基于MED及FSK的滚动轴承微弱故障特征提取

针对强噪声情况滚动轴承故障特征较微弱、其故障特征较难提取问题,提出将最小熵反褶积(Minimum Entropy Deconvolution,MED)与快速谱峭度算法(Fast Spectral Kurtosis,FSK)结合用于滚动轴承微弱故障提取。用MED对强噪声滚动轴承振动信号降噪,对降噪后信号进行快速谱峭度计算,确定故障信号共振解调带通滤波器参数,结合能量算子解调包络谱提取故障特征。通过仿真与实验数据验证该方法的有效性。     

基于包络谱带通峭度的改进谱峭度方法及在轴承诊断中的应用

快速谱峭度法(Kurtogram)是解决用于滚动轴承故障诊断的共振解调方法中带通滤波器中心频率和带宽参数确定问题的有效方法; Kurtogram以滤波后时域信号的峭度值作为滤波效果度量指标,然而该指标易受非高斯噪声和偶然性非周期冲击影响,可能导致滤波频带选择错误。考虑到偶然性冲击和非高斯噪声的包络谱与周期性冲击包络谱之间的特性差别,同时为了排除齿轮局部故障和转子碰摩等故障造成的冲击影响,提出按一定规则截取滤波后信号包络谱的中间段,并以该段数据的峭度值衡量周期性冲击响应的强弱,称为包络谱带通峭度;以包络谱带通峭度代替Kurtogram中滤波后时域信号的峭度值,得到一种改进的快速谱峭度方法。以仿真信号和实验室实测信号分析验证了该方法的有效性和优越性。     

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。     

基于改进信息图与MOMEDA的滚动轴承故障特征提取

为解决最大相关峭度解卷积存在的故障周期需要预先设置等问题,提出多点优化最小熵解卷积修正(MOMEDA)用于增强轴承故障信号,并应用改进信息图降低噪声对其多点峭度谱的干扰。通过引入轴承故障与正常状态下谱负熵的比值关系,优化信息图中平均谱负熵算法,提出基于滤波器组的改进信息图方法;构建带通滤波器进行滤波降噪,并通过MOMEDA多点峭度谱识别故障周期;应用MOMEDA增强滤波信号中的故障周期性脉冲成分,并通过平方包络谱提取微弱故障特征。试验表明,较之信息图等方法,改进信息图的降噪效果较突出,可有效提高故障周期的识别度,实现MOMEDA自适应增强故障信号。     

基于快速谱峭度和正交匹配追踪算法的轴承故障诊断方法

针对快速谱峭度在低信噪比情况下诊断效果差的问题,提出了一种基于正交匹配追踪(OMP)算法的滚动轴承故障诊断新方法。该方法通过快速谱峭度图确定最优滤波器参数对信号进行滤波,利用故障信号在傅里叶稀疏基下的稀疏度已知的特点,对滤波信号的包络信号在傅里叶稀疏基下用OMP算法对轴承振动信号的包络信号进行重构,以减少噪声和其他无关成分的影响,最后对重构信号进行频谱分析获取轴承故障特征。通过轴承故障仿真数据、实验台故障轴承外圈和内圈试验数据的检验,验证了该方法的有效性和可行性。     

基于EEMD和共振解调的滚动轴承自适应故障诊断

本文为解决滚动轴承原始振动信号信噪比低以及带通滤波器参数选择依赖于人的主观经验等影响传统共振解调技术有效应用的问题,提出了EEMD自适应消噪和自适应共振解调相结合的方法。论文首先利用EEMD自适应地将信号分解成多个分量,通过互相关系数方法进行自适应重构以突出故障特征信号,然后利用谱峭度自动确定带通滤波器的中心频率和带宽,最后对滤波后的信号进行能量算子解调谱分析。数字仿真信号和滚动轴承实验证明了该方法的有效性。     

基于MMSE和谱峭度的滚动轴承故障诊断方法

共振解调作为滚动轴承常用的故障诊断方法,存在带通滤波器参数难以确定的缺点,针对此缺点以及滚动轴承早期故障信号信噪比低的问题,结合最小均方误差估计方法(MMSE)和基于谱峭度的共振解调方法,并将其应用于滚动轴承早期微弱故障诊断中。首先用MMSE方法抑制白噪声来提高信噪比,然后利用谱峭度自适应确定最优带通滤波器参数,最后对带通滤波后的信号进行能量算子解调谱分析,得出诊断结果。数字仿真信号和实验信号验证了该方法的有效性。     

基于相关峭度共振解调的滚动轴承复合故障特征分离方法

提出了一种基于相关峭度的共振解调方法,并应用于滚动轴承复合故障特征的分离。沿频率轴平移给定滤波窗,计算每个滤波信号的相关峭度;通过设定不同的故障解卷积周期,形成多条故障的相关峭度曲线;根据筛选出的目标相关峭度曲线的最大值,确定多个共振频带对原信号进行共振解调。解决了由于某一频带的峭度值过大,利用谱峭度可能无法识别出不同故障各自激起的共振频带的问题;通过不同能量的多共振频带轴承复合故障仿真验证了共振频带选择的准确性,不同载荷下的轴承内、外圈复合故障实测信号分析表明,该方法可以有效实现轴承复合故障特征的分离。     

基于QGA和SK的滚动轴承故障诊断新方法

基于量子遗传算法收敛速度快、全局寻优能力强的特点,将谱峭度法和量子遗传算法相融合,提出一种滚动轴承故障诊断的新方法。该方法以经初始带通滤波后的原信号的谱峭度作为量子遗传算法的适应度函数,重新优化设计最优滤波器,以设计的最优带通滤波器对原始信号滤波并进行包络分析,从而实现轴承故障的诊断。实测数据分析表明,方法所得峭度谱值明显增大,包络谱线更加干净,故障特征频率更加明显。同时研究发现,方法诊断精度几乎不受传感器位置的影响。     

基于LMD的谱峭度方法在齿轮故障诊断中的应用

针对齿轮故障振动信号的非平稳调制特性以及传统共振解调方法不易确定滤波器参数的缺点,提出了一种基于局部均值分解（Local mean decomposition,LMD）时频分析的谱峭度 （Spectrum Kurtosis,SK）分析方法,并将其应用于齿轮故障诊断。该方法首先利用LMD对齿轮故障振动信号进行分析得到时频分布,然后将时频分布按照不同的尺度分成若干不同的频段,计算每一频段内信号的谱峭度值,并得到相应的峭度图,再根据峭度最大原则选取滤波频段,对滤波后的信号进行包络分析以获得齿轮振动信号的故障信息。利用该方法分别对仿真信号以及齿轮故障振动信号进行了分析,结果表明,基于LMD的谱峭度分析方法能够有效地提取齿轮故障振动信号特征。     

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。     

EMD降噪和谱峭度法在滚动轴承早期故障诊断中的应用

共振解调是滚动轴承故障诊断中最常用的方法之一,然而其带通滤波器参数的选取通常比较困难。谱峭度法能根据峭度最大化原则自动确定带通滤波器参数,取得了一定的诊断效果,但由于滚动轴承的早期故障信号中含有强烈的背景噪声,诊断效果有时也不够明显。为此,提出一种基于EMD降噪和谱峭度法的滚动轴承早期故障诊断新方法,首先采用基于互相关系数和峭度准则的EMD降噪对采样信号进行预处理,突出高频共振成分,再利用谱峭度法选取最佳带通滤波器参数,最后使用带通滤波和包络解调进行故障诊断,并通过实际工程信号进行了验证。     

基于最小熵解卷积和Teager能量算子直升机滚动轴承复合故障诊断研究

为了解决强背景噪声环境下直升机滚动轴承故障信号微弱,故障特征难以提取的问题,提出一种基于最小熵解卷积(Minimum Entropy Deconvolution,MED)与Teager能量算子(Teager Energy Operator,TEO)的滚动轴承故障特征提取的新方法。根据滚动轴承故障信号表现为冲击波形的特点和MED降噪对冲击特征敏感的特性,采用MED对故障信号进行降噪处理,同时增强信号中的冲击成分;再结合TEO适合检测信号的瞬时变化,能有效提取故障信号冲击特征的特点,计算降噪信号的Teager能量信号,进行频谱分析提取滚动轴承的故障特征。通过对仿真信号和直升机滚动轴承混合故障信号进行分析,实验结果表明,该方法能有效提取强背景噪声环境中的微弱复合故障特征,具有一定的工程应用价值。     

Fault Diagnosis Method for Rolling Element Bearings Under Variable Speed Based on TKEO and Fast-SC

With rotating speed of rotating machinery, it is difficult to maintain stability in practical work which brings many difficulties to the condition monitoring of rotating machinery. When rolling element bearings work under variable speed, the corresponding vibration will contain obvious non-stationary characteristics, along with the presence of strong background noise, which makes it difficult for some traditional spectrum analysis methods to identify the characteristic frequency of bearings fault. In spite of the existence of strong non-stationary characteristics, the bearing fault signal has some hidden periodic components in the angle domain which makes it possible to extract the fault feature of bearings by means of spectral correlation analysis. Therefore, a fault feature extraction method based on Teager–Kaiser energy operator (TKEO) and fast spectral correlation (Fast-SC) in angle domain is proposed in this paper; Fast-SC is a newly proposed spectral correlation calculation method which can effectively improve the efficiency of computing; Teager–Kaiser energy operator can enhance the transient impact which also has a fast computing speed. In this paper, the instantaneous speed of each time is estimated by the time–frequency analysis method based on short-time Fourier transform and then, the original time-domain signal is resampled in angle domain; the TKEO is used to strengthen the fault impact components in signal; finally, the Fast-SC is applied to the strengthened signals, the enhanced envelope spectrum is calculated, and the fault features of rolling bearings are extracted. The effectiveness of the method is verified by measured signals.     

基于EEMD和自相关函数峰态系数的轴承故障诊断方法

针对滚动轴承故障冲击信号周期性强且易被强烈的背景噪声所淹没的特点,提出了基于EEMD和自相关函数峰态系数的轴承故障诊断方法。首先,对采集到的复杂振动信号进行EEMD分解,根据自相关函数峰态系数和峭度准则重构IMF分量以突出故障特征信息;然后,利用谱峭度自动确定带通滤波器的最佳中心频率和带宽;最后,将滤波后的信号进行包络解调分析并与理论故障特征频率对比。通过轴承故障的仿真和实验研究,验证了该方法的有效性和可行性。     

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。     

自适应共振解调法及其在滚动轴承故障诊断中的应用

与AR模型、小波变换等故障诊断方法相比较,工程人员更多的是采用共振解调法对滚动轴承故障进行诊断,但诊断成功与否很大程度上依赖于滤波器中心频率及其带宽的选择。这里提出的诊断滚动轴承故障的自适应共振解调法避免了带通滤波器难以选择的困难。其核心思想是:不采用滤波的方式而是通过先对时间信号进行时频变换,然后从时频能量谱中自动提取时间能量信号的方式来达到将由于冲击引起的共振高频信号和高能量的低频信号分离。此外,给出了一个统一的框架从时频能量谱中自动提取类似于时间边缘的时间能量信号,即Lp范数准则。数值实验结果表明,自适应共振解调法能有效地诊断滚动轴承的外圈故障、内圈故障、滚动体故障,而且比传统的共振解调法的性能更优。     

基于频带熵的滚动轴承故障诊断研究

发生早期故障的轴承,由于故障特征频率处的能量比较微弱,易于被噪声淹没。通过对滚动轴承故障原理的研究,讨论了利用共振频率解调故障特征频率对于噪声的抑制能力。为了寻找轴承的共振频率,结合时频分析和信息熵的特点,提出了一种新的频带熵方法。首先利用短时傅里叶变换得到信号的时频分布,再沿时间轴计算各个频率的幅值谱熵,从而得到各个频率成分随时间变化的复杂度指标。利用频带熵对轴承共振频率的检测能力,揭示了频带熵与自适应滤波器参数的关系。与原始包络相比,滤波后的包络信号能有效的从噪声中提取出轴承故障特征频率。最后通过仿真和实验验证了该方法的有效性。