基于小波包分解与权重包络谱的滚动轴承故障特征增强

针对小波包分解(wavelet packet decomposition,WPD)在对低信噪比信号处理时带内噪声较大,无法准确提取故障信息的问题,提出一种基于小波包分解与权重包络谱的滚动轴承故障特征增强方法。首先对原始信号进行三层小波包分解,并选其最优系数以初步减少噪声干扰,使故障特征信息得到一次增强;而后基于非局部均值算法(Non-Local Means,NLM)对最优系数加权运算得到权重包络曲线,使故障冲击在权重角度得到二次增强;最后对权重包络曲线包络谱分析诊断出故障类型。仿真信号及实验室信号验证了本文方法的有效性及实用性。     

滚动轴承循环故障特征增强的自相关非局部平均算法

针对非局部平均算法(Nonlocal Means,NLM)在处理低信噪比信号时将部分冲击特征均值化、丢失故障信息的现象。提出一种自相关非局部平均算法,首先利用自相关函数对振动信号进行预处理,初步减小噪声影响;再对时延截取的自相关函数进行NLM处理,并以加权运算得到的各样本点权重分布作为包络信号;最后对权重系数序列进行傅里叶变换得到包络谱,获得诊断结果。滚动轴承故障仿真数据和实验室信号分析验证了方法的有效性和优越性。     

自适应非局部均值及在轴承故障检测中的应用

非局部均值算法(non-local means,简称NLM)的数据处理效果受其参数设置的影响较大,极大地限制了NLM的数据处理效果及应用范围。针对不足,提出把粒子群算法引入NLM参数的寻优求解。首先,通过粒子群算法迭代寻优的特性寻找NLM算法的最优λ,M和P参数;其次,将最优参数代入NLM算法获得最优滤波器,并对原始信号处理得到滤波信号,以此消除噪声并提取故障信息;最后,对滤波信号进行包络谱分析得到诊断结果,并利用仿真数据和实验轴承内、外圈故障数据对所提方法进行了验证。     

基于最小熵解卷积的谱峭度法在行星齿轮箱故障诊断中的应用

针对噪声干扰状态下行星齿轮箱故障诊断中的齿轮故障特征提取,提出最小熵解卷积与谱峭度结合(Spectral Kurtosis Method based on Minimum Entropy Deconvolution,MEDSK)的行星齿轮箱齿轮故障特征提取方法。利用MED对原始扭转振动信号进行预处理,抑制信号中的噪声干扰,提升行星齿轮箱中被噪声淹没的故障冲击成份。利用谱峭度对预处理后的信号选择最优的带通滤波器参数进行带通滤波,然后通过Hilbert变换进行包络解调,最后将解调出来的低频信号进行频谱分析得到MED-SK方法的包络谱。通过对仿真信号和承受多种载荷状态下采集到的行星齿轮箱输出轴实际行星齿轮故障扭转振动信号进行分析,验证了这种方法能准确地提取行星齿轮故障特征。     

轴承故障检测的EEMD-RA-KU方法研究

利用滚动轴承故障信号呈现出的冲击特征,提出一种捕捉冲击特征的EEMD-RA-KU轴承故障诊断新方法。将故障信号进行EEMD(ensemble empirical mode decomposition)分解得到的IMF(intrinsic mode function)分量,利用相关分析RA(relative analysis)、峭度KU(kurtosis)联合选择IMF,并利用谱峭度确定滤波器参数对选出的IMF重构信号进行滤波,对滤波后的信号进行包络分析,利用包络谱检测轴承故障。结果表明,该方法能在强噪声背景下提取出轴承的故障特征。     

自适应中值滤波器及其应用

将自适应加权中值滤波器应用于滚动轴承故障信号的故障诊断中。当信号中含有多种噪声时，让信号先通过自适应加权中值滤波器，再通过线性带通滤波器，对降噪后的信号进行包络解调处理，可以克服噪声对包络谱分析的影响。通过仿真和试验信号分析可以看出，自适应中值滤波器在机械故障诊断中具有较好的应用前景。使包络谱分析方法得到更广泛的应用。     

基于EMD降噪和谱峭度的轴承故障诊断方法

能否减小噪声干扰,提高信噪比,有效地提取故障信息是进行滚动轴承早期故障诊断的前提和关键。提出一种基于经验模态分解(empirical mode decomposition,EMD)和谱峭度(spectral kurtosis,SK)的滚动轴承故障诊断方法。首先对所提取的故障信号运用EMD分解,得到多个基本模式分量(intrinsic mode function,IMF),然后根据互相关系数去除伪分量,选取合适的IMF分量进行信号重构以达到降噪目的,突出高频共振成分,再应用谱峭度法确定带通滤波器的参数,最后对重构信号进行包络分析完成故障诊断。     

滚动轴承故障诊断的自适应包络谱谱峰因子算法

表征滚动轴承故障特征的周期性冲击,特别是在故障早期阶段,常常被噪声和其它结构振动所淹没,从而难以辨别。共振解调被广泛用于滚动轴承故障冲击特征提取,但其滤波频带的参数选择常需要一定的先验知识。针对现有的频带优化方法的不足,本文提出一种基于包络谱谱峰因子和复平移Morlet小波滤波的自适应共振解调方法-自适应包络谱谱峰因子算法。包络谱谱峰因子(Crest factor of envelope spectrum,CE)定义为包络谱在一定范围内的最大值和有效值之比,能有效度量信号中周期性冲击强弱,结合粒子群优化算法的寻优特性,对Morlet小波滤波器中心频率和带宽参数进行优化。将包络谱谱峰因子作为适应度函数来比较不同参数组合下的滤波效果,根据适应度函数值最大原则选取Morlet小波滤波器参数。仿真信号、实验信号以及工程实际信号分析验证了该方法在共振解调最优频带选取中的有效性和优越性。     

基于MED和SK的滚动轴承循环冲击特征增强

提出了一种融合最小熵解卷积(minimum-entropy deconvolution,简称MED)和谱峭度(spectral kurtosis,简称SK)的轴承循环冲击类故障检测方法。利用最小熵解卷积得到消噪信号,若能检测到轴承故障特征则完成诊断过程,否则对消噪信号进行谱峭度分析选取最佳滤波器参数,对滤波信号进行二次滤波。通过包络谱检测确定是否存在故障及故障类型。实验室信号及工程案例的分析结果验证了该方法在检测轴承局部故障中的有效性和优越性。     

基于Kalman滤波和谱峭度的滚动轴承故障诊断

针对传统共振解调方法难以确定带通滤波器参数的问题,将Kalman滤波技术和快速谱峭度图结合应用于滚动轴承故障诊断中。首先利用齿轮箱原始振动信号建立系统AR模型,通过AIC准则确定模型阶数,通过最小二乘法确定模型参数,对原始信号进行Kalman滤波降噪预处理;并用快速谱峭度图选择最优带通滤波器参数,最后对带通滤波后的信号进行能量算子包络解调,实现故障诊断。工程实测信号的分析结果表明,基于Kalman滤波和快速谱峭度的诊断方法能够很好地诊断轴承故障。     

基于经验模式分解和谱峭度的滚动轴承故障诊断

滚动轴承的振动信号是强背景噪声下的非平稳非线性信号,其特征提取是滚动轴承故障诊断的难点。为了提高滚动轴承的故障诊断效果,提出了基于经验模式分解(Empirical Mode Decomposi-tion,EMD)和谱峭度(Spectrum Kurtosis,SK)的滚动轴承故障诊断方法。首先利用EMD方法对轴承故障信号进行分解,剔除趋势项,利用归一化白噪声分量的统计特性来滤除信号中的噪声分量,然后利用谱峭度方法估计带通滤波器的中心频率和带宽,最后对剩余的信号执行带通滤波和包络解调进行故障诊断。对滚动轴承故障诊断的结果表明,本文提出的方法能够有效地提高轴承故障诊断的效果。     

基于自适应最优Morlet小波的滚动轴承故障诊断

滚动轴承早期故障信号中故障信息比较微弱常常被强噪声所掩盖,增加了对滚动轴承故障诊断的难度。针对这一问题,笔者提出了基于自适应最优Morlet小波变换的滚动轴承故障诊断方法。首先,利用粒子群优化算法对Morlet小波变换的核心参数进行自适应寻优,在获得最优Morlet小波的同时保证了良好的带通滤波性能;然后,将最优Morlet小波对滚动轴承早期故障信号进行滤波去噪,提高信号的信噪比;最后,对最优Morlet小波滤波信号进行包络谱分析,通过包络谱中的主导频率成分与滚动轴承各元件的故障特征频率对比从而判断轴承的故障位置。仿真数据和实测数据分析结果证明,笔者所提方法能够有效提取故障信号中的特征信息,具有一定的有效性。     

基于ITD-形态滤波和Teager能量谱的轴承故障诊断

针对强背景噪声下滚动轴承振动信号故障特征信息难以提取的问题,提出了结合固有时间尺度分解(ITD)-形态滤波和Teager能量谱的滚动轴承故障特征提取与诊断方法。首先对滚动轴承振动信号采用ITD方法分解,得到若干个固有旋转分量;考虑到噪声主要分布在高频段,取前2个高频的固有旋转分量进行形态滤波,并将滤波后的信号与剩余固有旋转分量重构;对重构信号计算Teager能量算子并绘制Teager能量谱,从Teager能量谱中可以识别出故障特征。将本方法应用于滚动轴承的内圈故障和外圈故障诊断,结果表明ITD-形态滤波可以有效去除振动信号中的背景噪声并保留冲击特征,Teager能量谱可以直观并准确显示出故障特征。     

Rolling element bearing faults diagnosis based on optimal Morlet wavelet filter and autocorrelation enhancement

The fault diagnosis of rolling element bearing is important for improving mechanical system reliability and performance. When localized fault occurs in a bearing, the periodic impulsive feature of the vibration signal appears in time domain, and the corresponding bearing characteristic frequencies (BCFs) emerge in frequency domain. However, in the early stage of bearing failures, the BCFs contain very little energy and are often overwhelmed by noise and higher-level macro-structural vibrations, an effective signal processing method would be necessary to remove such corrupting noise and interference. In this paper, a new hybrid method based on optimal Morlet wavelet filter and autocorrelation enhancement is presented. First, to eliminate the frequency associated with interferential vibrations, the vibration signal is filtered with a band-pass filter determined by a Morlet wavelet whose parameters are optimized by genetic algorithm. Then, to further reduce the residual in-band noise and highlight the periodic impulsive feature, an autocorrelation enhancement algorithm is applied to the filtered signal. In the enhanced autocorrelation envelope power spectrum, only several single spectrum lines would be left, which is very simple for operator to identify the bearing fault type. Moreover, the proposed method can be conducted in an almost automatic way. The results obtained from simulated and practical experiments prove that the proposed method is very effective for bearing faults diagnosis.     

基于短时傅里叶变换和独立分量分析的滚动轴承包络分析

滚动轴承的早期故障信号能量小,频带分布广泛;而传统包络谱分析技术直接在强干扰影响下对滚动轴承的故障特征提取经常失效.提出一种基于短时傅里叶变换(short time Fourier transform,STFT)的能量谱和独立分量分析( independent component analysis,ICA)的抗干扰滚动轴承包络分析新方法.该方法首先对获取的滚动轴承振动信号进行STFT能量谱分析,获取信号采样频带下的能量分布,采用带通滤波器获得高频带能量信号,并提取该包络波形,再通过ICA实现包络波形按源分离去噪,最后通过比较各独立分量的包络频谱与滚动轴承理论计算故障特征频率的匹配性,实现滚动轴承故障的精确诊断.仿真数据和试验验证该方法的可行性.     

Diagnosis of compound faults of rolling bearings through adaptive maximum correlated kurtosis deconvolution

This paper proposes a new diagnosis method based on Adaptive maximum correlated kurtosis deconvolution (AMCKD) for accurate identification of compound faults of rolling bearings. The AMCKD method combines the powerful capability of cuckoo search algorithm for global optimization with the advantage of Maximum correlated kurtosis deconvolution (MCKD) for impact signal extraction. In contrast to traditional methods, such as direct envelop spectrum, Discrete wavelet transform (DWT), and empirical mode decomposition, the proposed method extracts each fault signal related to the single failed part from the compound fault signals and effectively separates the coupled fault features. First, the original signal is processed using AMCKD method. Demodulation operation is then performed on the obtained single fault signal, and the envelope spectrum is calculated to identify the characteristic frequency information. Verification is performed on simulated and experimental signals. Results show that the proposed method is more suitable for detecting compound faults in rolling bearings compared with traditional methods. This research provides a basis for improving the monitoring and diagnosis precision of rolling bearings.     

轴承故障声发射信号多频带共振解调方法

轴承故障声发射信号具有高频率、宽频带、多频率成分组成特性。针对轴承故障声发射信号的多频带共振解调问题,基于故障先验知识确定滤波带宽,利用窄带解调Protrugram算法迭代搜索多个可解调中心频率,在对应的多个窄带范围内实现故障频率的解调识别。仿真和实验信号处理结果表明,窄带包络解调方法能够找到多个可用解调窄带,对应解调包络谱中均可清楚地识别故障频率,且包络谱具有故障频率谱线清晰,倍频成分衰减明显的特点。     

改进的布谷鸟算法优化极限学习机的石化轴承故障分类

针对通用的智能故障诊断方法在石化滚动轴承中准确率不理想的问题,提出一种通过改进的布谷鸟算法( CS )优化极限学习机( ELM )使诊断准确率提高的模型。将实测轴承振动信号降噪处理,计算不同嵌入维度下的关联维数作为 ELM 的输入信号;通过改进的布谷鸟算法获取极限学习机最优的隐含层偏置、输入权重,最后输出诊断结果。经过实验证明,该方法可以有效地克服测量信号时的干扰,可以对不同故障下的滚动轴承准确识别,并与多种模型对比,该方法的故障诊断准确率为 97.5% 。     

基于小波相关滤波法的滚动轴承早期故障诊断方法研究

目前基于小波分析的滚动轴承故障诊断方法研究已经很多,但是这些方法对于强噪声背景下的早期故障微弱信号特征提取效果并不理想。为此,提出了适用于强噪声背景的小波相关滤波滚动轴承早期故障诊断方法。该方法将小波相关滤波降噪方法和Hilbert包络细化谱分析相结合:对被测信号进行小波相关滤波降噪处理,对降噪处理后的高频段尺度域的小波系数进行Hilbert包络细化谱分析。该方法在滚动轴承的早期故障诊断中的试验结果表明,该方法与直接小波系数包络谱诊断方法相比,较大地增强了对滚动轴承早期故障诊断的能力,在强噪声背景下有效地提取出滚动轴承的早期故障频率。     

基于小波和奇异谱降噪理论的轴承故障诊断研究

提出一种基于小波分析和奇异谱降噪理论的新方法，在分析滚动轴承故障特性的基础上，将奇异谱理论的障噪方法与小波分析理论结合应用于滚动轴承故障诊断中。实例表明，这种结合后的新方法能够更有效地降低噪声，突出振动信号的故障特性，从而提高设备故障诊断的准确率。