基于字典学习的轴承早期故障稀疏特征提取

针对低速重载机械滚动轴承早期故障的振动信号中故障特征冲击成分微弱易被噪声覆盖难以识别,而利用稀疏表示方法提取冲击成分时因轴承工况非平稳性,准确匹配冲击成分字典难以构造问题,提出基于字典学习的轴承早期故障稀疏特征提取方法。利用改进型K-SVD字典学习算法构造自适应字典;采用正交匹配追踪算法(Orthogonal Matching Pursuit,OMP)对振动信号进行稀疏分解,计算每次迭代逼近信号的峭度值,找出最大峭度值对应的逼近信号;重构特征成分并进行包络谱分析,获得故障类型。仿真及轴承振动数据测试结果表明,所提方法能更好匹配早期故障特征成分、满足轴承实时故障监测需求。     

麻雀算法参数优化VMD联合K-SVD的滚动轴承故障诊断

针对经典K-均值奇异值分解(K-means Singular Value Decomposition,K-SVD)易受噪声干扰产生虚假原子,导致信号稀疏不彻底、故障特征识别困难的问题,提出基于麻雀算法优化变分模态分解(Variational Modal Decomposition,VMD) 参数联合K-SVD的滚动轴承故障诊断方法。首先引入包络熵适应度函数指标并基于麻雀算法优化VMD的模态层数k 和平衡因子α。其次利用平方包络谱峭度指标遴选最优模态,以所选模态分量相空间构造Hankel 矩阵进行K-SVD字典学习。最后对恢复至时间序列的稀疏重构信号进行包络解调,提取轴承故障特征频率。通过轴承故障仿真信号和全寿命实验信号进行验证,证明相较于经典K-SVD算法,所提方法在低信噪比条件下在轴承故障特征提取方面具有优势,有一定的工程应用价值。     

频域组稀疏滚动轴承特征提取方法

针对时域非平稳振动信号模式混叠、信噪比低,以及传统稀疏表示算法模型复杂、优化求解算法难以确定,导致故障特征提取难的问题,提出了频域组稀疏和群桥约束改进迭代收缩阈值优化的故障特征提取方法（Group Sparse Representation in Frequency Domain,GSRF）。将振动信号转换至频域并对变量分组,构造施加群桥约束的最小二乘回归模型,准确筛选冲击相关变量;引入迭代重加权系数简化方程,以软阈值收缩优化求解频域稀疏信号;对重构的时域稀疏信号进行包络频谱分析提取故障特征。试验结果表明,提出的频域组稀疏算法优于传统的结合L21范数约束的组稀疏索套方法,可有效提取微弱故障特征,实现稀疏域下的轴承故障诊断。     

基于衰减余弦字典和稀疏特征符号搜索算法的轴承微弱故障特征提取

通过分析轴承内外圈故障时域波形特征,结合其早期微弱故障特点,提出了一种与轴承故障波形高度匹配的衰减余弦过完备字典,同时与稀疏表示基追踪方法的特征符号搜索算法相结合的新型算法(ACFS),实现了强噪声干扰下轴承微弱故障特征的提取。通过分析原始信号频谱与理论故障特征,确定了张成原子库的参数,并结合特征符号搜索算法对不同信噪比轴承内圈仿真信号和轴承全寿命数据中的早期微弱故障信号进行了分析。对比普通包络解调方法与基于Symlet8小波包字典的普通BPDN结果表明,该方法可以在极早期实际轴承故障信号中高效、准确地提取出故障特征频率。对于噪声具有极好的冗余度与鲁棒性。     

基于改进SVD及参数优化VMD的轴承故障诊断

为解决轴承早期故障特征难以提取的问题,提出一种基于改进奇异值分解(SVD)及参数优化变分模态分解(VMD)的轴承故障诊断方法。首先,对原始故障信号进行SVD降噪、微弱故障信号的分离,通过包络熵最小、峭度最大原则对其重构矩阵的秩进行优化。其次,对改进SVD降噪后所得信号进行VMD分解,将包络谱幅值峭度和峭度构成新的指标(合成峭度),通过所有本征模态分量(Intrinsic Mode Function,IMF)的合成峭度均值最大原则对VMD的参数进行优化,获得若干的IMFs。最后,根据峭度-欧氏距离指标筛选出含故障信息丰富的IMF,进行包络解调运算,分析信号的包络谱判断轴承故障类型。通过对仿真信号和实测信号进行分析,可成功提取出微弱特征频率信息。由此表明,基于改进SVD及参数优化VMD的轴承故障诊断方法可有效地实现轴承早期故障诊断,具有一定的可靠性和实用性。     

基于连续峭度优化的滚动轴承故障特征提取小波变换方法

为更有效提取滚动轴承早期故障中微弱冲击特征成分,提出基于连续峭度优化的小波变换故障特征提取方法。据连续峭度与小波能量相关程度,对原信号特征分量的小波系数及能量成分进行不同程度优化,强化故障信号中具有冲击特征的能量成分、削弱其它能量成分。通过优化的小波系数重构原信号特征分量,计算特征分量包络谱以提取冲击特征频率及相关倍频,实现对故障特征提取。通过仿真信号、实际轴承数据应用分析表明,该算法能强化冲击特征能量成分,能更有效提取早期故障中冲击特征。     

一种改进的峭度图方法及其在复杂干扰下轴承故障诊断中的应用

快速峭度图是一种常用的滚动轴承故障诊断方法,但由于峭度指标对冲击过于敏感,在干扰较复杂的工况中,该方法往往无法正确识别出最优的共振频带进行包络解调。然而,解调信号的包络谱对噪声具有一定的免疫能力,而且包络谱中通常会清晰的出现故障特征频率及其倍频成分,呈现出典型的周期性脉冲特点。因此,提出应用相关峭度定量地刻画窄带信号的包络谱幅值,即以频域相关峭度值生成峭度图,用于最优频带的自适应地识别。同时,基于相关峭度的指向性,可以将该方法应用于轴承的复合故障诊断。最后通过实验分析,验证了该方法对轴承微弱故障和复合故障诊断的有效性。     

基于参数自适应VMD和MCKD的滚动轴承微弱故障特征提取

针对传输路径复杂和强噪声干扰条件下滚动轴承故障信号信噪比低、微弱故障特征难以提取的问题，提出一种将参数优化变分模态分解（Variational Mode Decomposition,VMD）与最大相关峭度解卷积（Maximum Correlated Kurtosis Deconvolution, MCKD）相结合的滚动轴承微弱故障特征提取方法。首先，利用经麻雀搜索算法（Sparrow Search Algorithm, SSA）优化的VMD对故障信号进行自适应分解，构建加权峭度指标以筛选有效模态分量；然后对有效模态分量利用经SSA优化后的MCKD进行增强；最后，对增强后的信号进行包络解调分析，提取出轴承故障特征频率。实验和工程实际案例分析表明，所提出的方法能够自适应增强轴承信号中的微弱冲击成分，有效提取出强噪声背景下的滚动轴承微弱故障特征。     

一种基于遗传算法的VMD参数优化轴承故障诊断新方法

为准确提取轴承故障特征信息,提出以峭度指标和包络熵为综合目标函数的变分模态分解(variational mode decomposition,VMD)参数优化方法,并改进了诊断流程实现了无需指定参数优化范围的自适应参数优化算法。通过遗传算法对综合目标函数最小值进行搜索,以确定模态分量个数及惩罚参数的最佳组合。原始故障信号经最佳参数组合下的VMD方法分解为若干个本征模态函数,选择最小综合目标函数值对应的模态分量进行包络解调分析,进而通过模态分量的包络谱判断轴承故障类型。通过实测故障信号分析表明,该方法能够从噪声干扰中有效提取到早期故障信号的微弱故障特征,实现了轴承故障类型的准确判定,验证了该方法的有效性。     

改进VMD和非凸重叠组收缩降噪的行星齿轮箱早期故障特征提取

针对强背景噪声下行星齿轮箱早期微弱故障特征难以被识别且变分模态分解算法中模态个数K和惩罚因子α需要依赖人为经验反复尝试而不能自适应确定的问题,提出了改进变分模态分解（Modified Variational Mode Decomposition,MVMD）方法,通过故障信号尺度空间谱的自适应分割来确定所需模态个数K,同时建立峭度最大值判定准则自动选取最佳惩罚因子α。在此基础上,将MVMD 与自适应非凸重叠组收缩降噪算法（Adaptive Nonconvex Overlap Group Shrinkage,ANOGS）相融合,提出了基于MVMD?ANOGS 的行星齿轮箱早期故障诊断方法。对故障振动信号进行MVMD 最佳分解,获取多个模态分量;利用ANOGS 算法对峭度最大的敏感模态进行稀疏降噪,从而突出信号中的故障冲击特征;对降噪模态进行包络解调处理,以提取明显的故障特征频率来判别故障。通过仿真信号和工程实验数据分析表明,相比传统VMD 方法、EEMD 方法和快速谱峭度方法,该方法能成功地提取微弱故障冲击特征且更加清晰,提高了行星齿轮箱早期故障的表征能力与诊断精度。     

基于网格搜索法优化最大相关峭度反卷积的滚动轴承早期故障诊断方法

针对环境噪声下滚动轴承早期故障信号微弱难以检测的问题,提出了基于网格搜索法优化最大相关峭度反卷积(Maximum Correlated Kurtosis Deconvolution,MCKD)滚动轴承早期故障诊断方法。并针对MCKD方法受滤波器阶数和周期影响的问题,提出了利用网格搜索法优化最大相关峭度反卷积参数。首先,早期微弱故障信号集成经验模态分解后,采用相关系数以及峭度准则重构原信号;然后,以小波Shannon熵作为目标函数采用网格搜索法搜寻最优滤波器阶数以及周期,采用自适应MCKD方法对重构信号中故障脉冲冲击成分进行加强,最后通过包络谱、包络功率谱提取微弱故障特征。实验表明,该方法能够对早期微弱故障中冲击成分进行自适应增强,有效检测出被噪声淹没的微弱故障,实现滚动轴承故障的精确诊断。     

基于改进MP的稀疏表示快速算法及其滚动轴承故障特征提取应用

在恒定转速情况下,旋转机械中滚动轴承的局部故障往往导致周期性冲击,从而产生周期性瞬态振动信号。对局部故障的瞬态特征提取一直是故障检测的关键问题。基于匹配追踪(Matching Pursuit,MP)算法的稀疏分解是一种信号自适应分解算法,是强噪声背景下微弱特征提取的有效方法之一。针对滚动轴承故障振动信号稀疏表示过完备字典的选择与构造问题,基于相关滤波法优选与冲击波形匹配的Laplace小波原子构造稀疏表示中的过完备字典;针对基本匹配追踪算法计算量大、效率低的问题,结合FFT快速运算特性,通过互相关运算替换基本匹配追踪算法中的内积运算,研究基于改进MP的稀疏表示快速算法,进而提高计算效率。仿真与滚动轴承故障实验分析结果表明该算法能准确的提取滚动轴承故障特征且计算效率高。     

Teager能量算子结合MCKD的滚动轴承早期故障识别

针对Teager能量算子在解调滚动轴承早期微弱故障特征中的不足,提出一种最大相关峭度解卷积降噪与Teager能量算子解调相结合的滚动轴承早期故障识别方法。首先采用最大相关峭度解卷积算法以包络谱的峭度最大化为目标对原信号进行降噪处理、检测信号中的周期性冲击成分,然后利用Teager能量算子增强降噪信号中的周期性冲击特征、抑制非冲击成分,最后通过分析Teager能量谱中明显的频率成分来诊断故障类型。滚动轴承外圈、内圈故障诊断实例表明,该方法能有效实现滚动轴承早期微弱故障的识别。     

MCKD和RSSD在滚动轴承早期故障诊断中的应用

由于干扰噪声较强,共振稀疏分解在滚动轴承早期故障阶段并不能有效提取瞬态冲击成分。针对此问题提出基于最大相关峭度解卷积（Maxim Correlated Kurtosis Deconvolution,MCKD）和共振稀疏分解(Resonance Sparse Signal Decomposition,RSSD)相结合的故障特征提取方法。该方法首先利用MCKD对振动冲击信号进行处理,有效降噪并突出故障信号尖脉冲,然后使用共振稀疏分解将信号分解成包含谐波信号的高共振分量与包含瞬态冲击信号的低共振分量,最后利用包络功率谱根据低共振分量提取故障特征频率。通过仿真和试验验证了该方法可以准确提取故障特征频率,凸显故障特征。     

基于实测冲击响应字典稀疏表示的齿轮系统侧隙故障特征提取

为了从齿轮系统振动信号中提取由于齿侧间隙故障产生的瞬态冲击成分,提出了基于稀疏表示的故障特征提取方法,将特征提取转化为稀疏字典的构造和稀疏表示系数的求解。根据侧隙故障瞬态冲击的响应特性,提出采用与其更相似的系统实测冲击响应构造稀疏字典,继而利用正交匹配追踪算法优化求解稀疏表示向量,获得表征瞬态冲击发生时刻的稀疏系数,并重构故障冲击序列。通过冲击成分的包络解调分析,进一步获得瞬态冲击的调制频率。仿真和实验表明,提出的方法能够有效提取齿轮系统齿侧间隙故障特征。     

基于参数优化的MCKD的滚动轴承早期故障诊断

针对滚动轴承早期故障被淹没在噪声信号下特征信号微弱,故障特征难以提取的问题,将最大相关峭度解卷积(maximum correlated kurtosis deconvolution,MCKD)应用于滚动轴承早期故障诊断。并针对MCKD参数滤波器长度及移位数需人为选择的问题,提出一种基于参数优化的最大相关峭度解卷积的滚动轴承早期故障诊断方法。首先,针对轴承工作的实际工况讨论了最优移位数;然后,以经解卷积后信号的形态能量熵作为评价函数,利用网格搜索法对滤波器长度进行寻优;最后,利用参数优化后的MCKD算法增强信号中的冲击成分,通过包络谱判断轴承故障类型。实验表明,该方法可有效的增强轴承信号中微弱的故障特征成分,实现滚动轴承早期故障的诊断。     

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。     

基于自相关与能量算子增强的滚动轴承微弱故障特征提取

针对滚动轴承(rolling element bearings, REBs)早期故障振动信号冲击成分微弱,受噪声影响故障特征难以提取,提出了基于自相关和Teager能量算子增强的滚动轴承微弱故障特征提取法。利用自相关计算和经验模态分解(empirical mode decomposition, EMD),分别实现轴承振动信号整个频带随机噪声和低频噪声的抑制,突出故障冲击周期。同时,提出基于内禀模态函数(intrinsic mode function, IMF)能量比加权的互相关系数-峭度指标用于筛选最优IMF进行信号重构,强化重构信号中的故障信息。对重构信号作用Teager能量算子(Teager energy operator, TEO),得到故障冲击特征增强的瞬时能量序列,通过功率谱分析提取轴承故障特征频率。内圈故障仿真信号和滚动体故障实测信号分析表明,该方法能够有效抑制轴承振动信号噪声,对早期故障的微弱特征有显著增强作用。     

EMD-CSF在滚动轴承早期微弱故障诊断中应用

滚动轴承早期故障信息微弱并且夹杂大量背景噪声,故障特征难以识别,为增强传统轴承故障诊断算法的噪声适应性、智能性和鲁棒性,提出一种将经验模态分解(Empirical Mode Decomposition,EMD)和卷积稀疏滤波(Convolutional sparse filtering,CSF)相结合的故障诊断模型。首先对振动信号进行EMD处理,选取峭度值较大的前几阶固有模态分量(Intrinsic Mode Function,IMF)进行重构,然后将重构信号进行稀疏特征学习,最后通过分析时域波形和Hilbert包络谱的特征频率及其谐波判别轴承的故障信息。通过滚动轴承的仿真数据与实测试验数据,证明了采用所提方法能够更好识别轴承故障特征,具有更强的抗噪性。     

最大相关峭度解卷积结合稀疏编码收缩的齿轮微弱故障特征提取

针对强背景噪声环境下齿轮早期故障诊断问题,提出了最大相关峭度解卷积结合稀疏编码收缩的微弱故障特征提取方法。由于最大相关峭度解卷积算法的处理结果同时受滤波器长度参数及解卷积周期参数的影响,为自适应地实现最佳的解卷积效果,利用粒子群算法优良的寻优特性,对最大相关峭度解卷积算法的最佳影响参数组合进行搜索。原故障信号经影响参数优化的最大相关峭度解卷积算法处理后,冲击特征会明显增强,为剔除剩余噪声,对所获解卷积信号做进一步稀疏编码收缩降噪处理,并通过分析降噪信号的包络谱来识别故障特征频率成分。实例分析结果验证了该方法的有效性和可靠性。