改进的共振稀疏分解方法及其在滚动轴承复合故障诊断中的应用

滚动轴承复合故障信号中各故障特征受到传输路径和其他干扰源的影响,在多缺陷共存条件下提取单个缺陷诱发的故障特征存在困难。提出一种基于双参数优化、子带重构改进的共振稀疏分解(RSSD)滚动轴承复合故障诊断方法：首先利用人工鱼群算法自适应选择RSSD的品质因子和分解层数以构造与故障特征匹配的最优小波基,获得包含瞬态冲击的低共振分量;然后依据提出的子带筛选准则选择并重构低共振分量中包含瞬态冲击成分的最佳子带;最后通过多点最优最小熵反卷积（MOMEDA）方法识别并提取重构信号中周期性故障冲击。仿真信号和轴承全寿命周期复合故障信号分析结果表明,与RSSD-MCKD方法相比,所提出方法能有效提取复合故障信号中各故障特征,精确实现轴承复合故障诊断。     

基于信号共振稀疏分解和最大相关峭度解卷积的齿轮箱故障诊断

当齿轮箱内旋转零件发生故障时,其振动信号中的故障脉冲成分易被箱体中其他旋转部件的谐波信号和背景噪声所淹没,故障特征难以被有效提取。针对这一问题,提出了基于信号共振稀疏分解和最大相关峭度解卷积的故障诊断方法。该方法首先通过信号共振稀疏分解将信号中的低共振冲击成分从谐波分量和噪声中分离,然后对低共振分量进行最大相关峭度解卷积计算,进一步突出低共振分量中的周期脉冲成分,最后通过包络谱分析进行故障诊断。算法仿真、实验分析和工程应用结果表明,该方法能够有效提取强噪声信号中的周期性冲击成分,凸显故障特征,从而提供准确可靠的诊断结果。     

基于小波降噪与RSSD的滚动轴承故障特征提取技术研究

滚动轴承故障振动信号呈现出非线性、非平稳性及噪声背景较强等特点,为了有效提取故障特征,提出了一种小波降噪与共振稀疏分解(Resonance-based sparse signal decomposition,RSSD)相结合的振动信号特征提取技术。共振稀疏分解是基于品质因子可调小波变换与形态分量分析的一种新的信号分解方法,与常规的基于频带划分的信号分解方法不同,它依据信号各分量的振荡形态不同对信号进行分解。先通过小波阈值降噪方法明显减小信号中的噪声,随后对降噪后的信号进行共振稀疏分解,将信号分为不同共振特性的分量,即具有持续振荡特性的高共振分量和具有瞬态冲击特性的低共振分量。最后通过对分解所得到的低共振分量采用Hilbert包络解调方法提取冲击故障特征。将该方法分别应用于仿真信号和轴承实验台故障冲击性实例,验证了该方法的有效性。     

滚动轴承自适应特征提取的包络谱多点峭度多级降噪方法

滚动轴承故障信号主要包含高品质因子振动分量和低品质因子瞬态冲击分量。采用多点最优最小熵解卷积方法初步削弱传输路径等干扰影响,使微弱瞬态冲击成分得到初步增强,然后针对共振稀疏分解(RSSD)方法存在的品质因子选择困难问题,同时考虑包络谱中故障频率成分的严格周期性,提出包络谱多点峭度(ESMK)概念并将其作为优化指标,采用粒子群优化算法(PSO)对品质因子进行选择,得到一种自适应稀疏分解方法（PSO-RSSD）用于瞬态冲击信号的提取,以消除信号中高幅值干扰冲击和背景噪声的影响。轴承仿真与实测信号分析结果表明,与最小熵解卷积信号共振稀疏分解方法相比,在强冲击干扰下ESMK能够有效度量周期性瞬态冲击,PSO-RSSD方法能自适应分离最优低品质共振分量,验证了该方法的有效性和优越性。     

最优品质因子信号共振稀疏分解的往复压缩机故障诊断

针对往复压缩机振动信息干扰耦合,振动信号非平稳、非线性的特性,提出了最优品质因子信号共振稀疏分解的往复压缩机故障诊断方法。该方法以信号共振稀疏分解得到的低共振分量峭度最大为目标,利用遗传算法与粒子群算法结合的混合算法对品质因子进行优化,得到最优品质因子;然后利用最优品质因子对往复压缩机振动信号进行信号共振稀疏分解,提取故障信息。实验及结果表明,该方法在往复压缩机轴承故障诊断方面效果显著。     

EMD方法在转子局部碰摩故障诊断中的应用

针对转子系统局部碰摩故障振动信号的特征，将经验模态分解方法（Empirical Mode Decomposition，简称EMD）应用于转子局部碰摩故障诊断中。采用EMD方法对转子振动信号进行分解，实现碰摩、背景和噪声信号分离，从而提取转子系统局部碰摩振动信号的故障特征。试验分析结果表明，对具有局部碰摩故障的转子振动信号进行EMD分解得到的基本模式分量（IMF）具有明显的调幅特性，而其他状态下的转子振动信号经过EMD分解后得到的IMF分量没有明显的调幅特性。因此，EMD方法可以有效地应用于转子系统局部碰摩故障诊断中。     

基于提升小波和局域波的故障特征提取

针对局域波分解过程中由于噪声导致模态混叠问题,应用提升小波变换对信号进行预处理,消除噪声对局域波分解的影响,改善了局域波分解质量,避免了局域波分解过程中虚假模式分量的产生.对于转子系统碰摩故障诊断中微弱冲击性故障特征难于提取的问题,应用该方法对转子振动测试信号进行分析,然后对分解得到的高频基本模式分量进行Hilbert包络解调分析, 可以得到冲击响应信号出现的周期,准确提取了转子碰摩故障的特征信息.转子碰摩故障实验数据的分析结果证明了方法的有效性,可望应用于工程实际.     

基于形态成分分析的汽轮机转子早期碰摩微弱故障诊断

作为电力行业的关键咽喉设备-汽轮机,对其早期微弱故障进行有效诊断有着重要的安全及经济意义.汽轮机发生早期动静碰摩故障时信号主要为转子工频成份及转子与支撑间碰摩所致瞬态冲击信号成份.据形态成分分析的原理,分别构建正弦基及冲击原子库,对故障信号进行匹配分析,进而实现转子早期动静碰摩信号工频成份与瞬态冲击成份的有效分离,对碰摩故障进行模式识别.通过仿真信号及转子碰摩实验信号验证形态成分分析方法在转子早期碰摩故障诊断中的有效性.     

基于Teager-Huang变换的转子局部碰摩故障诊断

针对转子碰摩故障诊断问题,提出一种基于Teager-Huang变换的转子局部碰摩故障特征提取方法,该方法首先通过经验模态分解(Empirical mode decomposition,EMD)将原始振动信号分解为若干个本征模态函数(Intrinsic Mode Function,IMF)分量,然后利用Teager量算子计算IMF分量的瞬时幅值和瞬时频率,得到故障信号的时频分布信息。通过转子局部碰摩故障诊断实例分析结果表明Teager-Huang变换方法比Hilbert-Huang变换方法能更好地追踪转子碰摩的发生,并能有效提取转子碰摩故障特征,验证了该方法的有效性。     

多共振分量融合CNN的行星齿轮箱故障诊断

针对行星齿轮箱中各部件所激起的振动成分混叠、早期故障特征经常被较强的各级齿轮谐波成分以及环境噪声所湮没的问题,提出一种多共振分量融合卷积神经网络（multi-resonance component fusion based convolutional neural network,简称MRCF-CNN）的行星齿轮箱故障诊断方法。首先,对振动信号进行共振稀疏分解,得到包含齿轮谐波成分的高共振分量和可能包含轴承故障冲击成分的低共振分量;其次,构建多共振分量融合卷积神经网络,将得到的高、低共振分量和原始振动信号进行自适应的特征级融合,通过有监督的方式训练模型并进行行星齿轮箱故障诊断。对行星齿轮箱实验数据的分析结果表明,该方法能够有效分类行星齿轮箱中滚动轴承和齿轮的故障,成功对行星齿轮箱故障进行诊断,同时能够进一步增强卷积神经网络对振动信号所蕴含的故障信息的辨识能力。     

基于信号共振稀疏分解与包络谱的齿轮故障诊断

当齿轮出现断齿、裂纹等局部故障时,其振动信号会出现周期性冲击脉冲。在齿轮故障早期,由于冲击脉冲微弱,常淹没在齿轮的啮合频率、转频等谐波成分以及噪声中,因此,对于齿轮早期故障,直接对齿轮振动信号做包络谱分析以诊断齿轮局部故障通常效果不佳。针对这一问题,将信号共振稀疏分解方法与包络谱分析相结合,提出了基于信号共振稀疏分解与包络谱的齿轮故障诊断方法。该方法采用信号共振稀疏分解将冲击脉冲从齿轮振动信号中分离出来,然后对冲击脉冲做Hilbert包络分析,获取冲击脉冲出现的周期,进而对齿轮状态和故障进行识别。仿真算例和应用实例证明了该方法的有效性。     

广义平滑对数正则化稀疏分解方法研究及其在齿轮箱复合故障诊断中的应用

齿轮箱由于其工况复杂、工作环境恶劣,极易发生故障,并且振动信号中往往包含多种成分并且伴随着强烈的背景噪声,给齿轮箱故障诊断带来了很大的困难。稀疏分解方法能够在强背景噪声下有效地提取瞬态特征成分,针对传统稀疏分解方法存在的计算效率低,幅值低估以及估计精度不足等问题,提出了一种基于调Q小波变换(Tunable Q-factor wavelet transform,TQWT)作为稀疏表示字典的广义平滑对数正则化稀疏分解方法。该方法研究了满足紧框架条件的TQWT来构建稀疏表示字典,然后基于Moreau包络平滑思想提出广义平滑对数正则化方法,该罚函数可以在保持幅值的基础上精确重构出齿轮箱故障瞬态成分,最后利用前向后项分裂(Forward-backward splitting,FBS)算法精确求解该稀疏表示模型。仿真信号和试验信号验证了所提方法在齿轮箱复合故障诊断中的有效性。     

An ensemble local means decomposition method and its application to local rub-impact fault diagnosis of the rotor systems

Targeting the shock characteristics of the vibration signal of a rotor system with local rub-impact fault, a local rub-impact fault diagnosis method of rotor system based on ELMD (ensemble local means decomposition) is proposed in this paper. The local mean decomposition (LMD) is a newly self-adaptive time-frequency analysis method, by which any complicated multi-component signal could be decomposed into a set of product functions (PFs) whose instantaneous frequencies in theory have physical significance. Unfortunately, mode mixing phenomenon which makes the decomposition results devoid of physical meaning is common when LMD is performed in practice. Targeting this shortcoming, the filter bank structure of white noise by LMD is obtained by numerical experiments, and then an improved method based upon noise-assisted analysis, ensemble local mean decomposition, is put forward. In ELMD, firstly, different white noise is added to the targeted signal; secondly, LMD is used to decompose the noise-added signal into product functions (PFs); finally, the ensemble means of corresponding PF components derived from LMD is regarded as the final decomposition result. The analytical results from simulation signal and experimental rotor local rub-impact signal demonstrate that the ELMD approach can be used to overcome the mode mixing of the original LMD method effectively.     

基于形态分量分析与能量算子解调的齿轮箱复合故障诊断方法

针对齿轮箱复合故障的故障特征分离,提出了一种基于形态分量分析与能量算子解调的齿轮箱复合故障诊断方法。该方法先根据振动信号中各组成成分形态的差异,采用形态分量分析方法构建不同形态的稀疏表示字典进行故障成分分离,将齿轮箱复合故障信号分解为包含齿轮故障信息的谐振分量、包含轴承故障信息的冲击分量和噪声分量,然后分别对谐振分量和冲击分量进行能量算子解调分析,最后根据各解调谱诊断齿轮和轴承故障。算法仿真和应用实例表明该方法能有效地分离齿轮箱复合故障振动信号中齿轮与轴承的故障特征。     

载荷影响下的机电阻抗协整结构损伤识别方法

针对滚动轴承早期故障特征信息十分微弱难以提取以及可调品质因子小波变换(tunable Q-factor wavelet transform,简称TQWT)参数设置依赖使用者经验的问题,提出改进的TQWT的滚动轴承早期故障诊断方法。首先,设定Q因子的区间范围,利用TQWT对滚动轴承故障振动信号进行分解得到若干个分量;其次,对各分量进行包络导数能量算子解调,在能量谱中根据特征频率强度系数这一指标自适应地确定TQWT的最佳分解参数,实现对故障信号的最优分解;最后,通过对最佳分量的包络导数能量谱分析即可准确地提取到轴承故障特征信息。通过对仿真信号、实验数据以及工程案例分析表明,该方法能够有效提取滚动轴承早期微弱故障特征并准确判断出滚动轴承故障类型,具有一定的工程应用价值。     

Sparse signal decomposition method based on multi-scale chirplet and its application to the fault diagnosis of gearboxes

Based on the chirplet path pursuit and the sparse signal decomposition method, a new sparse signal decomposition method based on multi-scale chirplet is proposed and applied to the decomposition of vibration signals from gearboxes in fault diagnosis. An over-complete dictionary with multi-scale chirplets as its atoms is constructed using the method. Because of the multi-scale character, this method is superior to the traditional sparse signal decomposition method wherein only a single scale is adopted, and is more applicable to the decomposition of non-stationary signals with multi-components whose frequencies are time-varying. When there are faults in a gearbox, the vibration signals collected are usually AM-FM signals with multiple components whose frequencies vary with the rotational speed of the shaft. The meshing frequency and modulating frequency, which vary with time, can be derived by the proposed method and can be used in gearbox fault diagnosis under time-varying shaft-rotation speed conditions, where the traditional signal processing methods are always blocked. Both simulations and experiments validate the effectiveness of the proposed method.     

随机共振理论在转子碰摩故障早期检测中的应用

为了尽早而准确地捕捉表征机械故障的特征信号,提出了采用随机共振（SR）原理来检测微弱的特征信号的新方法。讨论了SR检测微弱信号的基本原理。给出了检测模型并采用模拟数据对该模型进行了分析。将该模型用于转子碰摩故障的早期检测中,结果表明,该方法简单、稳健,能把信噪比较低的周期信号从强背景噪声中可靠地提取出来。