基于频域稀疏分类的滚动轴承故障诊断方法

针对基于特征频率识别的滚动轴承故障诊断方法存在易受强噪声干扰的问题,提出基于频域稀疏分类算法的诊断方法。首先对已知故障类型的滚动轴承振动信号进行时频变换,利用频域变换系数构造训练字典,再将待测轴承振动信号的频域系数在该字典上进行稀疏分解,求取稀疏系数,根据重构误差的最小值确定故障类型。测试结果表明:该方法能有效克服噪声干扰,并避免故障特征频率的估算问题。     

基于小波变换技术的发动机异响故障诊断

针对发动机异响故障信号呈非平稳时变特征并伴随有强烈的背景噪声,提出一种基于小波细节系数自相关性分析的分层阈值降噪法,该方法对信号进行离散小波变换,将信号分解为近似系数和细节系数,求出各层细节系数的自相关序列,根据序列是否呈白噪声自相关特性确定该层阈值。信号经过分层阈值降噪后,再进行连续小波变换,画出时频图,结合时域特征和频域特征确定故障类别。试验研究首先以模拟的信号模型为例,再针对实际的活塞敲缸响和曲轴轴承响两种常见异响故障进行比较分析,结果表明,分层阈值降噪法可以提高信噪比,恢复较高频率的有用信号,小波时频图可以清晰地呈现故障信号的时域和频域特征,为诊断提供一种切实可行的策略。     

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。     

基于小波相关滤波-包络分析的早期故障特征提取方法

噪声是影响齿轮、滚动轴承等机械设备早期故障诊断正确性的主要因素,利用小波相关滤波法的降噪特性,将小波相关滤波降噪方法和Hilbert包络谱分析相结合,提出了小波相关滤波.包络分析的早期故障特征提取新方法,即首先利用小波相关滤波方法作为包络分析的前置处理手段提取振动信号的微弱故障信息特征,以求得信噪比较高的小波系数;然后对高频段尺度域的小波系数进行Hilbert包络细化谱分析,得到早期故障的特征频率.仿真信号和诊断实例分析结果表明,该方法比直接小波系数包络分析法更能有效抑制噪声,凸现早期故障频率.     

基于特征相关分析的柴油机故障诊断方法研究

针对平稳过程和线性系统统计方法对柴油机工作状态诊断失效问题,提出了一种特征提取与相关分析相结合的柴油机故障诊断方法。对不同工况的柴油机缸盖振动信号提取时域特征、频域特征和时频特征,建立标准特征矩阵和未知特征矩阵,利用相关分析方法分析不同工况信号的相关程度。以某六缸柴油机实验台为研究对象,分别对正常、撞缸、失火和小头瓦磨损4种工况进行模拟。数据验证结果表明,该方法可准确识别正常、撞缸、失火和小头瓦磨损,证明了相关分析方法的有效性;同时,以敏感度系数对各个故障特征进行评估并排序,分析得到撞缸和小头瓦磨损两种工况的故障敏感特征主要集中在时域,而正常和失火两种工况的故障敏感特征除了时域还集中在频域和时频域。     

基于ICEEMD-EFICA联合降噪的滚动轴承故障诊断研究

针对滚动轴承早期故障信号十分微弱,故障特征提取困难的问题,对轴承早期故障信号的频域分解、信号重构、降噪解混等方面进行了研究,提出了一种基于改进后的完备总体经验模态分解(ICEEMD)和高效快速独立分量分析(EFICA)的联合降噪方法。首先,采用了ICEEMD算法,将振动信号分解成一系列固有模态分量(IMF);其次,设计了峭度准则,并选取相应分量完成了虚拟通道信号和振动冲击信号的重构;研究了EFICA对重构信号的盲源分离,有效降低了振动信号中的噪声,使故障频率的能量幅度最大,利于识别故障特征;最后,搭建了实验平台,进行了实际的滚动轴承早期故障诊断实验。研究结果表明:该方法能明显抑制噪声和调制频率成分干扰,突出故障特征频率成分;与CEEMD和EFICA结合的方法对比,采用该方法后信噪比提高了24.76%,能更准确地辨别故障信息,可以满足轴承诊断的要求。     

融合MFCC特征的声发射故障检测

为了探索机电设备潜在声发射(AE)故障的有效预测方法,提出了融合梅尔频率倒谱系数(MFCC)与信号典型时频特征用于支持向量机(SVM)模式识别来进行故障诊断的方法。基于气体绝缘金属封闭开关(GIS)绝缘结构表面金属颗粒堆积缺陷模型,采集了多种局部放电(PD)故障诱发的AE信号;对获取的AE信号添加多种强度的高斯白噪声以模拟受现场干扰的低信噪比AE信号;进而通过信号降噪与特征提取,将提取的MFCC特征与时频域特征值作为SVM的输入向量。实验结果显示,对-15 dB信噪比AE信号的故障识别准确率可达到98.75%,对-10 dB信噪比以上AE信号的故障识别准确率均达到100%。该研究分析了MFCC特征结合时频域特征作为模式识别算法输入时,对各种信噪比信号的故障识别精度,适合用于强噪声环境下对机电故障的种类和进展进行准确预测。     

时延自相关和ITD相结合的故障诊断方法

根据自相关函数与本征时间尺度分解理论及各自优点,提出了时延自相关和本征时间尺度分解相结合的故障诊断方法。该方法首先利用振动信号的自相关函数进行降噪处理,然后对降噪后自相关信号进行本征时间尺度分解,得到若干个相互独立的固有旋转分量和一个趋势项之和,从这些分量中选取表征故障特征信息的固有旋转分量进行重构,在重构信号频域中提取出故障特征频率。工程实例结果表明,该方法能抑制噪声,有效地提取故障特征信息,从而准确判别故障类型,在旋转机械故障诊断领域将有广泛的应用前景。     

基于边带相关算法和Hilbert包络谱的滚动轴承故障诊断

为了对旋转机械中滚动轴承的运行状态进行故障监测和诊断,提出了一种基于边带相关算法和Hilbert包络谱的滚动轴承故障诊断新方法。通过对滚动轴承产生振动的模型进行分析,可以将振动信号看成为多个调制信号的叠加,而边带相关算法可以在频谱图基础上找出调制性最强的频率区间,然后进行带通滤波得到此频率区间内的时域信号,最后对其进行Hilbert包络并进行谱分析,最终能得到调制信号中调制频率的大小。利用滚动轴承实验取得的振动信号进行分析验证,可以在滚动轴承具有外圈、内圈、滚动体缺陷的情况下的振动信号找出调制频率,有效地提取故障特征。结果表明该方法能够准确地识别和诊断出滚动轴承的故障部位和类型。     

基于时频维数的轴承故障诊断方法

提出了一种基于时、频域信号的多重分形故障诊断方法,给出了时、频域多重分形的具体方法以及其数值算法.根据多重分形的定义及分形几何学相关原理,通过数学方法及信号处理的相关理论,对该算法中网格划分种数J以及参数q的选取对计算结果的影响进行了研究,并以此优化了J的取值范围和q的截止条件.通过LabVIEW仿真实验,对时、频域多重分形方法进行验证.发现该方法可以对不同信号进行有效识别,且与信号的能量大小及分布等因素相关.依据此规律,进一步进行轴承故障诊断实验.实验表明,时、频域多重分形方法不但可以准确完成故障有无的判断及故障类型的诊断,且在故障发生的早期就能够有效诊断出来,是一种切实可行的方法.