基于非线性耦合双稳态随机共振的轴承微弱故障信号增强检测方法研究

针对滚动轴承微弱故障信号难以检测的难题,提出一种基于新型非线性耦合双稳态随机共振模型的轴承微弱故障信号增强检测方法。噪声背景下,随机共振可以实现微弱信号的增强输出,提高微弱信号特征的检测。提出的非线性耦合双稳态系统是由两个单一双稳态系统经非线性方式耦合而成,通过分析耦合系数、阻尼系数随着噪声强度改变的信噪改善比响应特性曲线图研究了不同参数对随机共振现象的影响。结果表明,耦合双稳系统比单一双稳态系统具有更强随机共振现象的产生。最后采用模型对轴承故障微弱信号进行了增强检测应用,所提出的非线性耦合双稳态随机共振能够实现在复杂的噪声背景下对微弱故障信号的检测。     

混合多稳态随机共振的故障信号检测

针对故障特征信号在诊断时经常淹没在噪声中难以提取问题,利用Woods-Saxon型单稳态模型与混合型双稳态模型结合提出一种混合型三稳态随机共振系统,该系统不仅保留了Woods-Saxon对故障信号易于检测的优点又利用了三稳态对噪声利用率高的特点。利用信噪比增益为衡量指标,提出寻找最优系统参数的自适应算法;对α噪声背景下的谐波振动信号、调幅信号、周期脉冲衰减信号进行检测;提出一种变分模态分解与混合三稳态结合的信号检测方法,并将其应用于实际轴承故障检测;经过仿真实验表明混合型三稳态随机共振模型以及组合模型在故障信号的检测中检测结果清晰可靠、性能优越。     

多稳态匹配随机共振在机械早期故障特征提取中的应用

传统单稳态或双稳态随机共振方法的势函数稳态结构单一，难以匹配复杂多变的输入信号；固定尺度因子忽略了与势结构、输入信号之间的协同增强作用；且一阶系统易遭受低频噪声干扰，依赖高通滤波器辅助。因此，提出自适应二阶多稳态匹配随机共振方法，并应用于机械早期故障的微弱特征提取。该方法的优势在于：(1)多稳态势结构的多样性可与不同的输入信号实现有效匹配；(2)能实现输入信号、势结构、尺度因子三者之间的协同作用；(3)二阶多稳态随机共振能够抑制低频噪声干扰。仿真分析和机车轴承故障诊断案例表明：提出的方法相比单稳态和双稳态随机共振方法具有更强的微弱特征增强与提取能力。     

强噪声背景下滚动轴承微弱故障特征信号的经验模态分解

针对强噪声背景下滚动轴承早期微弱故障信号经验模态分解问题,提出了一种基于级联自适应分段线性随机共振系统降噪的经验模态分解方法。该方法依赖于级联自适应分段线性随机共振系统优良的降噪特性,首先对含噪信号进行降噪处理,然后再进行经验模态分解。通过对轴承故障仿真信号和滚动轴承实验信号的分析,结果表明该方法能有效滤除高频噪声,减少经验模态分解阶数,提高经验模态分解的质量,实现强噪声背景下滚动轴承早期微弱故障特征提取。     

双稳系统处理微弱冲击信号的研究

双稳系统是研究随机共振的基础。在机械故障诊断中,应用双稳系统的随机共振可以提取淹没在强噪声中的故障信号。首先研究了脉冲信号通过双稳系统的响应,提出了设定迭代初值的脉冲信号检测方法。然后通过分析滚动轴承故障,验证了用双稳系统的随机共振处理含冲击故障信号的实用性。     

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     

基于最优品质因子信号共振稀疏分解的滚动轴承故障诊断

滚动轴承常常在复杂工况下工作,当滚动轴承出现局部故障时,其振动信号中除了与故障信息相关的周期性瞬态冲击成分外,还包含轴转频等谐波成分和背景噪声。因此,在滚动轴承故障早期,对滚动轴承振动信号直接进行包络解调分析往往效果不佳。针对上述问题,提出了基于最优品质因子信号共振稀疏分解的滚动轴承故障诊断方法。该方法首先以信号共振稀疏分解低共振分量的峭度最大为目标,利用遗传算法对信号共振稀疏分解方法的品质因子进行优化,得到最优品质因子;然后利用最优品质因子对轴承振动信号进行信号共振稀疏分解,得到高共振分量和低共振分量;最后对低共振分量进行希尔伯特解调分析,提取轴承故障特征频率,进而诊断滚动轴承故障。仿真信号和试验信号的分析结果表明,该方法能有效提取轴承故障振动信号中的冲击成分,诊断轴承故障。     

基于MS-EEMD的滚动轴承微弱故障提取研究

在实际工况下,轴承的早期故障信号与强噪声信号相比属于微弱信号,而轴承的早期故障特征从强噪声环境中提取出来一直是故障诊断课题的一大难点。基于上述问题,提出一种基于MS（Mask Signal）和EEMD（Ensemble Empirical Mode Decomposition）方法的滚动轴承微弱故障提取方法。由于EEMD方法在噪声背景下分解出的IMF分量存在模态混叠现象,很难辨别故障频率的真伪,所以引入掩膜信号法对分解出的IMF分量进行处理,抑制虚假频率,将故障频率提取出来。通过将掩膜信号法与EEMD方法相结合的方式,对存在噪声的故障信号进行处理,提取出故障特征。     

基于分段线性非饱和随机共振的机械早期故障诊断方法研究

针对大型机械设备运行环境恶劣、故障特征难以提取的问题,提出一种基于分段线性双稳态势函数模型的非饱和随机共振方法。该方法通过分段线性化的势函数代替经典的双稳态势函数,然后利用频移尺度变换实现机械设备振动信号的小参数化,使其满足随机共振系统的输入条件;最后,将系统输出信号的信噪比作为遗传算法的目标函数,优化非饱和随机共振系统参数,实现机械设备早期故障特征的增强与提取。仿真分析表明该方法可以有效地提取淹没在强噪声背景下的微弱故障冲击特征,而且轴承实验证明提出的方法能够有效增强与提取故障特征频率。仿真与实验结果进一步表明提出的方法优于经典双稳态随机共振方法,不仅能够获得高的输出信噪比,而且在特征频率处具有更高的幅值。以上优点归功于提出方法不仅克服经典双稳态随机共振系统的内在输出饱和问题,而且利用遗传算法实现系统与输入信号之间的最佳匹配。     

基于AMD和自适应随机共振的旋转机械故障诊断方法研究

针对强噪声背景下信噪比较低的旋转机械故障诊断问题,提出一种基于解析模态分解(AMD)和随机共振的旋转机械故障诊断方法。若信号的频率成分已知,AMD方法能将多频率成分的信号分解为单频率信号。对于可预知故障特征频率的旋转机械故障诊断,首先利用AMD方法提取振动信号中故障特征频率所在频段的信号,并对每个提取出的信号添加强度较低的噪声;然后利用粒子群算法优化的双稳随机共振对含噪信号进行处理来加强信号;最后求该信号的频谱,若频谱中含有故障特征频率,则说明振动信号中存在该故障。通过对滚动轴承故障信号特征的提取证明了该方法有良好的效果。     

基于共振解调与神经网络的滚动轴承故障智能诊断

介绍了一种基于共振解调与神经网络技术的滚动轴承故障诊断方法。对采集系统所拾取的滚动轴承振动信号进行共振解调处理，依据故障包络频谱中必然存在谐波谱线的规律，在共振解调后的包络信号中提取所需的轴承故障谱线特征信息，并将其作为神经网络输入，利用神经网络进行轴承各种故障状态的识别，实现滚动轴承故障的智能诊断。实验表明，该方法能准确而有效地识别出滚动轴承的不同磨损状态，诊断便捷。     

指数型随机共振微弱振动信号检测方法

在实际工程故障诊断中特征频率信号经常淹没在噪声中,信息提取非常困难。为了提取强噪声背景中的微弱信号,将简谐势阱与Gaussian Potential模型相结合,提出一种作用在Duffing方程下的新型指数型双稳随机共振系统。首先,推导逃逸率并研究系统参数对输出信噪比影响;其次,基于指数型双稳随机共振系统对冲击衰减信号以及谐波振动信号进行检测;最后为检测大噪声下多频信号提出指数型双稳随机共振和经验模态分解的微弱信号联合检测方法并应用于轴承故障信号检测中。实验分析及仿真结果表明,指数型双稳随机共振模型在信号检测中是可行的,并且对于多频谐波信号通过随机共振后进行经验模态分解可使检测更加准确,联合检测不仅能识别故障信号,还能识别故障倍频信号。     

基于周期势函数的自适应二阶欠阻尼随机共振信号增强方法

针对滚动轴承微弱故障振动信号在噪声环境下故障特征难以提取的问题,提出一种基于周期势函数的自适应二阶欠阻尼随机共振信号增强方法。采用粒子群算法对系统参数和阻尼系数的自适应匹配,实现对多个拟增强频段的随机共振,更加适用于工程实际中多故障信号提取。数据库考题检验和工程实验验证表明:1)该方法明显提高了输出信噪比,故障特征频率处主峰突出,边带干扰少,方便故障的机器判读,误判率低;2)随着噪声强度的增加,虽然输出信噪比有所降低,但该方法的检测效果仍优于基于周期势函数的自适应一阶随机共振方法的检测效果;3)该方法对噪声的适应性更强,在噪声环境下对于微弱故障信号的提取有着明显优势。     

集成TEO解调和随机共振的行星齿轮箱早期故障诊断方法

针对行星齿轮箱早期微弱故障难以诊断的问题,提出一种结合Teager能量算子(TEO)解调和随机共振增强输出的方法以实现故障特征提取。首先,对行星齿轮箱振动信号进行经验模式分解(EMD)并选取包含故障信息的分量信号,使用TEO解调运算获得分量信号的解调信号。其次,为满足随机共振系统的小参数条件,将解调信号做适当压缩处理并进行频率二次采样。再次,以定义的随机共振系统输出信噪比为适应度函数,采用粒子群算法优化随机共振系统的结构参数,进而重构随机共振系统以实现信号、噪声以及非线性系统的最佳匹配。最后,将信号重新输入参数优化后的随机共振系统实现故障特征的增强提取。仿真和实验均表明:该方法获取了随机共振系统的大信噪比输出,实现了强噪声下微弱故障特征的准确和高效提取,是一种行之有效的行星齿轮箱早期微弱故障诊断方法。     

自适应二阶双稳态随机共振的微弱特征增强检测方法研究

针对大型机械设备运行环境恶劣故障特征难以提取的问题,提出一种自适应二阶双稳态随机共振方法。首先系统输出信号的信噪比作为蚁群算法的自适应度函数,然后采用蚁群算法优化二阶随机共振系统的参数和阻尼因子,再利用优化得到的最佳参数设置二阶随机共振系统,最后实现微弱故障特征的增强与提取。数值仿真分析表明:该方法可以有效地提取淹没在强噪声背景下的微弱正弦信号;而且深沟球轴承滚动体故障实验结果证明提出的方法能有效增强与提取滚动体故障特征频率。仿真与实验对比结果表明:提出的方法优于传统随机共振方法,归功于该方法不仅能够利用蚁群算法并行选择和优化随机共振系统参数,而且克服传统随机共振方法对高通滤波器的依赖。     

小波变换和EEMD-马氏距离的轴承故障诊断

机械故障的声发射信号中往往掺杂着各种干扰和噪声,为解决这一问题,提出了小波变换、集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)和马氏距离相结合的滚动轴承故障诊断方法;首次将马氏距离引入到轴承声发射信号的故障诊断中。该方法首先对故障轴承的声发射信号进行小波去噪处理,再对去噪后的信号进行EEMD分解,将其分解为多个固有模式函数(简称IMF)。其次采用马氏距离的方法消除EEMD分解结果中的虚假分量,提取能够反映轴承故障特征的IMF分量,突出高频共振成分。最后,通过瞬时Teager能量的Fourier频谱识别轴承故障的特征频率。仿真信号和滚动轴承外圈声发射信号的实例分析表明:此方法能很好地去除混杂在轴承声发射信号中的噪声,准确地识别出轴承故障的部位。     

分段非对称随机共振系统微弱信号检测EI北大核心CSCD

作为一种重要的信号处理方法,随机共振(SR)能够利用噪声能量增强微弱信号,有效降低噪声信号对特征提取的影响。针对分段对称系统模型随机共振幅值增益不够明显及噪声利用率较低等不足,提出一种分段非线性系统模型。该系统参数独立,易于调节,可通过调节参数诱导最佳随机共振。在双稳态模型下,推导了克莱默斯(Kramers)逃逸率和输出信噪比,同时在模型公式仿真和数值仿真两方面与分段对称系统进行对比分析,用于说明该方法的有效性。结果表明该方法能够有效地提取特征频率,具有良好的放大性能和抗噪声能力。最后将系统应用于不同型号的轴承故障检测,并用自适应智能算法最优化系统参数。结果显示,非对称系统的输出幅值分别为对称系统的8倍,3倍和6倍。数据表明,非对称系统能更有效地实现微弱特征检测与早期故障诊断。该研究进一步对系统在实际工程应用提供了理论指导与依据。     

强背景噪声下基于谱峭度-波束形成轴承故障特征提取

在利用声学信号分析法对滚动轴承进行故障诊断时,环境噪声或其它设备噪声会严重影响目标声信号的提取并降低诊断精度。针对这一问题,提出一种用于故障特征增强的谱峭度-波束形成方法。该方法首先利用快速谱峭度算法确定最优滤波频带,然后根据确定的频带,利用2 阶锥规划方法设计恒定束宽波束形成器并提取目标频带信号,最后对提取的带限信号进行包络解调得到轴承故障特征频率。实验结果表明,该方法能够在强干扰环境下有效提取滚动轴承故障特征,并且相较于传统的延时求和波束形成器具有更好的效果。     

双树复小波和双谱在轴承故障诊断中的应用

针对非线性、非平稳且包含强烈的噪声的轴承故障振动信号难以有效提取故障特征信息进行故障识别的问题,提出基于双树复小波变换和双谱的故障诊断方法。首先利用双树复小波变换将故障轴承振动信号分解为若干个不同频带的分量,选择出包含故障特征的分量;然后对该分量进行希尔伯特包络解调;最后对包络信号求其双谱图,从而有效地提取出故障信号的特征频率,准确地进行故障识别。滚动轴承故障实验和工程应用表明,该方法能有效地提取故障轴承的故障特征频率,并且几乎可以完全抑制噪声,验证了方法的可行性和有效性。     

CS自适应随机共振与ITD相结合的轴承弱故障诊断

为了解决轴承早期弱故障诊断的问题，提出将固有时间尺度分解 (intrinsic time-scale decomposition，ITD) 与布谷鸟自适应随机共振 (cuckoo adaptive stochastic resonance，CASR) 相结合的方法进行滚动轴承早期弱故障特征频率提取。针对采集到的滚动轴承振动信号复杂且信噪比 (SNR) 低、故障特征难以提取的问题，结合ITD能抑制端点效应、运算复杂度低等优势，该方法将信噪比作为随机共振的目标函数，通过仿真信号分析及实例验证，将ITD作为CASR处理信号的前处理，使滚动轴承故障信号显著加强，信噪比提高2.17倍，故障特征得到有效提取。