基于倒谱预白化和形态学自互补Top-Hat变换的滚动轴承故障特征提取

为了消除振动信号中离散频率分量和强背景噪声对提取滚动轴承故障特征频率的干扰,提出了一种新的基于倒谱编辑(Cepstrum Editing Procedure,CEP)预白化和形态学自互补Top-Hat变换的方法用于滚动轴承的故障特征提取。CEP能够去除故障振动信号中的周期性频率成分,剩余只包含背景噪声和碰撞损伤引起的非平稳冲击成分的白化信号,通过分析构造的形态学自互补Top-Hat变换滤波器,提出采用故障特征幅值能量比(Feature Amplitude Energy Radio,FAER)的方法自适应确定最优结构元素的尺度,预白化信号经过形态学滤波有效消除了背景噪声的干扰,提取了较为清晰的轴承故障特征频率。对实测轴承滚动体、内圈故障信号进行了分析,结果表明该方法可有效提取滚动轴承故障冲击成分并抑制噪声。     

基于小波基稀疏信号特征提取的轴承故障诊断

轴承弱故障振动信号中的瞬态成分极易被强背景噪声湮没而无法及时检测,结合稀疏表示原理提出一种基于小波基的稀疏信号特征提取方法,从而实现信号中瞬态特征成分的提取。通过构建原始信号瞬态成分稀疏表示模型,对原始信号采用相关滤波法获取最优小波原子,并构建最优冗余小波基底,实现小波基与信号故障特征的最优匹配;设计二次严格凸函数并运用MM(Majorization Minimization)算法求解模型中的目标函数,将信号中的瞬态冲击成分转化为稀疏表示系数,实现强背景噪声下弱特征的有效提取。仿真信号及轴承微弱故障试验验证了该方法能有效地检测和提取强背景噪声下的微弱瞬态成分。     

基于自适应多尺度形态学AVG-Hat滤波的滚动轴承故障特征提取方法

针对机械设备故障信号中故障特征微弱,容易被背景噪声淹没而不能准确提取的问题,提出了一种新的自适应多尺度形态学AVG-Hat滤波方法,并将其用于强背景噪声下滚动轴承故障信号的特征提取中。首先,在分析传统形态学滤波器滤波特点的基础上,提出了形态学AVG-Hat滤波器的构造方法;然后,提出采用改进包络谱稀疏度作为选择滤波后最优信号的评价标准,通过粒子群优化算法自适应确定了多尺度滤波器中不同尺度结构元素的权重系数,进而构建了最优的多尺度形态学AVG-Hat滤波器;最后,将该滤波器用于处理故障振动信号,经过包络解调分析准确提取出了信号中的故障特征信息。通过对实测轴承故障信号进行分析,结果表明:该方法在信号降噪的基础上具有较强的故障特征提取能力,能有效用于滚动轴承故障的诊断,具有较高的工程应用价值。     

基于多尺度局部保持投影的轴承故障特征增强方法

针对轴承故障声发射信号的非线性特性,及易受背景噪声干扰的特点,提出一种多尺度局部保持投影方法。通过小波包分解实现一维信号的多尺度构造,利用近邻图保持信号局部流形信息,通过局部保持投影将信号变换到新的坐标空间下,实现故障特征增强。仿真和实验信号处理结果表明,多尺度局部保持投影方法在轴承故障增强检测中效果显著。     

基于小波基稀疏信号特征提取的轴承故障诊断EI北大核心CSCD

轴承弱故障振动信号中的瞬态成分极易被强背景噪声湮没而无法及时检测,结合稀疏表示原理提出一种基于小波基的稀疏信号特征提取方法,从而实现信号中瞬态特征成分的提取。通过构建原始信号瞬态成分稀疏表示模型,对原始信号采用相关滤波法获取最优小波原子,并构建最优冗余小波基底,实现小波基与信号故障特征的最优匹配;设计二次严格凸函数并运用优化最小(Majorization Minimization,MM)算法求解模型中的目标函数,将信号中的瞬态冲击成分转化为稀疏表示系数,实现强背景噪声下弱特征的有效提取。仿真信号及轴承微弱故障试验验证了该方法能有效地检测和提取强背景噪声下的微弱瞬态成分。     

一种基于形态提升的自适应轴承微冲击提取方法

在轴承早期故障中,冲击信号十分微弱,往往被背景噪声和低频谐波淹没,使得冲击信号提取有一定的难度。自适应多尺度形态滤波采用非线性滤波方法,通过不同尺度的结构元素,对冲击信号进行匹配并提取出来,但是由于微弱的冲击信号对结构元素尺度十分敏感,所以很难达到理想的提取效果。而利用形态梯度提升小波,首先将信号中的脉冲进行放大,降低低频信号和部分噪声的干扰,再对提升后的信号进行自适应多尺度形态滤波,这样就能显著的提取微弱的冲击信号,进而判定轴承发生的故障类型。仿真实验和轴承故障实例表明,该方法能有效提取背景噪声下的微弱冲击信号,是一种有效的微冲击提取方法。     

滚动轴承复合故障的时频能量聚集谱诊断方法EI北大核心CSCD

共振解调技术是轴承故障诊断领域中广泛应用的有效方法,其中解调频带的选取至关重要。传统解调方法仅能识别特征明显的单一轴承故障,而面对旋转机械轴承复合故障的异样微弱特征提取以及不同故障所引发的多个最优解调频带问题时往往难以奏效。为此,提出时频能量聚集谱诊断方法。该方法引入多重同步压缩变换,构造能量聚集的时频图,以解决最优解调频带精确性问题,同时提出能量聚集谱相对因子指标,通过指标实现强弱多故障特征频带综合提取、同步且准确输出,为旋转机械复杂动态信号中微弱和复合轴承故障特征提取与识别提供有利依据。试验结果表明,该方法能成功提取出轴承复合故障特征。     

基于谐波小波包变换的齿轮箱包络解调分析

齿轮箱发生某些故障时所产生的非平稳信号具有多分量调制的特点,啮合分量及倍频受噪声干扰影响严重且相互交叠,信号频带较宽异常复杂,给故障诊断带来了很大的障碍。在研究谐波小波频段分解与Hibert解调分析的基础上,提出了基于谐波小波包变换的解调分析法的实现过程。该方法首先对预处理后的信号进行三次样条插值并作必要的频谱分析;然后结合频谱特征与齿轮箱故障特征频率的理论计算值,确定所需提取的特征啮合分量;继而确定谐波小波包分解层数与提取的频带带宽,再通过傅立叶变换及反变换得到相应的特征啮合分量;最后采用Hilbert算子对提取出的啮合分量进行包络解调分析。将该方法应用到实际齿轮箱的磨损及点蚀故障的诊断试验中,验证了该方法对任意频段调制信息的精确提取能力,为齿轮箱故障源及故障程度的准确定位提供了可靠的判断依据。     

强背景噪声振动信号中滚动轴承故障冲击特征提取

针对机械早期故障引起的冲击特征微弱,易受强背景信号和噪声的干扰而难以提取的问题,提出一种奇异值分解(Singular Value Decomposition,SVD)差分谱与S变换相结合的微弱冲击特征提取方法。将原始信号构造成Hankel矩阵,采用SVD对重构矩阵进行分解;利用奇异值差分谱确定降噪阶次进行降噪;采用S变换对降噪后的信号进行时频分析,提取信号中的微弱冲击特征信息。通过数值仿真和实际轴承故障数据的对比,表明该方法可有效辨别轴承振动信号中故障引起的早期微弱冲击特征,为轴承故障诊断提供先验信息。     

基于小波-倒频谱的齿轮故障诊断方法及应用

利用振动信号采集到的齿轮故障信息,依据点蚀的故障机理和频谱特征,采用小波分解将信号分解在不同频带,有效抑制了背景噪声,从而得到故障特征频带,获得周期性突变的故障信息。选择故障所处频带重构信号,对故障进行诊断。结合倒频谱方法可以有效地识别故障特征频率。结果表明小波分析与倒频谱相结合是齿轮故障检测中一种有效的诊断方法。     

基于VMD和变尺度多稳随机共振的微弱故障信号特征提取方法

针对强噪声背景下旋转机械早期故障诊断的难题,提出一种基于变分模态分解与变尺度多稳随机共振的微弱故障信号特征提取方法。首先应用参数优化的变分模态分解(variational mode decomposition, VMD)算法对微弱故障信号进行分解, 得到若干本征模态分量(intrinsic mode function, IMF);然后通过峭度准则筛选出其中峭度最大的IMF分量;最后对该IMF分量进行变尺度多稳随机共振, 实现微弱故障信号的增强。实例表明:在强噪声背景下,利用参数优化VMD分解与变尺度多稳随机共振相结合的方法,可以有效提取出微弱信号特征频率,实现旋转机械故障状态的准确判断。     

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,...     

基于峭度准则EEMD及改进形态滤波方法的轴承故障诊断

针对轴承故障成分常以周期性冲击成分出现在振动信号中,而冲击响应成分常被强大噪声淹没,造成轴承故障特征提取困难等问题,将集成经验模态分解(EEMD)与改进形态滤波方法相结合,在本征模态函数(IMF)及形态学结构元素(SE)选取时均以峭度准则为依据,对筛选出的IMF分量进行信号重构后,再进行基于峭度准则的改进形态滤波方法处理。结果表明,该方法可避免共振解调中中心频率及滤波频带选取,自适应性较好;通过对实际滚动轴承内外圈故障分析,该方法可清晰准确提取到故障特征信息,噪声抑制效果好,可用于轴承故障精确诊断。     

基于参数优化变分模态分解的滚动轴承故障特征提取方法

在滚动轴承早期故障阶段,代表轴承故障特征的冲击成分容易被较强的背景噪声淹没,针对这一问题提出相关峭度(Correlated Kurtosis,CK)优化变分模态分解(Variational Mode Decomposition,VMD)的滚动轴承故障特征提取方法.针对变分模态分解方法参数不确定问题,提出利用以相关峭度为...     

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。     

基于改进自适应变分模态分解的滚动轴承微弱故障诊断

滚动轴承早期故障信息微弱,且混有大量背景噪声,难以提取其故障特征。提出了一种改进的自适应变分模态分解(AVMD)与Teager能量谱的微弱故障诊断方法。将最小平均包络熵(MMEE)作为目标函数,自动搜寻影响参数最佳值,确保变分模态分解(VMD)实现最优分解,并提出加权峭度指标(WK)用于选择有效模态分量进行信号重构,对重构信号进行Teager能量谱分析,从而识别故障特征频率。对轴承微弱故障振动信号的研究表明,所提方法改进了传统VMD算法分解精度受参数影响较大,导致信号出现过分解或欠分解的问题;与集合经验模态分解和局部均值分解算法相比所提方法具有更强的噪声鲁棒性和故障信息提取能力。     

基于二维互补随机共振的轴承故障诊断方法研究

一维随机共振(One-Dimensional Stochastic Resonance,1DSR)被广泛用于轴承故障诊断中。针对传统1DSR对微弱信号的检测效果不够理想,输出信号噪声大,不能准确获得轴承故障特征频率(Fault Characteristic Frequency,FCF)等问题,提出一种新的二维互补随机共振(Two-Dimensional Complementary Stochastic Resonance,2DCSR)方法并应用于轴承故障诊断。将采集到的轴承故障信号根据共振带位置进行带通滤波并解调,随后将解调信号对半分成两个子信号并输入2DCSR的两个输入端,利用输出信号的加权功率谱峭度(WPSK)指标对2DCSR系统参数进行自适应调节优化,得到最优的滤波输出信号及频谱,以识别轴承FCF并诊断轴承故障类型。数值仿真及实验结果表明,提出的方法可以有效地增强轴承FCF并提高轴承故障诊断效果。     

基于EEMD和参数自适应VMD的高速列车轮对轴承故障诊断

针对高速列车轮对轴承工作环境复杂,振动信号中时常伴有冲击性噪声和循环平稳性噪声,使得传统的参数自适应变分模态分解(variational modal decomposition,VMD)方法对轮对轴承的故障特征信息提取不准确的问题,提出了一种基于集成经验模态分解(ensemble empirical mode deco...     

基于集合经验模式分解和K-奇异值分解字典学习的滚动轴承故障诊断

针对经典K-奇异值分解算法构造的字典中原子形态受噪声、谐波干扰影响,进而降低冲击故障特征提取精度的问题,提出了基于集合经验模式分解和K-奇异值分解字典学习的冲击特征提取方法。该方法首先利用集合经验模式分解与Hurst指数对振动信号进行预处理,剔除谐波干扰;其次,利用经典K-奇异值分解算法和预处理信号构造超完备字典;然后,利用K-均值聚类算法对字典中的原子进行筛选;最后,利用正交匹配追踪算法实现冲击故障特征的稀疏表示。实验分析和工程应用验证了所提方法的有效性和实用性。     

基于最优品质因子信号共振稀疏分解的滚动轴承故障诊断

滚动轴承常常在复杂工况下工作,当滚动轴承出现局部故障时,其振动信号中除了与故障信息相关的周期性瞬态冲击成分外,还包含轴转频等谐波成分和背景噪声。因此,在滚动轴承故障早期,对滚动轴承振动信号直接进行包络解调分析往往效果不佳。针对上述问题,提出了基于最优品质因子信号共振稀疏分解的滚动轴承故障诊断方法。该方法首先以信号共振稀疏分解低共振分量的峭度最大为目标,利用遗传算法对信号共振稀疏分解方法的品质因子进行优化,得到最优品质因子;然后利用最优品质因子对轴承振动信号进行信号共振稀疏分解,得到高共振分量和低共振分量;最后对低共振分量进行希尔伯特解调分析,提取轴承故障特征频率,进而诊断滚动轴承故障。仿真信号和试验信号的分析结果表明,该方法能有效提取轴承故障振动信号中的冲击成分,诊断轴承故障。