基于不完全Cholesky分解相关熵双谱的轴承故障诊断

针对传统双谱难以有效处理强噪声干扰以及相关熵运算量大的问题,提出了一种基于不完全Cholesky分解相关熵和双谱分析的轴承故障诊断方法。该方法在不求出核矩阵的情况下,首先利用不完全Cholesky分解算法和核函数,计算核矩阵的低秩分解下三角矩阵;其次,利用Gini指数选取下三角矩阵的主分量,利用下三角矩阵的主分量计算核矩阵的低秩近似矩阵,进而计算信号的相关熵;最后,计算振动信号相关熵的双谱,根据相关熵的双谱特征识别轴承故障。通过不完全Cholesky分解算法和Gini指数计算信号的相关熵,不仅压缩了数据量,突出了轴承故障瞬态冲击特征,有效抑制了噪声的影响,而且提高了计算效率,减少了计算机内存占用量。通过仿真和试验轴承故障振动信号分析结果表明：强背景噪声会造成传统双谱故障诊断方法失效,而基于相关熵和双谱分析的轴承故障诊断方法,能在强噪声干扰背景中提取轴承故障瞬态冲击特征,准确识别轴承故障,其性能优于传统双谱和小波变换域双谱,为一种轴承故障诊断的有效方法。     

小波变换域双谱分析及其在滚动轴承故障诊断中的应用

工程信号不仅会受到高斯噪声干扰，而且也会受到非高斯噪声干扰。而传统双谱分析方法从理论上仅能抑制高斯噪声，但对非高斯噪声是无能为力的。针对传统双谱存在的不足，将小波变换和双谱分析结合，提出了一种基于小波变换域非参数化双谱故障诊断方法，并应用到滚动轴承故障诊断中。考虑到滚动轴承信号幅值调制特点，在本方法中，对处理信号采用了希尔伯特变换技术，以进行解调。实验结果表明，小波域双谱优于传统双谱，特别是在非高斯噪声情况下，小波域双谱更有优势；研究为滚动轴承故障诊断提供了一种新的有效方法。     

基于双谱分布区域的齿轮聚类分析与故障诊断

齿轮(尤其是故障齿轮)振动信号具有明显的非高斯性,双谱是分析非高斯信号的有效方法.齿轮不同故障模式振动信号双谱分析表明齿轮双谱分布区域与故障模式间存在映射关系,可作为分类特征.采用阈值化的双谱二值图作为特征向量,基于目标函数的聚类法实现分类与故障诊断.聚类过程以训练样本双谱二值图的逻辑与运算表征类间分布共性,逻辑或运算表征类间分布范围,构成类模板,测试样本与类模板距离最小值构造最近邻模板分类器,实现聚类,整个过程只是计算1的个数,简单、实用.齿轮故障诊断实例验证了该方法的有效性.     

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。     

基于MED与自相关谱峭度图的滚动轴承故障诊断方法

滚动轴承振动信号往往信噪比较低,且具有较强的非高斯噪声,如何选择合适的解调频带一直是故障诊断的难点。自相关谱峭度图(Autogram)是新提出的一种最优频带选择方法,通过计算解调信号的平方包络的无偏自相关的峭度,能够有效地检测到解调频带及其故障频率;但此方法易受到噪声干扰,故障特征识别不明显;基于此,提出了一种基于最小熵解卷积(MED)与Autogram的滚动轴承故障诊断方法;该方法通过MED去除噪声,在得到最佳频带的同时,能够有效地突显故障特征。通过分析仿真信号及实验数据,将所提方法与快速谱峭度及现有方法进行了对比,结果表明,所提故障诊断方法能够准确地检测到解调频带及故障频率,突出故障特征和提高故障检测效果。     

基于信息融合和广义循环互相关熵的电机轴承故障诊断

针对传统基于单路振动信号的故障识别可靠性较差和传统谱相关方法难以有效处理非高斯噪声的问题,该研究提出了一种基于多传感器振动信号信息融合和广义循环互相关熵谱的轴承故障诊断方法.首先推导了广义互相关熵、广义循环互相关熵和广义循环互相关熵谱密度的计算公式;然后给出了电机轴承故障诊断步骤;再利用轴承外圈故障仿真信号,分析了轴承...     

遗传算法优化稀疏分解的齿轮箱故障诊断研究

齿轮箱传动结构复杂,其出现故障时的振动信号往往含有强噪声。在强噪声背景下微弱信号的特征提取是振动信号处理领域的难题。稀疏分解方法能够自适应地提取强噪声背景下的微弱信号特征,但其在寻找最优匹配原子时计算量特别大。为加快匹配最优原子的速度,提出利用遗传算法优化匹配追踪的信号稀疏分解算法,优化后的算法大大降低了匹配追踪算法中寻找最优原子参数的计算量。齿轮故障振动信号的主要特征是调制现象,通过稀疏分解对含有噪声的信号进行降噪,然后进行频域分析,根据频域分析结果实现齿轮的故障诊断。对仿真的齿轮调制振动信号和实际采集的齿轮箱振动信号分析表明,该方法能够从含有强噪声的振动信号中快速且准确地提取出故障特征频率。     

基于SANC和一维卷积神经网络的齿轮箱轴承故障诊断

近来以深度学习算法为代表的滚动轴承特征智能提取和故障辨识技术被广泛研究,但目前研究大多局限于无强干扰的轴承故障。在齿轮箱存在较强齿轮振动干扰条件下,基于此类算法的轴承故障辨识率将显著降低。为提高在较强齿轮振动信号干扰下齿轮箱轴承故障智能辨识的准确率,提出了一种基于自参考自适应噪声消除技术(SANC)和一维卷积神经网络(1D-CNN)的齿轮箱轴承故障诊断方法。首先利用SANC将齿轮箱振动信号分离为周期性信号分量成分和随机信号分量,抑制齿轮等周期强干扰成分,再通过1D-CNN对包含轴承故障特征的随机信号成分进行智能特征提取和识别,实现在齿轮振动干扰下齿轮箱轴承故障辨识率的提高。通过与不同方法的对比验证了本文所提方法的优势和有效性。     

基于稀疏分解和频域相关峭度的轴承微弱故障特征提取

在强背景噪声和复杂激励的干扰下,滚动轴承的早期微弱故障特征往往难以提取,提出一种稀疏分解与频域相关峭度相结合的方式,对轴承早期微弱故障特征进行提取。稀疏表示方法是分析非平稳信号的一种有效方式,在轴承故障诊断中常用的一种方法是利用K-SVD算法构造自适应字典,采用OMP算法对采集到的数据进行稀疏分解。利用频域相关峭度能够准确识别出轴承等旋转机械的循环冲击序列的特性,将其引入到字典构造过程中,求解稀疏分解时每次迭代逼近信号的频域相关峭度,并且找到最大频域相关峭度值所在位置,根据当前位置的信号重构原始信号,计算其包络及包络谱,分析故障类型。仿真信号和试验信号的结果表明:所提方法能够准确识别出轴承故障,验证了该方法在识别循环冲击序列的有效性和优越性。     

局部均值分解和排列熵在行星齿轮箱故障诊断中的应用EI北大核心CSCD

目前行星齿轮箱已经在军用和民用装备中广泛应用,研究行星齿轮箱的故障诊断方法意义重大。针对行星齿轮箱在运行时产生的非线性非平稳振动,且故障特征信号微弱等问题,提出一种结合局部均值分解和排列熵的行星齿轮箱故障诊断方法。利用局部均值分解方法将不同状态下的振动信号分解为多个乘积函数分量,针对包含有故障信息的分量进行排列熵计算,以此判断故障类型。最后通过采集行星齿轮箱故障模拟试验台三种状态(齿轮正常、太阳轮裂纹故障及行星轮裂纹故障)的振动信号,对其进行局部均值分解和排列熵计算,验证了此方法的有效性。