自适应Morlet小波降噪方法及在轴承故障特征提取中的应用

分析了Morlet小波变换的滤波特性及其时频分辨率,利用Morlet小波良好的时域和频域特性及奇异值分解技术,提出了一种基于自适应Morlet小波和SVD的降噪方法。针对滚动轴承故障在振动信号中表现为冲击衰减波形的特点,采用修正的Shannon熵方法同时优化Morlet小波的中心频率与带宽参数,实现其与冲击特征成分的最优匹配;针对根据小波系数矩阵奇异值曲线的过渡阶段求取最佳变换尺度的方法存在着不够快捷方便的不足,将其与小波系数奇异值比方法相结合来快速方便地求得最佳变换尺度;最后对信号进行降噪处理提取故障特征。对仿真信号和实际轴承内外圈故障信号的应用分析表明,该方法具有良好的降噪性能,能有效地提取出滚动轴承的微弱故障特征。     

振动分析技术在轴承故障检测中的应用

提出了运用振动分析状态监测技术对滚动轴承的故障进行监测,以做到早期发现和处理。     

椭圆控制理论在轴承故障检测中的应用

本文将椭圆控制理论引入到轴承故障检测中,提出新的轴承故障检测方法。首先对轴承正常状态下的数据进行分段,以各段数据提取到的AR模型系数和残差为参考状态向量,然后将待测数据的AR系数和残差依次添加到参考状态向量中并计算其前两阶主成分,以得到的前两阶主成分构建控制椭圆,最后根据待测数据AR系数和残差的前两阶主成分在椭圆控制图中的分布来判断轴承是否发生故障。实验结果表明:该方法可有效地识别轴承是否出现故障。     

基于参数自适应的RSSD-CYCBD及在轴承外圈故障特征提取中的应用

针对滚动轴承工作环境复杂、故障特征信号易被高强度噪声掩盖的问题,提出了基于参数自适应的共振稀疏分解(RSSD)和最大二阶循环平稳盲解卷积(CYCBD)的滚动轴承故障诊断方法。首先,利用人工大猩猩部队优化算法(GTO),结合相关系数与相关峭度的融合指标,自适应选择RSSD分解参数,得到了仿真信号的最优低共振分量;然后,利用GTO结合包络熵,自适应选择CYCBD的循环频率和滤波器长度,对最优低共振分量进行了解卷积运算,从包络谱中获得了信号的故障特征频率;最后,利用美国凯斯西储大学试验台和MFS-MG机械故障综合模拟试验台数据,综合验证了该方法的有效性,并将试验结果与RSSD-MCKD方法的结果进行了对比。研究结果表明,该方法能够准确地得到仿真信号的故障频率为20 Hz、美国凯斯西储大学试验台近似故障频率为107.5 Hz、MFS-MG试验台近似故障频率为87.6 Hz。自适应RSSD-CYCBD方法能够有效地识别出故障特征频率及其倍频,实现滚动轴承故障诊断的目的。     

小波分析技术在矿山机械轴承故障检测中的应用

由于原有检查方法的位置划分不明确,对故障点信息数据采集过程中存在噪点,导致故障点检测结果发生偏移,而滚动轴承是机械运转中常用的零件,在矿山的复杂环境中极容易发生故障,小波技术能够通过光线融合重组图像数据,设计小波分析技术的矿山机械轴承故障检测中方法。提取矿山机械轴承运转数据,基于小波分析计算转动阈值,能量谱分解信号噪点定位故障点信息,完成故障检测方法设计。实验结果：以两组常态运转的矿山机械轴承为测试对象,分别对其发生故障状态下的转速进行检测,本文方法能够在临界点前完成控制,及时关闭发生故障的轴承设备,保证矿山的正常开采,具有实际应用效果。     

自适应多尺度形态学方法在齿轮箱轴承故障特征提取中的应用

针对轴承故障特征提取问题,提出一种自适应多尺度形态学方法。该方法采用形态闭、开相减构成的差值形态算子提取信号中的正、负冲击成分,基于信号的局部峰值间隔确定扁平结构元素的尺度,产生由若干不同尺度结构元素组成的集合,对信号进行自适应多尺度形态学分析。仿真实验结果表明,该方法能有效提取信号的冲击成分,且较单尺度形态学方法有更好的效果。将该方法应用于轴承故障信号处理,结果表明该方法对提取轴承故障特征频率有良好效果。     

局域均值分解法在轴承故障诊断中的应用

局域均值分解法将复杂的多分量信号分解为若干个乘积函数(PF)的线性组合,每个PF分量由1个包络信号和1个调频信号相乘得到,包络信号就是该PF的瞬时幅值,而PF的瞬时频率可以由纯调频信号求出。进一步将所有PF分量的瞬时频率和瞬时幅值相组合,即可得到原始信号的时频分布。通过对故障轴承信号的分析表明,该方法能清晰地提取轴承故障特征。     

复局部均值分解全矢包络技术及其在转子故障特征提取中的应用

为更全面提取转子故障特征,将全矢谱和复局部均值分解(Complex local mean decomposition,CLMD)相结合,提出二元的全矢包络技术——CLMD全矢包络技术。采用正交采样技术获取转子同一截面上互相垂直方向上的振动信号,并将其组成一个复数信号;运用CLMD将复数信号按能量从高到低的顺序依次分离出系列复乘积函数(Complex product function,CPF),并解调出CPF的复包络;由于故障特征主要在能量较高的CPF分量中,通过全矢谱技术融合前几阶CPF分量的包络信号,得到相应的全矢包络谱。仿真的调幅-调频信号分析结果表面,较之Hilbert解调,CLMD全矢包络技术可提取隐含的调频信息,而且不存在虚假的低频谱线。转子试验台模拟的基座松动信号、碰摩信号分析结果表明,较之单源信息的包络谱,CLMD全矢包络技术提取的谱线特征更清晰、全面,而且根据全矢包络谱可有效区分基座松动引起的碰摩和单一碰摩故障。     

积分补偿随机共振在盾构机轴承故障检测中的应用

针对盾构机轴承早期故障微弱信号难以检测识别以及小参数随机共振系统难以检测大参数输入信号的问题,提出了一种积分补偿法调节大参数以实现随机共振。首先利用积分补偿的方式将输入大频率信号频率乘以二倍圆周率得到补偿系数;其次对小频率参数系统进行相应的积分补偿,即对模型中的非线性方程进行变换并乘以补偿系数,抵消阻尼对输入信号的衰减作用,并由积分补偿方程建立新的非线性共振系统模型;最后将高频信号输入新建立的系统模型产生随机共振动态响应,并对其进行FFT变换,获得输出信号的故障信息。由此通过对振动加速度传感器采集的轴承径向振动信号分析,可以有效获得轴承故障特征频率,仿真与实验验证了理论方法的正确性。     

局部均值分解方法在调制信号处理中的应用

为了提取多分量调制信号的调制信息,研究了一种信号分析方法——局部均值分解(local mean decomposition,简称LMD)方法。LMD方法首先将一个多分量的调制信号自适应地分解成若干个具有一定物理意义的PF(product function)分量,其中每个PF分量为一个包络信号和一个纯调频信号的乘积,然后求出每个PF分量的瞬时幅值与瞬时频率,从而获得原信号完整的调制信息。本文用LMD方法对仿真信号以及齿轮故障振动信号进行了分析,结果表明该方法能有效地提取出信号的调制信息。     

QPSO-WT和QPSO-SVM在滚动轴承故障诊断中的应用

为了解决小波降噪软阈值选择非最优以及SVM算法中惩罚参数、核函数参数的设置问题,将小波变换、支持向量机分别与量子行为粒子群优化算法QPSO(quantum-behaved particle swarm optimization,)相结合,利用QPSO优化小波阈值以及优化SVM输入参数,进行全局寻优,并将之应用到滚动轴承故障识别中。实验中,QPSO-WT滤波后信号具有更高的信噪比和更低的MSE,QPS0-SVM对10种不同状态的轴承进行故障诊断,对于多分类的情况该方法的识别精确度达到了87.67%,与SVM和RBF神经网络对比,从而进一步证明了该方法的有效性,说明该方法能够满足实际工况下的故障诊断要求。     

基于威布尔与模糊C均值的滚动轴承故障识别

提出一种基于威布尔分布与模糊C均值(fuzzy C-means,FCM)聚类算法相结合的滚动轴承故障识别方法。针对不同故障类型的威布尔分布模型的尺度参数、形态参数和威布尔负对数能够较好地刻画轴承运行的状态特性,提取其尺度、形态和威布尔负对数似然函数等3个参数构建表征轴承运行状态的特征向量。模糊C均值根据样本相对于聚类中心的隶属度确定样本的亲疏程度而实现分类。实验中,首先采用组合形态滤波器对滚动轴承原始信号进行降噪,然后建立威布尔分布模型,将提取的特征向量输入模糊C均值分类器进行故障诊断和识别。结果表明,该方法对机械故障诊断识别准确率高,可以作为滚动轴承故障识别的重要手段。     

滚动轴承故障监测诊断中的自适应滤波算法

针对滚动轴承故障分析诊断中的载波带选择过程进行研究,提出了基于峭度指标的自适应最优滤波算法,仿真和试验台的研究结果表明,此算法不仅能够准确地诊断出轴承故障,以全自动的方式实现滤波过程,而且自适应最优滤波算法的故障诊断效果远远优于固定滤波算法和基于小波包变换的滤波算法。     

基于多传感器信息融合的滚动轴承故障诊断

为了提高滚动轴承故障诊断的准确性,引入了一种多传感器信息融合的诊断方法。将多传感器所采集的振动信号处理后,由粒子群神经网络进行故障局部诊断,以获得彼此独立的证据,再采用证据理论对各证据进行融合。试验结果表明,该方法可有效地提高诊断可信度,降低诊断的不确定性。     

改进的正弦辅助多元经验模式分解及其在滚动轴承故障诊断中的应用

正弦辅助多元经验模式分解算法（SA-MEMD）通过在额外的通道中加入正弦辅助信号来减少模式混合,但该算法对噪声敏感,辅助信号的主频率比需要根据经验确定,为此,提出了一种改进的正弦辅助多元经验模式分解算法。首先使用非局部均值降噪对原始信号进行预处理,减少噪声对算法的干扰,其次使用短时傅里叶变换确定信号频谱范围,然后以最小集成EMD能量熵准则选择最优主频率比,最后根据正弦辅助多元经验模式分解算法的步骤进行信号处理。模拟信号和实际信号的对比分析结果证明,改进的方法可以减少传统的多元经验模式分解方法存在的模式混合现象。     

基于迭代自适应多尺度形态滤波的滚动轴承故障诊断

针对工业现场强噪声背景下振动信号特征信息提取困难和单尺度形态滤波时尺度选择的盲目性和随意性的问题,基于自适应多尺度形态分析(AMMA)的思想提出了一种迭代自适应多尺度形态分析(IAMMA)的滤波方法。该方法对振动信号进行多尺度形态差值迭代运算,每次采用的结构元素尺度逐渐增大,然后求多次滤波结果的平均值,达到滤除噪声成分的目的。对仿真信号和滚动轴承故障信号进行分析,结果表明,IAMMA较AMMA能够选取更为合适的结构元素尺度,提取更多的故障特征信息,滤波效果更佳,与Hilbert包络解调方法相比处理过程更加简捷,从而为轴承的故障诊断提供了一种有效的方法。     

改进PSO_BP_Adaboost算法在尺寸超差故障诊断中的应用

利用改进的粒子群优化算法优化BP神经网络,组合多个优化BP网络构成Adaboost强分类器,采用“一对一”分类思想建立了改进PSO_BP_Adaboost多分类器算法,并在部分UCI数据集上进行了有效性验证。实例中,将某零件上相同尺寸、不同位置的4个孔的直径作为BP网络的输入值,利用真实数据进行验证,该算法的分类正确率达到98%,表明提出的改进多分类器算法可有效用于尺寸超差故障诊断。     

滚动轴承故障程度诊断的HMM方法研究

为提高滚动轴承故障诊断率,提出基于时频域指标的HMM轴承故障程度诊断方法。利用轴承故障模拟试验台,采集不同剥落程度滚动体的振动信号,分别提取均方值、有效值、方差、修正样本方差、标准差、频域中心及带宽共7个时域和频域指标作为特征向量训练HMM,得到基于HMM的诊断分类器。利用该分类器对330组待检滚动轴承振动信号进行分析,诊断正确率达90%以上,说明该方法能有效提取故障特征。     

滚动轴承自适应特征提取的包络谱多点峭度多级降噪方法

滚动轴承故障信号主要包含高品质因子振动分量和低品质因子瞬态冲击分量。采用多点最优最小熵解卷积方法初步削弱传输路径等干扰影响,使微弱瞬态冲击成分得到初步增强,然后针对共振稀疏分解(RSSD)方法存在的品质因子选择困难问题,同时考虑包络谱中故障频率成分的严格周期性,提出包络谱多点峭度(ESMK)概念并将其作为优化指标,采用粒子群优化算法(PSO)对品质因子进行选择,得到一种自适应稀疏分解方法（PSO-RSSD）用于瞬态冲击信号的提取,以消除信号中高幅值干扰冲击和背景噪声的影响。轴承仿真与实测信号分析结果表明,与最小熵解卷积信号共振稀疏分解方法相比,在强冲击干扰下ESMK能够有效度量周期性瞬态冲击,PSO-RSSD方法能自适应分离最优低品质共振分量,验证了该方法的有效性和优越性。     

滚动轴承故障智能诊断系统

在小波分析理论以及现场调试的基础上,研制了滚动轴承故障智能诊断系统。该系统具有特征参数分析、时频分布、故障智能诊断等功能,能有效地诊断出轴承故障发生的部位、性能和程度等。