基于Morlet小波变换的滚动轴承早期故障特征提取研究

针对轴承故障初期振动信号中的特征成分极易被噪声信号淹没而不能及时检测的问题,结合Morlet小波变换降噪的基本原理,提出一种由尺度相关能量分布确定最优尺度参数的方法,从而在该尺度下对信号滤波来提取冲击特征成分.以最小Shannon熵优化Morlet小波的形状参数,实现母小波与信号故障特征的最佳匹配;以最优Morlet小波在不同变换尺度下的小波系数绘制尺度-能量谱,利用信号故障特征能量在特定尺度范围内聚集的特性,从谱图的极值点中选择滤波效果最好的尺度参数.对轴承全寿命数据的实际应用结果表明,与信号的均方根趋势相比,该方法能够提前从信号中提取微弱故障特征并检测到轴承的外圈故障,为轴承早期故障诊断提供了一种有效途径.     

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。     

基于小波包的滚动轴承故障特征提取

在深入分析离散小波包变换快速算法的基础上，给出了离散小波包变换快速算法中产生频率混淆的原因，即由正交镜像滤波器的非理想截止特必, 隔点采样和隔点插零的特性共同作用产生的，提出了一种消除频率混淆的算法，利用该算法和原算法，分别对某型滚动轴承内环剥落故障的振动信号进行处理，提取其故障特征，结果表明，原算法由于存在频率混淆，可能掩盖故障特征，提出的新算法，由于很好地消除了频率混淆，能有效地提取滚动轴承局部故障的特征。     

Walsh变换在滚动轴承早期故障特征提取中的应用

依据Walsh变换具有分析微弱脉冲信号的优点,提出一种基于Walsh变换的滚动轴承早期故障特征提取方法。通过仿真及滚动轴承早期故障特征提取的实例分析,证明Walsh功率谱在故障特征提取中的敏感性及抗噪能力优于Fourier功率谱,具有较强的故障特征提取能力,凸显了滚动轴承的故障特征频率,能有效地诊断出轴承的早期微弱故障。     

基于图像处理的滚动轴承故障特征提取研究

特征提取是故障诊断的关键环节,现有的时域、频域和时频域特征提取方法虽然有效,但在新领域寻找特征提取方法也十分必要。在分析SDP(Symmetrized Dot Pattern)方法得到雪花图像特点的基础上,提出了基于图像处理的滚动轴承故障特征提取方法。首先通过SDP方法将原始振动信号转换成极坐标下的雪花图像;然后采用图像处理技术提取出滚动轴承各故障状态雪花图像的形状特征,并对特征参数进行分析;最后通过建立BP网络进行故障模式识别,验证了该故障特征提取方法的有效性。     

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。     

基于自适应增强差分积形态滤波器的滚动轴承故障特征提取方法

为了在强背景噪声下提取滚动轴承微弱的故障特征信息.提出一种新的自适应增强差分积形态滤波方法(Adaptive enhanced difference product morphological filter,AEDPO)用于滚动轴承早期的故障诊断.首先,结合已有的四种形态学滤波算子滤波的能力,提出一种改进的增强差分积形...     

基于SK-MOMEDA的滚动轴承微弱故障特征提取

针对滚动轴承早期周期性瞬态冲击不明显及谱峭度在低信噪比情况下分析效果差的问题,提出多点优化最小熵解卷积(Multipoint optimal minimum entropy deconvolution adjusted,MOMEDA)和谱峭度相结合的轴承微弱故障特征提取方法.首先,采用MOMEDA作为前置滤波器对含有强...     

滚动轴承故障特征提取的频谱自相关方法

冲击调制是滚动轴承发生局部故障的重要特征,在频谱上表现为调制边频且能量主要集中在高频共振区非常不利于诊断。根据冲击序列在时域与频域具有相似冲击形式的特点,将时域的自相关概念引入频域,对滚动轴承内、外圈局部故障响应信号的频谱进行自相关分析。该方法将位于高频共振区的调制边频特征有效地转移到低频区,形成以故障特征频率为基频的谐频特征;对于内圈故障信号频谱自相关结果保持了载荷调制的边频。对6220型滚动轴承外圈和内圈点蚀故障信号的分析结果表明:频谱自相关分析在不设计带通滤波器选择共振频段时,分析过程更简洁,对内圈故障特征的提取比包络分析、倒谱分析及时域的自相关方法效果更好、抗噪能力更强、可信度更高,具有较高的工程应用价值。     

基于CSES和MED的滚动轴承微弱故障特征提取

针对高噪声条件下,联合平方包络谱(combined squared envelope spectrum,简称CSES)方法容易受频带内噪声和其他频带特征的干扰,导致对滚动轴承微弱故障特征提取困难的问题,提出了一种结合CSES和最小熵解卷积(minimum entropy deconvolution,简称MED)的滚动轴...     

变工况下滚动轴承的故障特征提取

滚动轴承常被用于风力涡轮机、发动机等旋转机械中,由于负载、电流变化等因素将导致旋转设备中的滚动轴承在变速条件下运行。在变转速的工况下,现有时频分析、共振解调等故障诊断方法并不能有效提取故障特征,且考虑到强大背景噪声下存在故障特征提取困难的问题,本文提出了一种基于广义变分模态分解(Generalized variational mode decomposition, GVMD)和分数阶傅里叶变换(Fractional fourier transform, FRFT)的变工况故障特征提取方法。首先将在变工况下故障特征频率呈非线性分布的原始振动信号广义解调为近似线性分布,其次对解调后的信号进行变分模态分解(Variational mode decomposition, VMD)得到本征模态函数分量(Intrinsic mode functions, IMF),根据相关系数准则选取最优的分量进行分数阶域的滤波,最后通过分析滤波后信号的1.5维包络谱提取故障特征频率。通过滚动轴承仿真数据和实验数据的验证表明本文所提方法能够有效提取变工况下滚动轴承的故障特征频率。     

基于小波相关滤波法的滚动轴承早期故障诊断方法研究

目前基于小波分析的滚动轴承故障诊断方法研究已经很多,但是这些方法对于强噪声背景下的早期故障微弱信号特征提取效果并不理想。为此,提出了适用于强噪声背景的小波相关滤波滚动轴承早期故障诊断方法。该方法将小波相关滤波降噪方法和Hilbert包络细化谱分析相结合:对被测信号进行小波相关滤波降噪处理,对降噪处理后的高频段尺度域的小波系数进行Hilbert包络细化谱分析。该方法在滚动轴承的早期故障诊断中的试验结果表明,该方法与直接小波系数包络谱诊断方法相比,较大地增强了对滚动轴承早期故障诊断的能力,在强噪声背景下有效地提取出滚动轴承的早期故障频率。     

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SVD-EEMD和TEO的滚动轴承弱故障特征提取

将奇异值分解(singular value decomposition,简称SVD)与集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)进行结合,提出一种适用于滚动轴承弱故障状态描述的敏感特征提取方法。为提高信号故障信息的提取质量,对采集信号进行相空间重构得到一种Hankel矩阵。根据该矩阵的奇异值差分谱,确定降噪阶次进行SVD降燥。用EEMD分解降噪后的信号可获得11个本征模态函数(intrinsic mode function,简称IMF)和1个余项。依据建立的峭度-均方差准则,筛选出一个能够有效描述故障状态的敏感IMF分量,计算其相应的Teager能量算子(Teager energy operator,简称TEO),对此TEO进行Fourier变换,实现了对滚动轴承弱故障模式的有效辨识。用美国凯斯西储大学公开的滚动轴承故障信号对所建立的方法与传统EEMD-Hilbert法和EEMD-TEO方法进行对比,结果表明:经本方法提取的敏感特征能准确突显滚动轴承故障频率发生的周期性冲击,可准确识别其故障类型。     

大数据统计趋势分析和PCA的滚动轴承早期故障诊断

针对短时、小样本数据下提取的特征对早期故障敏感度和故障演化过程稳定度低、信息冗余的问题,提出了大数据统计趋势分析和核主元分析方法(Principal component and analysis,PCA)的滚动轴承故障演化特征提取和早期故障诊断方法。采集滚动轴承正常状态到完全失效状态的全寿命振动数据,计算原始数据中不同故障严重程度下的时频统计特征,建立各个统计特征描述的故障演化趋势,分析各个统计特征描述的故障演化特性,初步选择能够敏感且稳定感知故障演化过程的统计特征集,利用PCA分析初选结果中各个统计特征间的相关性和贡献度,进一步剔除冗余特征,最终得到能全面表征故障演化过程的特征。最后,使用滚动轴承全寿命振动数据验证本文所提方法的有效性。实验结果证明,标准差、均值频率、标准差频率等特征能敏感地检测滚动轴承早期内环故障并稳定跟踪其演化过程。     

基于流形学习与一类支持向量机的滚动轴承早期故障识别方法

提出了一种基于流形学习与一类支持向量机的轴承早期故障识别方法。首先提取轴承信号的时域参数构成原始特征样本空间;然后采用基于拉普拉斯特征映射算法(Laplacian eigenmap,LE）的流形学习方法对特征样本进行特征压缩,提取出敏感的故障特征;最后采用一类支持向量机对各状态实现分类识别。利用实测的滚动轴承故障数据对算法进行了验证,并将LE方法与主成分分析（PCA）方法进行了比较,
结果证明该方法可行。     

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。     

基于协整理论的滚动轴承退化特征提取

通过分析滚动轴承全寿命数据均方根(root mean square,简称RMS)和样本熵的演化规律,发现两特征间存在一定的协整关系,提出了一种基于协整理论的滚动轴承退化特征提取方法.将不同的滚动轴承全寿命数据统一起来,得到具有一致性的演变过程.采用多组滚动轴承全寿命数据进行实例分析,验证了该方法所提特征的优势,深入研究...