基于多域熵与FCM聚类的故障诊断模型

针对传统故障诊断中,特征的有效提取依赖于降噪的效果,提出一种基于多域熵与模糊C均值聚类的故障诊断模型。采集设备运行过程中的振动信号,分别计算其小波包能量熵、功率谱熵和近似熵,其反映了振动信息在小波域、频域以及时域内的复杂程度。将其作为设备运行特征向量,通过模糊C均值聚类对设备状态进行识别。利用轴承故障实验和转子故障实验验证基于多域熵与FCM聚类的故障诊断模型,结果表明该方法地对故障类别以及故障程度的识别分类具有良好的效果。     

基于最小熵解卷积和能量算子的滚动轴承故障诊断方法

针对滚动轴承故障识别困难这一问题,提出了基于最小熵解卷积和能量算子的诊断方法。首先利用最小熵解卷积算法对原始振动信号进行预处理,削弱冗余噪声成分的干扰,增强故障特征,继而计算解卷积信号的Teager能量算子输出,并对所得的瞬时能量信号做频谱分析,最终通过分析能量谱中的频率成分实现故障类型的准确判定。实测信号分析结果表明,基于最小熵解卷积和能量算子的诊断方法能够有效提取轴承故障信号中的微弱特征信息,具有一定工程应用价值。     

基于DT-CWT和能量算子解调的滚动轴承故障诊断研究

滚动轴承出现局部损伤时会产生周期性冲击,振动信号往往具有调制特征,为了能够准确、有效地检测出轴承故障,提出了双树复小波和能量算子解调的诊断方法。首先运用双树复小波对采集到的轴承振动信号进行分解,得到若干个不同频带的分量,提取信号中能量集中的高频调制频带进行信号重构。然后采用能量算子的方法对重构信号进行解调。最后对解调得到的瞬时幅值进行频谱分析便能准确提取故障特征频率。通过信号仿真和实验数据处理结果证明了该方法的有效性。     

基于多指标优化TQWT和TEO的轴承声发射故障诊断

针对滚动轴承早期故障声发射信号存在信噪比低、调制成分复杂导致故障特征难以识别的问题,提出一种利用多特征指标优化的可调Q因子小波变换(TQWT)和Teager能量算子(TEO)结合的故障诊断方法。以峭度-波形信息熵指标对TQWT参数(主要是品质因子Q)进行自适应选择,分解得到一系列子频带;然后,结合峭度、峰度、稀疏值组成融合指标对子频带进行筛选,对选出的子频带降噪后重构信号;最后求得重构信号Teager能量算子解调谱,通过对解调谱分析得到轴承故障特征信息。仿真和实验数据表明：该方法能在低转速强噪声背景下提取出轴承故障声发射信号中的冲击特征并进行故障诊断。     

基于声音信号Teager能量算子解调的轮对轴承故障检测

Teager能量算子追踪并计算信号的瞬时能量,在检测信号冲击特征方面具有独特优势,已广泛运用于轴承的故障检测,但尚未见其在列车轮对轴承声音信号分析中的运用。为此,提出一种基于Teager能量算子解调的轮对轴承故障检测方案,首先介绍Teager能量算子的概念及解调原理,利用该方法对型号为197726TN的轮对故障轴承服役过程中采集的声音信号进行分析,通过Teager能量算子解调得到信号的瞬时能量波形,再对其进行包络谱分析得到包络谱,进行轴承故障识别。与常规的Hilbert解调方法对比,可知Teager能量算子解调法能更加有效地突显故障信号特征并确定故障类型,其在轮对轴承声音信号故障检测上的优势得到验证。     

基于MKurt-MOMEDA和Teager能量算子的柔性薄壁轴承的故障特征提取方法

与普通滚动轴承相比,柔性薄壁轴承存在背景冲击载荷,使得故障特征提取难度大。针对这一问题,提出基于MKurt-MOMEDA和Teager能量算子的柔性薄壁轴承故障特征提取方法。利用多点峭度谱(MKurt)对原始故障信号进行分析,确定柔性薄壁轴承故障周期,然后通过多点最优最小熵解卷积(MOMEDA)处理,再经Teager能量算子增强,最终提取柔性薄壁轴承外圈与内圈的故障特征频率,并与单一的MOMEDA算法、基于MKurt-MCKD与Teager能量算子故障特征提取方法进行了对比,证明了该方法明显增强了故障特征频率的幅值,为柔性薄壁轴承故障特征提取提供了参考。     

基于小波包能量和层次熵的D-S证据理论的轴承故障诊断技术

针对齿轮箱轴承故障识别率低、故障信号不平稳的问题,提出层次熵与小波包能量多源数据融合轴承故障诊断方法。采用小波包对轴承正常、内圈、外圈、滚动体故障等4种振动信号进行三层小波包分解并重构,计算各频段样本熵（即层次熵）和小波包能量作为故障特征向量集;应用归一化方法对2种特征向量处理后分别建立BP神经网络模型实现轴承不同故障模式的诊断;最后应用D-S证据理论,通过小波包能量和层次熵以及两者融合信息的故障诊断结果比较,表明基于神经网络和D-S证据理论相结合方法用于复杂机械的故障诊断是可行和有效的。     

基于小波包和LCD的滚动轴承故障诊断

针对含噪背景下提取滚动轴承的非平稳非线性信号特征的问题,提出了一种将LCD(局部特征尺度)与小波包相结合的故障诊断方法。对待测信号进行小波包降噪预处理,再利用LCD分解得到ISC分量(内禀尺度分量),进一步根据峭度-相关系数筛选真实ISC分量用以重构获得有效的故障特征信号。最后通过对重构故障信息进行能量算子包络解调,从而得到轴承故障的特征频率。将基于LCD和小波包的时频分析方法引入轴承故障诊断中,实验结果表明该方法能有效地提取机械故障振动信号的特征。     

MED和WPT技术在轴承故障检测中的应用

针对滚动轴承早期故障信息难以提取的问题,提出了一种基于最小熵卷积(MED)、小波包分解(WPT)和包络分析轴承故障检测技术,首先把采集的振动信号进行最小熵卷积处理,并根据包络谱稀疏度选择MED的滤波器长度。然后再将卷积后信号进行小波包分解,从所有的小波包节点中选择出包含故障敏感信息的节点。最后通过功率谱凸显轴承故障特征频率信息。通过实际信号对该方法进行了验证,结果表明该方法能够准确判明轴承运行状态。     

基于多尺度解调谱熵的轴承故障特征提取方法

为了解决直驱风力发电机主轴轴承故障诊断问题,针对实际工程中振动信号的复杂特性,提出了一种基于改进经验模态分解(EMD)的多尺度解调谱熵的特征提取算法。多尺度解调谱熵利用EMD自适应分解特性与信息熵融合,首先对轴承振动信号进行EMD分解,将得到的各阶固有模态函数(IMF)分量进行Teager能量算子解调,获得不同频段的解调信号;其次,对各解调信号构造能量矩阵,并进行奇异值分解求取解调谱熵作为特征向量,从而实现对信号的多分辨率分析;最后,通过支持向量机(SVM)对实例数据进行故障分类实验,实现了较高的分类准确率,证明了该方法对于轴承故障诊断的有效性。     

基于小波包变换预处理的铝电解槽针振信息元分析与诊断

简述了小波包变换的基本原理及利用小波包对电压信号进行分解的方法。针对铝电解槽电压波动信号的频谱特点。采用小波包分析方法提取了电压信号的特征向量。将信号分解到8个频段内。进行预处理得到频段能量特征向量。应用BP神经网络建立了特征向量到振针信息元之间的映射。仿真结果表明，小波包分析能够有效地将隐藏在正常电压信号之中的早期弱故障信号提取出来，从而发现槽子的早期不良症状。     

基于多特征提取和LSSVM的轴承故障诊断

针对故障滚动轴承的振动信号具有非线性、非平稳的特点,提出一种基于时域指标、小波包能量和最小二乘支持向量机(LSSVM)的轴承故障诊断方法。分别对滚动轴承的原始信号进行时域分析计算和小波包分解,并提取状态差异较明显的时域指标和小波包分解后能量差异较大的小波包能量作为故障特征向量;将含有多个特征向量的数据样本分为训练样本和测试样本并进行归一化处理;训练样本作为LSSVM的输入来对该模型进行训练,通过训练好的LSSVM模型对测试样本进行分类和诊断。实验结果表明:采用该方法,轴承状态总体识别率为97.5%。     

基于WPD-FWEO的轴承故障特征增强方法

用小波包分解(Wavelet Packet Decomposition,WPD)处理低信噪比信号时,常出现残存大量带内噪声的问题,严重影响了后期的故障诊断准确性。针对该问题,提出将频率加权能量算子(Frequency-Weighted Energy Operator,FWEO)作为小波包分解的后处理器,以消除其带内噪声,增强故障特征提取效果。对采样获得的故障数据进行3层小波包分解,得到各频带系数;对每个频带系数进行峭度计算,以峭度最大原则获取最优频带系数;以频率加权能量算子追踪最优频带系数的瞬时能量,从信号能量的角度消除信号中的带内噪声成分,二次增强信号中隐藏的故障脉冲信息;对其进行包络谱分析,得到最终诊断结果。仿真数据、实验室数据和工程数据验证了所提方法的有效性和实用性。     

双树复小波算法在滚动轴承故障信号特征提取中的应用

现有滚动轴承故障特征提取算法的性能会随着故障集规模扩大而出现衰减。针对故障信号间存在的干扰和模态混叠等问题,提出一种基于双树复小波的特征提取算法。双树复小波结构包含两个独立的滤波器组,在含噪混合信号的分解和重构中形成互补关系,提升信号采样的平稳性;优化双树复小波滤波器组的结构,降低故障信号平移敏感性,利用门限阈值处理高频小波系数,达到降噪的目的,并基于时间序列样本熵提取子带信号的能量特征。实验结果显示：提出的算法能够准确提取滚动轴承各部分的故障特征信息,算法的在线故障识别率达到99.56%。     

基于小波分析和RBF神经网络的轴承故障诊断研究

为了提高轴承故障信号的诊断性能,采用小波分析和RBF神经网络相结合的方法对轴承振动信号进行故障分类。首先对轴承振动信号进行小波变化,采用软阈值去噪方法滤除振动信号噪声,然后对振动信号矩阵化处理,接着构建RBF神经网络,输入轴承振动信号特征向量,初始化权重和阈值,最后通过不断反向迭代得到稳定的RBF神经网络故障判别模型。实验证明：通过差异化设置隐藏层神经元数量,确定合适的RBF神经网络规模,经过小波去噪可以有效提高轴承故障判别准确率,相比于常见轴承故障分类算法,算法具有更高的故障判别准确率。     

铝合金电阻点焊压力信号的动态特征分析

基于点焊焊接过程信息采集系统，研究铝合金电阻点焊压力信号的动态特征. 从时、频域角度对比分析飞溅焊点和正常焊点的压力信号，发现飞溅焊点压力信号会发生突变并具备明显的特征频率，而正常焊点无明显相关特征；采用db5小波对压力信号进行7层分解，获得不同频带下压力信号的时、频域波形及各层细节信号的能量比. 结果表明，根据信号的不同形态和特征，提取通电阶段压力信号的标准差、小波分解细节信号目标层的峰-峰值、能量比的最高值以及其所在层数，均可作为识别飞溅缺陷的特征指标.     

基于KECA和BO-SVDD的滚动轴承早期故障检测

为了实现更早地检测出滚动轴承发生故障,提出一种基于核熵成分分析（KECA）和贝叶斯优化（BO）算法优化支持向量数据描述（SVDD）的滚动轴承早期故障检测方法。提取轴承振动信号的时域、频域特征以及小波包分解节点能量特征,组成多维特征矩阵;利用KECA对多维特征矩阵进行降维处理,进而提取有效特征;最后,选取轴承正常状态的特征指标训练模型,利用BO算法确定SVDD的惩罚因子和核宽度,进而得到早期故障检测模型。利用该模型对XJTU-SY数据集中不同工况下的轴承进行早期故障检测,结果表明：KECA能够有效地提取特征信息,减少冗余信息的干扰;该模型整体上能够较早检测出故障的发生,并且有较好的鲁棒性和泛化能力。