭、闭-开级联而成的组合形态滤波器对轴承故障振动信号进行消噪处理,然后利用EEMD自适应地将信号分解成多个分量,通过互相关系数方法消除EEMD分解结果中的虚假分量后,从而得到更准确的Hilbert-Huang谱,由此提取故障信息,判断故障类型。通过轴承故障诊断实例证明了该方法的有效性。     

基于拉普拉斯小波滤波和SA-DS-CNN的滚动轴承故障诊断

针对基于深度学习模型的滚动轴承故障诊断方法易受环境噪声干扰的问题,提出了一种基于拉普拉斯小波滤波(LWF)和自注意力机制-动态选择-卷积神经网络(SA-DS-CNN)的滚动轴承故障诊断模型。首先,提出一种拉普拉斯小波阻尼参数自适应选取策略,使用拉普拉斯小波对采集的滚动轴承振动信号进行相关滤波并进行功率谱变换;其次,基于卷积神经网络框架,引入自注意力机制和动态选择机制,构造SA-DS-CNN;最后,利用SA-DS-CNN提取功率谱特征,根据轴承的不同故障状态定位相关特征信息,实现故障特征的提取和诊断。对N205EM圆柱滚子轴承的故障诊断试验表明：LWF降噪效果较好,能为SA-DS-CNN模型提供优秀的训练样本;SA-DS-CNN模型能抑制无用通道信息,增强网络特征学习能力;LWF和SA-DS-CNN组合模型的故障诊断准确率达到99.65%,优于其他组合模型。     

基于Kalman滤波和谱峭度的滚动轴承故障诊断

针对传统共振解调方法难以确定带通滤波器参数的问题,将Kalman滤波技术和快速谱峭度图结合应用于滚动轴承故障诊断中。首先利用齿轮箱原始振动信号建立系统AR模型,通过AIC准则确定模型阶数,通过最小二乘法确定模型参数,对原始信号进行Kalman滤波降噪预处理;并用快速谱峭度图选择最优带通滤波器参数,最后对带通滤波后的信号进行能量算子包络解调,实现故障诊断。工程实测信号的分析结果表明,基于Kalman滤波和快速谱峭度的诊断方法能够很好地诊断轴承故障。     

基于柔性形态滤波和支持矢量机的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的强噪声背景以及现实中不易获取大量典型故障样本的特点,提出一种基于柔性形态滤波和支持矢量机(Support vector machine, SVM)的滚动轴承故障诊断方法。柔性形态滤波既可以有效地提取出信号的边缘轮廓和信号的形状特征,同时又具有稳健性;SVM具有良好的分类性能,特别在小样本、非线性及高维特征空间中具有较好的推广能力;SVM分类器的惩罚因子和核函数参数采用经典粒子群优化算法进行优化,避免传统方法对初始点和样本的依赖。首先对振动信号进行柔性形态滤波,然后提取滤波后信号的故障特征频率的归一化能量为特征矢量作为SVM分类器的输入参数,用于区分滚动轴承的外圈、内圈和滚动体故障,SVM分类器的参数采用标准粒子群优化算法进行优化。试验结果表明了方法的有效性。     

基于SVD和MOMEDA的薄壁轴承故障诊断

当柔性薄壁轴承工作时,受长短轴交替产生的冲击成分以及背景噪声的影响,很难从振动信号频谱中提取出故障频率。针对这问题,提出奇异值分解（SVD）与多点最优调整的最小熵解卷积(MOMEDA)相结合的柔性薄壁轴承故障特征提取方法。该方法用SVD算法对原始信号作降噪处理,获得重构信号,应用MOMEDA对重构信号进行增强,突出周期性故障脉冲,通过对处理后的信号进行频谱分析,从而提取出相应的故障频率。通过频谱中的主导频率与柔性薄壁轴承的故障特征频率的对比,可以判断故障位置,实现轴承的故障诊断。试验数据分析结果表明,该方法可以有效提取轴承内、外圈的故障频率。     

基于形态差值滤波和差分熵的滚动轴承故障诊断

针对滚动轴承内外圈的早期故障,提出了一种新的诊断方法,该方法融合了数学形态学对非线性信号的滤波和信息熵理论在信号表征方面的优越性。首先,利用数学形态差值滤波器对实测的轴承内外圈轻重损伤的故障信号进行消噪处理,充分突出了有用的故障特征信息;然后,利用差分熵提取该信号中的突变特征信息,对其进行不确定性和复杂性度量;最后,根据突变点的冲击时间间隔和内外圈故障周期性冲击的时间间隔一致的思想来完成对滚动轴承的故障诊断。通过对仿真信号和滚动轴承实测内外圈两种故障程度的振动信号的诊断分析,证明该方法能够很好地识别轴承内外圈早期故障的类型,且具有很高的准确率。     

基于MED和峭度准则形态滤波的滚动轴承故障诊断

针对滚动轴承故障诊断问题,提出一种基于最小熵解卷积(Minimum entropy deconvolution,MED)和峭度准则形态滤波的滚动轴承故障诊断方法。该方法首先通过MED对滚动轴承故障信号进行降噪处理,然后设计不同长度结构元素的形态滤波器对降噪后的信号进行差值形态滤波,最后利用峭度准则筛选出峭度值最大的最佳形态滤波分量,进行幅值谱分析提取轴承故障特征频率。应用该方法分析了滚动轴承内圈故障模拟信号和实验测试信号,取得良好的分析效果,证明了该方法的有效性。     

基于尺度优化形态学滤波的滚动轴承故障诊断

为高效提取轴承振动信号中的冲击故障特征,提出了一种改进形态学帽乘积算子(IMHPO);同时,提出了一种新的结构元素长度选择策略,根据振动信号的极值点确定结构元素的长度范围并采用Hoyer测度评估形态滤波信号中的故障特征信息来选择最优结构元素长度。此外,将对角切片谱(DSS)应用于形态学帽乘积算子的滤波信号,以解决宽带噪声污染并进一步消除故障无关分量。仿真分析和轴箱轴承试验结果表明,所提出的IMHPO-DSS方法能够增强故障相关冲击特征并有效诊断轴承故障。     

基于小波相关滤波法的滚动轴承早期故障诊断方法研究

目前基于小波分析的滚动轴承故障诊断方法研究已经很多,但是这些方法对于强噪声背景下的早期故障微弱信号特征提取效果并不理想。为此,提出了适用于强噪声背景的小波相关滤波滚动轴承早期故障诊断方法。该方法将小波相关滤波降噪方法和Hilbert包络细化谱分析相结合:对被测信号进行小波相关滤波降噪处理,对降噪处理后的高频段尺度域的小波系数进行Hilbert包络细化谱分析。该方法在滚动轴承的早期故障诊断中的试验结果表明,该方法与直接小波系数包络谱诊断方法相比,较大地增强了对滚动轴承早期故障诊断的能力,在强噪声背景下有效地提取出滚动轴承的早期故障频率。     

基于SWD和MOMEDA的滚动轴承微弱故障特征识别

针对复杂工况下轴承微弱故障特征难以提取的问题,提出一种基于群体分解(SWD)和多点调整最优最小熵解卷积(MOMEDA)的故障诊断方法.首先,利用SWD对振动信号进行模态分解,并根据相关系数选择有用分量;然后,利用MOMEDA对选取的分量实现弱信号特征的增强;最后,通过快速傅里叶变换进行故障特征的识别.     

基于广义形态学滤波和Hilbert边际谱的滚动轴承故障诊断

广义形态滤波器可以很好地抑制输出统计偏倚的现象,Hilbert边际谱克服了传统包络法需要确定带通滤波器的中心频率和带宽的不足,将两种方法相结合,首先利用广义形态滤波对信号进行去噪,在此基础上对信号进行经验模态分解,然后选取合适的IMF分量得到信号的局部Hilbert边际谱。通过对轴承内外环进行故障诊断发现,该方法能准确地提取故障特征,从而有效地判别轴承的故障类型和部位,具有较广阔的应用前景。     

基于VMD和MED的滚动轴承故障诊断方法

为有效提取振动信号中的轴承故障特征,降低背景噪声和齿轮传动噪声影响,将VMD和MED相结合,首先采集强噪声轴承故障信号并进行VMD降噪,选取与原信号相关系数大的分量重构;然后将重构信号进行MED处理以增强故障信息;最后对信号进行包络谱分析,从中获得轴承故障特征频率信息。经实测信号并与EMD的对比分析比较表明:VMD+MED能够从实测信号中有效地提取齿轮箱轴承的故障特征频率及其倍频,而且较EMD法更具优势。     

基于NSP和SVM的滚动轴承故障诊断方法

针对滚动轴承故障诊断中难以获得大量典型的故障样本,以及统计参数对于滚动轴承故障的多分类效果不理想问题,提出了一种基于零空间追踪算法和支持向量机的故障模式识别方法。首先,根据轴承振动模型估计出相应的微分算子;然后,利用上述微分算子将轴承故障信号分解为一系列具备轴承故障特征的窄带信号之和;最后,计算各窄带信号的统计参数,构造特征向量并利用SVM进行故障模式识别。与传统SVM的对比分析试验结果表明:该方法的诊断准确率高达95%,比传统SVM提高了15%,可有效实现滚动轴承故障的模式识别。     

基于CNN和XGBoost的滚动轴承故障诊断方法

滚动轴承是旋转机械最主要的零部件之一,针对滚动轴承故障类型的有效识别问题,提出了一种基于卷积神经网络(CNN)和极端梯度提升(XGBoost)的滚动轴承故障诊断方法。对滚动轴承数据进行预处理,利用训练集对CNN进行训练和调参,运用训练好的CNN模型进行特征的提取,并使用XGBoost模型进行故障类型的分类。采用德国帕德博恩大学滚动轴承进行模型的测试,结果表明:该模型交叉验证得分接近满分,并且在测试集上准确率达到了99%,优于仅仅使用CNN、支持向量机(SVM)、XGBoost以及三层神经网络。     

基于IEWT和MCKD的滚动轴承故障诊断方法

针对经验小波变换（Empirical wavelet transform,EWT）对强噪声环境中滚动轴承微弱故障诊断的不足,主要是傅里叶频谱分段不当的问题。提出一种基于最大相关峭度解卷积（Maximum correlated kurtosis deconvolution,MCKD）降噪与改进EWT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相关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,然后根据信号Fourier频谱的包络极大值进行分段,通过分析各频段平方包络谱中明显的频率成分来诊断故障。新方法能有效降噪、增强信号中周期性冲击特征、降低单次偶然冲击的影响、抑制非冲击成分。通过对含外圈、内圈故障的滚动轴承进行试验分析,结果表明,相比于快速谱峭度图和小波包络分析方法,该方法提取出的特征更加明显,能有效实现滚动轴承早期微弱故障的识别。     

基于OC-VPMCD和ITD的滚动轴承故障诊断方法

基于变量预测模型的模式识别方法可以充分利用从原始数据中所提取的特征值之间的相互内在关系建立数学模型并以预测误差平方和值最小为判别函数进行分类。基于此,提出了一种新的一类分类方法--单类基于变量预测模型的模式识别（OC-VPMCD）方法,将该方法与本征时间尺度分解（ITD）方法相结合并应用于滚动轴承故障诊断。首先采用ITD对滚动轴承振动信号进行分解并对包含主要故障信息的若干固有旋转（PR）分量提取排列熵作为故障特征值;然后对OC-VPMCD分类器进行训练,并确定预测误差平方和阈值;最后进行OC-VPMCD模式识别,根据模式识别结果判断滚动轴承的工作状态正常与否。实验数据分析结果表明,该方法能够有效地应用于滚动轴承振动信号的故障诊断。     

基于LMD和MOMEDA的滚动轴承早期故障特征提取研究

采用局域均值分解(LMD)提取强噪声背景下的滚动轴承的故障特征效果并不理想,针对该问题,将多点优化最小熵解卷积(MOMEDA)与局域均值分解(LMD)相结合,进行了滚动轴承微弱故障信号处理研究.首先,利用局域均值分解(LMD)对外圈故障轴承的振动信号进行了信号重构;其次,利用多点优化最小熵解卷积(MOMEDA)滤波,进...     

基于角域AR模型滤波的滚动轴承故障诊断

在齿轮噪源存在的变转速滚动轴承故障诊断过程中,因混合信号中转频分量相对较小,使得基于时频表达的阶比跟踪技术受到限制。虽然基于故障特征频率的角域重采样能提取轴承的故障特征,但这种算法不能确定故障位置,而且可能会出现误判。针对这一问题,提出了基于角域自回归(auto regressive,简称AR)模型滤波的处理方法。该方法利用线调频小波路径追踪算法从降采样处理的混合信号中提取齿轮瞬时啮合频率趋势线并估计转速,根据估计转速信息对原混合信号进行等角度重采样,获得了角域信号。利用角域信号中齿轮啮合振动成分具有周期性的特点,使用AR模型对其滤波,并且对滤波后信号进行包络阶比分析,完成故障判断。通过处理仿真信号和实验信号,验证了该方法不仅能有效地去除齿轮噪声,并且可以判断轴承故障位置。