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。     

一种基于形态提升的自适应轴承微冲击提取方法

在轴承早期故障中,冲击信号十分微弱,往往被背景噪声和低频谐波淹没,使得冲击信号提取有一定的难度。自适应多尺度形态滤波采用非线性滤波方法,通过不同尺度的结构元素,对冲击信号进行匹配并提取出来,但是由于微弱的冲击信号对结构元素尺度十分敏感,所以很难达到理想的提取效果。而利用形态梯度提升小波,首先将信号中的脉冲进行放大,降低低频信号和部分噪声的干扰,再对提升后的信号进行自适应多尺度形态滤波,这样就能显著的提取微弱的冲击信号,进而判定轴承发生的故障类型。仿真实验和轴承故障实例表明,该方法能有效提取背景噪声下的微弱冲击信号,是一种有效的微冲击提取方法。     

基于MOMEDA和极坐标时频特征级联增强的轴承早期特征提取

针对变速器轴承早期故障特征微弱、并发故障特征耦合的问题,提出一种基于MOMEDA和极坐标时频特征级联增强(CEMP)方法,对轴承早期单一和并发微弱故障特征进行提取。计算振动信号的Teager能量算子,对冲击成分能量进行一级增强;运用多点最优最小熵反褶积修正(MOMEDA)对信号故障特征周期的冲击信息进行二级增强;采用同步压缩小波时频分析(SWT),并将SWT系数循环映射到极坐标图上,在角域上三级增强故障特征周期的冲击成分。对正常、外圈故障、内圈故障、并发故障四种工况轴承实测信号进行CEMP分析,并进行有效性验证,结果表明:该方法能高识别率提取轴承早期单一故障和并发故障的微弱特征。     

结合连续小波变换和多约束非负矩阵分解的故障特征提取方法

为了在故障早期从信噪比较低的振动信号中提取故障特征,提出了一种结合小波变换和多约束非负矩阵分解振动信号特征提取方法。首先,采用最小小波熵测量提取出最优时频系数矩阵。然后,根据故障特征在系数矩阵中的表现规律,采用基于稀疏性和光滑性约束的非负矩阵分解算法对小波系数矩阵进行非线性降维,从而提取信噪比较高的故障特征。最后,通过仿真数据和实际数据对该方法进行了验证,结果表明该方法能够在时域中提取出微弱的故障特征,实现机械状态的早期故障诊断。     

双自适应小波局部极大模方法及其在信号特征提取中的应用

将小波分析中的局部极大模方法采用双自适应提升算法进行改进,用于机械故障冲击信号特征的提取,获取了信号时域和频域冲击特征。将该方法应用于滚动轴承微弱冲击特征的提取,并将原始信号直接进行包络分析、原始信号极大模包络分析、经典小波分析方法、第二代小波的细节信号方法进行了对比。结果表明,双自适应局部极大模方法可以更有效的提取信号中的冲击特征,对小波分解层数极不敏感,表现出了很好的鲁棒性。新方法为进一步实施冲击型故障的诊断工作提供新的思路。     

基于自适应随机共振的齿轮微弱冲击故障信号增强提取方法研究

针对强背景噪声下冲击信号难以检测的问题,提出一种基于自适应随机共振的齿轮微弱冲击故障信号增强提取方法。首先,利用峭度指标和互相关系数构造修正峭度指标作为随机共振检测冲击信号的测度函数;其次,利用滑动窗将多冲击分量信号分割成多个单冲击分量信号作为随机共振的系统输入,并借助遗传算法实现系统参数的自适应选取;最后,将提出的方法应用于电力机车走行部齿轮箱故障诊断,结果显示该方法可有效实现微弱冲击特征的增强提取。     

时频分析方法在冲击故障早期诊断中的应用研究

冲击故障的振动响应信号是时变的 ,用传统的诊断方法一般难以进行早期发现和诊断。本文基于小波包对时变信号的多分辨分解和重构能力以及 CONE时频分布对时信号的优良描述特性 ,发展了基于小波包的时频分析方法。经试验和现场监测数据的分析和验证 ,说明该方法能够从很强的基础振动信号中提取清晰直观的冲击故障特征 ,可以实现冲击故障的早期诊断     

时频分析方法在冲击故障早期诊断的应用研究

冲击故障的振动响应信号是时变的,用传统的诊断方法一般难以进行早期发现和诊断,本文基于小波包对时变信号的多分辨分解和重构能力以及ＣＯＮＥ时频分布对时信号的优良描述特性,发展了基于小波包捍频分析方法。经试验和现场监测数据的分析和验证,说明该方法能够从很强的基础振动信号中提取清晰直观的冲击故障特征,可以实现冲击故障的早期诊断。     

基于信号共振稀疏分解的阶比分析及其在齿轮故障诊断中的应用

为从非平稳转速齿轮箱故障振动信号中有效提取包含故障信息的特征频率,提出一种基于信号共振稀疏分解的阶比分析方法。故障齿轮振动信号中主要包括瞬态冲击成分和周期谐波,该方法先采用信号共振稀疏分解方法将信号分解为高共振分量和低共振分量,提取出故障冲击信号,然后采用线调频小波路径追踪算法对原信号提取转频信息,利用转频对提取的故障冲击信号进行阶比分析,从而得到故障诊断结果。非平稳转速齿轮故障诊断实例表明,该方法可有效提取冲击信号,诊断转速波动齿轮的故障。     

基于时间-小波能量谱的齿轮故障诊断

振动信号中的冲击现象及其频率特征是诊断齿轮局部损伤故障的重要依据之一。针对齿轮故障特征提出了一种时间-小波能量谱信号处理方法,它能够有效提取振动信号中冲击成分的时域和频域特征。利用时间-小波能量谱方法分析了正常、磨损、断齿等三种状态的齿轮箱振动信号,并与传统频谱分析方法进行相比。结果表明：时间-小波能量谱不仅可以有效提取故障特征,识别出齿轮箱的故障存在,而且可以清晰地分辨出故障类型及故障元件。     

基于局部均值分解与形态谱的旋转机械故障诊断方法

针对旋转机械不同类型故障会使振动信号具有不同形态特征及振动信号信噪比低等特点,提出基于局部均值分解（Local Mean Decomposition,LMD）与形态谱的旋转机械故障诊断方法。其中的LMD能对旋转机械原始振动信号进行降噪处理,而形态谱则能反映振动信号的形态特征,从而能判断旋转机械的工作状态。将该方法用于转子系统故障诊断,分析结果表明,该方法能有效提取旋转机械故障振动信号的故障特征,能准确识别旋转机械的故障状态。     

Fault Diagnosis Method for Rolling Element Bearings Under Variable Speed Based on TKEO and Fast-SC

With rotating speed of rotating machinery, it is difficult to maintain stability in practical work which brings many difficulties to the condition monitoring of rotating machinery. When rolling element bearings work under variable speed, the corresponding vibration will contain obvious non-stationary characteristics, along with the presence of strong background noise, which makes it difficult for some traditional spectrum analysis methods to identify the characteristic frequency of bearings fault. In spite of the existence of strong non-stationary characteristics, the bearing fault signal has some hidden periodic components in the angle domain which makes it possible to extract the fault feature of bearings by means of spectral correlation analysis. Therefore, a fault feature extraction method based on Teager–Kaiser energy operator (TKEO) and fast spectral correlation (Fast-SC) in angle domain is proposed in this paper; Fast-SC is a newly proposed spectral correlation calculation method which can effectively improve the efficiency of computing; Teager–Kaiser energy operator can enhance the transient impact which also has a fast computing speed. In this paper, the instantaneous speed of each time is estimated by the time–frequency analysis method based on short-time Fourier transform and then, the original time-domain signal is resampled in angle domain; the TKEO is used to strengthen the fault impact components in signal; finally, the Fast-SC is applied to the strengthened signals, the enhanced envelope spectrum is calculated, and the fault features of rolling bearings are extracted. The effectiveness of the method is verified by measured signals.     

基于小波包变换的径向基神经网络在故障诊断中的应用

提出了一种新的旋转机械故障诊断方法。基于小波包变换的频率划分特性，对旋转机械的振动信号进行小波包分解，建立旋转机械六种典型故障特征矢量，准确地提取了故障的特征信息，结合RBF神经网络训练速度快的优点，将RBF神经网络应用于故障特征的选择，最后，利用所确定特征及RBF分类器进行故障诊断。实验结果表明，该方法可实现典型故障的可靠诊断。而且由于利用小波包变换代替了传统的FFT，故本方法对于诊断频率分布范围较广而复杂且信号具有较强时变性的复杂故障有着良好的应用前景。     

基于t-SNE和LSTM的旋转机械剩余寿命预测

针对旋转机械的剩余使用寿命预测问题,提出了一种基于t分布随机近邻嵌入(t-SNE)和长短期记忆网络(LSTM)的预测方法。将t-SNE降维方法引入旋转机械振动信号特征提取,实例验证表明无论针对时频域特征或小波包分解得到的能量特征,经t-SNE降维后特征区分度更加明显,利用降维后的特征进行故障模式识别,正确率接近100%;提出利用样本间散度作为旋转机械退化指标,实验表明样本间散度对旋转机械性能退化趋势的表现相比其他指标更加明显;以不同的训练样本量,利用LSTM方法进行剩余使用寿命预测,为了验证LSTM方法的有效性,将其与BP神经网络、灰色预测模型、支持向量机等方法进行比较,结果表明LSTM方法能够预测旋转机械退化趋势,显著提高剩余使用寿命的预测精度,对旋转机械的健康监测和寿命预测具有一定的理论指导意义。     

基于振动信号分离的行星轴承故障特征提取

由于行星轴承振动信号传递路径的时变性,且行星齿轮箱中齿轮啮合振动信号较强,导致行星轴承故障特征提取较为困难。为此,提出了一种基于振动信号分离的行星轴承故障特征提取方法。该方法首先采用阶比分析技术将原始振动信号进行等角度采样;每当行星架旋转一周,采用Tukey窗进行加窗截取,按照啮合齿序重新拼接,构造振动分离信号。再采用离散随机分离从振动分离信号中提取行星轴承故障分量;最后进行包络谱分析提取故障特征。行星轴承内圈故障实测信号分析表明,该方法能有效提取行星轴承故障特征。     

基于谐波窗方法的转子轴心轨迹提纯

轴心轨迹是旋转机械转子振动信号时域分析的重要内容之一,不同的轴心轨迹反映出不同的转子运动状态或故障的基本信息。在深入研究谐波小波盒形频谱特性的基础上,采用了不分层分析的谐波窗方法来提纯轴心轨迹。该方法实现了真正意义上的信号任意频段的任意细化,可以将感兴趣的频段提取出来,然后进行时域重构,就能得到提纯的轴心轨迹。文中对小型转子试验台轴心轨迹的成功提纯验证了该方法的有效性。该方法具备算法简单,易于现场采用等优点,为转子故障信号的分析创造了条件。     

基于MCKD和重分配小波尺度谱的旋转机械复合故障诊断研究

针对强噪声环境下旋转机械复合故障信号难于提取与分离的问题,提出了基于最大相关峭度解卷积(Maximum Correlated Kurtosis Deconvolution,MCKD)和重分配小波尺度谱的旋转机械故障诊断方法。机械信号中存在的噪声会降低重分配小波尺度谱的时频分布可读性,故先要对信号进行MCKD降噪,同时从振动信号中分离出各个故障成分,然后进行Hilbert变换得到包络成分,最后再对包络成分进行重分配小波尺度谱分析,根据尺度图中冲击成分的周期诊断转机械复合故障,算法仿真和应用实例验证了该方法的有效性。     

RS-LOD方法及其在旋转机械故障特征提取中的应用

局部波动特征分解(LOD)方法是一种新的自适应时频分析方法。该方法通过采用微分、坐标域变换、分段线性变换三种运算,可以高效地将信号自适应分解为一系列的单一波动分量(MOC),非常适合于处理多分量信号。然而,由于分段线性变换的使用,虽可以显著提高算法的计算效率,但会使MOC分量缺乏光滑性,从而导致失真。对此,将样条曲线形状可调可控的有理样条函数引入LOD方法替代分段线性变换,提出了基于有理样条函数的局部波动特征分解(RS-LOD)方法。在详细阐述RS-LOD分解原理的基础上,通过仿真信号将RS-LOD、LOD和经验模态分解(EMD)进行了对比分析,结果表明RS-LOD方法可以明显改善原LOD方法中MOC分量光滑度差的问题。此外,针对旋转机械故障振动信号的多分量调制特点,将RS-LOD方法应用于旋转机械的故障特征提取,对滚动轴承和齿轮箱故障振动信号的分析结果表明,RS-LOD方法可以有效地提取旋转机械振动信号的故障特征。     

利用小波尺度谱同步平均的时频脊故障特征提取

旋转机械的早期故障特征微弱,容易受到噪声的干扰,不容易准确识别。小波尺度谱存在受噪声干扰影响大、高频部分频率分辨率低等缺点, 对小波尺度谱进行重排可以提高其时频聚集性。为此,结合小波尺度谱同步平均和小波脊线分析的优点,提出了基于时频脊线特征提取方法。首先对多周期的振动信号进行小波连续变换,并重排小波尺度谱;再根据信号的周期性,对尺度谱进行同步平均;最后提取同步平均后的尺度谱小波脊线,计算信号的包络幅值并进行频谱分析,最终提取出弱故障特征。通过仿真和实例验证了本方法的有效性,为旋转机械的早期故障诊断提供了新方法。     

一种应用改进符号序列熵与滑动窗奇异值的退化特征提取方法

为了准确跟踪岸桥关键部件的性能退化状态,提出一种基于改进符号序列熵与滑动窗奇异值的在线退化特征提取方法.针对岸桥工况特殊、振动随机冲击频繁的特点,引入阈值因子并改进序列符号化方法,在保留方向变化信息的同时兼顾"粗粒化"的幅值变化信息,从而提高符号序列熵滤除随机冲击、刻画振动信号复杂度大小的能力.在线计算振动信号的改进符...