基于双时域微弱故障特征增强的轴承早期故障智能识别*

针对轴承早期微弱故障难以准确识别的问题,提出一种基于双时域微弱故障特征增强的轴承早期故障智能识别方法。利用广义S变换和Fourier逆变换推导出一种双时域变换,将轴承振动信号变换为双时域二维时间序列。根据双时域变换的能量分布特点,提取二维时间序列的主对角元素以构建故障特征增强的时域振动信号。仿真信号和轴承故障信号分析验证了双时域微弱故障特征增强的可行性和有效性。采用脉冲耦合神经网络和支持向量机对增强后的轴承信号进行时频特征参数提取和智能识别,平均识别精度达到了95.4%。试验结果表明所提方法能有效提高轴承早期故障的智能识别精度。     

基于MEWT‑ASCS的行星齿轮箱微弱故障特征提取

针对强噪声背景下行星齿轮箱早期微弱故障难以提取以及经验小波变换对信号频率区间边界划分不恰当以及不能有效确定模态数目的问题,提出了一种基于改进经验小波变换（modified empirical wavelet transform, 简称MEWT）和自适应稀疏编码收缩（adaptive sparse coding shrinkage,简称ASCS）的早期微弱故障特征提取方法。根据信号频谱的尺度空间表示,将原始故障信号自适应地分解为一系列的窄频带本征模态分量。利用包络谱峭度（envelope spectrum kurtosis, 简称ESK）值选择敏感分量,为了进一步凸显分量中的故障信息,使用ASCS算法对敏感分量进行稀疏降噪处理,从其包络谱中即可提取到清晰的故障特征频率成分。数值仿真和实际数据分析结果表明,本研究方法能够自适应地实现故障信号的模态分解并增强微弱的故障冲击特征。此外,与经验小波变换（empirical wavelet transform, 简称EWT）,EWT?ASCS和ASCS进行对比,本研究方法可有效提取包含故障信息丰富的分量,经ASCS处理后信号故障特征得到凸显,实现了行星齿轮箱早期微弱故障的准确识别。     

基于频域稀疏分类的滚动轴承故障诊断方法

针对基于特征频率识别的滚动轴承故障诊断方法存在易受强噪声干扰的问题,提出基于频域稀疏分类算法的诊断方法。首先对已知故障类型的滚动轴承振动信号进行时频变换,利用频域变换系数构造训练字典,再将待测轴承振动信号的频域系数在该字典上进行稀疏分解,求取稀疏系数,根据重构误差的最小值确定故障类型。测试结果表明:该方法能有效克服噪声干扰,并避免故障特征频率的估算问题。     

双矢时域齿轮早期微弱故障特征增强及应用

信噪比低和源信息的缺失是造成早期微弱故障难以准确判定的主要因素,针对以此问题,提出一种双矢时域变换(dual vector time-time domain transform,简称DVTD)的方法,用于完备和凸显齿轮早期微弱故障特征。方法借用全矢原理实现相互垂直的双通道振动信号的融合,保证双矢信号源信息的完整。在此基础上,结合双时域变换理论,提取二维时间序列的主对角元素用以构建完整的、故障特征增强的时域振动信号。以风电机组齿轮箱为实验对象,提取表征信号波动强度的小尺度指数作为状态特征,验证了双矢时域变换的微弱故障特征增强特性及其在齿轮早期微弱故障识别中应用的有效性。     

基于WT与cICA的齿轮箱低频故障特征提取

齿轮箱低频故障信号易受到高频振动及强噪声等因素的干扰,测量信号中隐藏的有效低频故障特征比较微弱,再考虑到源噪声的影响,则约束独立分量分析直接提取低频故障特征的效果很差。为此提出了基于小波变换与约束独立分量分析的齿轮箱低频故障特征提取方法,通过对测量信号的小波多分辨率分解,有针对性地选择小波系数重构,提高了信噪比和非高斯性,从而增强了约束独立分量分析方法提取齿轮箱低频故障特征的效果。而未经小波变换除噪时,约束独立分量分析的效果不佳。断齿与局部断齿的低频故障特征提取试验结果表明,提出的方法能有效降低高频振动及源噪声等因素的干扰,提取出齿轮箱的低频故障特征,尤其是微弱低频故障特征,为齿轮箱低频故障特征提取与故障诊断提供了一种有效方法。     

基于TET瞬态特征提取的滚动轴承早期故障诊断研究

滚动轴承运行时,其强烈的振动噪声通常会与轴承早期微弱故障叠加,导致其瞬态故障特征难以提取,因此提出了一种轴承早期微弱故障信号瞬态特征的时频分析方法.首先,通过自适应噪声集合模态分解对数据做预处理,使用峭度筛选出了有效模态分量,并进行了重构降噪;然后,对重构信号做了瞬态提取变换,并进行了瞬态特征提取;最后,利用提取到的瞬...     

基于VMD和奇异差分谱的滚动轴承早期故障诊断

针对强噪声环境下滚动轴承早期故障特征信息非常微弱且难以提取的问题,提出了基于变分模态分解(Variational Mode Decomposition,VMD)和奇异值差分谱的故障诊断方法。首先对轴承故障振动信号进行VMD分解得到一系列本征模态分量(Intrinsic Mode Functions,IMFS),由于噪声的干扰,很难从各个模态分量中提取有效的故障特征信息;然后根据相关系数准则,对相关系数较大的分量构建Hanke矩阵进行奇异值分解,求取奇异值差分谱,从差分谱中确定重构信号的有效阶次对信号进行降噪处理;最后对降噪处理后的信号进行Hilbert包络处理,从包络谱中即可准确地提取到故障特征频率。仿真信号和工程数据处理结果表明,该方法能够有效地降低噪声的影响,精确地提取到轴承微弱的故障特征频率信息。     

基于MODWPT和MCKD的滚动轴承早期故障诊断

针对齿轮啮合强振动干扰下滚动轴承微弱故障特征提取难的问题，提出一种最大重叠离散小波包变换(MODWPT)和最大相关峭度解卷积(MCKD)相结合的滚动轴承早期故障诊断方法。首先采用MODWPT方法将复杂的轴承故障振动信号分解为若干分量，然后依据峭度准则，选取峭度较大的分量进行MCKD滤波，最后对滤波后所得信号做Hilbert包络分析，将包络谱呈现的频率特征与理论故障特征频率相比较，识别故障特征，实现故障诊断。通过轴承故障的仿真及实验研究，并对比单一MCKD方法和EMD-MED方法的提取效果，说明该方法可以在一定程度上抑制齿轮啮合强振动及噪声的干扰，增强并有效提取出滚动轴承早期低频微弱故障特征。     

基于局部均值分解和最大相关峭度解卷积的滚动轴承早期故障提取

滚动轴承处于早期故障阶段的时候,特征信号比较微弱,同时受到干扰噪声的影响,造成故障特征难以提取。针对这一问题,提出了基于局部均值分解(Local mean decomposition,LMD)和最大相关峭度解卷积(Maximum correlated kurtosis deconvolution,MCKD)两者相结合的故障诊断方法。在强噪声背景条件下,LMD对微弱故障信号特征难以提取,故对LMD分解得到的一组乘积函数(Product function,PF),利用相关系数与峭度值筛选出敏感分量进行信号重构,然后利用MCKD进行滤波,突出故障信号尖脉冲,最后根据信号的包络功率谱提取故障特征频率。算法仿真和实验证明了该方法的有效性。     

基于HVD与1.5维Teager能量谱的滚动轴承故障诊断方法研究北大核心

针对强背景噪声下滚动轴承微弱故障信号特征难以提取的特点,提出了一种基于Hilbert振动分解(HVD)与1.5维Teager能量谱的滚动轴承故障诊断方法。首先将故障信号进行HVD分解,然后采用相关系数法重构原始信号,降低噪声的干扰,增强故障信号的冲击特征,最后对重构后的信号进行1.5维Teager能量谱运算,提取出滚动轴承的故障特征。     

基于谱峭度和AR模型的滚动轴承故障诊断

提出基于自回归(Autoregressive,简称AR)预测滤波的谱峭度分析方法,将其应用于滚动轴承的早期故障诊断。通过结合AR预测滤波器提取轴承故障信号共振衰减成分的特性,利用谱峭度方法对AR预测滤波器滤波后的信号进行处理,实现了滚动轴承早期微弱故障的识别。通过滚动轴承的疲劳全寿命加速实验获取滚动轴承的自然故障信号,克服了传统轴承故障诊断人工加工故障的不足。通过试验数据的分析表明,基于AR预测滤波的谱峭度方法不仅能够消除干扰成分提取故障特征,还能增加谱峭度方法的稳定性。     

基于FSWT细化时频谱SVD降噪的冲击特征分离方法

为有效提取滚动轴承故障振动信号的故障冲击特征,提出了基于FSWT细化时频谱SVD降噪的冲击特征分离提取方法。首先对原始信号进行频率切片小波变换得到全频带下的时频分布,然后根据时频谱能量分布特点选择出感兴趣的时频区域,再以较高的时频分辨率对感兴趣的时频区域进行细化分析得到细化的时频谱,从而分割出含有故障特征时频区域。为克服噪声对细化时频谱精度的影响,FSWT细化分析过程融入SVD降噪,通过对FSWT细化时频谱系数矩阵进行奇异值差分谱阈值降噪,使得FSWT细化时频谱的冲击特征更加明显,最后通对降噪后的细化时频谱进行FSWT逆变换重构,分离出故障冲击信号。仿真分析和故障诊断实例表明,基于FSWT细化时频谱SVD降噪的冲击特征分离提取方法能够成功从低信噪比信号中提取出周期性的冲击特征,有效地实现对滚动轴承各种故障的诊断。     

基于子小波布置和系数融合的轴承故障诊断

针对滚动轴承早期微弱故障特征难以提取的问题,提出一种基于子小波布置策略和小波系数融合的故障诊断方法。首先,布置子小波并进行小波变换;然后,根据峰度指标对多尺度小波系数进行融合集成;最后,运用自相关谱抑制噪声,突出故障信息。通过仿真信号和实际信号对该方法进行了验证,结果表明,该方法能够提取出微弱的故障特征,实现滚动轴承的早期故障诊断。     

基于小波变换和ICA的滚动轴承早期故障诊断

滚动轴承早期故障诊断的关键在于如何从低信噪比混合信号中检测出显著的轴承故障特征频率。提出以连续小波变换(CWT)和独立分量分析(ICA)相结合的方法来诊断单通道信号的滚动轴承早期故障,提出按频谱等间隔选取伪中心频率的小波分解尺度,并对ICA处理后的信号进行包络频谱分析以确定故障类型。最后,利用实际的滚动轴承实验数据对该方法进行了验证。     

基于复合多尺度熵与拉普拉斯支持向量机的滚动轴承故障诊断方法

针对早期滚动故障特征不明显和特征提取难等问题,将一种新的衡量时间序列复杂性的方法--复合多尺度熵（CMSE）应用于滚动轴承故障振动信号的特征提取。CMSE克服了多尺度熵中粗粒化方式的不足,得到的熵值一致性和稳定性好。同时,针对机械故障智能诊断中收集大量的样本比较容易而要对所有的样本进行类别标记却较为困难这一问题,将拉普拉斯支持向量机（LapSVM）应用于滚动轴承故障的智能诊断中。在此基础上,提出了一种基于CMSE,序列前向选择（SFS）特征选择和LapSVM的滚动轴承故障诊断方法。最后,将提出的方法应用于试验数据分析,结果表明：CMSE能够有效地提取滚动轴承的故障特征;当有标记样本的数量较少时,与仅使用有标记样本进行学习的支持向量机相比,结合SFS特征选择的LapSVM方法利用大量的无标记样本进行辅助学习,可以显著提高故障诊断的正确率。     

基于小波包和AR谱分析的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳性,提出了一种基于小波包和AR谱分析的滚动轴承故障诊断方法.该方法对系统输出信号进行小波包分解,然后进行重构,再对重构信号进行AR谱分析,从而提取出故障特征频率.试验结果表明,这种方法能有效地提取滚动轴承的故障特征,诊断其故障.     

IVMD融合奇异值差分谱的滚动轴承早期故障诊断

针对滚动轴承早期故障阶段存在特征信号微弱、故障识别相对困难的问题,提出了融合改进变分模态分解和奇异值差分谱的诊断方法。原始信号经改进变分模态分解方法处理后,被分解为若干本征模态函数分量,利用包络谱稀疏度指标筛选出最佳分量构造Hankel矩阵并进行奇异值分解,求取奇异值差分谱后,根据差分谱中的突变点重构信号,最终通过分析信号的包络谱可判断轴承的故障类型。利用改进变分模态分解融合奇异值差分谱的方法对轴承故障模拟及实测信号进行分析,均成功提取出微弱特征信息,能够实现滚动轴承早期故障的有效判别,具有一定的可靠性和应用价值。     

基于PPCA-EWT的滚动轴承轻微故障诊断

针对经验小波变换(empirical wavelet transform,简称EWT)在强背景噪声下对轴承的轻微故障特征提取不足的问题,提出了概率主成分分析(probabilistic principal component analysis,简称PPCA)结合EWT的滚动轴承轻微故障诊断方法。首先,对信号做PPCA预处理,提取信号主要故障特征成分,去除强背景噪声干扰;然后,采用EWT方法分解轴承故障信号,按相关系数-峭度准则选出故障特征较为明显的分量,并将所选分量重构故障信号;最后,对信号采取包络分析,提取出轴承故障特征。仿真和实验结果表明,该方法能够有效地诊断出轴承故障且效果优于对信号进行EWT包络分析。     

载荷影响下的机电阻抗协整结构损伤识别方法

针对滚动轴承早期故障特征信息十分微弱难以提取以及可调品质因子小波变换(tunable Q-factor wavelet transform,简称TQWT)参数设置依赖使用者经验的问题,提出改进的TQWT的滚动轴承早期故障诊断方法。首先,设定Q因子的区间范围,利用TQWT对滚动轴承故障振动信号进行分解得到若干个分量;其次,对各分量进行包络导数能量算子解调,在能量谱中根据特征频率强度系数这一指标自适应地确定TQWT的最佳分解参数,实现对故障信号的最优分解;最后,通过对最佳分量的包络导数能量谱分析即可准确地提取到轴承故障特征信息。通过对仿真信号、实验数据以及工程案例分析表明,该方法能够有效提取滚动轴承早期微弱故障特征并准确判断出滚动轴承故障类型,具有一定的工程应用价值。     

基于时变零相位滤波的变转速滚动轴承故障诊断

针对变转速下齿轮箱中滚动轴承故障调制特征的提取与分离,提出了基于时变零相位滤波的变转速滚动轴承故障诊断方法。该方法先用线调频小波路径追踪(CPP)算法从齿轮箱滚动轴承故障振动信号中估计出齿轮啮合频率,由啮合频率除以齿数得到齿轮箱的转速,同时,采用Hilbert包络解调方法获取轴承故障振动信号的包络信号;然后根据获取的转速信息设计各阶时变零相位滤波器;再采用各时变零相位滤波器对包络信号进行分析,获取各调制信号;最后,利用转速信号对求取的各调制信号进行阶次分析,并根据各阶次谱来诊断滚动轴承故障。算法仿真和应用实例分析表明,该方法可有效提取和分离变速齿轮箱中滚动轴承的各阶故障调制特征。