基于改进信息图与MOMEDA的滚动轴承故障特征提取

为解决最大相关峭度解卷积存在的故障周期需要预先设置等问题,提出多点优化最小熵解卷积修正(MOMEDA)用于增强轴承故障信号,并应用改进信息图降低噪声对其多点峭度谱的干扰。通过引入轴承故障与正常状态下谱负熵的比值关系,优化信息图中平均谱负熵算法,提出基于滤波器组的改进信息图方法;构建带通滤波器进行滤波降噪,并通过MOMEDA多点峭度谱识别故障周期;应用MOMEDA增强滤波信号中的故障周期性脉冲成分,并通过平方包络谱提取微弱故障特征。试验表明,较之信息图等方法,改进信息图的降噪效果较突出,可有效提高故障周期的识别度,实现MOMEDA自适应增强故障信号。     

基于均值散布负熵信息图的单向阀早期故障诊断方法

针对隔膜泵单向阀早期故障发生时信号中能揭示故障特性的冲击成分能量微弱、难以提取的问题,提出了一种基于均值散布负熵信息图的单向阀故障诊断方法：首先,利用树状带通滤波器对信号进行不同频率分辨率的频谱划分;然后,分别计算各频带的平方包络(square envelope, SE)和平方包络谱(square envelope spectrum, SES)用于表征该频带的脉冲和循环平稳特性,并对各频带的SE信号进行固定比例的等分处理;最后,引入散布负熵(dispersion negentropy, NDE)来改善原有信息图中Shannon负熵对噪声敏感的现象,通过将SE的NDE均值计算结果和SES的NDE计算结果进行加权求平均来确定最佳频段所在的位置,利用所选频段进行带通滤波及解调分析后实现早期故障的诊断。仿真和工程试验表明,该方法可以准确地提取到单向阀早期故障的特征,具有一定的可靠性和工程应用价值。     

基于EMD与谱峭度的滚动轴承故障检测改进包络谱分析

针对滚动轴承故障振动信号的调制特征和传统包络分析法的缺陷,提出一种基于经验模式分解(Empirical Mode Decomposition,简称EMD)和谱峭度(Spectrum Kurtosis,简称SK)的改进包络谱滚动轴承故障诊断方法。该方法首先对滚动轴承故障振动信号进行经验模式分解,将其分解为多个固有模式函数(Intrinsic Mode Function,简称IMF)之和,然后对各IMF分量傅里叶变换后取其绝对值,并计算其谱绝对值平方包络,在此基础上再计算不同频带IMF分量谱平方包络的峭度,最后利用谱峭度的滤波器作用,选取由轴承缺陷所引起的共振频率所在频带的IMF分量,自动构建最佳包络来进行故障诊断。将该方法应用到滚动轴承内圈缺陷的仿真故障数据和实际数据中,分析结果表明了该方法的有效性。     

变转速下对数平方包络谱在滚动轴承故障诊断中的应用

变转速工况下,转速变化会导致不同时间段峭度值出现变化,且高脉冲噪声会导致振动信号的峭度值突然变大。这些因素削弱了快速谱峭度图(Fast kurtogram,简称FK)方法提取微弱故障特征方面的性能,为了克服这些缺陷,提出一种基于对数平方包络谱的新特征--对数包络阶次循环分量(Log-envelope Order Cyclic Content,简称LEOC),构造出一种对数包络阶次循环分量图(Log-envelope Order Cycligram,简称LEOCgram)。首先使用1/3二叉树结构对原始信号进行多层次滤波,并计算每一组滤波子信号的平方包络。然后,通过计算阶次跟踪(Computed Order Tracking,简称COT)技术对每一组的平方包络序列进行角域重采样,计算每一组滤波信号的对数平方包络谱并进行自相关分析得到可能的故障特征阶。最后计算LEOC值,LEOC最大值对应的频带即为最优解调频带。将最优解调频带作为滤波器的参数对原始信号进行滤波,通过对滤波后的信号进行包络阶次分析并根据包络阶次谱的阶次结构可以确定故障类型。仿真信号和试验轴承外圈故障信号的分析结果表明,该方法...     

麻雀算法参数优化VMD联合K-SVD的滚动轴承故障诊断

针对经典K-均值奇异值分解(K-means Singular Value Decomposition,K-SVD)易受噪声干扰产生虚假原子,导致信号稀疏不彻底、故障特征识别困难的问题,提出基于麻雀算法优化变分模态分解(Variational Modal Decomposition,VMD) 参数联合K-SVD的滚动轴承故障诊断方法。首先引入包络熵适应度函数指标并基于麻雀算法优化VMD的模态层数k 和平衡因子α。其次利用平方包络谱峭度指标遴选最优模态,以所选模态分量相空间构造Hankel 矩阵进行K-SVD字典学习。最后对恢复至时间序列的稀疏重构信号进行包络解调,提取轴承故障特征频率。通过轴承故障仿真信号和全寿命实验信号进行验证,证明相较于经典K-SVD算法,所提方法在低信噪比条件下在轴承故障特征提取方面具有优势,有一定的工程应用价值。     

自适应MED结合EMD诊断滚动轴承早期故障

针对最小熵解卷积(MED)降噪效果受滤波器长度影响问题,提出一种利用步长迭代算法和包络谱熵检验准则的自适应MED降噪方法,并结合经验模态分解(EMD)提取滚动轴承微弱故障特征。首先利用自适应MED降噪方法对原信号进行最优降噪处理,然后通过EMD将降噪信号分解为若干个本征模函数(IMF)分量,再选取峭度值最大的IMF进行包络谱分析,根据包络谱中故障特征频率实现故障诊断。仿真信号和实测信号分析结果表明其优于基于EMD的包络解调方法。     

参数优化最大二阶循环平稳盲解卷积行星轮轴承故障提取EI北大核心CSCD

在行星齿轮箱振动中,齿轮相关振动分量通常具有较大的能量,同时轴承滑移会造成行星轮轴承故障对应振动分量的特征频率获取困难。为此,提出一种基于参数优化最大二阶循环平稳盲解卷积(cyclostationary blind deconvolution, CYCBD)的行星轮轴承故障提取方法。该方法针对CYCBD技术在轴承滑移条件下难以获取循环频率和滤波器长度的问题,以改进的包络谱故障特征比(improved envelope spectrum fault feature ratio, IFFR)指标作为粒子群算法的适应度函数,自动获取CYCBD算法中实际的循环频率和优化滤波器长度,利用参数自适应的CYCBD算法增强了轴承故障冲击。通过解卷积结果的平方包络谱反映轴承故障特征,达到准确提取故障特征的目的。故障仿真和试验研究结果表明,该方法可以有效提取行星轮轴承故障特征。     

MUSIC算法用于低信噪比下的包络分析

1引言 可将水卢目标螺旋桨噪卢建模为一个受窄带调制的宽带随机过程[1],其窄带调制信号(又称包络信号)是本文的分析对象.在声纳信号处理中把通过对接收的宽带信号进行解调(常采用平方律解调)以计算低频解调谱的算法称为DEMON(Detection of Envelope Modulation On Noise)分析,解调后的低频时域信号称为包络信号,其功率谱称为DEMON谱(又称包络谱).实际情况下,我们所期望的包络信号可能会淹没在噪声中而无法检测出来.     

基于改进快速峭度图的轴承故障诊断方法研究

针对传统快速峭度图在轴承故障诊断中，通过计算滤波信号的包络峭度确定频带范围容易受到随机脉冲干扰的问题，提出一种基于改进快速峭度图的轴承故障诊断方法。首先运用自相关算法、改进谱幅值调制(improved spectral amplitude modulation, ISAM)算法对包络信号进行处理，获取修正信号并以其频谱峭度衡量冲击响应的强度；然后以修正信号谱峭度代替传统快速峭度图中的包络峭度，得到可降低各频带随机干扰的改进峭度图；最后通过对3组信噪比不同的仿真信号、2组轴承试验信号的平方包络谱故障诊断情况进行对比分析，验证该方法的有效性和稳定性。通过与原始快速峭度图、功率谱峭度图、ISAM法3种方法对比，验证该方法的优越性。对比结果表明，所提方法可有效降低随机脉冲的影响，实现轴承故障特征频率的准确提取。     

基于自参考自适应消噪的行星轮轴承内圈故障特征提取

针对行星轮轴承振动信号的传递时变路径,且行星轮轴承振动信号常被齿轮啮合振动信号所湮没等问题。提出了一种基于自参考自适应消噪的行星轮轴承内圈故障诊断方法。用自参考自适应消噪技术(SANC)、AR模型预白化等预处理技术以削弱齿轮啮合振动信号的干扰;基于谱峭度(Spectral Kurtosis,SK)自适应求解共振带参数;采用Hilbert变换提取平方包络信号;对包络信号进行谱分析。试验结果表明该方法可以有效地揭示行星轮轴承内圈的故障特征信息。     

自适应稀疏贝叶斯滤波在轴承故障提取中的应用

稀疏贝叶斯滤波作为一种简单、新颖的滤波器，对噪声中的步进动态具有较好鲁棒性。同时，该滤波器引入一种L1正则化，其稀疏解可通过标准凸优化方法快速获得，因此它也具有较高的运算效率。但是在原始的稀疏贝叶斯滤波中，正则化参数必须提前设定，而该种参数的选择主要依靠人为经验，这就可能导致所选择的参数无法满足要求。针对现有不足，提出一种基于樽海鞘群优化算法的自适应稀疏贝叶斯滤波的轴承故障提取方法。该种自适应滤波方法采用轴承故障信号的包络谱峭度和负熵为目标函数选择最优的正则化参数，从而得到最优的滤波信号。最后通过包络分析得到轴承故障特征频率。通过模拟数据和真实数据证明该方法的有效性和优越性。     

基于均值包络ITD和谱峭度的特征频率提取方法

提出基于均值包络本征时间尺度分解(ITD)和谱峭度的特征频率提取方法。用于轴承故障诊断中,振动信号经均值包络ITD分解和重构,通过谱峭度选取故障共振频率带,最后比较包络谱与特征频率做出故障诊断。对美国凯斯西储大学滚动轴承数据的处理结果证明,该方法得到的谱线更加明显,诊断更加准确。     

基于网格搜索法优化最大相关峭度反卷积的滚动轴承早期故障诊断方法

针对环境噪声下滚动轴承早期故障信号微弱难以检测的问题,提出了基于网格搜索法优化最大相关峭度反卷积(Maximum Correlated Kurtosis Deconvolution,MCKD)滚动轴承早期故障诊断方法。并针对MCKD方法受滤波器阶数和周期影响的问题,提出了利用网格搜索法优化最大相关峭度反卷积参数。首先,早期微弱故障信号集成经验模态分解后,采用相关系数以及峭度准则重构原信号;然后,以小波Shannon熵作为目标函数采用网格搜索法搜寻最优滤波器阶数以及周期,采用自适应MCKD方法对重构信号中故障脉冲冲击成分进行加强,最后通过包络谱、包络功率谱提取微弱故障特征。实验表明,该方法能够对早期微弱故障中冲击成分进行自适应增强,有效检测出被噪声淹没的微弱故障,实现滚动轴承故障的精确诊断。     

改进IESFOgram的滚动轴承故障特征提取

针对特征优化图改进包络谱(Improved Envelope Spectrum via Feature Optimization?gram,IESFOgram)算法在轴承随机滑动的条件下不能有效揭示故障特征的问题,提出了一种基于设置特征频率容差因子的改进IESFO?gram算法.该方法使用循环谱相关分析提取滚动轴承故障...     

基于改进SVD及参数优化VMD的轴承故障诊断

为解决轴承早期故障特征难以提取的问题,提出一种基于改进奇异值分解(SVD)及参数优化变分模态分解(VMD)的轴承故障诊断方法。首先,对原始故障信号进行SVD降噪、微弱故障信号的分离,通过包络熵最小、峭度最大原则对其重构矩阵的秩进行优化。其次,对改进SVD降噪后所得信号进行VMD分解,将包络谱幅值峭度和峭度构成新的指标(合成峭度),通过所有本征模态分量(Intrinsic Mode Function,IMF)的合成峭度均值最大原则对VMD的参数进行优化,获得若干的IMFs。最后,根据峭度-欧氏距离指标筛选出含故障信息丰富的IMF,进行包络解调运算,分析信号的包络谱判断轴承故障类型。通过对仿真信号和实测信号进行分析,可成功提取出微弱特征频率信息。由此表明,基于改进SVD及参数优化VMD的轴承故障诊断方法可有效地实现轴承早期故障诊断,具有一定的可靠性和实用性。     

基于优化VMD与改进阈值降噪的滚动轴承早期故障特征提取

针对复杂工况和强背景噪声干扰下,滚动轴承早期故障信号微弱导致故障特征难以提取的问题。提出了优化变分模态分解(VMD)与改进阈值降噪的滚动轴承故障特征提取方法。首先,通过鲸鱼优化算法(WOA)优化VMD实现振动信号的自适应分解,建立了L-峭度和相关系数的最优模态分量选取准则;然后对选取的最佳分量进行改进阈值降噪;最后,对降噪后的信号进行希尔伯特包络谱分析实现故障特征频率的提取。在仿真信号和美国西储大学工程数据集上,对提出的方法进行了验证,同时与Teager能量算子降噪的方法和基于包络熵准则的优化方法进行了对比,结果表明提出的方法效果更优。     

改进 TSA 降噪与平方包络谱分析的故障特征提取

为实现旋转机械设备故障诊断,提出基于相关性检测的振动信号改进时域同步平均(Time Synchronous Averaging,TSA)降噪方法,并利用平方包络谱提取故障特征。在采样振动信号中任取一段参考子信号,令参考子信号从振动信号初始时间开始,沿时间轴逐点滑动至终了时间,同时计算参考子信号与其在振动信号中遮掩子信号之间的相关系数;利用步长迭代算法获取相关系数最优阈值,选择与参考子信号相关系数大于最优阈值的所有遮掩子信号作为总体同步信号,平均计算后获得降噪的目标信号;对目标信号进行平方包络谱分析。仿真信号、齿轮和轴承振动信号的分析结果表明,所提出的方法能够有效用于旋转机械设备的振动信号降噪与故障特征提取。     

基于VMD和窄带包络相关的船舶辐射噪声改进DEMON分析

船舶辐射噪声的包络谱中蕴含着轴频和桨叶数等船舶固有特征信息,对船舶目标识别具有重要意义。为了提高船舶辐射噪声包络谱解调性能,提出了基于变分模态分解(Variational Mode Decomposition, VMD)和窄带包络相关的改进DEMON分析方法。首先利用VMD算法代替传统带通滤波器,将船舶辐射噪声信号分解为若干个子带;然后对各子带进行希尔伯特(Hilbert)检波并计算平均窄带包络相关系数,用于衡量信号的包络调制在频域上的非均匀性;最后提取各子带信号包络谱并按照平均窄带包络相关系数进行加权融合,从而得出宽带噪声信号的包络谱。利用该方法对实测不同类型和不同航速船舶辐射噪声信号进行了处理,结果均表明所提方法能有效提高包络谱解调效果,较传统方法更为有效。     

S变换引导变分模态提取的旋转机械故障诊断方法EI北大核心CSCD

针对信号变分模态分解(VMD)存在分解层数难以确定、目标模态难以选取的问题,介绍了一种信号分解方法——变分模态提取(VME),且提出了基于S变换(ST)与VME的旋转机械故障诊断方法。VME将信号分解成两层——期望模态和残余信号,并基于一个新的准则:期望模态与残余信号之间具有最小的频谱重叠。为了使VME得到的期望模态包含充分的故障特征,采用S变换对信号进行处理,确定故障特征所在的频段,据此选取VME期望模态的中心频率初始值。为了从期望模态中提取出故障特征频率,采用平方包络谱(SES)对期望模态进行分析。仿真信号与实际振动信号的分析结果表明,所提出的ST‐VME方法能够成功提取出有价值的期望模态和准确的故障特征频率,实现旋转机械故障诊断,且与VMD相比,ST‐VME方法的目标性更强,实施更容易。     

风力发电机轴承复合故障特征提取方法研究

针对较强背景噪声干扰下的风力发电机轴承复合故障特征难以准确提取的问题,提出了基于自适应最大相关峭度解卷积(AMCKD)的风力发电机轴承复合故障特征提取的方法。首先,利用人工鱼群算法(AFSA)以解卷积信号包络谱的相关峭度值为目标函数对最大相关峭度解卷积算法(MCKD)的影响参数自适应寻优;然后,将影响参数优化的MCKD对原始故障信号进行解卷积处理,对解卷积信号进行包络谱分析,通过包络谱中的主导频率成分与轴承各元件的故障特征频率相对比,准确实现轴承复合故障的诊断。仿真和工程应用实例验证了所提方法的有效性与实用性。