基于多指标优化TQWT和TEO的轴承声发射故障诊断

针对滚动轴承早期故障声发射信号存在信噪比低、调制成分复杂导致故障特征难以识别的问题,提出一种利用多特征指标优化的可调Q因子小波变换(TQWT)和Teager能量算子(TEO)结合的故障诊断方法。以峭度-波形信息熵指标对TQWT参数(主要是品质因子Q)进行自适应选择,分解得到一系列子频带;然后,结合峭度、峰度、稀疏值组成融合指标对子频带进行筛选,对选出的子频带降噪后重构信号;最后求得重构信号Teager能量算子解调谱,通过对解调谱分析得到轴承故障特征信息。仿真和实验数据表明：该方法能在低转速强噪声背景下提取出轴承故障声发射信号中的冲击特征并进行故障诊断。     

基于MED-FWEO的滚动轴承故障检测

频率加权能量算子(FWEO)能够通过对信号瞬时能量的追踪消除信号中的噪声分量,突出故障冲击分量,对于轴承信号的处理具有较强的抗干扰性,然而对强噪声干扰下的信号则效果不够理想。针对该问题,提出将最小熵解卷积(MED)用于信号的预处理,以此消除信号采样过程中的传递噪声干扰,增强信噪比;而后以FWEO对处理后信号的瞬时能量进行追踪,从能量的角度进行故障特征的二次增强;最后通过包络谱分析获得诊断结果。仿真数据、实验室数据均表明所提方法能够在受强噪声干扰下的轴承故障信号中大幅消除噪声,准确提取出故障分量。     

基于小波包和EMD的谱峭度法在滚动轴承故障诊断中的应用

共振解调法是滚动轴承故障诊断中最常用的方法之一,然而确定合适的带通滤波器参数并将高频共振成分提取出来并不容易。谱峭度能够发现故障特征最明显的频带即自动确定带通滤波器的参数。但是滚动轴承的早期故障信号中混有强烈的干扰噪声,单一采用谱峭度法无法确定故障部位。为此提出一种基于谱峭度法和经验模式分解(EMD),以及小波包变换联合应用的滚动轴承故障诊断的新方法,首先采用EMD对原始信号进行自适应性分解,突出高频共振成分,再利用谱峭度法确定最佳带通滤波器参数,然后使用小波包变换提取高频共振成分,最后使用Hilbert变换做包络解调,经过对实际故障信号的研究分析,证实了该方法的有效性。     

基于小波包和LCD的滚动轴承故障诊断

针对含噪背景下提取滚动轴承的非平稳非线性信号特征的问题,提出了一种将LCD(局部特征尺度)与小波包相结合的故障诊断方法。对待测信号进行小波包降噪预处理,再利用LCD分解得到ISC分量(内禀尺度分量),进一步根据峭度-相关系数筛选真实ISC分量用以重构获得有效的故障特征信号。最后通过对重构故障信息进行能量算子包络解调,从而得到轴承故障的特征频率。将基于LCD和小波包的时频分析方法引入轴承故障诊断中,实验结果表明该方法能有效地提取机械故障振动信号的特征。     

基于DT-CWT和能量算子解调的滚动轴承故障诊断研究

滚动轴承出现局部损伤时会产生周期性冲击,振动信号往往具有调制特征,为了能够准确、有效地检测出轴承故障,提出了双树复小波和能量算子解调的诊断方法。首先运用双树复小波对采集到的轴承振动信号进行分解,得到若干个不同频带的分量,提取信号中能量集中的高频调制频带进行信号重构。然后采用能量算子的方法对重构信号进行解调。最后对解调得到的瞬时幅值进行频谱分析便能准确提取故障特征频率。通过信号仿真和实验数据处理结果证明了该方法的有效性。     

Savitzky Golay-WPT在滚刀主轴振动信号降噪中的应用

为消除滚齿机在加工过程中,滚刀主轴振动信号因环境影响而产生的噪声信号,提出一种基于Savitzky Golay -WPT的信号降噪方法。对原信号进行计算,得其最佳小波包分解树;根据最佳分解树,进行小波包变换（WPT）,得小波包系数;利用阈值函数对小波包系数进行筛选;结合最小二乘拟合方法对小波包筛选后系数进行重构。结果表明：与传统小波包和CEEMDAN相比,所提方法降噪性能分别提高3135%和2271%;在实际加工数据中,与传统小波包方法对比,该方法可减少中心频率周边干扰,使中心频率特征更突出,降噪效果更明显。     

样本熵改进小波包阈值去噪的轴承故障诊断

为了准确诊断出轴承故障,提出了样本熵改进小波包阈值去噪算法的轴承故障诊断方法。分析了样本熵与噪声大小、数据长度、信号固有特征的关系,得出了样本熵可以很好表征噪声大小、与数据长度、信号固有特征相关性极小的结论。使用样本熵从三个方面改进了小波包阈值去噪算法:提出了自适应阈值函数,使阈值函数随噪声分布情况进行自适应调整;以噪声信号样本熵值最大为依据,提出了最优阈值估计方法,使阈值随噪声大小自适应调整;以相邻分解层数的样本熵均值差值为依据,提出了分解层数确定方法。将样本熵改进小波包阈值去噪算法应用于轴承故障信号去噪中,去噪信号功率谱中轴承转动频率及倍频、外圈故障特征频率及倍频、两者的调制频率显露明显,能够明确判处出轴承为外圈故障,体现了极好的去噪效果。     

变转速变载荷工况下的齿轮智能故障诊断

针对变转速变载荷工况下的齿轮故障检测、识别和分类问题,提出一种基于最大重叠离散小波包变换和人工神经网络的智能故障诊断新方法。研究自相关谱峭度图中的最大重叠离散小波包变换,并采用它将复杂的齿轮故障振动信号分解为频带和称为节点的中心频率。推导出每个节点的平方包络的自相关,以便计算每个节点在每个分解层次上的峭度,减少了非周期性脉冲和噪声的影响。将上一步得到的特征矩阵作为径向基函数神经网络的输入,从而实现齿轮状态的自动分类。并在变转速变载荷(16种)工况下对健康状态和5种不同类型齿轮故障的齿轮箱进行了具体测试分析。结果表明:该方法可以更好地提取特征信息,为齿轮故障诊断定位合适的解调频带,提高了所有工况下齿轮故障诊断的准确率。     

改进EWT降噪与快速谱相关的滚动轴承早期故障诊断

针对非线性、强背景噪声下滚动轴承振动信号早期故障特征微弱,难以识别的问题,提出一种改进经验小波变换(EWT)降噪和快速谱相关相结合的滚动轴承早期微弱故障诊断方法。针对EWT频带划分方式受噪声影响较大,存在划分不合理的问题,提出极大值包络处理的划分方式;采用改进的EWT进行自适应信号分解,获得不同的固有模态分量,采用峭度准则筛选出有用模态分量,并进行重构得到降噪后的信号;为增强早期故障信号中的故障冲击周期成分,对降噪后的信号采用快速谱相关(Fast-SC)进行分析,获得平方增强包络谱;对平方包络谱中幅值突出的成分与故障频率进行对比分析,实现早期故障诊断。结果表明：与快速谱分析、改进EWT降噪结合快速谱峭度图相比,所提方法能有效增强早期故障特征频率,实现早期故障的准确诊断。     

基于MCKD与小波包熵的齿轮箱轴承微弱故障信号提取

针对齿轮箱轴承故障信号含有大量噪声而特征难以提取的问题。文章提出一种基于MCKD(最大相关峭度解卷积)和小波包熵值相结合的齿轮箱微弱故障信号提取方法。首先根据MCKD对故障信号进行降噪,突出信号中的有效冲击成分。然后进行小波包分解得到包含故障特征成分的末层节点信号,并以互相关系数-小波包熵值为准则对最后一层节点信号进行筛选并获取敏感节点信号,最后通过对敏感节点信号进行重构从而获得降噪后的轴承故障信号。实验结果表明该方法能够很好的滤除信号中的噪声并且准确地提取故障信号中的冲击成分,是对齿轮箱微弱故障特征提取的一种新方法。     

改进的傅里叶分解算法及其在滚动轴承故障诊断的应用

针对滚动轴承早期微弱故障在噪声背景下难以提取的问题,提出一种改进的傅里叶分解(IFDM)与快速谱峭度相结合的新方法,用以准确、快速地识别故障特征成分。傅里叶分解法能将故障信号自适应地分解为一系列瞬时频率具有明确物理意义的固有频带函数(FIBFs),类似于经验模态分解产生的本征模态函数,但其缺点在于无法控制所生成的FIBFs数量,如信号本身调制成分太多或受噪声影响太大,则直接运用傅里叶分解算法(FDM)会产生大量无意义的FIBFs,造成大量计算时间浪费,增加数据处理难度。为此,提出一种改进的FDM方法,该方法使用快速谱峭度法对故障信号进行预处理,自适应地确定滤波器的最佳参数及故障所在频带,然后仅在该频带上使用改进的FDM分解,因此在准确提取出故障频率成分的同时极大地减少计算量。对仿真及轴承实际故障信号的分析结果表明,该方法能更准确识别故障特征。     

基于EEMD-FSK的滚动轴承故障诊断

为了解决轴承故障特征提取中经验模态分解(EMD)出现的模态混叠现象,提出一种集合经验模态分解(EEMD)、快速谱峭度选频和共振解调技术相结合的滚动轴承故障诊断方法。对原始振动信号进行EEMD处理,分解为多个本征模态函数(IMF);将符合峭度准则的IMF分量筛选出来,对其进行信号重构,对重构信号进行快速谱峭度计算得出快速谱峭度图,从图中选出最优频带中心和带宽,确定FIR带通滤波器设计参数;最后通过共振解调技术对滤波信号进行包络分析,得出包络谱确定滚动轴承故障特征信息。通过滚动轴承实验分析,验证了此方法的可行性。     

基于VMD混合域特征和SSA-SVM的滚动轴承故障诊断

滚动轴承早期故障信号易受噪声干扰,故障冲击成分难以提取,故障识别困难。为从多角度提取故障轴承振动信号特征参数,利用变分模态分解(VMD)将振动信号分解为若干本征模态分量(IMFs),基于包络熵、相关系数、峭度筛选IMF分量。提取所选IMF的时域和频域特征、信号VMD能量熵及各IMF能量比组成特征向量,从时域、频域和能量角度反映故障信息。使用麻雀搜索算法(SSA)优化SVM参数,确定最优参数,克服参数选择难题。将样本特征向量输入SSA-SVM中进行故障分类,轴承故障实验数据表明：该方法故障识别平均准确率在98.71%以上;与单一域特征相比,该方法对故障类型和损伤程度识别效果更佳。     

基于EEMD与GWO-MCKD的门座起重机回转支承故障诊断

低速重载的门座起重机回转支承信号易受环境噪声影响,难以提取故障特征。为解决此问题,提出一种集合经验模态分解（EEMD）与灰狼优化（GWO）算法优化的最大相关峭度解卷积（MCKD）相结合的故障诊断方法。对回转支承信号进行EEMD分解,得到一系列本征模态函数（IMF）,选择峭度最大的IMF作为最优分量;以相关峭度为目标函数,利用GWO寻找在最优分量上的MCKD的最佳参数组合;使用最佳参数组合的MCKD对最优分量进行降噪,突出故障冲击成分;对降噪后的信号进行包络谱分析,完成故障诊断。结果表明：所提方法能自适应增强故障冲击成分,有效提取故障特征。     

谱峭度和Vold-kalman阶比跟踪在风电机组齿轮箱故障诊断中的应用

针对风电机组齿轮箱在时变工况下的振动信号具有非平稳特性,提出一种谱峭度和Vold-kalman阶比跟踪(Vold-Kalman Filter Based Order Tracking,VKF-OT)相结合的故障特征提取方法。以转频和啮合频率作为VKF-OT的提取频率,获得随转速变化的阶比信号,通过阶比信号复包络直接求两种频率分量的幅值、相位,经实验分析这种方法能保留齿轮箱的瞬变信息。而后计算两种频率分量的谱峭度,以最大谱峭度对应的频率带能量与原阶比信号总能量之比作为故障特征,最后采用高斯混合模型对风电机组齿轮箱在不同工况下的150组振动信号进行特征描述,运用最大贝叶斯分类器实现故障识别。故障识别率表明该方法可有效地识别任意时变工况下的齿轮早期局部微弱故障。     

基于改进ACCUGRAM的滚动轴承故障诊断方法

滚动轴承故障信号的特征容易被强噪声淹没,难以提取信号中的冲击成分。针对这一问题,提出多点最优调整的最小熵解卷积（MOMEDA）优化的ACCUGRAM算法,并应用于滚动轴承故障诊断。首先利用MED算法对原始信号进行滤波预处理,突显信号中的有效循环冲击成分,提高MOMEDA优化ACCUGRAM算法中频带选择的分类精度,选择最佳的带宽和中心频率,最后对获得包含信息量最大的频带进行故障特征频率的提取和轴承的故障诊断。仿真和试验数据分析结果表明：该方法能够有效提取信号中的周期性冲击特征,具有一定的实用性。     

基于WTD和CEEMD的轴承故障特征提取方法

针对轴承故障信号常混有噪声干扰且故障特征难以准确提取问题,提出一种基于小波阈值去噪(WTD)和互补集合经验模态分解(CEEMD)的轴承故障特征提取方法。采用WTD对原始信号进行降噪预处理;对去噪信号进行CEEMD分解得到一系列本征模态函数(IMF);然后计算各个IMF和去噪信号的互相关系数,通过设定互相关系数阈值筛选有用IMF;最后将有用IMF重构并利用包络谱对重构信号提取故障特征频率。实测信号表明：所提出的方法能降低噪声干扰并有效提取故障特征信息,证明该方法在噪声环境下具有较高的可行性和较强的实用性。     

基于小波包神经网络的轴承故障识别模型

针对传统故障特征提取过程复杂、诊断方案单一且准确性差等问题,提出了基于多阈值小波包和深度置信网络(DBN)的轴承故障识别方案。本文作者采用最优小波基函数和软硬阈值结合方法对原始振动信号进行三层分解降噪处理,得到8个从低频到高频段的信号成分,对其进行组合重构作为神经网络的输入样本;通过DBN在数据处理上的特征重构优势,建立了DBNBP神经网络的轴承故障识别模型,确定模型的各类参数。经多次实验,探究不同样本输入对模型识别率的影响,并与传统的浅层神经网络识别模型做对比分析,结果表明:经训练的DBNBP轴承故障识别模型可从原始数据、小波包分解信号实现轴承故障信号的准确特征学习和分类,结合识别率和诊断时间考虑,经小波包分解信号输入具有更优的诊断效率。