基于MCKD-EMD的风电机组轴承早期故障诊断方法

风电机组轴承处于早期故障阶段时,特征信号往往比较微弱,并且受环境噪声及信号衰减的影响严重,因此轴承早期故障特征一直难以提取。经验模态分解(EMD)在轴承的故障特征提取中已经得到了广泛的应用,但其在强背景噪声干扰下对轴承早期故障特征的提取具有一定的局限性。针对这一问题,考虑到最大相关峭度解卷积(MCKD)算法可凸显出轴承振动信号中被噪声所掩盖的故障冲击脉冲,非常适用于轴承早期故障信号的降噪处理,因此将MCKD与EMD相结合用于轴承早期故障诊断。用MCKD对强噪声轴承信号进行降噪,然后对降噪后的信号进行EMD,选取敏感本征模态函数(IMF)并计算其包络谱,通过分析包络谱中幅值凸出的频率成分判断故障类型。仿真和试验分析结果验证了所提方法的有效性和准确性。     

自适应陷波理论及其在轴承故障诊断中的应用

滚动轴承故障冲击特征易被工频载波信号淹没,而传统的信号降噪方法对工频干扰不具有针对性,所以将工频陷波理论引入到轴承故障诊断中。由于陷波的窄带滤波特性,其对中心频率及带宽参数变化较为敏感,通过粒子群多参数寻优,以时域峭度最大原则对陷波器中心频率及带宽进行自适应选取,以时域波形匹配方差作为评价指标验证陷波对故障冲击特性的还原能力。试验分析表明自适应陷波可以有效地从工频调制信号中解调出故障冲击特征,对陷波后信号进行包络谱分析,其故障特征谱线得到增强,辅助以集合经验模态分解(EEMD)、变分模态分解(VMD)去噪方法,可以得到更理想的效果。     

基于VMD与快速谱峭度的滚动轴承故障诊断

针对滚动轴承故障信号易受环境噪声干扰,故障特征信息获取相对困难的问题,提出了基于变分模态分解(VMD)与快速谱峭度的滚动轴承故障特征提取方法.首先将轴承信号分解为若干个固有模态分量(IMF),然后利用最大相关峭度解卷积算法对各阶模态分量进行计算,选取相关峭度值相对较大的几个IMF分量作为故障信息最突出的研究对象,并对其...     

基于深度卷积神经网络的轴承故障诊断方法

针对传统浅层轴承故障诊断方法依赖于人工特征提取和诊断专业知识从而缺乏自适应性问题,结合卷积神经网络善于识别二维形状的特点,提出一种基于深度卷积神经网络的故障诊断方法(DCNN)。首先,为充分展现滚动轴承故障特征信息,利用短时傅里叶变换得到滚动轴承振动时间序列的二维时频谱;其次,通过卷积神经网络自适应提取时频谱中不同故障特征;最后,将提取的轴承故障特征利用Softmax分类器输出诊断结果,实现轴承故障诊断。通过实测故障轴承数据对该方法进行验证,结果表明DCNN在多故障、变负载的轴承故障诊断准确率高达99.9%,证明了所提方法具有良好的泛化性能和可行性。     

自适应MCKD和CEEMDAN的滚动轴承微弱故障特征提取

针对滚动轴承振动信号受强噪声干扰,难以提取其微弱故障特征的问题,提出了自适应最大相关峭度解卷积(MCKD)和自适应噪声完全集合经验模态分解(CEEMDAN)的故障特征提取方法。由于MCKD方法的滤波效果受滤波器长度参数的影响,故采用变步长网格搜索法对滤波器长度进行寻优,自适应地实现MCKD降噪。首先以特征能量比(FER)作为目标函数利用变步长网格搜索法寻找最优滤波器长度,通过自适应MCKD算法对振动信号进行降噪;然后采用CEEMDAN方法分解降噪信号,并根据峭度准则选取故障信息丰富的敏感固有模态分量(IMF)进行信号重构;最后利用包络谱对重构信号进行分析,提取故障特征信息。经仿真与实验分析,该方法能够有效地提取出滚动轴承的微弱故障特征信息。     

自适应噪声均值优选集成经验模态分解及其在滚动轴承故障诊断中的应用

为了提高自适应噪声完备经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)的分解能力和分解精度,解决CEEMDAN方法中噪声残留等问题,提出了一种改进的CEEMDAN方法——自适应噪声均值优选集成经验模态分解...     

基于谱峭度解卷积的特高压直流输电换流阀空冷器故障诊断方法

针对特高压直流输电换流站换流阀的空冷器电机在实际运行过程中易出现的复合故障,该文提出了空冷器电机早期复合故障的诊断方法。基于频谱分析法和快速峭度图解决了空冷器电机潜在的,由于微弱故障累积而导致的换流阀乃至换流站运行不安全、不稳定的问题。首先,从振动信号入手,通过分析快速峭度图,得到复合故障模式下严重故障的谱峭度值,根据谱峭度值构建带通滤波器,进而得到严重故障的故障特征;然后,再构建带阻滤波器,通过多次滤波人为地不断衰减严重故障的故障特征,从而凸显微弱故障,经过多次滤波后使原本耦合的复合故障得到有效分离;最后,采用换流阀空冷器电机运行的实际信号,对所提算法进行了验证。     

参数自适应 SMHD 滚动轴承 IAS 信号特征提取方法

针对编码器瞬时角速度(IAS)信号中滚动轴承故障特征提取困难的问题,结合稀疏最大谐波噪声比解卷积(SMHD)算法可在没有先验周期情况下提取信号中周期性脉冲故障分量的优势提出一种参数自适应SMHD滚动轴承IAS信号特征提取方法。首先,利用向前差分法估计IAS信号;然后,利用故障特征(FC)作为自适应选取SMHD优化滤波器长度的评判指标,实现SMHD滤波器长度的自适应确定;再将优化选取的滤波器长度代入SMHD算法对IAS信号进行增强。最后,通过包络分析揭示滚动轴承故障特征。通过对仿真和实测数据进行分析,验证了所提方法的有效性。     

改进卷积 Lenet-5 神经网络的轴承故障诊断方法

针对滚动轴承微弱信号在强噪声、变工况复杂环境下,难以实现有效的故障诊断问题,提出了一种改进卷积 Lenet-5 神 经网络的轴承故障诊断方法。 首先,对采集的一维时域轴承振动信号进行预处理转化成便于卷积操作的二维灰度图;其次,将 最基本的 Lenet-5 模型中的连续单向的传统卷积层改进为 Block1 模块、Block2 模块、Block3 模块,提取到更完整、更精准的特征 信息;最后,为了防止网络出现过拟合现象,采用 L2 正则化和 Dropout 优化网络。 为了验证本文所提方法在复杂工况环境的鲁 棒和泛化性能,利用滚动轴承数据集和变速箱实验数据集进行实验验证。 轴承数据集实验结果表明,本文所提出的方法在变噪 声实验中准确率平均值都在 99. 3%;在变负荷实验中,故障诊断准确率都高于 90. 26%;在变工况实验中,故障诊断准确率平均 值都高于 89. 01%;在变速箱数据集实验中,抗噪性故障诊断准确率高达 96. 3%。 采用改进的 Lenet-5 方法对滚动轴承 12 种故 障类型具有更好的分辨能力,在变工况下具有更好的抗干扰性和泛化性能。     

基于动态PSO-MCKD-HHT的滚动轴承故障诊断方法研究与应用

滚动轴承作为牵引电机的重要部件之一,其故障诊断的准确性对保证牵引电机的正常运转具有重要的意义.为提高轴承故障诊断的准确性及有效性,选用最大相关峭度解卷积(MCKD)结合希尔伯特-黄变换(HHT)的方法进行诊断.针对MCKD算法受移位数(M),滤波器阶数(L)和冲击信号周期(T)特别依赖于经验的选择,选用动态粒子群算法对...     

改进型共振解调器在轴承故障诊断中的应用

共振解调技术已经在旋转机械故障诊断中得到广泛应用,传统电压型共振解调器模拟电路能够实时、准确地提取低频共振带里的故障特征频率。受电压型运算放大器转换速度较低和二极管的非线性特性这两个方面的制约,通过传统电压型共振解调器的高频信号和微弱信号发生失真现象,从而造成高频噪声背景下的轴承早期故障被误诊或者漏诊。因此,提出了一种改进型共振解调器模拟电路,通过采用第2代电流传输器(CCII+)以及AB类偏置电压补偿,改善了传统电压型共振解调器中包络检波器的性能,使该设计方法在处理高频故障信号和微弱故障信号的精度均有较大提升。随后,将该电路应用于跑合试验台,对滚动轴承典型故障进行了在线诊断。实验结果表明该改进电路不仅拓宽了信号频率适用范围,而且保证了对滚动轴承早期微弱故障的准确提取。     

基于改进谱峭度图与多维融合CNN的轴承故障诊断方法

针对轴承振动信号中存在与故障特征相关性较低成分的干扰导致故障诊断准确率降低的问题,提出了一种基于改进谱峭度图与多维融合CNN的轴承故障诊断方法。首先,为提高振动信号与故障特征的相关性,减少干扰成分,以双树复小波包变换为基础构建改进谱峭度图模型,增强多分辨率差异性故障特征表达。然后,考虑丰富特征评价维度,构建多维融合CNN模型,将原始信号与改进谱峭度图共同作为多维特征输入实现故障精准诊断。实验结果表明,该方法能够提取各类轴承振动信号中具备差异性的故障特征,在多工况下均能够准确识别轴承故障,具有较好的诊断精度。     

基于QH-ITD和AMCKD的滚动轴承故障诊断研究

由于滚动轴承早期微弱故障易受噪声影响导致难以对故障进行诊断。针对原固有时间尺度(ITD)和三次样条插值改进ITD算法的不足以及最大相关峭度解卷积(MCKD)算法的滤波器长度参数选取困难的问题,提出基于四次Hermite插值改进的ITD(QH-ITD)算法和利用变步长网络搜索参数寻优改进MCKD(AMCKD)算法。该方法首先利用QH-ITD算法对原滚动轴承故障信号进行分解运算,然后利用峭度指标和互相关系数筛选相应的分量信号进行重构,再利用AMCKD算法中对重构信号进行降噪处理,最后利用Teager-Kaiser能量算子进行解调处理,提取出故障特征信息并判断故障类型。通过人工模拟的滚动轴承损伤故障诊断实验和全寿命周期的轴承早期微弱故障诊断实验,验证了所提方法可以有效地对滚动轴承的早期微弱故障进行诊断识别。     

一种滚动轴承故障状态诊断方法

针对滚动轴承故障受噪声污染大,故障特征不明显,导致的故障诊断困难问题,提出了一种新的滚动轴承故障诊断方法。首先利用基尼指数对滚动轴承进行健康状态评估,并对状态异常的振动信号采用最优参数最大相关峭度解卷积进行降噪预处理以突出冲击成分,计算预处理信号的层次熵组成特征矩阵,最后采用布谷鸟算法优化支持向量机相关参数,并完成滚动轴承故障状态的智能诊断。通过实验分析验证了所提方法的可行性,且具有较高的准确率。     

基于 FastICA-BAS-MCKD 的滚动轴承 复合故障特征提取方法

针对强背景噪声下轴承复合故障特征难以分离提取的问题,提出了一种基于快速独立成分分析-天牛须-最大相关峭度 解卷积算法(FastICA-BAS-MCKD)的滚动轴承复合故障特征提取方法。 首先,引入 FastICA 对滚动轴承多通道故障信号进行盲 源分离;其次,利用 BAS 算法同步优化 MCKD 算法的解卷积周期 T、滤波器长度 L 和移位数 M,构建基于 BAS-MCKD 的滚动轴 承振动信号自适应分析方法;然后,应用 BAS-MCKD 方法处理分离后的信号,实现分离信号的降噪和特征增强;最后,应用希尔 伯特解调方法对 MCKD 处理后的信号进行包络谱分析,实现滚动轴承不同类型故障的识别。 仿真和实测信号的分析结果表 明,所提方法能清晰地从复合故障信号中提取出单一故障特征频率,为滚动轴承复合故障特征提取提供了一种有效的解决 方案。     

自卷积检测方法及其在离散频谱校正中的应用

针对相关检测方法中自相关不能检测相位、互相关需要参考信号的问题,从相关和卷积的关系出发,提出一种自卷积检测方法。首先,扩展相关和卷积的关系;然后,分别推导周期信号的自卷积、两周期信号的卷积、周期信号与噪声的卷积、噪声的自卷积、加噪信号的自卷积表达式,从理论上证明自卷积检测方法能检测信号的频率、幅值和相位,同时可以抑制噪声。最后,作为自卷积检测方法的应用实例,结合能量重心法提出一种新的离散频谱校正方法。仿真结果表明,所提方法能提高离散频谱校正的抗噪性能,对研究相关与卷积的关系以及卷积应用有一定的参考价值。     

基于稀疏自适应S变换和深度残差网络的轴承故障诊断方法

复杂滚动轴承振动信号存在非线性、非平稳等问题,传统信号处理方法难以实现故障特征的有效提取和高精度的故障分类。针对此问题,从轴承振动信号的时频特性出发,提出一种基于稀疏自适应S变换和深度残差网络的轴承故障诊断方法。首先将采集的振动信号进行稀疏自适应S变换,得到轴承不同工况下的时频图像特征;然后构建深度残差网络结构,并合理的选取优化器、初始学习率等网络参数,提出基于深度残差网络的轴承故障诊断模型。对某滚动轴承振动数据集的计算结果表明,基于稀疏自适应S变换的时频分析方法具有较高的时频分辨率,所构建的深度残差网络模型能够准确识别不同故障状态及其严重程度下的轴承运行信息,为滚动轴承的故障状态诊断提供了技术支撑。     

自适应遗传算法在直线感应电机参数优化中的应用

介绍了自适应遗传算法的基本思想,把该算法引入到直线感应电动机优化中,取得了满意的优化效果,最后给出了基于自适应遗传算法的单边型直线感应电机优化实例.     

改进的FEWT及其在滚动轴承故障诊断中的应用

针对快速经验小波变换(FEWT)中使用软阈值函数造成的频谱划分不合理的问题,提出了一种基于折中阈值函数的改进的快速经验小波变换(MFEWT)方法。方法首先通过傅里叶变换及反变换计算信号频谱的趋势谱,使用小波折中阈值函数去噪方法对趋势谱进行优化;然后根据优化后的趋势谱建立滤波带,融合峭度准则和相关系数分量选取原则,完成EWT经验模态分量的重构和特征分量的筛选,并对重构信号进行最小熵解卷积,进而计算频谱特征频率;最后,通过理论特征频率的匹配,完成滚动轴承的故障诊断。实验结果表明,与FEWT相比较,改进的快速经验小波变换能够获得更理想的信号分解结果,包络频谱中的故障特征频率峰值更为明显;改进方法实现了EWT信号分解的性能的改善,提高了滚动轴承故障诊断的可靠性。     

小波变换及经验模式分解方法在电机轴承早期故障诊断中的应用

电机轴承早期故障的有效诊断是实现安全生产、避免大事故的技术前提。文中用高精度加速度传感器采集电机轴承振动信号，采用小波变换实现信噪分离，提取淹没在噪声背景中的早期故障特征信息，然后对提纯的信号进行经验模式分解（EMD）而得到若干个基本模态分量（IMF），再计算各基本模态分量的频谱。理论及试验研究结果表明：按此方法得到的各基本模态分量的频谱突显了轴承的故障特征信息，能有效诊断出轴承的早期故障。