基于 GSO算法的自适应随机共振轴承故障诊断

摘 要:针对强噪声下轴承故障弱信号较难检测和传统仅靠单参数优化随机共振系统问题,提出一种基于萤火虫优化算法(GSO）的自适应随机共振轴承故障信号检测方法。首先按固定频率压缩比压缩频率;然后以传统随机共振系统输出信噪比作为GSO算法的初始荧光素,利用GSO算法选取随机共振系统的结构参数a,b;最后通过双稳随机共振系统的输出信噪比检测轴承故障弱信号是否增强,通过系统的输出时域图分析信号的周期性,通过功率谱分析轴承故障弱信号的特征频率。仿真验证与试验验证结果分析表明,该方法可检测出轴承故障弱信号,实现弱信号的增强和降噪。     

CS自适应随机共振与ITD相结合的轴承弱故障诊断

为了解决轴承早期弱故障诊断的问题,提出将固有时间尺度分解 (intrinsic time-scale decomposition,ITD) 与布谷鸟自适应随机共振 (cuckoo adaptive stochastic resonance,CASR) 相结合的方法进行滚动轴承早期弱故障特征频率提取。针对采集到的滚动轴承振动信号复杂且信噪比 (SNR) 低、故障特征难以提取的问题,结合ITD能抑制端点效应、运算复杂度低等优势,该方法将信噪比作为随机共振的目标函数,通过仿真信号分析及实例验证,将ITD作为CASR处理信号的前处理,使滚动轴承故障信号显著加强,信噪比提高2.17倍,故障特征得到有效提取。     

基于人工鱼群算法的轴承故障随机共振自适应检测方法

针对传统的自适应随机共振以单个参数为优化对象忽略参数间交互作用的不足及采用遗传算法优化参数在种群数量增加时算法收敛速度明显减缓的缺陷,提出基于人工鱼群算法的自适应随机共振新方法。该方法利用人工鱼群算法对初值、参数设定容许范围较大、具备并行处理能力及人工鱼个体数目增加时鱼群算法收敛速度能提高的特性,自适应实现与输入信号最佳匹配的随机共振系统。仿真数据与轴承滚动体故障数据分析表明,基于该算法的自适应随机共振方法可有效实现微弱特征检测与早期故障诊断。     

基于三稳态随机共振的轴承故障诊断研究

滚动轴承是我国工业领域的重要零件之一,一旦发生故障将会造成严重事故。由于滚动轴承长期工作在高速、高噪环境下,因此在强噪声环境下提取滚动轴承的故障信号十分困难。该文基于强噪声背景,对双稳态随机共振进行改进,推出一种三稳态随机共振轴承故障诊断方法。通过描述布朗粒子在噪声信号和周期信号作用下,在三稳态非线性随机共振系统中发生的跃迁现象,分析不同参数情况下,系统势函数的变化情况。利用三稳态随机共振四阶龙格-库塔方法求轴承故障信号,通过变时间尺度方法对非线性系统进行优化,对强噪声环境下的滚动轴承进行故障诊断,解决传统双稳态随机共振只能检测微弱故障信号的问题。研究表明,三稳态随机共振轴承故障诊断方法简单易行,能够在强噪声环境下,有效地提取到滚动轴承的故障信号,为滚动轴承故障诊断提供帮助。     

基于果蝇优化算法的自适应随机共振轴承故障信号检测方法

针对传统自适应随机共振系统只能单参数优化,而基于群智能算法的自适应随机共振系统存在优化算法参数选取困难、收敛速度慢的缺陷,提出了基于果蝇优化算法的自适应随机共振方法。该方法以双稳随机共振系统输出信噪比作为果蝇优化算法的味道浓度,结合二次采样技术,自适应选取随机共振系统的结构参数,实现周期信号的特征增强。数据仿真与轴承内圈故障数据分析表明,该方法简单易行,收敛速度快,能有效的检测特征信号,实现轴承故障诊断。     

基于二维互补随机共振的轴承故障诊断方法研究

一维随机共振(One-Dimensional Stochastic Resonance,1DSR)被广泛用于轴承故障诊断中。针对传统1DSR对微弱信号的检测效果不够理想,输出信号噪声大,不能准确获得轴承故障特征频率(Fault Characteristic Frequency,FCF)等问题,提出一种新的二维互补随机共振(Two-Dimensional Complementary Stochastic Resonance,2DCSR)方法并应用于轴承故障诊断。将采集到的轴承故障信号根据共振带位置进行带通滤波并解调,随后将解调信号对半分成两个子信号并输入2DCSR的两个输入端,利用输出信号的加权功率谱峭度(WPSK)指标对2DCSR系统参数进行自适应调节优化,得到最优的滤波输出信号及频谱,以识别轴承FCF并诊断轴承故障类型。数值仿真及实验结果表明,提出的方法可以有效地增强轴承FCF并提高轴承故障诊断效果。     

基于随机共振与蝙蝠算法的高速动车组滚动轴承故障诊断

仿真计算滚动轴承外圈故障引起的冲击信号,并将其作为轨道车辆的激励,输入到高速动车组整车模型的故障轴承位置.模拟列车运行,采集列车轴箱处的垂向加速度信号作为故障诊断信号,提出基于蝙蝠算法的自适应随机共振信号处理方法对其进行处理.提出故障诊断指标L的计算方法和基于L的一种新的高速动车组滚动轴承早期外圈故障的在途诊断方法.动...     

基于高阶累积量自适应算法的列车轴承的故障诊断

论述三阶累积量递推最小二乘自适应算法（CDRLS）和三阶累积量最小均方误差自适应算法（CDEFWLMS），及其在列车轴承故障诊断中的应用。通过对列车滚动轴承的保持架断裂和滚子掉块典型故障信号分析，得出高阶累积量自适应算法具有良好的降噪性，CDEFWLMS算法比CDRLS算法处理后的特征频率更突出明显。研究表明：用高阶累积量自适应滤波算法提取信号特征，容易地分离正常轴承信号、保持架断裂和滚子掉块故障信号，从而验证了高阶累积量自适应滤波在故障诊断、检测中具有良好的应用特性。     

基于自适应紧框架学习的轴承故障诊断

轴承是工业生产设备中最关键的零部件之一,其运行状态直接影响到整个机器或系统的运行.针对传统多尺度变换特征无法自适应解决故障诊断问题,提出一种基于自适应紧框架学习的故障诊断方法.针对过完备字典各原子具有明显的相关性,影响故障信号的重建效果,在含噪条件下通过学习构造紧框架,它既可以对轴承故障信号进行有效的自适应描述,又能完...     

基于改进耦合增强随机共振的滚动轴承故障诊断

针对强背景噪声下经典随机共振方法对滚动轴承故障特征提取效果差的问题,提出了一种基于改进耦合增强随机共振的滚动轴承故障诊断方法。首先,利用一个定参双稳系统和一个变参双稳系统构成耦合随机共振系统,外部输入直接作用于定参双稳系统;然后,通过调节变参双稳系统参数和耦合系数实现耦合系统的随机共振控制,并借助遗传算法实现控制参数的自适应选取。实验和工程应用验证了所提方法的有效性和优越性。     

基于EEMD和共振解调的滚动轴承自适应故障诊断

本文为解决滚动轴承原始振动信号信噪比低以及带通滤波器参数选择依赖于人的主观经验等影响传统共振解调技术有效应用的问题,提出了EEMD自适应消噪和自适应共振解调相结合的方法。论文首先利用EEMD自适应地将信号分解成多个分量,通过互相关系数方法进行自适应重构以突出故障特征信号,然后利用谱峭度自动确定带通滤波器的中心频率和带宽,最后对滤波后的信号进行能量算子解调谱分析。数字仿真信号和滚动轴承实验证明了该方法的有效性。     

基于频率控制的自适应随机共振系统研究

研究双稳Duffing系统随机共振产生机理,针对不满足绝热近似条件的大参数信号,提出基于频率控制自适应随机共振微弱信号检测系统,实现对未知大频率微弱信号检测。仿真结果表明,该系统能实现大频率信号随机共振,较传统随机共振系统精度及系统输出信噪比均极大提高,并能扩展其在微弱信号检测领域的应用。     

基于Duffing与Van der Pol强耦合系统的随机共振研究及轴承故障诊断

微弱信号检测是一种重要的技术,已经被广泛用于许多领域。与众多微弱信号处理方法不同的是,随机共振(SR)可以利用噪声实现对特征信号的检测。Van der Pol振子具有丰富的动力学性质,被广泛运用在混沌检测中。基于此,将Duffing与Van der Pol振子进行线性耦合,并添加微分项作为耦合系统的反馈以加强耦合强度,构建一种Duffing与Van der Pol强耦合系统,实验发现,该系统具有丰富的SR现象,且通过广义时间尺度变换,可以实现任意特征频率下的微弱信号检测。实验显示,强耦合系统比一般耦合系统具有更好的稳定性;在三值噪声背景下,该系统的输出平均信噪比增益(MSNRI)随着三值噪声状态值的变化呈现不同形式的对称分布;在被控系统中,随着阻尼系数的逐渐增强,输出响应将变得逐渐平滑;另外,在控制系统中,当阻尼系数很小时,系统输出将会出现二次共振现象,随着阻尼系数的增大,次级共振峰将逐渐减小直至消失,一级共振峰将逐渐增强,这是阱间共振完全取代了阱内,阱间联合共振的缘故。最后,借助遗传算法(GA)自适应参数寻优,与传统双稳以及耦合Duffing系统对比发现,所提系统具有更高的输出MSNRI。经测试,该系统对实际轴承故障信号也具有良好的检测效果,并且与传统双稳系统相比能更显著的消除边频信号干扰。     

采用粒子群算法的自适应变步长随机共振研究

针对传统的自适应随机共振只能实现单参数优化和变步长随机共振计算步长选取困难的缺陷,提出一种基于粒子群优化算法（Particle Swarm Optimization, PSO）的自适应变步长随机共振方法,实现了变步长随机共振最优输出的自适应求解。该方法以双稳系统的输出信噪比作为粒子群算法的适应度函数,通过变步长随机共振系统的结构参数和计算步长的自适应同步选取,能够最优地检测出大参数条件下的微弱信号。仿真数据和工程实际数据的分析表明,该方法简单易行,适用范围广,收敛速度快,能有效的检测出强噪声背景下的高频微弱信号,具有良好的工程应用前景。     

基于自适应VMD的高速列车轴箱轴承故障诊断

以尺度空间对信号频谱中共振频段的识别能力为基础,结合变分模态分解(VMD)对信号的自适应分解能力,提出了预估惩罚因子的尺度空间引导VMD算法.该算法的核心包括以尺度空间对信号频段的共振频段划分从而确定VMD中的本征固有模态个数,并根据共振频段边界预估VMD各个本征固有函数的初始中心频率与相应的惩罚因子取值,从而提高VM...     

一种自适应共振解调方法及其在铁路轴承故障诊断中的应用

共振解调是滚动轴承诊断中最具优势的方法之一,但解调频带的确定一直是一个巨大的挑战.针对基于传统峭度图方法在复杂干扰的工况下,往往无法正确识别出最优的共振频带进行包络解调的问题,该研究提出了一种基于自相关谱峭度图的自适应共振解调新方法.以滤波后平方包络信号的自相关谱的峭度值作为度量指标,生成一种新的峭度图.最后,通过对高...     

基于G-DPSO算法的决策树轴承故障诊断方法

针对机械设备状态监测与故障诊断技术中特征提取对诊断准确性的局限,从原始故障信号数据中提取出尽可能多的有用信息。提出通过最佳特征数据集对轴承故障进行诊断分析,分别从幅域和频域对故障数据进行特征提取。采用一种改善的粒子群(G-DPSO)算法对提取的特征数据集进行筛选,对传统粒子群算法权重系数进行优化,同时和故障诊断需要的决策树模型的信息熵增相结合,可以达到将最适合故障诊断的特征向量提取出来的目的。用5种轴承故障数据对所提方法进行实验分析,诊断正确率能达到97%之上,证明所提出的方法是有效、可靠的。     

基于邻域自适应局部保持投影的轴承故障诊断模型

为了有效利用振动信号进行故障诊断,提出了一种基于邻域自适应局部保持投影的轴承故障诊断模型。首先,利用EMD将轴承振动信号分解为若干个平稳的固有模态函数（IMF）,对IMF分量建立自回归（AR）模型,构建原始特征子集。然后,利用邻域自适应局部保持投影算法对原始特征子集进行降维处理,获得原始特征子集的低维特征向量和投影矩阵。以低维特征向量为输入,以最小二乘支持向量机（LS-SVM）为分类器,通过研究故障识别率和低维特征空间维数的关系确定最优降维维数和对应的最优投影矩阵。最后,根据最优降维维数完成降维处理过程,得到低维特征向量,输入LS-SVM分类器,识别轴承的工作状态和故障类型。实验结果表明,该模型提高了轴承故障诊断的精度。     

基于VMD的自适应形态学在轴承故障诊断中的应用

为有效提取滚动轴承信号的特征频率,提出了基于变分模态分解(VMD)的自适应形态学的特征提取方法。首先利用VMD将目标信号分解为有限个模态信号,依据互信息法提取与原始信号相关的模态信号,将其进行求和重构;然后利用形态学对重构信号进行降噪处理,提取出滚动轴承的特征频率。针对形态学固有统计偏移和结构元素的选择问题,利用粒子群算法来优化改进的广义形态学滤波器,实现自适应滤波。通过数字仿真实验与滚动轴承故障试验分析,将其与基于经验模式分解(EMD)的自适应形态学、包络解调方法进行比较,结果表明该方法可以有效提取故障信号的特征频率。