基于改进形态分量分析的滚动轴承包络分析方法

滚动轴承出现局部损伤时,其振动信号既包含轴承自身原因引起的谐振分量,也包含故障信息的冲击分量和噪声分量。谐振分量为信号中的相对平滑部分,其品质因子较高;冲击分量表现为信号中的瞬态成分,其品质因子较低。针对这一特点,利用可调品质因子小波变换稀疏表示信号,提出一种改进形态分量分析方法,并将其应用于滚动轴承的包络分析中。采用可调品质因子小波作为稀疏表示字典,实现不同分量的分离,并对冲击分量进行包络分析,判断滚动轴承故障。滚动轴承故障实验表明,该方法能够有效提取故障特征,诊断轴承出现的故障类型。     

齿轮箱复合故障振动信号的形态分量分析

在改进形态分量分析系数阈值去噪方法的基础上,将其用于齿轮箱复合故障振动信号的分析。齿轮箱中的齿轮出现局部故障时,其振动信号中往往出现调幅调频成分;而滚动轴承出现局部故障时,其振动信号中往往出现周期性瞬态冲击成分。调幅调频成分的幅值变化相对缓慢,可看作信号中的光滑部分;而瞬态冲击成分的幅值变化较快,可看作信号中的细节部分,故可依据此形态差异实现二者的分离。采用形态分量分析方法将齿轮箱复合故障振动信号分解为包含滚动轴承局部故障信息的冲击分量、包含齿轮局部故障信息的谐振分量及残余分量,根据冲击分量和谐振分量的Hilbert包络解调谱分别诊断滚动轴承和齿轮的局部故障。对齿轮箱复合故障振动信号的分析结果表明,该方法可有效分离滚动轴承与齿轮的故障特征,且效果要优于经验模态分解(Empirical mode decomposition,EMD)方法。     

基于形态分量分析与能量算子解调的齿轮箱复合故障诊断方法

针对齿轮箱复合故障的故障特征分离,提出了一种基于形态分量分析与能量算子解调的齿轮箱复合故障诊断方法。该方法先根据振动信号中各组成成分形态的差异,采用形态分量分析方法构建不同形态的稀疏表示字典进行故障成分分离,将齿轮箱复合故障信号分解为包含齿轮故障信息的谐振分量、包含轴承故障信息的冲击分量和噪声分量,然后分别对谐振分量和冲击分量进行能量算子解调分析,最后根据各解调谱诊断齿轮和轴承故障。算法仿真和应用实例表明该方法能有效地分离齿轮箱复合故障振动信号中齿轮与轴承的故障特征。     

基于奇异值差分谱与改进包络分析的轴承故障特征提取

针对滚动轴承振动信号故障特征难以提取的问题,提出了一种基于奇异值差分谱与改进包络分析的轴承故障特征提取方法。首先,通过奇异值分解将原始轴承振动信号分解为一系列能够线性叠加的分量信号,利用故障特征分量和噪声分量在奇异值上的差异,根据奇异值差分谱的性质筛选出有效奇异值,选择包含故障特征的分量重构信号。针对奇异值分解去噪后仍存在残余噪声,采用改进包络分析,在频域中进一步去除重构信号中的残余噪声。最后对实测轴承信号进行分析,准确地提取到故障特征明显、故障频率突出的轴承故障信号,完成故障诊断。     

基于Morlet小波包络分析的滚动轴承多源故障分离

滚动轴承初始故障振动信号比较弱,易被干扰噪声淹没,使得传统的包络分析方法失效,而且实际采集的信号往往为多个振源的混合信号.提出用Autoregressive模型对轴承故障数据进行预处理,得到包含故障脉冲冲击的信号.利用kurtosis最大化准则自动获取complex Morlet小波包络分析方法的中心频率和包络带宽,对采集信号进行包络分析,最后对得到的包络信号进行独立分量分析实现各振源包络分量分离,进而获取故障冲击信号.仿真试验与模拟故障试验验证了该方法的有效性.     

基于倒谱预白化和随机共振的轴承故障增强检测

轴承损伤引起的冲击受到离散频率分量和噪声干扰,使轴承故障检测面临困难。结合基于倒谱编辑(Cepstrum editing procedure, CEP)的信号预白化和随机共振(Stochastic resonance, SR)微弱信号检测技术,提出一种轴承故障增强检测的新方法。信号预白化能够提升轴承振动信号的冲击特性,产生包含白噪声和轴承局部故障信号的白化信号。在未知最优共振频带的情况下,对白化后的轴承振动信号进行包络分析,增强故障特征分量的同时引入了较多噪声。通过随机共振的归一化尺度变换,将轴承包络信号作为检测模型的输入,增强轴承故障特征频率分量。提出将轴承故障特征频率处的局部谱峭度和局部信噪比作为对照指标。实测正常和外环植入故障轴承的诊断结果表明,提出的方法优于基于谱峭度优化的包络分析和单纯的信号预白化方法。     

改进辛几何模态分解的滚动轴承故障特征提取

针对滚动轴承故障冲击信号难以提取的问题,提出了一种改进辛几何模态分解（Improved Symplectic Geometry Modal Decomposition,ISGMD）滚动轴承故障特征提取方法。首先将振动信号进行辛几何模态分解,然后,利用k均值聚类的方法对分解得到的辛几何分量进行聚类,通过包络谱稀疏度指标筛选出故障特征明显的聚类辛几何分量（Cluster Symplectic Geometry Component,CSGC）并进行重构,对重构分量进行包络解调,提取出故障特征。将该方法运用到轴承故障仿真和实验信号,结果表明,这里提出的方法能够有效提取出滚动轴承故障特征。     

基于改进SSD降噪的滚动轴承故障特征提取

针对强背景噪声下滚动轴承早期微弱故障特征难以提取以及奇异谱分解方法分解的分量仍然包含噪声的问题,提出了一种奇异谱分解（Singular spectrum decomposition,SSD）和最大循环平稳盲解卷积（Maximum cyclostationarity blind deconvolution,CYCBD）相结合的滚动轴承微弱故障特征提取方法。由SSD方法将轴承振动信号自适应地分解为从高频到低频的奇异谱分量;根据分量峭度最大原则,筛选出最佳分量;再利用CYCBD对最佳分量后处理进一步降噪;进而对降噪后的信号进行Hilbert包络解调分析,得到故障特征频率。仿真和实验分析表明,该方法能有效提取滚动轴承早期微弱故障特征。     

基于EMD与功率谱分析的滚动轴承故障诊断方法研究

针对西部油田大型设备故障信号的非线性、非平稳特征,提出一种基于经验模态分解方法EMD（empirical mode decomposition）和功率谱的分析方法。首先对滚动轴承振动信号进行经验模态分解,然后对分解后包含轴承故障特征信息的固有模态函数分量作功率谱分析,得到各分量的功率谱图,清晰直观显示出故障特征信号的功率谱,从混有背景信号和噪声的振动信号中提取轴承故障信息。由于EMD方法具有自适应特性,适宜于非线性、非平稳信号的分解,该方法应用于滚动轴承的故障振动信号分析中,结果表明,该方法能够突出滚动轴承振动信号的故障特征,从而提高滚动轴承故障诊断的准确性。     

基于无量纲指标与波谱分析的滚动轴承故障诊断

鉴于滚动轴承在运转过程中能够产生冲击振动信号,将无量纲指标、频域平均与Hilbert包络分析相结合,实现对滚动轴承的故障诊断。首先将采集到的滚动轴承振动信号进行裕度指标、峭度指标等无量纲指标分析,来定性判断轴承是否存在故障,然后通过频域平均减小噪声等干扰信号的影响。最后通过Hilbert包络谱解调分析,获取能够反映故障频率的振动信号。实例表明,该方法能够简单有效地实现滚动轴承的故障判断。     

OEEMD与Teager能量算子结合的轴承故障诊断

针对滚动轴承发生局部故障时振动信号中微弱周期性冲击的特征提取问题,提出参数优化集合经验模式分解(optimal ensemble empirical mode decomposition,简称OEEMD)与Teager能量算子解调结合的滚动轴承故障诊断方法。首先,针对集合经验模式分解(ensemble empirical mode decomposition,简称EEMD)过程中两个关键参数k(加入白噪声的幅值系数)和m(集合平均次数)的准确选取问题,通过引入相关系数、相关均方根误差和信噪比分析,给出一种可自适应确定这两个参数取值的OEEMD方法,通过OEEMD将冲击从滚动轴承振动信号中分离出来;其次,采用Teager能量算子对其进行包络解调,计算出瞬时幅值后再对瞬时幅值进行包络谱分析,以获取冲击的特征频率,从而对滚动轴承故障进行准确诊断。仿真信号分析和应用实例验证了该方法的有效性。     

基于平方包络谱相关峭度的最优共振解调诊断滚动轴承故障

利用峭度指标识别滚动轴承共振频带,结合包络分析解调故障特征,是滚动轴承故障诊断的常用方法。峭度指标虽然能够表征瞬态冲击特征的强弱,却无法利用瞬态冲击特征循环发生的特点,导致其难以区分脉冲噪声和循环瞬态冲击,无法准确识别共振频带,进而容易导致错误的故障诊断结果。受峭度和信号自相关的启发,重新定义相关峭度,提出平方包络谱相关峭度新指标;并结合Morlet小波滤波和粒子群优化算法,提出一种滚动轴承最优共振解调方法。通过与峭度、谱峭度等进行对比,仿真和试验分析结果表明平方包络谱相关峭度能够准确识别循环瞬态冲击;最优共振解调能够稳健确定共振频带的最优中心频率和带宽,准确解调诊断滚动轴承故障,验证了平方包络谱相关峭度在检测循环瞬态冲击和识别最优共振频带中的有效性和优越性。     

多共振分量融合CNN的行星齿轮箱故障诊断

针对行星齿轮箱中各部件所激起的振动成分混叠、早期故障特征经常被较强的各级齿轮谐波成分以及环境噪声所湮没的问题,提出一种多共振分量融合卷积神经网络（multi-resonance component fusion based convolutional neural network,简称MRCF-CNN）的行星齿轮箱故障诊断方法。首先,对振动信号进行共振稀疏分解,得到包含齿轮谐波成分的高共振分量和可能包含轴承故障冲击成分的低共振分量;其次,构建多共振分量融合卷积神经网络,将得到的高、低共振分量和原始振动信号进行自适应的特征级融合,通过有监督的方式训练模型并进行行星齿轮箱故障诊断。对行星齿轮箱实验数据的分析结果表明,该方法能够有效分类行星齿轮箱中滚动轴承和齿轮的故障,成功对行星齿轮箱故障进行诊断,同时能够进一步增强卷积神经网络对振动信号所蕴含的故障信息的辨识能力。     

基于ITD-形态滤波和Teager能量谱的轴承故障诊断

针对强背景噪声下滚动轴承振动信号故障特征信息难以提取的问题,提出了结合固有时间尺度分解(ITD)-形态滤波和Teager能量谱的滚动轴承故障特征提取与诊断方法。首先对滚动轴承振动信号采用ITD方法分解,得到若干个固有旋转分量;考虑到噪声主要分布在高频段,取前2个高频的固有旋转分量进行形态滤波,并将滤波后的信号与剩余固有旋转分量重构;对重构信号计算Teager能量算子并绘制Teager能量谱,从Teager能量谱中可以识别出故障特征。将本方法应用于滚动轴承的内圈故障和外圈故障诊断,结果表明ITD-形态滤波可以有效去除振动信号中的背景噪声并保留冲击特征,Teager能量谱可以直观并准确显示出故障特征。     

Fault diagnosis of rolling element bearing using a new optimal scale morphology analysis method

Periodic transient impulses are key indicators of rolling element bearing defects. Efficient acquisition of impact impulses concerned with the defects is of much concern to the precise detection of bearing defects. However, transient features of rolling element bearing are generally immersed in stochastic noise and harmonic interference. Therefore, in this paper, a new optimal scale morphology analysis method, named adaptive multiscale combination morphological filter-hat transform (AMCMFH), is proposed for rolling element bearing fault diagnosis, which can both reduce stochastic noise and reserve signal details. In this method, firstly, an adaptive selection strategy based on the feature energy factor (FEF) is introduced to determine the optimal structuring element (SE) scale of multiscale combination morphological filter-hat transform (MCMFH). Subsequently, MCMFH containing the optimal SE scale is applied to obtain the impulse components from the bearing vibration signal. Finally, fault types of bearing are confirmed by extracting the defective frequency from envelope spectrum of the impulse components. The validity of the proposed method is verified through the simulated analysis and bearing vibration data derived from the laboratory bench. Results indicate that the proposed method has a good capability to recognize localized faults appeared on rolling element bearing from vibration signal. The study supplies a novel technique for the detection of faulty bearing.     

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。     

基于形态滤波和Laplace小波的轴承故障诊断

针对强噪声背景下,轴承故障冲击响应的提取易被周围噪声干扰的问题,提出了一种基于数学形态学滤波和Laplace小波的包络谱分析方法。首先通过形态学滤波来滤除信号中的复杂噪声,增强信号的冲击特征,然后采用Laplace小波相关滤波法提取信号的冲击响应,最后对提取的冲击相关系数进行包络谱分析,即可诊断出故障。该方法结合了数学形态滤波和Laplace小波两者的优点,可以准确地捕捉到强噪声下的故障脉冲。将该方法应用于轴承内圈、外圈的故障诊断,与传统包络谱分析方法的对比结果很好地验证了所提方法的有效性。     

基于双时域变换和稀疏编码收缩的滚动轴承早期故障诊断方法

针对滚动轴承早期故障特征微弱、在噪声和谐波干扰下难以有效提取的问题,提出了联合双时域(DTD)变换和稀疏编码收缩(SCS)的故障诊断方法。首先对原始信号进行双时域变换,将双时域变换谱的对角序列作为重构信号;然后对重构信号进行稀疏编码收缩,减小噪声与低频杂波的干扰;最后对降噪信号做包络谱分析,提取故障特征频率,判定故障类型,实现故障诊断。对仿真信号、实验信号、工程信号的分析结果表明,该方法可有效提取轴承早期故障信号中的微弱故障特征,准确判断故障类型。     

基于经验模式分解和谱峭度的滚动轴承故障诊断

滚动轴承的振动信号是强背景噪声下的非平稳非线性信号,其特征提取是滚动轴承故障诊断的难点。为了提高滚动轴承的故障诊断效果,提出了基于经验模式分解(Empirical Mode Decomposi-tion,EMD)和谱峭度(Spectrum Kurtosis,SK)的滚动轴承故障诊断方法。首先利用EMD方法对轴承故障信号进行分解,剔除趋势项,利用归一化白噪声分量的统计特性来滤除信号中的噪声分量,然后利用谱峭度方法估计带通滤波器的中心频率和带宽,最后对剩余的信号执行带通滤波和包络解调进行故障诊断。对滚动轴承故障诊断的结果表明,本文提出的方法能够有效地提高轴承故障诊断的效果。