共查询到19条相似文献,搜索用时 147 毫秒
1.
《振动工程学报》2019,(6)
针对行星齿轮箱早期微弱故障难以诊断的问题,提出一种结合Teager能量算子(TEO)解调和随机共振增强输出的方法以实现故障特征提取。首先,对行星齿轮箱振动信号进行经验模式分解(EMD)并选取包含故障信息的分量信号,使用TEO解调运算获得分量信号的解调信号。其次,为满足随机共振系统的小参数条件,将解调信号做适当压缩处理并进行频率二次采样。再次,以定义的随机共振系统输出信噪比为适应度函数,采用粒子群算法优化随机共振系统的结构参数,进而重构随机共振系统以实现信号、噪声以及非线性系统的最佳匹配。最后,将信号重新输入参数优化后的随机共振系统实现故障特征的增强提取。仿真和实验均表明:该方法获取了随机共振系统的大信噪比输出,实现了强噪声下微弱故障特征的准确和高效提取,是一种行之有效的行星齿轮箱早期微弱故障诊断方法。 相似文献
2.
针对强噪声背景下旋转机械早期故障诊断的难题,提出一种基于变分模态分解与变尺度多稳随机共振的微弱故障信号特征提取方法。首先应用参数优化的变分模态分解(variational mode decomposition, VMD)算法对微弱故障信号进行分解, 得到若干本征模态分量(intrinsic mode function, IMF);然后通过峭度准则筛选出其中峭度最大的IMF分量;最后对该IMF分量进行变尺度多稳随机共振, 实现微弱故障信号的增强。实例表明:在强噪声背景下,利用参数优化VMD分解与变尺度多稳随机共振相结合的方法,可以有效提取出微弱信号特征频率,实现旋转机械故障状态的准确判断。 相似文献
3.
4.
5.
针对传输路径复杂和强噪声干扰条件下滚动轴承故障信号信噪比低、微弱故障特征难以提取的问题,提出一种将参数优化变分模态分解(Variational Mode Decomposition,VMD)与最大相关峭度解卷积(Maximum Correlated Kurtosis Deconvolution, MCKD)相结合的滚动轴承微弱故障特征提取方法。首先,利用经麻雀搜索算法(Sparrow Search Algorithm, SSA)优化的VMD对故障信号进行自适应分解,构建加权峭度指标以筛选有效模态分量;然后对有效模态分量利用经SSA优化后的MCKD进行增强;最后,对增强后的信号进行包络解调分析,提取出轴承故障特征频率。实验和工程实际案例分析表明,所提出的方法能够自适应增强轴承信号中的微弱冲击成分,有效提取出强噪声背景下的滚动轴承微弱故障特征。 相似文献
6.
针对于弱信号在齿轮故障中难以提取问题,提出了一种基于级联双稳随机共振 (Cascaded Bistable Stochastic Resonance,简称CBSR)降噪和局部均值分解(Local Mean Decomposition,简称LMD)齿轮故障的诊断方法。随机共振可有效削弱信号中的噪声,利用噪声增强故障信号的微弱特征;LMD方法可自适应将复杂信号分解为若干个具有一定物理意义上PF分量之和,适合处理多分量调幅调频信号。首先将振动信号进行CBSR消噪处理,然后对消噪信号进行LMD分解,通过PF分量的幅值谱找到齿轮的故障频率。通过齿轮磨损故障诊断的工程应用,表明该方法可以有效提取齿轮故障微弱特征,实现齿轮箱的早期故障诊断。
相似文献
7.
基于信号共振稀疏分解的包络解调方法及其在轴承故障诊断中的应用 总被引:1,自引:0,他引:1
提出了基于信号共振稀疏分解的包络解调方法,并将其应用到轴承故障诊断中.与常规的基于频带划分的信号分解方法不同,信号共振稀疏分解方法根据信号中各成分品质因子的不同,将信号分解成高共振分量和低共振分量.当轴承出现损伤时,振动信号由以包含轴承自身振动的谐振信号、包含轴承故障信息的瞬态冲击信号以及噪声组成.谐振信号为窄带信号,具有高的品质因子,可分解为高共振分量;而瞬态冲击信号为宽带信号,具有低的品质因子,可分解为低共振分量.基于信号共振稀疏分解的包络解调方法首先利用信号共振稀疏分解方法将信号分解成高共振分量、低共振分量及残余分量,再对低共振分量进行包络解调分析,根据包络解调谱进行轴承故障诊断.算法仿真和应用实例表明该方法能有效地提取轴承故障信号中的冲击成分,凸显故障特征. 相似文献
8.
EWT和ICA联合降噪在轴承故障诊断中的应用 总被引:1,自引:0,他引:1
《振动与冲击》2019,(16)
在强背景噪声下提取非平稳振动信号的微弱故障特征时,系统信号和干扰噪声在频带互相混叠难以分离,传统消噪方法存在较大局限。为此提出一种基于经验小波变换(EWT)和独立分量分析(ICA)联合降噪的方法。利用EWT算法将振动信号进行分解,避免了经验模态分解(EMD)和总体经验模态分解(EEMD)存在的模态混叠和端点效应;依据峭度及相关系数准则选取相应分量,引入虚拟噪声通道;利用ICA对重组信号进行解混去噪,分离出源信号后进行Hilbert包络解调,提取故障特征频率,实现故障诊断。通过对实际轴承信号的分析,验证了该方法不仅对时变、非平稳的强噪声干扰具有较好的消除效果,还能更清晰、准确地提取故障特征信息。 相似文献
9.
当滚动轴承出现早期故障时,其故障特征信号微弱,且环境噪声较大,因此其早期故障特征一般难以提取。针对上述问题,提出基于LMD与MCKD的滚动轴承早期故障诊断方法。为了克服局部均值分解(LMD)在早期故障诊断中易受噪声影响的不足,该方法对其包含故障信号大部分能量的前4个乘积函数(product function,PF)分量进行最大相关峭度解卷积(MCKD),突出轴承信号中淹没在噪声信号中的周期脉冲成分,最后再对其进行包络解调,便可得到轴承故障特征频率,进而对滚动轴承早期微弱故障进行诊断。实验信号验证了该方法的有效性。 相似文献
10.
针对滚动轴承早期故障信号存在大量噪声使得提取故障特征困难的问题,提出了一种基于新改进小波阈值的降噪方法。该方法是通过采用互补集合经验模态分解(CEEMD)方法将原始故障信号进行分解,得出各阶本征模态函数(IMF)分量;选取关键的IMF分量进行重构信号,将重构信号经过新改进小波阈值算法和快速谱峭度进行滤波降噪;进行Hilbert包络解调,得出滚动轴承的故障特征频率。分别用仿真噪声信号和滚动轴承的实验信号对该方法进行验证,并将新改进小波阈值算法与传统的小波硬阈值和小波软阈值算法进行比较分析,结果表明该方法可以有效提高故障信号的信噪比,降噪效果明显,能有效获得滚动轴承的故障特征频率。 相似文献
11.
针对强噪声背景下信噪比较低的旋转机械故障诊断问题,提出一种基于解析模态分解(AMD)和随机共振的旋转机械故障诊断方法。若信号的频率成分已知,AMD方法能将多频率成分的信号分解为单频率信号。对于可预知故障特征频率的旋转机械故障诊断,首先利用AMD方法提取振动信号中故障特征频率所在频段的信号,并对每个提取出的信号添加强度较低的噪声;然后利用粒子群算法优化的双稳随机共振对含噪信号进行处理来加强信号;最后求该信号的频谱,若频谱中含有故障特征频率,则说明振动信号中存在该故障。通过对滚动轴承故障信号特征的提取证明了该方法有良好的效果。 相似文献
12.
为有效降低噪声对机械故障特征提取结果干扰,提高故障特征集分类性能,提出基于随机共振(SR)预处理的故障特征提取方法。用随机共振方法对振动信号预处理,提高输出信号信噪比,增强信号频率特性;将随机共振输出信号用于特征集提取。为验证随机共振对信号预处理效果,分别提取基于时域、频域及时频域分析的故障特征集用于故障诊断;用转子试验数据对该方法所取特征集进行检验。结果表明,经随机共振处理后提取的各特征集与原始数据提取的特征集相比,均表现出较好分类性能,且其诊断结果的确定性较原始特征好,有望应用于工程实际。 相似文献
13.
滚动轴承故障信号是一种典型的周期性冲击信号,如何从含有强噪声的振动信号中有效的提取出冲击特征信号是轴承故障诊断的关键。基于数学形态学理论,本文提出了一种自适应多尺度形态梯度变换(AMMG)方法,它能够在有效抑制噪声的同时很好的保留信号的细节。仿真信号和实测轴承故障信号的分析结果表明,与常用的包络解调分析和近来提出的另一种基于数学形态学的形态闭变换方法相比析,自适应多尺度形态梯度变换具有更强的噪声抑制和脉冲提取能力,并且计算简单、快速,为滚动轴承故障特征提取提供了一种有效的方法。 相似文献
14.
共振解调方法是滚动轴承故障特征提取和故障诊断中最为常用的一种方法。然而传统的共振解调技术存在带通滤波参数(中心频率和滤波带宽)需要人工进行预先确定,其具有很大的偶然性、局限性等缺陷。本文作者将快速Kurtogram算法用于共振解调技术带通滤波器参数的确定中,并结合共振解调技术成功运用于滚动轴承的故障特征提取,弥补了传统共振解调方法需要人工干预进行带通滤波参数确定的不足,并分别进行仿真和实验来验证该方法的有效性。 相似文献
15.
16.
快速谱峭度图(Fast Kurtogram)算法具有能自适应选取共振解调频带并实现包络解调提取的优点,在滚动轴承包络分析中有广阔的应用前景,但其在实际应用中,若被采集信号中包含有较高峰值的脉冲干扰时,将可能导致谱峭度图的自适应共振带确定失效,最终导致无法获得包含有效滚动轴承的故障特征信息的包络信号。为解决快速谱峭度图算法的上述不稳定问题,本文提出了一种基于子频带谱峭度平均的改进快速谱峭度图算法,其可有效消除或削弱脉冲干扰成分对谱峭度图结果的影响,提高了共振解调频带确定的鲁棒性,实现了基于快速谱峭度图算法的滚动轴承故障特征准确提取。仿真和试验结果验证了本方法的有效性。 相似文献
17.
为提高滚动轴承故障诊断的准确性,提出一种基于固有时间尺度分解(ITD)、奇异值分解(SVD)和多点最优最小熵反褶积(MOMEDA)相结合的故障特征提取方法。首先,采用ITD分解故障振动信号,并构建基于峭度和相关系数的组合权重指标筛选准则,从而完成分量信号的筛选与重构。其次,对其进行SVD滤波降噪。最后,利用MOMEDA提取降噪后信号中的周期性冲击成分,并通过Hilbert包络谱分析得到诊断结果。经过实验数据分析,结果表明所提出的方法不仅能滤除噪声干扰,增强故障特征信息,而且能准确提取出故障特征。 相似文献
18.