最优共振带提取与1.5维谱的滚动轴承早期故障诊断方法

滚动轴承的振动信号反映到频谱图中,会出现共振带,能够有效并准确提取共振带加以分析是滚动轴承故障诊断常用方法。为了准确提取出共振带,采用巴特沃斯带通滤波器对共振频带进行提取,为了得到最优共振带,将采用特征频率强度系数这一指标来反映提取的共振带效果,然后利用具有高强降噪特性的1.5维谱来对滤波信号进行特征提取.通过仿真信号以及试验信号对该方法进行验证,结果表明,该方法能够在强噪背景下对特征的提取以及实现滚动轴承早期故障诊断。     

基于谱峭度法的滚动轴承故障诊断研究

共振解调是滚动轴承故障诊断中最常用的方法之一,然而其带通滤波器参数的选取通常比较困难.谱峭度法可以根据峭度最大化原则自动确定带通滤波器参数.采用一种基于峭度最大化的谱峭度法设计最优带通滤波器,利用包络分析进行故障诊断,通过实际轴承故障振动信号分析表明,该方法具有良好的效果.     

基于三稳态随机共振的滚动轴承早期故障诊断研究

针对滚动轴承早期故障提出了三稳态随机共振故障诊断新方法。介绍了三稳态随机共振的基本理论,对比三稳态与双稳态系统说明其产生随机共振的可能性;采用小幅值正弦信号模拟故障输入信号,研究了不同频率下输出与输入信号频谱峰值比,得到了三稳态随机共振的诊断可行性。使用滚动轴承早期故障实测信号作为实验数据,实验结果表明三稳态随机共振对轴承早期故障具备良好的直接诊断能力,为滚动轴承早期故障诊断方法提供了一种新思路。     

基于改进EMD与谱峭度的滚动轴承故障特征提取

针对滚动轴承故障信号的调制特点和其需要依靠经验来选择共振高频带的缺点,提出一种改进经验模态分解(EMD)与谱峭度法结合的滚动轴承故障诊断方法。首先,通过EMD将滚动轴承故障信号分解为若干固有模态函数(IMF);然后通过互信息、峭度、互相关性剔除虚假IMF分量,重构故障信号;最后利用谱峭度设计最优带通滤波器,并对滤波后的信号进行包络解调分析,提取滚动轴承故障特征。滚动轴承故障实验信号分析结果表明,改进EMD与谱峭度方法能有效提取滚动轴承故障特征,且比传统包络分析方法更具优势。     

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。     

典型谱峭图在共振解调方法中的应用

结合铁路货车滚动轴承检测中的常见典型故障,根据谱峭度法中峭度值最大化原则和工程实际中的快速精准需求,提出了一种典型谱峭图算法。将此方法用于共振解调技术中带通滤波器的中心频率和带宽参数的自动选取,形成基于典型谱峭图的共振解调方法。在货车滚动轴承实验台上对自然形成的故障轴承进行多次振动测试实验。将基于典型谱峭图的共振解调方法应用到实测振动信号的故障诊断分析中,并与基于快速峭度图的共振解调方法进行对比,结果验证了该方法能更有效地检测到货车滚动轴承中的故障并能诊断出故障类型。     

基于谐波小波变换的低速滚动轴承故障诊断

谐波小波具有严格的盒形谱特性，是理想的带通滤波器。将谐波小波变换运用于共振解调技术，提取故障激发的共振信息，实现轴承的故障诊断。应用该方法，对低速滚动轴承进行了故障分析和诊断，诊断结果与实际状况吻合。     

基于谱峭度和AR模型的滚动轴承故障诊断

提出基于自回归(Autoregressive,简称AR)预测滤波的谱峭度分析方法,将其应用于滚动轴承的早期故障诊断。通过结合AR预测滤波器提取轴承故障信号共振衰减成分的特性,利用谱峭度方法对AR预测滤波器滤波后的信号进行处理,实现了滚动轴承早期微弱故障的识别。通过滚动轴承的疲劳全寿命加速实验获取滚动轴承的自然故障信号,克服了传统轴承故障诊断人工加工故障的不足。通过试验数据的分析表明,基于AR预测滤波的谱峭度方法不仅能够消除干扰成分提取故障特征,还能增加谱峭度方法的稳定性。     

滚动轴承故障特征提取的频谱自相关方法

冲击调制是滚动轴承发生局部故障的重要特征,在频谱上表现为调制边频且能量主要集中在高频共振区非常不利于诊断。根据冲击序列在时域与频域具有相似冲击形式的特点,将时域的自相关概念引入频域,对滚动轴承内、外圈局部故障响应信号的频谱进行自相关分析。该方法将位于高频共振区的调制边频特征有效地转移到低频区,形成以故障特征频率为基频的谐频特征;对于内圈故障信号频谱自相关结果保持了载荷调制的边频。对6220型滚动轴承外圈和内圈点蚀故障信号的分析结果表明:频谱自相关分析在不设计带通滤波器选择共振频段时,分析过程更简洁,对内圈故障特征的提取比包络分析、倒谱分析及时域的自相关方法效果更好、抗噪能力更强、可信度更高,具有较高的工程应用价值。     

应用于轴承检测系统的模拟滤波器设计

许多旋转机械的故障都与滚动轴承的运行状态有关,对轴承进行故障诊断时传感器拾取和转换的轴承振动信号中包含其他干扰信号,为了准确地检测出轴承是否存在故障,设计了六阶状态滤波器。将信号发生器产生的信号输入到滤波器,再由滤波器输出端输入到示波器。采用这种连接方式的滤波器对振动信号进行了滤波实验,得到了不包含干扰信号的振动信号,通过上位机准确地诊断出滚动轴承是否存在故障和轴承的合格等级。     

Enhanced detection of rolling element bearing fault based on stochastic resonance

Early bearing faults can generate a series of weak impacts. All the influence factors in measurement may degrade the vibration signal. Currently, bearing fault enhanced detection method based on stochastic resonance(SR) is implemented by expensive computation and demands high sampling rate, which requires high quality software and hardware for fault diagnosis. In order to extract bearing characteristic frequencies component, SR normalized scale transform procedures are presented and a circuit module is designed based on parameter-tuning bistable SR. In the simulation test, discrete and analog sinusoidal signals under heavy noise are enhanced by SR normalized scale transform and circuit module respectively. Two bearing fault enhanced detection strategies are proposed. One is realized by pure computation with normalized scale transform for sampled vibration signal, and the other is carried out by designed SR hardware with circuit module for analog vibration signal directly. The first strategy is flexible for discrete signal processing, and the second strategy demands much lower sampling frequency and less computational cost. The application results of the two strategies on bearing inner race fault detection of a test rig show that the local signal to noise ratio of the characteristic components obtained by the proposed methods are enhanced by about 50% compared with the band pass envelope analysis for the bearing with weaker fault. In addition, helicopter transmission bearing fault detection validates the effectiveness of the enhanced detection strategy with hardware. The combination of SR normalized scale transform and circuit module can meet the need of different application fields or conditions, thus providing a practical scheme for enhanced detection of bearing fault.     

感应电机轴承故障检测方法研究

分析了感应电机轴承发生故障时的振动信号的特性,利用带通滤波器和希尔伯特变换,对感应电机轴承振动信号进行处理,然后采用高分辨率谱估计算法--MUSIC（Multiple Signal Classification）算法对包络信号作谱分析,再从包络信号的MUSIC谱中提取故障特征频率分量.研究结果表明,该方法频率分辨率更高,故障检测更为准确.将该方法应用于电机轴承故障诊断,可准确提取轴承故障特征分量.     

基于小波变换的滚动轴承故障诊断系统

在分析了滚动轴承振动与故障之间联系的基础上,提出了通过共振解调法和小波多尺度分析对轴承进行故障诊断的方法.采用小波变换能有效地对滚动轴承振动信号进行带通滤波,分离出高频固有信号,对其进行包络分析,以获得故障特征频率,诊断故障发生的部位.仿真实验证明,该方法具有令人满意的效果.     

基于ITD-形态滤波和Teager能量谱的轴承故障诊断

针对强背景噪声下滚动轴承振动信号故障特征信息难以提取的问题,提出了结合固有时间尺度分解(ITD)-形态滤波和Teager能量谱的滚动轴承故障特征提取与诊断方法。首先对滚动轴承振动信号采用ITD方法分解,得到若干个固有旋转分量;考虑到噪声主要分布在高频段,取前2个高频的固有旋转分量进行形态滤波,并将滤波后的信号与剩余固有旋转分量重构;对重构信号计算Teager能量算子并绘制Teager能量谱,从Teager能量谱中可以识别出故障特征。将本方法应用于滚动轴承的内圈故障和外圈故障诊断,结果表明ITD-形态滤波可以有效去除振动信号中的背景噪声并保留冲击特征,Teager能量谱可以直观并准确显示出故障特征。     

Application of EEMD and improved frequency band entropy in bearing fault feature extraction

Ensemble empirical mode decomposition (EEMD) is widely used in condition monitoring of modern machine for its unique advantages. However, when the signal-to-noise ratio is low, the de-noising function of it is often not ideal. Thus, a new fault feature extraction method for rolling bearing combining EEMD and improved frequency band entropy (IFBE) is proposed, i.e., EEMD–IFBE. According to the problem of multiple intrinsic mode functions (IMFs) generated by EEMD, how to select the sensitive IMF(s) that can better reflect fault characteristics, a novel method based on FBE for sensitive IMF is proposed. In addition, since the bandwidth parameter is set empirically when the band-pass filter is designed based on the original FBE, a novel bandwidth parameter optimization method based on the principle of maximum envelope kurtosis is proposed. First, the original vibration signal is subjected to EEMD to obtain a series of IMFs; Then, the FBE values are obtained for the original signal and each IMF component, and the bandwidth of the band-pass filter (empirically) is designed as the characteristic frequency band at the minimum entropy value, and the affiliation between the characteristic frequency band of each IMF and the characteristic frequency band of the original signal is compared, and then selecting the sensitive IMF(s) that reflects the characteristics of the fault; Third, due to the influence of background noise, it is difficult to accurately obtain the fault frequency from the selected IMF(s). Therefore, the band-pass filter designed based on FBE is used, and the bandwidth parameter is optimized based on the principle of envelope kurtosis maximum, and then the selected sensitive IMF is band-pass filtered. Finally, the envelope power spectrum analysis is performed on the filtered signal to extract the fault characteristic frequency, and then the fault diagnosis of the bearing is realized. The method is successfully applied to simulated data and actual data of rolling bearing, which can accurately diagnose fault characteristics of bearing and prove the effectiveness and advantages of the method.     

应用小波包和包络分析的滚动轴承故障诊断

提出了一种基于小波包分析、频带能量分析和包络分析相结合的滚动轴承故障诊断方法.首先利用小波包将滚动轴承振动信号分解到不同的节点上.然后求出各频率段的能量,根据频带能量的变化情况,找出滚动轴承的故障所在的频带.最后对故障频带的重构信号做包络谱,将谱峰处的频率同滚动轴承的故障特征频率进行对比分析,诊断出滚动轴承的故障.通过对试验中采集到的滚动轴承振动信号进行分析,证明了该方法在滚动轴承故障诊断中的有效性.     

滚动轴承故障特征信息的自动提取方法研究

提出基于小波包分析和包络检测的滚动轴承故障特征信息的自动提取力法。根据滚动轴承的故障冲击能激起轴承座或其他机械零部件产生共振的特性，对轴承振动信号进行快速傅里叶变换FFT分析，在频谱图中自动识别高频共振频带。然后利用小波包分析可以在全频带内把信号分解到相邻的不同频带上的特性，对滚动轴承的振动信号进行小波包分解，自动提取共振频带上的信号并进行重构。最后，对重构后的信号进行包络检波，实现滚动轴承故障特征信息的自动提取。通过对实际滚动轴承振动信号的分析，发现这种方法能非常有效地检测和诊断滚动轴承的故障．     

基于平方包络谱相关峭度的最优共振解调诊断滚动轴承故障

利用峭度指标识别滚动轴承共振频带,结合包络分析解调故障特征,是滚动轴承故障诊断的常用方法。峭度指标虽然能够表征瞬态冲击特征的强弱,却无法利用瞬态冲击特征循环发生的特点,导致其难以区分脉冲噪声和循环瞬态冲击,无法准确识别共振频带,进而容易导致错误的故障诊断结果。受峭度和信号自相关的启发,重新定义相关峭度,提出平方包络谱相关峭度新指标;并结合Morlet小波滤波和粒子群优化算法,提出一种滚动轴承最优共振解调方法。通过与峭度、谱峭度等进行对比,仿真和试验分析结果表明平方包络谱相关峭度能够准确识别循环瞬态冲击;最优共振解调能够稳健确定共振频带的最优中心频率和带宽,准确解调诊断滚动轴承故障,验证了平方包络谱相关峭度在检测循环瞬态冲击和识别最优共振频带中的有效性和优越性。     

改进多尺度幅值感知排列熵与随机森林结合的滚动轴承故障诊断

针对滚动轴承故障识别准确率较低的问题,本文提出了一种新型滚动轴承故障诊断方法。该方法能够在准确识别滚动轴承故障类型的基础上,进一步分析故障的严重程度。首先,通过固有时间尺度分解提取滚动轴承振动信号的最佳固有旋转分量,突显故障信号的冲击特征;然后,利用改进多尺度幅值感知排列熵对信号幅值和频率变化敏感的特性,计算不同时间尺度下的幅值感知排列熵作为故障特征向量,改善了多尺度分析中的粗粒化过程,提升了故障特征提取的稳定性;最后,利用故障特征集构建随机森林多分类器,实现对滚动轴承不同故障类型的识别及严重程度分析,具有较强的泛化能力。实验结果表明,与现有滚动轴承故障诊断方法相比,平均故障识别准确率达到99.25%。该方法能够稳定而有效地提取滚动轴承的故障特征且具有较好的实时性。     

基于自适应最优Morlet小波的滚动轴承故障诊断

滚动轴承早期故障信号中故障信息比较微弱常常被强噪声所掩盖,增加了对滚动轴承故障诊断的难度。针对这一问题,笔者提出了基于自适应最优Morlet小波变换的滚动轴承故障诊断方法。首先,利用粒子群优化算法对Morlet小波变换的核心参数进行自适应寻优,在获得最优Morlet小波的同时保证了良好的带通滤波性能;然后,将最优Morlet小波对滚动轴承早期故障信号进行滤波去噪,提高信号的信噪比;最后,对最优Morlet小波滤波信号进行包络谱分析,通过包络谱中的主导频率成分与滚动轴承各元件的故障特征频率对比从而判断轴承的故障位置。仿真数据和实测数据分析结果证明,笔者所提方法能够有效提取故障信号中的特征信息,具有一定的有效性。