匹配追踪过程复合熵矩转子故障诊断研究

转子系统作为大型机械的核心部件工作环境十分复杂,故障种类多样且其振动信号包含大量噪声,所以特征向量难以有效提取。为此,利用匹配追踪分解对信号进行降噪,然后提取信号的奇异谱熵和功率谱熵作为故障特征,并提出复合熵矩的概念,最终利用复合熵差矩的均值和方差实现对转子故障的诊断和识别。在试验台上模拟并采集四种转子常见的有效故障信号,并以不平衡故障作为目标故障为例进行验证,根据均值和方差最小实现准确诊断,实验结果证明该方法的有效性和实用性。     

基于轴承故障信号特征的自适应冲击字典匹配追踪方法及应用

针对滚动轴承故障特征,提出了一种自适应冲击字典匹配追踪方法。根据轴承故障信号的产生机理,将轴承的转速、尺寸等因素引入到字典中,建立了一种基于故障信号特征的新型字典模型。依据字典模型中各个关键参数对分析结果的影响程度,确定冲击位置信息为首要模型参数,提出了逐次改变特性参数的方法建立自适应字典,使得字典中的每一个原子都与被分析信号有很好的相似度,降低了字典的冗余程度,提高了字典的使用效率。同时结合匹配追踪原理建立了自适应冲击字典匹配追踪的方法。仿真信号,实验信号和工程信号分析结果表明,基于自适应冲击字典匹配追踪方法可以对轴承不同位置的故障进行有效诊断。将该方法与遗传算法匹配追踪进行比较,表明该方法的处理效果更佳。     

基于信号匹配追踪的模态参数提取

传统的的设备模态参数提取多是建立在频谱计算的基础上,提取精度受采样频率和时域截断产生的能量泄漏的影响较大。为此,提出了一种基于信号匹配追踪的模态参数提取方法,该方法将Laplace小波作为信号匹配追踪的基元函数;同时引入粒子群算法来实现Laplace小波的参数寻优,克服了传统算法计算复杂的缺点。仿真和实际应用表明,该方法可有效地提取设备的模态参数;且比传统的半功率带宽法具有更高的精度。     

基于匹配追踪算法的立井爆破信号时频特征提取

在对立井爆破过程中井壁振动信号进行准确采集的基础上,采用匹配追踪（matching pursuit,MP）算法建立Gabor原子库,实现了爆破信号重构分量和残差分量的有效分离。通过信号短时傅里叶变换（short time Fourier transform,STFT）和魏格纳分布（Wigner-Ville distribution,WVD）对重构信号的时频分析及霍夫(Hough)变换时频聚集性对比,验证了WVD时频分析的优势。结果表明:MP-WVD组合信号分析方法对信号变化的适应性强,能够精确捕捉信号的局部细节,适合用于爆破信号非线性时频特征的提取过程。可为爆破方案调整和参数优化提供参考。     

基于混合编码遗传算法的匹配追踪算法

匹配追踪算法可以将任一信号分解为一组冗余的基元函数的线形展开,但是计算信号在每一个基元上的投影需要很高的代价,从而影响了它的广泛应用.本文提出了一种用浮点数和格雷码的混合编码遗传算法来实现匹配追踪算法,该算法有机结合了遗传算法和匹配追踪算法的优点,不仅能够有效地降低计算量,而且能够提高计算精度.计算机仿真结果证实了该方法的准确性和应用价值.     

基于声信号的轴承故障诊断方法

机械设备在运行过程中的声音包含了大量的机构运行状态信号，本文采用相关分析，小波变换原理，从应用的角度出发，对滚动轴承故障声信号进行时频分析。通过对声信号的多尺度分解和重构，分离出由故障造成的声信号突变。试验表明，该方法具有较好的可靠性和有效性。     

尺度-小波能量谱在滚动轴承故障诊断中的应用

针对滚动轴承故障振动信号的特点，构造脉冲响应小波，采用连续小波变换的方法来提取滚动轴承故障振动信号的特征，在此基础上提出了一种滚动轴承故障诊断方法：尺度-小波能量谱比较法。通过对具有外圈缺陷、内圈缺陷的滚动轴承振动信号的分析，说明尺度-小波能量谱比较法不仅能检测到滚动轴承故障的存在，而且能有效地识别滚动轴承的故障模式。     

谱相关密度分析在轴承点蚀故障诊断中的研究

利用谱相关密度提取轴承故障特征时需要在循环频率域和频率域上同时兼顾高分析带宽和高分辨率,从而使得该方法的计算量庞大,难以达到较高的分析精度.鉴于此,首次在循环平稳分析中引入解析的思想,利用解析形式的谱相关密度在循环频率域不存在高频特征的特点,提出运用时域选抽技术,在保证分辨率的同时降低分析带宽,减少计算量,从而得到更好的分析效果.本文以一般调幅信号解析形式的谱相关密度分析为基础,对滚动轴承点蚀故障模型进行了分析,推导了其谱相关密度分析的理论结果,给出具体的算法实现.仿真调幅模型和实际轴承故障信号,证实了理论分析的正确性和算法的可行性,同时也验证了谱相关密度分析对调幅特征的提取能力.     

基于冲击时频原子的匹配追踪信号分解及机械故障特征提取技术

介绍一种用于匹配追踪信号分解的时频原子——冲击时频原子，它既可以匹配信号中的稳态正弦成分，也可以匹配信号中冲击成分，从而准确有效地获得设备的冲击故障特征和信息，并结合遗传算法以提高计算速度及实用性。计算机仿真结果证实了该方法的准确性，最后将该方法应用于转子实验台的冲击信号特征提取中，证明了该方法的工程实用性和有效性。     

形态分量分析和谱峭度在轴承故障诊断中的应用

滚动轴承发生故障时,其振动信号往往包含多种振动分量,主要由轴承自身固有振动引起的谐振分量、点蚀或裂纹等故障产生的冲击分量和其他的干扰分量组成。实现故障信号中各分量的有效分离非常有利于轴承的故障诊断。针对此问题,提出形态分量分析和谱峭度相结合的故障诊断方法,首先用形态分量分析处理轴承故障信号,使信号中的冲击分量与谐振分量分离,再以谐振分量为对象,利用谱峭度方法对谐振分量进行滤波,对滤波结果进行Hilbert包络解调分析,然后根据包络谱诊断滚动轴承发生的故障。实验结果表明,这种方法可以提取到明显的故障特征频率,从而验证了该方法的有效性。     

线性峭度图及其在滚动轴承故障诊断中的应用

作为表征信号冲击特征的常用指标,峭度容易受到少量大幅值异常数据或随机冲击的干扰,非常不利于滚动轴承、齿轮等旋转机械故障特征的提取。为更有效地表征信号的循环冲击特征,将线性峭度概念引入到滚动轴承故障特征表征中。同时,结合经验小波变换提出线性峭度图方法。该方法通过构造具有紧支撑的经验小波函数,将信号进行正交分解;随后,计算不同分解方案下子信号的线性峭度构建线性峭度图;最终,选择线性峭度最大的子信号进行平方包络分析实现故障特征的提取与增强。通过滚动轴承内外圈剥落故障的仿真与试验分析表明:线性峭度比峭度更适合表征信号的循环冲击特征。与基于传统峭度图方法和子频带谱峭度平均的峭度图方法相比,提出的线性峭度图方法在信号的分解与表征两方面都进行了改进,具有更强的循环冲击特征提取能力,具有更高的工程应用价值。但线性峭度图方法在滤波器组构建上效率相对较低,还有很大的提升空间。     

基于MID算法的组合切片分析在滚动轴承故障诊断中的应用

调制密度分布(MID)作为谱相关密度的开放性推广,能够很好地解决离散或者随机载波调制信号的检测问题,然而该算法在判定轴承故障前需要大量计算描述矩阵来估计调制密度因子,不能满足工业生产的实时性要求。为此,提出基于MID算法的组合切片分析方法,首先根据转速的波动范围,确定故障特征频率相对于理论值的波动范围,然后给定选择性因数(Δf)的范围并计算信号的MID组合切片带,最后通过切片带之间的能量对比确定轴承故障类型。该分析方法不仅对噪声不敏感,而且有效地减少了计算量,满足了实时性要求。随后,分别采用仿真信号和QPZZ-II系统(滚动轴承故障模拟实验平台)的实测数据,对MID组合切片分析方法进行了实验验证,并与包络解调分析进行了对比。实验结果表明,该方法对滚动轴承外圈、内圈和滚动体故障的检测精度更高。     

基于流形学习和改进VPMCD的滚动轴承故障诊断方法*

提出一种基于拉普拉斯特征映射流形学习算法(Laplacian Eigenmaps,简称LE)和改进多变量预测模型(Variable predictive model based class discriminate,简称VPMCD)的滚动轴承故障诊断方法,首先对振动信号进行局部特征尺度分解(Local characteristic scale decomposition,简称LCD),并提取各内禀尺度分量(Intrinsic scale component,简称ISC)的特征构造高维特征向量,接着采用LE算法挖掘出高维数据中包含有效信息且具有内在规律性的低维特征,然后输入到基于Kriging的改进多变量预测模型(Kriging-variable predictive model based class discriminate,简称KVPMCD)分类器中进行模式识别。该方法充分利用并有效结合了LCD在信号处理、LE在挖掘特征信息和KVPMCD在模式识别方面的优势,实现了滚动轴承故障特征提取到故障识别的全程诊断。实验分析结果表明:基于LE算法和KVPMCD的分类方法可以有效地对滚动轴承的工作状态和故障类型进行识别。     

一种增强的谱幅值调制方法及其在复杂干扰下滚动轴承故障诊断中的应用

谱幅值调制（Spectral Amplitude Modulation,SAM）作为一个经验的和自动的非线性滤波方法,可以有效地识别滚动轴承故障信息。然而,当滚动轴承故障信号中含有复杂干扰成分时,SAM 中的故障特征频率会变得模糊,甚至难以识别。针对上述问题,提出了一种增强谱幅值调制方法（Enhanced Spectral Amplitude Modulation,eSAM）,通过修正信号平方包络的无偏自相关代替修正信号的平方包络来生成 SAM。通过自相关处理,进一步降低由于非线性滤波过程产生的不相关随机噪声干扰,从而提高了 SAM 方法的稳定性。通过一组仿真信号、一组齿轮箱轴承实验信号和不同运行工况下的高速列车轴箱轴承实验信号进行了验证,结果表明该方法可以有效降低复杂干扰的影响,提取出的故障特征更加明显,通过与 SAM 方法和传统峭度图方法对比,证明了该方法的优越性。     

基于流形嵌入分布对齐的滚动轴承迁移故障诊断方法

针对变工况下滚动轴承不易获取带标签的振动信号,导致故障诊断准确率低等问题,提出一种基于自适应噪声完整经验模态分解(CEEMDAN)与流形嵌入分布对齐的滚动轴承迁移故障诊断方法.采用CEEMDAN对不同工况下滚动轴承振动信号进行分解,得到若干内禀模态分量(IMF);提取峭度较大的IMF分量的时域和频域特征构造多特征样本集...     

基于多传感器信号和卷积神经网络的滚动轴承故障诊断

针对滚动轴承故障信号非平稳非线性且易受背景噪声干扰的特点,结合深度学习的优势,提出了一种基于卷积神经网络(CNN)的滚动轴承故障诊断法。将不同故障下多个传感器测得的1维(1D)振动信号转化为2维(2D)灰度图像作为网络输入,并将其分为训练集和测试集;将训练集输入卷积神经网络进行训练,自动提取其中的特征;测试集被用于验证学习完毕的网络的有效性,实现滚动轴承故障识别。该方法不依赖于人为经验和信号处理技术进行预先的信号特征提取,实验数据分析表明,相比于经典的支持向量机和概率神经网络方法,提出的方法识别准确率更高且更稳定。     

基于Teager能量算子的滚动轴承故障诊断研究

周期性冲击是判断滚动轴承局部损伤故障的关键特征,如何提取周期性冲击及其重复频率是轴承故障诊断中的关键问题。Teager能量算子能够估计产生信号所需的总机械能,对信号的瞬态变化具有良好的时间分辨率和自适应能力,在检测信号冲击特征方面具有独特优势。为了提取滚动轴承故障的特征频率,针对滚动轴承故障振动信号中的瞬态冲击特点,提出了基于Teager能量算子的频谱分析方法,利用Teager能量算子提取轴承故障引起的周期性冲击,通过瞬时Teager能量的Fourier频谱识别轴承的故障特征频率。分析了滚动轴承故障仿真信号和实验测试信号,并和包络谱方法进行了对比分析,准确诊断了滚动轴承元件故障,验证了该方法的有效性     

基于EEMD、度量因子和快速峭度图的滚动轴承故障诊断方法

在基于EMD、谱峭度以及包络分析的滚动轴承故障诊断方法的基础上,提出了改进的基于EEMD、度量因子和快速峭度图的诊断方法。该方法首先将故障信号进行EEMD分解得到一组IMFs,然后使用提出的基于距离的度量因子筛选出最能表征故障信息的IMF分量重构信号,接着利用快速峭度图构造最优带通滤波器,最后将滤波后的重构信号进行包络分析并将包络谱与轴承故障特征频率进行比较从而诊断出具体故障。滚动轴承的内圈故障仿真数据以及工程实测数据均很好地验证了提出的改进方法的有效性,说明其具有良好的应用前景。     

基于OHF Elman-AdaBoost算法的滚动轴承故障多时期诊断方法

针对随机噪声下滚动轴承多时期(初期、中期、晚期)故障诊断需求,提出OHF Elman-AdaBoost (output hidden feedback Elman-adaptive boosting)算法,以实现滚动轴承的精确故障诊断.采用集合经验模态分解(ensemble empirical mode decompo...     

滚动轴承非接触式声学故障诊断方法研究及应用

基于非接触式声学诊断方法,以滚动轴承人工缺陷为对象进行试验测试,通过统计参量分析,对滚动轴承有无故障进行判断,并对轴承声学信号传播特性进行了研究。分别用与特征频率密切相关的触发数,小波包分析与BP神经网络结合两种分析方法对故障模式进行识别,提高了轴承故障诊断的有效性和准确性。