基于多层混合滤噪的轴承早期弱故障特征提取方法EI北大核心CSCD

为了提取受强背景噪声干扰的信号中的弱故障特征,提出一种基于局部均值分解的多层混合滤噪方法(Local Mean Decomposition-Multilayer Hybrid De-noising,LMD-MHD)。针对LMD分解所得的乘积函数(Product Function,PF)分量可能存在虚假分量的问题,提出一种多指标综合决策方法,结合各指标在不同故障阶段的量化能力,筛选出合理的有效PF分量。将小波阈值滤噪设为奇异值分解(Singular Value Decomposition,SVD)的前置处理单元,使保留的较大奇异值以特征信息贡献为主,减少干扰成分,并采用信号快速傅里叶变换结果中主频率个数来确定奇异值重构阶数。轴承早期故障振动信号的试验结果表明,该方法能够可有效滤除随机噪声和脉冲干扰,提取强背景噪声下的早期弱故障特征,提高轴承故障诊断的准确性。     

基于字典学习的轴承早期故障稀疏特征提取

针对低速重载机械滚动轴承早期故障的振动信号中故障特征冲击成分微弱易被噪声覆盖难以识别,而利用稀疏表示方法提取冲击成分时因轴承工况非平稳性,准确匹配冲击成分字典难以构造问题,提出基于字典学习的轴承早期故障稀疏特征提取方法。利用改进型K-SVD字典学习算法构造自适应字典;采用正交匹配追踪算法(Orthogonal Matching Pursuit,OMP)对振动信号进行稀疏分解,计算每次迭代逼近信号的峭度值,找出最大峭度值对应的逼近信号;重构特征成分并进行包络谱分析,获得故障类型。仿真及轴承振动数据测试结果表明,所提方法能更好匹配早期故障特征成分、满足轴承实时故障监测需求。     

基于平方包络谱负熵准则的轴承早期复合故障特征提取方法

针对轴承早期复合故障诊断中故障特征难以提取的问题,提出基于平方包络谱负熵准则的优化群分解(optimized swarm decomposition,OSWD)方法.该方法首先构建基于平方包络谱负熵的优化准则,通过改进蝗虫优化算法(improved grasshopper optimization algorithm,...     

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。     

基于改进CEEMDAN和TEO的轴承故障特征提取方法

故障特征的提取是检测与识别故障类型的关键。为优化自适应噪声完整集成经验模态分解(CEEMDAN)的降噪效果,提出一种基于综合评价模型(SDEA)改进的CEEMDAN降噪方法,优化CEEMDAN的去噪效果。该方法首先建立综合评定模型,然后通过峭度准则、相关系数筛选特征模态重构信号,由SDEA评价信号去噪效果。经过多次迭代,选择综合指标最高的迭代次数作为最优降噪信号,再利用能量贡献率选取最优降噪信号的IMF进行重构,最后通过Teager能量算子解调对信号进行包络谱分析,进而得到故障特征频率。实测数据证明,此方法能够准确提取故障特征频率,实现对故障信号的识别,且相较于现有方法可提高信噪比和运算效率。因此采用该方法可为早期轴承故障诊断提供一种有效的解决方案。     

基于Teager峰值能量的低转速轴承故障特征提取方法

峰值冲击是轴承故障信号中的重要特征之一,明显的峰值冲击有利于其故障诊断,而低转速工况下轴承故障由于振动能量小,峰值冲击微弱,导致故障特征容易被噪声淹没,通常无法通过包络分析等方法提取。为了增强微弱故障信号中的峰值冲击,提取低转速轴承故障特征,提出了基于Teager峰值能量的故障特征提取方法。采用移动窗口截取原信号,计算截取信号段的峰峰值,从而构造峰峰值特征波形,增强故障信号中的峰值冲击;利用Teager能量算子对峰峰值特征波形进行解调,抑制噪声干扰,提取瞬时冲击成分;根据提取的Teager能量频谱判断轴承的运行状态。实验结果表明,该方法有效提取了低转速轴承的冲击特征,实现了故障的诊断。     

基于约束独立成分分析的轴承复合故障特征提取方法

为从复合故障信号中提取各故障特征,提出一种离散小波变换(DWT)和约束独立成分分析(CICA)相结合的单通道复合故障诊断方法。首先通过DWT方法将单通道振动信号进行小波分解后,利用小波重构函数重构各层分解信号。然后取重构信号的包络信号作为CICA算法的输入矩阵,基于滚动轴承先验知识建立参考信号,从而分离出轴承各故障信号,提取故障特征。最后,在滚动轴承故障模拟实验台上进行了方法验证。结果表明:该方法可有效分离滚动轴承外圈和滚动体故障,实现了轴承复合故障的诊断。     

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。     

混合插值的ESMD在电机轴承故障特征提取的应用

针对极点对称模态分解(ESMD)处理电机轴承故障信号存在局部模态混叠的问题,提出了一种基于有理Hermite插值和三次样条插值改进的ESMD电机轴承故障特征提取方法。由于首先有理Hermite插值可通过控制形状参数来调节插值曲线,将固有模态分量(IMF)的瞬时频率带宽作为的优化准则,采用有理Hermite插值与三次样条插值相结合,既避免了插值耗时过长,又考虑了插值曲线的平滑性;采用自适应权重调整的粒子群算法(PSO)确定每阶IMF的最优形状控制参数,避免陷入局部最优,使得IMF最优,从而提高ESMD自适应性和分解精度。试验结果表明,该方法可有效提取电机轴承故障特征,并有效缓解ESMD模态混叠,与其它方法相比分解效果更好。     

基于振动信号分离的行星轴承故障特征提取

由于行星轴承振动信号传递路径的时变性,且行星齿轮箱中齿轮啮合振动信号较强,导致行星轴承故障特征提取较为困难。为此,提出了一种基于振动信号分离的行星轴承故障特征提取方法。该方法首先采用阶比分析技术将原始振动信号进行等角度采样;每当行星架旋转一周,采用Tukey窗进行加窗截取,按照啮合齿序重新拼接,构造振动分离信号。再采用离散随机分离从振动分离信号中提取行星轴承故障分量;最后进行包络谱分析提取故障特征。行星轴承内圈故障实测信号分析表明,该方法能有效提取行星轴承故障特征。     

基于自适应加权多尺度组合形态滤波的轴承故障特征提取研究

针对滚动轴承振动信号在进行早期故障诊断时往往会伴随着噪声干扰的问题,提出了一种选择性自适应加权多尺度组合形态滤波(Adaptive Weighted Multi-scale Combination Morphological Filtering,AWMCMF)方法,从振动信号中提取故障特征。首先,采用三种组合算子构成一组新的形态算子,可有效地提取出信号中的正负冲击特征;其次,基于新算子提出了加权多尺度形态滤波方法,并将Teager能量峭度作为评判指标为各尺度提供优化的权值;最后,将选择性自适应权值与多尺度算子进行加权绑定得到优化的故障特征提取结果。通过仿真信号和轴承故障振动信号的结果表明,该方法能有效地滤除噪声并提取故障特征。     

基于小波包模糊熵的往复压缩机轴承故障特征提取方法研究

针对多尺度模糊熵(multi-scale fuzzy entropy,MFE)分析时间序列复杂性时捕捉不到高频组分信息的局限,提出一种新的基于小波包模糊熵(wavelet packet fuzzy entropy,WPFE)的故障特征提取方法。该方法利用小波包对信号的低频和高频成分进行分解,应用模糊熵对各频带分量进行量化得到特征向量,因而能提取更全面、准确的故障信息。以往复压缩机传动机构为研究对象,将小波包模糊熵作为特征提取工具,通过振动信号提取不同位置轴承间隙大故障的特征向量,利用支持向量机作为分类器,与多尺度模糊熵进行对比分析,验证了该方法的有效性。     

基于形态滤波和EMD-AR谱的轴承故障特征提取

将AR谱估计与EMD方法结合,应用组合形态滤波对故障信号进行降噪预处理,对预处理后的信号进行EMD分解,之后对各阶IMF做AR谱估计并集总平均,从而提取振动信号的故障特征频率。文中所述算法能够避免HHT方法中Hilbert变换所产生的难以解释的负频率,较准确地提取出滚动轴承振动信号的故障特征频率,从而为滚动轴承振动信号的检测与故障诊断研究提供参考意见。     

基于高阶累积量的柴油发动机曲轴轴承故障特征提取

利用基于高阶累积量降维处理的1.5维谱、2.5维谱分析曲轴轴承不同磨损间隙下的发动机振动信号,提取曲轴轴承磨损故障的特征参数,有效地解决了高阶累积量计算量巨大,难以实现在线应用的缺点。试验时将振动加速度传感器放置在发动机缸体的5个不同的位置测取振动信号并分析,提取高阶谱降维处理后的特定频段内的频带能量作为特征值。结果表明,本文提出的方法能够有效地抑制噪声的干扰,提取出的特征参数能够较好地反映曲轴轴承的技术状态,且当发动机转速达1300r/min以上,振动加速度传感器置于油底壳与缸体接缝处的左右两侧时,采集的振动信号最能反映曲轴轴承的技术状况。     

基于振动烈度的液压泵故障多信息特征提取方法研究

单一信息呈现出模糊性和不完备性,无法准确评估液压泵的工作状态。为此,提出一种基于振动烈度理论的多传感器信息特征提取方法。通过物理量转换法将滤波后的泵出口流量信号和压力信号分别转换成速度信号和加速度信号;利用振动烈度的频域计算方法提取振动、流量和压力信号的烈度特征因子;以滑靴磨损故障为例分析烈度特征因子的敏感性,找出对故障反映敏感的烈度因子。本研究对于增加信息完备性和提高状态评估准确率具有重要意义。     

自适应UPEMD-MCKD轴承故障特征提取方法EI北大核心CSCD

为了准确提取强噪声背景下较微弱的轴承故障特征信息,结合均相经验模态分解(uniform phase empirical mode decomposition, UPEMD)和最大相关峭度解卷积方法(maximum correlated kurtosis deconvolution, MCKD)的优势,提出了一种自适应UPEMD-MCKD轴承故障特征提取方法。该方法将样本熵和峭度指标相结合构建最小熵峭比,采用遗传算法对最小熵峭比的最小值进行搜索,以确定移位数、滤波器长度和周期的最佳参数组合。经均相模态分解方法预处理的含噪信号通过相关性计算选取有效分量进行信号重构,重构信号借助最佳参数组合下的MCKD算法提取故障特征。内圈故障和外圈故障的实例分析表明,所提方法借助UPEMD的噪声抑制能力和最小熵峭比的参数组合寻优评价能力,能够从故障信号中有效的提取出微弱的故障特征。     

基于EMD的滚动轴承故障特征提取方法

故障特征提取是滚动轴承故障诊断的关键环节。首先系统研究经验模式分解方法；然后介绍在经验模式分解基础上提出的几种方法，包括：希尔伯特-黄变换，局域均值分解以及集合经验模态分解。分析各种方法的基本原理、应用和特点。EMD与多种故障特征提取方法相结合是轴承故障特征提取的研究方向。     

基于峭度原则的EEMD-MCKD的柔性薄壁轴承故障特征提取

谐波减速器用柔性薄壁轴承运行过程中因内圈长、短轴交替产生周期性冲击成分.当柔性薄壁轴承发生故障后,这种正常的周期性冲击成分和因故障引起的冲击叠加在一起,使得其故障特征提取难度很大.针对这一特点,提出基于峭度原则的EEMD-MCKD的柔性薄壁轴承故障特征提取方法.首先使用集成经验模态分解算法(EEMD)对信号进行预处理,...     

数字射线图像的滤噪方法

目的　研究射线图像中保持细节的滤噪方法 .方法　依据图像中噪声的特点 ,提出三种去噪方法 ,即差分梯度法、邻域比较法、σ滤波与邻域比较相结合 .结果　采用这些方法对射线图像进行处理 ,有明显的去噪效果 ,且保持细节 .结论　这些方法对于图像滤噪具有普遍意义 ,特别对于含有微小细节、颗粒脉冲噪声的图像更适合     

数字射线图像的滤噪方法

目的 研究射线图像中保持细节的滤噪方法。方法 依据图像中噪声的特点,提出三种去噪方法,即差分梯度法、邻域比较法、σ滤波与邻域比较结合。结果 采用这些方法对射线图像进行处理,有明显的去噪效果,且保持细节。结论这些方法对于图像滤噪具有普遍意义,特别对于含有微小细节、颗粒脉冲噪声的图像更适合。