基于形态滤波和独立分量分析的轴承故障盲分离

针对独立分量分析（ICA）对噪声较为敏感及滚动轴承故障信号的调制特性,提出一种基于形态滤波与ICA相结合的方法。该方法首先对观测信号进行形态滤波以突出故障特征同时消除其他干扰源,然后应用ICA分离形态滤波后信号。对滚动轴承外圈内圈复合故障信号进行实验研究,结果表明该方法能够有效识别分离滚动轴承故障特征。     

基于Laplace小波字典的轴承故障特征提取研究

滚动轴承作为机械系统的重要组成部件,由于工作环境恶劣,极易发生故障。故障轴承振动信号包含瞬态冲击成分、谐波成分、背景噪声等多种成分。为准确提取故障特征,基于稀疏表示理论,提出Laplace小波字典的轴承故障诊断方法。首先,截取振动信号片段若干,运用相关滤波法找到相关系数最大时的信号片段,依据此确定基底函数,构造Laplace小波原子并扩展成稀疏字典;然后,采用OMP算法,完成信号在字典下的稀疏重构,实现降噪;最后,对降噪信号进行包络分析,提取故障特征,确定故障类型。仿真和实验均验证了所提方法的有效性和可行性,具有一定的应用价值。     

基于合成谱峭度优化VMD的滚动轴承故障特征提取

针对滚动轴承振动信号特征在强噪声的情况下难以提取的问题,提出了一种基于合成谱峭度优化变分模态分解的方法.首先,对原始故障信号进行变分模态分解,依据合成谱峭度值最大的原则分别优化VMD的关键参数—模态数和惩罚因子,得到若干本征模态分量;然后,计算各IMF峭度,选取峭度值最大的分量作为最优IMF;最后,对最优本征模态分量进行希尔伯特变换,以获得其包络谱,从而实现故障特征频率的提取.通过公开数据集和自制试验台相关数据的分析,表明所提方法能在强噪声背景下有效提取故障信号的故障特征,实现故障类型的判别.     

形态梯度解调在电机轴承故障特征提取中的应用研究

轴承故障在电机设备常见故障中占有很大比例,且极易与转子故障发生耦合作用,形成复合故障。针对电机轴承故障信号调制性的特点,提出采用形态梯度解调方法对轴承故障信号中的冲击成分进行提取。针对传统包络解调分析在处理双加性时域信号时的局限性,仿真验证了形态梯度和形态差值算子在处理该类信号时的有效性。通过分析结构长度对解调性能的影响,论证了形态梯度解调在解调性能等方面要优于形态差值解调,更有利于进行特征提取。仿真和实例证明,形态梯度解调算法克服了包络解调抗低频信号干扰能力不强的缺陷,且故障特征反应明显,可以更有效地提取电机轴承故障特征。     

基于MPDE-EEMD及自适应共振解调的轴承故障特征提取方法

针对滚动轴承振动信号具有非线性、非平稳性和非高斯性,并且故障特征往往淹没于系统噪声之中而难于识别的问题,提出了以多种群差分进化(multiple population differential evolution, MPDE)算法来改进集合经验模式分解(ensemble empirical mode decomposition, EEMD)的MPDE-EEMD消噪方法,并与自适应共振解调技术(adaptive resonance demodulation technique, ARDT)相结合实现故障特征提取。首先,为了解决EEMD中加入参数依靠人工选择且难以准确获取的问题,建立极值点分布特性评价函数,利用MPDE来寻优获取最佳白噪声幅值,实现EEMD自适应分解。然后,采用峭度与相关性相结合的准则对分解后的IMF分量进行自动筛选,将满足条件的有效信号进行重构,实现对原始振动信号的降噪处理。最后,采用ARDT自动确定对消噪信号进行带通滤波的带宽和中心频率,再通过包络解调提取出滤波信号的特征频率。将轴承仿真故障信号与实际故障信号用于算法的验证,结果表明MPDE-EEMD+ARDT能有效提取出轴承故障特征。     

基于固有时间尺度分解的风电机组轴承故障特征提取

针对风电机组调心滚子轴承故障振动信号非平稳、非线性的特点,提出了基于固有时间尺度分解（ITD）的轴承故障特征提取方法。ITD方法可以将复杂信号分解成若干个固有旋转分量和一个趋势分量之和,能准确地展示非平稳信号的动态特性,有较高的拆解效率和频率分辨率。分析结果表明,ITD方法能有效地提取风电机组轴承故障特征,可用于在线故障诊断。     

基于差值信号的故障特征提取及应用

以电路软故障作为研究对象,提出了一种基于差值信号做故障特征的方法。首先将被测电路中各状态的信号波形的数据与标准信号波形的数据作差值,差值作为新的数据组,再进行小波包变换提取特征向量,经主元分析后选取具有代表主要信息的作为综合特征向量,最后送到分类器进行诊断。实验结果表明此方法可以有效地将电路软故障区分开来。     

一种强噪声背景下地铁车轮轴承故障信号的特征提取方法

针对地铁车轮轴承的声学法故障诊断中背景噪音大、难以提取出有效故障特征的问题,提出了一种在强噪声背景下故障特征提取的方法。对声音信号进行短时傅里叶变换(short-time Fourier transform,STFT)得到时频图,时频图中的条纹就是故障特征;沿条纹方向将图像各个点的信号强度相加,得到时频图对应的信号强度叠加折线图来展示故障特征,并且提出一种基于峰值高度的自适应循环降噪算法对信号强度叠加折线图进行降噪,得到该折线图的评价指标为有效峰值数目;最后提出一种自适应滑动窗口检测法来截取时频图中条纹分布的区域,以此来得到最优的故障特征展现效果。实验结果表明,所提出的方法可以从采集的音频信号中提取出来明显有效的故障特征。     

基于变压器故障分类的DGA特征提取

为提高诊断效果,利用DGA诊断电力变压器故障时,可从模式识别的角度出发,针对具体的分类模式,提取出能区别不同类别模式的“选择性”信息。选择和测试放电与过热故障、电路过热与磁路过热故障的气体特征的结果表明,根据不同的分类模式提取气体特征对提高故障识别效果有益。     

CEEMDAN与改进形态差值滤波结合的滚动轴承故障诊断

受电机所处工作环境中诸多因素的影响,轴承故障振动数据通常会混杂大量噪声,使得故障特征被无效噪声信息所淹没。为了将轴承故障冲击特征信息从含噪信号中提取出来,提出了一种CEEMDAN与改进形态差值滤波结合的故障诊断方法。在诊断初始阶段利用CEEMDAN对故障信号加以处理,得到相应的固有模态函数(IMF);用归一化互信息及峭度值作为评判标准,筛选所需的IMFs分量信号,并以此为基础完成信号重构;利用改进形态差值滤波实现对重构信号的去噪处理;求取处理后的信号频谱并加以探究,提取故障特征信息,完成对故障的有效诊断。由实例验证结果可知,该方法可在背景噪声干扰下对故障特征频率进行较好的定位,能够作为滚动轴承故障诊断的有效方法。     

基于改进的动态独立成分分析故障检测方法

针对滚动轴承早期故障特征微弱,且振动信号是一组随时间变化的序列,具有一定的时序相关性,导致滚动轴承早期故障检测难度增加的问题,本文提出了一种基于深度分解的动态独立成分分析（deep dynamic independent component analysis,Deep DICA）故障检测方法。主要思想是首先增加观测数据矩阵,以便将动态过程考虑在内。然后,为了更好地挖掘出微弱的早期故障信息,提出了深度分解原理对早期故障进行特征提取。最后,建立故障检测模型进行在线故障检测,并通过轴承实验对所提出的方法进行了验证。实验结果表明,提出的基于Deep DICA的故障检测方法有很好的准确率和适用性。     

基于CEEMD和MOMEDA的滚动轴承故障提取

当滚动轴承发生故障时,故障特征信号会夹杂在振动信号中,造成故障特征信号提取效果不理想.针对这一问题,提出了一种互补集成经验模态分解与多点最优最小熵(CEEMD-MOMEDA)的滚动轴承故障提取方法.首先通过CEEMD算法对采集到的振动信号进行处理,然后通过峭度准则对非故障冲击成分进行筛除,最后利用MOMEDA算法对重组...     

电动机滚动轴承的故障诊断

本文根据滚动轴承发生损伤故障时振动信号的特点，利用带通数字滤波和希尔伯特变换，对电动机轴承振动信号进行处理，然后对包络信号作谱分析，再从包络谱中提取故障特征频率分量，以诊断电动机轴承故障。实验结果表明，这种诊断方法是很有效的。     

基于时变自回归模型阶次判定值的滚动轴承特征提取

针对滚动轴承振动信号的非平稳性,提出了一种基于时变自回归模型阶数判定值的特征提取方法.通过用时变自回归模型定阶过程中的判定值构建特征量,并以支持向量机的分类识别率为依据选择最佳的特征向量维数,输入支持向量机进行滚动轴承运行状态的识别.仿真实验表明,所提方法能够有效地提取滚动轴承的故障信息进而实现其故障诊断.     

基于深度卷积神经网络的轴承故障诊断方法

针对传统浅层轴承故障诊断方法依赖于人工特征提取和诊断专业知识从而缺乏自适应性问题,结合卷积神经网络善于识别二维形状的特点,提出一种基于深度卷积神经网络的故障诊断方法(DCNN)。首先,为充分展现滚动轴承故障特征信息,利用短时傅里叶变换得到滚动轴承振动时间序列的二维时频谱;其次,通过卷积神经网络自适应提取时频谱中不同故障特征;最后,将提取的轴承故障特征利用Softmax分类器输出诊断结果,实现轴承故障诊断。通过实测故障轴承数据对该方法进行验证,结果表明DCNN在多故障、变负载的轴承故障诊断准确率高达99.9%,证明了所提方法具有良好的泛化性能和可行性。     

灰色关联诊断法在滚动轴承故障识别中的应用研究

本文阐述了在滚动轴承故障诊断中，将获得的多个特征参数，采用灰色关联分析方法，通过微机运算，对故障进行快速识别，分类。     

运用人工神经网络诊断电机轴承故障

本文运用人工神经网络方法实现对滚动轴承故障的自动分类与诊断。文中给出了神经网络诊断系统的框图，电机滚动轴承振动信号经滤波和包络处理之后，采用ＲＮＮ网络对包络谱数据进行压缩处理，然后利用基于ＢＰ算法的前馈网络实现对轴承故障的自动分类和诊断。实验结果表明，这种诊断方法是行之有效的。