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。     

谐波分解结合自互补Top-Hat变换的轴承微弱故障特征提取方法

针对轴承早期故障特征微弱,极易被背景噪声淹没而不能及时检测的问题,本文提出了基于谐波分解和自互补Top-Hat变换的轴承微弱故障特征提取方法。首先,通过改进广义谐波小波函数,使得信号分解后子带个数和带宽范围不受二进制分解方式的限制,并在此基础上应用谱峭度图方法确定信号中故障特征相对集中的最优频带;然后,对最优频带信号进行多尺度自互补Top-Hat变换,抑制背景噪声的干扰,突出微弱的故障冲击特征,并引入故障特征能量比的方法自适应确定最优结构元素的尺度;最后,通过包络解调提取出轴承微弱的故障特征。对仿真信号和实测轴承全寿命数据分析的结果表明,该方法能较为有效检测出轴承微弱的故障特征,具有较高的工程应用价值。     

多尺度形态滤波在行星轮轴承故障诊断的应用EI北大核心CSCD

齿轮箱中滚动轴承的故障信号微弱且易受干扰,导致轴承故障特征提取困难。为了提取信号中的微弱故障特征,提出了一种自适应的多尺度广义形态滤波(adaptive multiscale generalized morphological filter,AMGMF),特有的形态变换在抑制干扰的同时还增强了特征提取能力。首先,针对差值形态算子的滤波缺陷,提出了广义的优化差分算子(generalized enhanced different filter,GEDIF),并通过幅频特性和脉冲提取特性揭示其滤波特点;其次,由局部信号特征确定扁平结构元素的长度,改进的长度选择方法确保了形态滤波的自适应性和准确性;最后,以特征幅值比(feature amplitude ratio,FAR)分配各尺度的权重,加权重构得到了AMGMF的处理结果。通过仿真信号和行星轮轴承故障信号分析,结果表明AMGMF方法能有效地从复杂信号中分离出故障特征。与单尺度形态滤波、多尺度形态滤波和EEMD对比,AMGMF方法具有一定的优越性。     

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。     

基于改进形态-小波阈值降噪的轴承复合故障声学诊断

现场采集的滚动轴承复合故障声学信号存在噪声来源复杂、背景噪声强、非线性等特点,导致已知的自适应多尺度形态滤波不能很好的适用于轴承复合故障的盲分离。针对上述问题,提出一种基于改进的自适应多尺度多结构形态滤波(IAMSCMF)、改进的小波阈值降噪方法(IWTDM)和稀疏量分析(SCA)相结合的滚动轴承复合故障特征盲提取方法。首先利用IAMSCMF和IWTDM构造滤波器进行滤波及提高信噪比(SNR);其次利用SCA分离信号;最后用FFT进行频谱分析。仿真分析和滚动轴承现场采集声学信号分析结果均清晰的提取出了轴承故障特征,验证了算法的有效性。     

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。     

基于灰色关联度的形态滤波及滚动轴承故障诊断中应用

针对形态滤波中结构元素尺度难以确定问题,提出利用灰色关联度最大准则选择结构元素尺度进行形态滤波新方法。以不同尺度结构元素对信号进行形态滤波,计算滤波后信号与原信号灰色关联度,借助灰色关联度评价形态滤波质量,以灰色关联度最大原则确定形态滤波所需结构元素尺度,获得特征信息。利用信号仿真分析实施过程,并用于滚动轴承故障诊断。实验结果表明,该方法能有效提取滚动轴承故障特征信息,实现故障诊断。     

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。     

基于改进频域压缩感知的轴承复合故障欠定盲提取

针对旋转机械复合故障频域盲提取算法的不足,为提高欠定盲提取分离结果精度,提出基于多尺寸多结构元素的闭-开组合形态滤波、遗传模拟退火聚类及频域压缩感知重构算法相结合的(C-OACMF-GASA-CS)故障特征欠定盲提取方法。利用形态滤波滤除背景噪声及提取冲击信号;利用遗传模拟退火算法估计混合矩阵;用估计矩阵重构传感矩阵,并用正交匹配追踪基频域压缩感知重构分离信号。实验仿真及双通道滚动轴承故障加速度振动信号分析结果表明,该方法能有效分离提取滚动轴承故障特征。     

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。     

自适应多小波混合构造方法及在故障诊断中应用

小波理论中基函数的逼近阶和消失矩特性都是信号处理中非常重要的性质。传统自适应多小波构造方法仅能对逼近阶或消失矩单一特性进行改造,并且所生成的多个基函数时频特征和波形差异较小,难以有效实现复杂动态故障的自适应提取与识别。为此,提出基于两尺度相似变换和提升方法相结合的自适应多小波混合构造框架,对原有多尺度函数和多小波函数进行线性与非线性组合,扩大多小波改造空间,获得具有高阶逼近阶的多尺度函数和消失矩涵盖多阶次的多小波函数,增强多小波正则性、光滑性、信号逼近能力和局部定位能力,并提高信号分析精度,为复杂动态信号中微弱和复合故障特征提取与识别提供优良性质的自适应基函数及诊断方法;为按需优选自适应基函数,提出改进局部故障域谱熵最小化原则的自适应基函数优选方法,实现轴系、齿轮和轴承故障的分门别类优选,简化故障分类模式。工程实例表明该方法可以有效识别复杂背景噪声干扰下的轴承内圈微弱损伤,并成功诊断出空气分离压缩机组齿轮箱止推夹板碰撞与摩擦的多特征复合故障。     

基于自适应多尺度形态梯度变换的滚动轴承故障特征提取

滚动轴承故障信号是一种典型的周期性冲击信号,如何从含有强噪声的振动信号中有效的提取出冲击特征信号是轴承故障诊断的关键。基于数学形态学理论,本文提出了一种自适应多尺度形态梯度变换（AMMG）方法,它能够在有效抑制噪声的同时很好的保留信号的细节。仿真信号和实测轴承故障信号的分析结果表明,与常用的包络解调分析和近来提出的另一种基于数学形态学的形态闭变换方法相比析,自适应多尺度形态梯度变换具有更强的噪声抑制和脉冲提取能力,并且计算简单、快速,为滚动轴承故障特征提取提供了一种有效的方法。     

基于自适应MOMEDA与VMD的滚动轴承早期故障特征提取

轴承故障衍生早期,由于故障尺寸较小且易受环境噪声和信号衰减的影响,因此故障冲击信号往往非常微弱。变分模态分解(Variational Mode Decomposition,VMD)已经在轴承的故障特征提取中有一定的应用,但对于背景噪声较强时的滚动轴承的微弱故障提取效果并不理想。针对这一问题,将改进多点优化最小熵解卷积(Multipoint Optimal Minimum Entropy Deconvolution Adjusted,MOMEDA)与VMD相结合,研究了滤波器长度对MOMEDA效果的影响,提出基于进退法确定最优滤波器长度的自适应MOMEDA方法。利用自适应MOMEDA对信号降噪并避免传统MED迭代以及滤波后可能出现的虚假峰值。将自适应MOMEDA降噪后的信号使用VMD进行分解,然后依据谱峭度大小进行重构,对重构之后的信号进行故障特征提取,取得了较好的效果。最后通过实验验证了方法的可行性及有效性。     

基于迭代滤波和快速峭度图的滚动轴承微弱故障特征提取

在强背景噪声干扰下,快速峭度图提取滚动轴承微弱信号故障的特征效果并不明显。将迭代滤波(Iterative Filtering,IF)和快速峭度图相结合用于滚动轴承的微弱故障特征提取。滚动轴承故障振动信号通过迭代滤波进行自适应分解得到一组内禀模态分量,用迭代滤波对强噪声滚动轴承信号进行降噪处理,用快速峭度图构造最优带通滤波器,将滤波后信号的包络谱与轴承故障特征频率进行比较,从而诊断出具体故障。通过仿真和试验验证了所述方法的有效性及优点。     

FRFT循频滤波及齿轮微弱故障特征提取

提出了一种分数阶傅里叶变换(Fractional Fourier Transform,FRFT)循频滤波方法,贴近瞬变工况下信号频率曲线变化特征,循迹剥离包含故障信息的特征分量,提取齿轮早期故障微弱特征。首先,研究了线性多尺度分段方法,将频率呈曲线任意变化信号自适应分成若干个频率近线性变化的信号段;然后研究了频率拟合确定FRFT滤波参数的方法,计算各段信号的FRFT滤波参数并逐段进行FRFT滤波,实现FRFT循频滤波。采用该方法对变速器加减速过程振动信号进行滤波解调分析,试验结果表明:线性多尺度分段方法,能自适应地将任一频率呈曲线任意变化信号分段成若干个频率近线性变化的信号段,且分段数较少;频率拟合确定FRFT滤波参数方法,不受振源和多分量数量影响,能准确确定各分段信号的FRFT滤波参数;该滤波方法能从变速器瞬变工况振动信号中循频提取出包含故障信息的特征分量,有效剥离其他分量和噪声干扰,对提取后的特征分量进行解调分析,能准确提取出传统方法难以识别的齿轮早期故障微弱特征。     

自适应冗余提升小波降噪分析及其在轴承故障识别中的应用

为有效识别机械设备中滚动轴承的微弱故障信息,本文提出一种自适应冗余提升小波降噪方法。根据待分解低频尺度系数所含的不同特征,应用范数准则来自适应地选取最匹配于该尺度系数特征的小波函数。同时,引入多孔算法,用以通过冗余性来保证逐层分解后各尺度系数和小波系数所含有的丰富的信息量。接下来,对各层小波系数采用变尺度阈值降噪算法,并对降噪后的系数进行重构及包络谱分析,进而提取滚动轴承的故障特征。应用上述方法分别对轴承实验台轴承混合故障信号和现场实际信号进行分析,均较好地实现了故障识别,验证了本文方法的有效性。     

基于自适应随机共振的齿轮微弱冲击故障信号增强提取方法研究

针对强背景噪声下冲击信号难以检测的问题,提出一种基于自适应随机共振的齿轮微弱冲击故障信号增强提取方法。首先,利用峭度指标和互相关系数构造修正峭度指标作为随机共振检测冲击信号的测度函数;其次,利用滑动窗将多冲击分量信号分割成多个单冲击分量信号作为随机共振的系统输入,并借助遗传算法实现系统参数的自适应选取;最后,将提出的方法应用于电力机车走行部齿轮箱故障诊断,结果显示该方法可有效实现微弱冲击特征的增强提取。     

基于EEMD和改进的形态滤波方法的轴承故障诊断研究

轴承故障会导致振动信号中出现冲击响应成分,可通过对冲击响应成分的周期的检测与提取, 进行局部故障诊断。但在复杂工况下,故障脉冲易被周围噪声淹没,在分析EEMD和形态学滤波方法的基础上,将EEMD方法与形态学滤波方法相结合,提出结构元素(SE)选择方法,并用于本征模态信号中冲击响应特征的提取。通过将该方法用于轴承外圈、内圈局部故障状态下的特征的检测,结果表明该方法能有效提取周期性脉冲成分并抑制噪声。     

基于LMD自适应多尺度形态学和Teager能量算子方法在轴承故障诊断中的应用

为了从故障轴承信号中提取包含故障信号的特征频率,提出了基于LMD自适应多尺度形态学和Teager能量算子解调的方法。首先,采用LMD将目标信号分解成有限个PF（Product function,PF）分量,分别对其进行多尺度形态学滤波,利用峭度准则优化形态学结构元素尺度,自适应寻求最优解,最后用Teager能量算子计算各PF分量的瞬时幅值,通过瞬时Teager能量的Fourier频谱识别轴承的故障特征频率。为了验证理论的正确性,进行了数字仿真实验和轴承故障模拟实验,并与EMD形态学和包络解调方法进行了比较,结果表明该算法明显优于其他两种方法,对滚动轴承外圈、内圈和滚子故障的检测精度更高,能够清晰地提取出故障信号的频率特征。     

多稳态匹配随机共振在机械早期故障特征提取中的应用

传统单稳态或双稳态随机共振方法的势函数稳态结构单一，难以匹配复杂多变的输入信号；固定尺度因子忽略了与势结构、输入信号之间的协同增强作用；且一阶系统易遭受低频噪声干扰，依赖高通滤波器辅助。因此，提出自适应二阶多稳态匹配随机共振方法，并应用于机械早期故障的微弱特征提取。该方法的优势在于：(1)多稳态势结构的多样性可与不同的输入信号实现有效匹配；(2)能实现输入信号、势结构、尺度因子三者之间的协同作用；(3)二阶多稳态随机共振能够抑制低频噪声干扰。仿真分析和机车轴承故障诊断案例表明：提出的方法相比单稳态和双稳态随机共振方法具有更强的微弱特征增强与提取能力。