基于最小熵解卷积的齿轮箱早期故障诊断

齿轮箱发生早期故障时,其振动信号一般很微弱,且隐含的能反应出齿轮箱运转状态的冲击成分常被淹没在强烈的噪声中,直接做频谱分析或包络谱分析,很难提取其故障特征。论文将最小解卷积方法应用于炼胶机的齿轮箱故障诊断。首先利用该方法对齿轮箱振动信号进行解卷积滤波处理,然后对滤波后的信号进行包络解调分析,最后提取出了该齿轮箱轴5上齿轮8(z8=28)齿根轻微裂纹的故障特征,实现了该齿轮箱的早期诊断。应用实例验证了最小熵解卷积方法的有效性和优点。     

基于MED和ICA的滚动轴承循环冲击故障特征增强

针对强噪声背景下多个传感器对同一振动源同步采集多组数据的情况,提出一种基于最小熵解卷积和独立成分分析的联合降噪方法,并用于滚动轴承循环冲击故障特征的提取。利用最小熵解卷积对各传感器的信号分别进行盲解卷滤波,消除信号传递路径的影响,从噪声信号中初步提取出故障冲击特征;对各传感器的滤波信号进行独立成分分析处理,将信号进行重组后得到重构分量,进一步消除噪声成分,使故障冲击特征成分得到二次增强;选取峭度最大的最优独立成分分析重构分量并进行包络谱分析,得到诊断结果。通过仿真数据和实验室数据分析验证了该方法能够增强滚动轴承的循环冲击特征,便于识别故障类型。     

基于GI-AMED的滚动轴承早期故障诊断

针对滚动轴承早期故障信号受噪声干扰严重，特征频率难以提取的问题，提出了基于基尼系数(GI)和自适应最小熵解卷积(AMED)的滚动轴承早期故障诊断方法。首先，以基尼系数为指标对滚动轴承健康状态进行评估，得到轴承故障初始起点；然后，以模糊熵为标准，通过步长迭代的方式对最小熵解卷积滤波器长度L进行寻优，用优化后的自适应最小熵解卷积对轴承信号进行自适应降噪处理；最后，对预处理信号进行包络谱分析并提取故障特征频率，完成滚动轴承早期故障诊断。试验结果表明，基尼系数能够比均方根值更早判定轴承运行趋势的异常点，AMED则能够克服人为经验选取参数的局限性，且能够得到更清晰的故障特征频率，从而有效实现滚动轴承早期故障诊断。     

基于MED和变分模态分解的滚动轴承早期故障诊断方法

针对滚动轴承早期微弱故障特征容易淹没于环境噪声中而难以提取的问题,提出了最小熵解卷积(MED)降噪和变分模态分解(VMD)相结合的滚动轴承早期故障诊断方法。首先以峭度最大为准则利用MED对轴承振动信号进行降噪处理,然后采用新的高精度多分量信号分解方法——VMD将降噪信号分解为若干个分量,最后通过分析最大峭度分量包络谱中故障频率成分诊断轴承故障。轴承实验分析结果表明了该方法的有效性。     

基于1.5维Teager能量谱的滚动轴承故障诊断

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,提出了基于最小熵解卷积与1.5维Teager能量谱的滚动轴承故障诊断方法,首先利用最小熵解卷积(Minimum entropy deconvolution,MED)对强噪声下滚动轴承信号进行降噪处理,然后对降噪后的信号进行Teager能量算子解调,最后对解调后的信号进行1.5维谱分析。通过对内外圈故障的仿真信号及实验数据的处理分析,且与包络谱方法进行了对比,验证了该方法的有效性和准确性。     

应用EMD和倒包络谱分析的故障提取方法

针对倒频谱分析方法难以提取滚动轴承早期微弱故障的问题,提出了一种利用最小熵反褶积(minimum entropy deconvolution,简称MED)和倒包络谱分析的故障特征提取方法,并应用于滚动轴承诊断中。首先,采用MED方法对故障信号进行降噪处理,同时增强信号中的周期成分;然后,计算降噪后信号的包络,再对包络信号进行倒频谱分析;最后,得到倒包络谱,提取故障特征。试验结果表明,所提出的方法优于传统的倒频谱分析,能够有效提取强背景噪声下的滚动轴承早期故障特征频率信息。     

基于包络谱稀疏度和最大相关峭度解卷积的滚动轴承早期故障诊断方法

滚动轴承处于早期故障阶段时,特征信号微弱,并且受环境噪声影响严重,因此故障特征提取困难。针对这一问题,将最大相关峭度解卷积算法应用于轴承故障诊断,并通过包络谱稀疏度来筛选最佳解卷积周期参数,提出了基于包络谱稀疏度和最大相关峭度解卷积的滚动轴承早期故障诊断方法。利用最佳参数相对应的最大相关峭度解卷积算法对原信号进行处理,得到解卷积信号后计算其包络谱,通过分析包络谱中幅值突出的频率成分来判断故障类型。早期故障仿真信号及实测全寿命数据分析结果表明,该方法可有效应用于轴承早期故障诊断。     

基于ISGMD和MED的齿轮箱早期故障特征提取

针对在强噪声背景下难以识别齿轮箱早期故障以及复合故障的问题,提出了一种改进辛几何模态分解（Improved symplectic geometry mode decomposition,ISGMD）和最小熵解卷积（Minimum entropy deconvolution,MED）相结合的故障特征提取方法。首先,将信号经最小熵解卷积预处理,突出信号中的故障冲击成分;然后,将故障增强信号通过改进辛几何模态分解自适应地分解为若干辛几何分量,并依据峭度最大准则选取峭度值最大的敏感辛几何分量;最后,对选定的敏感辛几何分量进行包络分析,从而有效地提取出齿轮箱的故障特征。通过实验,验证了该方法的有效性。     

基于IEWT和MCKD的滚动轴承故障诊断方法

针对经验小波变换（Empirical wavelet transform,EWT）对强噪声环境中滚动轴承微弱故障诊断的不足,主要是傅里叶频谱分段不当的问题。提出一种基于最大相关峭度解卷积（Maximum correlated kurtosis deconvolution,MCKD）降噪与改进EWT相结合的滚动轴承早期故障识别方法。首先采用最大相关峭度解卷积算法以包络谱的相关峭度最大化为目标对原信号进行降噪处理、检测信号中的周期性冲击成分,然后根据信号Fourier频谱的包络极大值进行分段,通过分析各频段平方包络谱中明显的频率成分来诊断故障。新方法能有效降噪、增强信号中周期性冲击特征、降低单次偶然冲击的影响、抑制非冲击成分。通过对含外圈、内圈故障的滚动轴承进行试验分析,结果表明,相比于快速谱峭度图和小波包络分析方法,该方法提取出的特征更加明显,能有效实现滚动轴承早期微弱故障的识别。     

MED与TQWT相结合的滚动轴承早期故障特征提取

针对滚动轴承早期故障冲击特征微弱且故障信息难以识别的问题,提出了一种最小熵解卷积(MED)与可调品质因子小波变换(TQWT)相结合的滚动轴承早期故障冲击特征提取方法 .由于(MED)能够突出信号中的冲击特征成分,首先对振动信号进行MED预处理,使受到传输路径影响的微弱冲击成分得到一定程度的增强.再利用TQWT对预处理后的信号进行分解重构,得到若干个子带信号.对比不同品质因子Q下的各子带信号峭度值,根据峭度最大原则确定子带中的最佳分量并对其进行包络谱分析,从而根据轴承故障特征频率确定轴承健康状态.仿真信号验证了所提方法的有效性,实验信号表明了该方法在轴承早期故障诊断中具有一定的优势.