瞬态成分参数的最小二乘法辨识及其轴承故障特征提取应用

机械系统中轴承出现剥落、裂纹等局部故障,运行时振动信号中出现瞬态冲击响应成分,可通过瞬态成分的检测与提取实现故障特征提取。在瞬态成分建模的基础上,提出基于最小二乘法的瞬态成分参数辨识方法,并将其应用于轴承局部故障时振动信号中瞬态成分特征迭代提取。基于Morlet小波参数化表达式建立双边不对称的瞬态成分模型,应用Levenbery-Marquardt方法辨识模型参数,迭代提取信号中的瞬态成分,并通过Wigner-Ville分布获得瞬态成分高聚集性且瞬态成分之间无交叉项的故障特征时频表示。将基于最小二乘法的瞬态成分参数辨识方法应用于轴承局部故障特征提取,结果表明:该方法能通过参数辨识提取各瞬态成分,瞬态成分时频分布将故障的时频特征以高聚集性且瞬态成分之间无交叉项的形式表示出来,从而有效提取轴承故障特征。     

基于多普勒调制时移 Laplace 小波的列车轴承故障声 信号瞬态成分快速提取方法

提出了一种基于多普勒调制时移Laplace小波的列车轴承故障声信号瞬态成分快速提取方法,包含“先粗后精”两个步骤：1)瞬态参数粗估计,利用现有的多普勒调制等周期Laplace小波模型粗略估计瞬态参数;2)参数精确估计与瞬态成分提取,构造多普勒调制时移Laplace小波模型,使用逐个匹配的策略进行瞬态参数精确估计和瞬态成分的提取。所提方法具有以下优点：1)更高的精度,使用的多普勒调制时移Laplace小波模型在时域内仅有一个时延参数定位的小波成分,能够解决周期瞬态模型在提取伪周期瞬态成分时匹配误差问题;2)高效率,由于使用了周期瞬态模型粗略估计瞬态成分参数,因此在瞬态成分逐个提取的过程中小波参数的范围可以设的很小,实验对比分析结果显示,与直接提取方式相比效率提高了71.46%。本研究提供了一种从含有多普勒畸变的列车轴承故障声信号中精确地、高效率地提取瞬态成分的方法。     

基于稀疏表示的故障敏感特征提取方法

针对故障诊断中的特征选择问题,提出一种基于非负稀疏表示的低维敏感特征提取方法。为了增强主分量的可解释性,针对L1-范数优化目标,通过权系数的稀疏和非负约束实现非负稀疏主分量的提取。采用主分量特征的累积方差变化率自适应地确定稀疏度,并依据稀疏分量与原始特征少关联的需求确定稀疏分量的数目,实现敏感特征的优化提取。通过仿真数据的分析表明,非负稀疏分量不仅提取出描述原始数据分布的敏感特征,还提高了数据的聚类性能。将该方法应用于滚动轴承的多种故障状态识别中,在由非负稀疏主分量构成的特征空间中,数据的聚类效果优于主分量特征空间;综合分析稀疏参数的选取和敏感特征的提取过程,表明提出的稀疏表示方法不仅能自适应地确定稀疏度,还能有效地获取原始特征的敏感程度,为故障诊断特征提取提供了很好的解决方案。     

基于Laplace小波相关滤波的周期性冲击故障特征提取

为了提取周期性冲击故障振动信号中的特征信息,提出了基于相关滤波的故障特征提取方法。采用与振动信号衰减振荡波形十分相似的Laplace小波作为相关滤波的小波函数,利用幅值谱分析方法确定相关滤波的频率参数,缩小了搜索范围,提高了滤波效率。实验表明,通过该方法,可以有效去除故障信号中的噪声,获得特征频率信息,为故障诊断提供依据。     

全矢谱和稀疏分解结合的轴承故障特征提取

针对滚动轴承在故障早期特征信号微弱、故障特征提取困难以及单通道分析方法信息利用不充分等问题,提出了一种基于稀疏分解与全矢谱相结合的滚动轴承早期微弱故障特征提取方法。首先,在已构造的冗余字典基础上对滚动轴承同源双通道早期故障信号分别进行稀疏分解,得到各自的稀疏信号;然后,将同源双通道稀疏信号进行全矢信息融合;最后,对融合后的信号进行包络解调分析,以提取出故障特征频率。该方法将全矢谱拓展到早期微弱故障诊断领域,并通过实验验证了其在早期微弱故障特征提取方面的有效性。     

应用小波包和Hilbert分析的轴承故障特征提取方法

利用小波包理论的基本原理,对滚动轴承的故障信号进行了处理,实测信号经小波包分解和重构后,应用Hilbert变换进行包络解调和细化频谱分析,得出故障信号所对应的频谱。试验结果证明,对滚动轴承的非平稳信号进行小波包的Hilbert变换和细化频谱分析,并进行故障诊断是行之有效的,这为旋转机械的故障诊断提供了新的参考,具有重要的实际工程应用价值。     

自适应Morlet小波降噪方法及在轴承故障特征提取中的应用

分析了Morlet小波变换的滤波特性及其时频分辨率,利用Morlet小波良好的时域和频域特性及奇异值分解技术,提出了一种基于自适应Morlet小波和SVD的降噪方法。针对滚动轴承故障在振动信号中表现为冲击衰减波形的特点,采用修正的Shannon熵方法同时优化Morlet小波的中心频率与带宽参数,实现其与冲击特征成分的最优匹配;针对根据小波系数矩阵奇异值曲线的过渡阶段求取最佳变换尺度的方法存在着不够快捷方便的不足,将其与小波系数奇异值比方法相结合来快速方便地求得最佳变换尺度;最后对信号进行降噪处理提取故障特征。对仿真信号和实际轴承内外圈故障信号的应用分析表明,该方法具有良好的降噪性能,能有效地提取出滚动轴承的微弱故障特征。     

基于小波包-AR谱的变速器轴承故障特征提取

提出了一种小波包-AR谱估计和计算散度相结合的汽车变速器轴承故障特征提取方法.将6种不同磨损状况下的变速器轴承振动信号进行小波包分解,重构各频段信号并进行自回归(auto regressive,简称AR)谱估计,最后计算各故障轴承到新轴承之间的散度值.试验结果表明,不论是轴承的轴向间隙,还是径向间隙差异及疲劳剥落,在小波包-AR谱的谱图上均有明显的反映,该方法可以有效提取出汽车变速器轴承振动信号中的故障特征.     

基于小波包的滚动轴承故障特征提取

在深入分析离散小波包变换快速算法的基础上，给出了离散小波包变换快速算法中产生频率混淆的原因，即由正交镜像滤波器的非理想截止特必, 隔点采样和隔点插零的特性共同作用产生的，提出了一种消除频率混淆的算法，利用该算法和原算法，分别对某型滚动轴承内环剥落故障的振动信号进行处理，提取其故障特征，结果表明，原算法由于存在频率混淆，可能掩盖故障特征，提出的新算法，由于很好地消除了频率混淆，能有效地提取滚动轴承局部故障的特征。     

面向转子故障特征提取的多尺度拉普拉斯特征映射方法

融合多尺度分解理论和流形学习思想,提出了一种面向转子故障特征提取的多尺度拉普拉斯特征映射算法。首先对转子故障振动信号进行多尺度小波包分解,提取各独立频带信号的最优尺度小波熵,构建特征参量矩阵并估计其固有维数,然后通过拉普拉斯特征映射将特征参量数据嵌入到低维本征空间,得到故障的最敏感特征,最后融合决策实现故障的准确识别。实验表明,相对于主成分分析算法、局部线性嵌入算法和拉普拉斯特征映射算法,多尺度拉普拉斯特征映射方法提取的转子故障信号特征更容易识别。     

基于小波包样本熵的滚动轴承故障特征提取

将样本熵引入故障诊断领域,讨论了样本熵的性能和计算参数的选择.结合小波包分解和样本熵,提出了一种新的滚动轴承故障特征提取方法.首先对轴承振动信号进行小波包分解;然后对归一化能量最大的子带进行重构,计算重构信号的样本熵;最后通过样本熵评价故障状态.滚动轴承故障诊断实例验证了该方法的有效性.     

基于特征融合和稀疏表示的齿轮故障诊断

提出了基于特征融合和稀疏表示的机械故障诊断方法。用小波包分解齿轮振动信号,提取各频带的能量,组成初始特征向量。为了去除初始特征向量中的冗余信息,采用核主元分析进行特征融合,对初始特征向量进行降维,将降维之后的特征向量进行归一化,作为稀疏表示分类的输入。齿轮故障诊断实验表明,所提方法能较好地诊断出齿轮不同类型的故障。     

Walsh变换在滚动轴承早期故障特征提取中的应用

依据Walsh变换具有分析微弱脉冲信号的优点,提出一种基于Walsh变换的滚动轴承早期故障特征提取方法。通过仿真及滚动轴承早期故障特征提取的实例分析,证明Walsh功率谱在故障特征提取中的敏感性及抗噪能力优于Fourier功率谱,具有较强的故障特征提取能力,凸显了滚动轴承的故障特征频率,能有效地诊断出轴承的早期微弱故障。     

基于稀疏表达特征提取的发动机爆震状态检测

研究了利用发动机缸体振动信号进行爆震检测和强度评价的方法,提出了一种基于广义正交匹配追踪的改进K?均值奇异值分解（K?means singular value decomposition,简称K?SVD）信号处理方法,将稀疏表达理论引入了发动机爆震特征识别领域。首先,对缸体振动信号进行稀疏分解,得到涵盖爆震特征的稀疏字典以及针对单个信号的稀疏系数;然后,计算重构信号的四阶累积量的自然对数,提出了一种爆震强度评价指标。计算结果表明,该方法对于混有强烈背景噪声的缸体振动信号表现出了良好的降噪和特征提取能力,且提高了运算效率,能够准确区分强烈爆震、轻微爆震和正常燃烧3种状态,证明了该方法在发动机爆震识别领域的应用价值。     

基于最优小波基的电机故障信号特征提取研究

小波变换去噪中最关键的问题是最优小波基的选取,使其能够将噪声从原始信号中分离出来。针对电机故障的特点,提出了一种基于信号的最优小波基选取方法。将信号小波变换的能量阈值曲线作为小波基函数的适用性评价指标。通过训练神经网络,选取适合该信号的最优小波基,最后采用平移不变量(TI)小波阈值法实现信号去噪。在此基础上对750W化纤电机进行了测试,实验结果表明,该方法能准确找出适合特定信号的最优小波基。训练后的神经网络可直接用于其它类型电机的信号去噪处理,具有实用价值。