自适应冗余提升小波包变换的滚动轴承故障诊断新方法

针对滚动轴承故障微弱信号特征识别问题,提出一种非抽样运算的自适应冗余提升小波包诊断方法,解决了传统的小波包或提升小波变换进行抽样运算造成故障信息失真问题。该方法以提升原理为基础,通过Lagrange插值细分思想计算初始的非抽样预测和更新算子,进而构造了自适应冗余提升小波包分解与重构算法。对仿真信号进行降噪与抗频率混叠实验,结果表明,该方法降噪能力优于传统小波包,且不存在频率混叠现象。在异步电动机上实测了滚动轴承6205无故障、内圈故障、外圈故障及滚动体故障时的振动信号,用这种方法成功提取了各类故障的特征频率及倍频,且比传统小波包具有更高的诊断精度。     

一种多元素多尺度形态非抽样小波分解方法

针对电动机轴承故障信号常被强背景噪声淹没的问题,提出了一种多元素多尺度形态非抽样小波分解方法,并将其应用于滚动轴承故障特征提取中。该方法基于形态非抽样小波的一般框架,结合了形态开闭-闭开混合算子的滤波特性以及形态梯度算子提取信号冲击成分的特点,对该算子的两部分分别使用三角形和扁平形结构元素,使效率最优化。仿真和试验证明,该方法既可以进行谐波与噪声滤除,又可以有效地提取冲击成分,较现有的形态非抽样小波方法有更好的效果。     

基于分层算子形态小波的轮对轴承复合故障检测

形态学算子可以分为降噪型算子和特征提取型算子两大类。现有的形态非抽样小波方法在多层分解的每一层均使用相同的形态学算子,但反复使用某种降噪型或特征提取型算子有时很难准确获得信号的特征信息。为此,提出分层算子形态非抽样小波,每一层分解采用不同的形态学算子,通过对去噪型和特征提取型算子的有机融合,方法在故障特征提取方面具有更强的针对性、灵活性,同时也具有明确的物理意义和可解释性。针对轮对轴承复合故障的特点,提出一种局部特征幅值比原则,从不同分辨率对应的不同分析尺度的分析结果中,分别挑选出对不同类型故障最为敏感的分析尺度,进而实现复合故障中各故障的有效分离。在试验台采集轮对轴承复合故障振动信号,将提出的分层算子形态小波应用于实测数据的分析。研究结果表明,提出的方法能有效检测轮对轴承复合故障,与现有的形态非抽样小波方法相比,分层算子形态小波对复合故障的辨识能力更强。     

基于提升模式的非抽样小波变换及其在故障诊断中的应用

由于传统离散小波变换在分解信号时采用抽样操作,使原始信号的部分时域特征不能保留在分解结果中;另外,分解结果的平移可变,使得分解结果不能完美地描述故障的时域特征。为了克服上述缺陷,根据非抽样小波变换的原理,提出一种基于提升模式的非抽样小波变换框架。首先,通过信号变换方法去除提升小波变换的剖分环节,得到提升模式下的非抽样小波变换框架;在此基础上,建立提升模式下非抽样小波变换与抽样小波变换的预测器和更新器之间的转换关系,提出非抽样提升小波变换的分解和重构算法。采用这种非抽样小波变换从齿轮箱的振动信号中有效提取幅值调制和瞬态冲击的摩擦故障特征。     

基于对称差分能量算子解调的局部均值分解端点效应抑制方法

局部均值分解(Local mean decomposition,LMD)在分析非线性、非平稳信号时表现出特有的分析能力,能够有效获得非平稳信号的时频特征,但是局部均值分解过程中的端点效应会导致分解结果失真,针对这一问题,从振动信号解调分析角度出发,提出基于对称差分能量算子解调的局部均值分解端点效应抑制方法,采用局部均值分解方法将原信号分解为一系列单分量信号,然后对每一个单分量信号进行三点对称差分能量算子解调,得到各单分量信号的瞬时幅值和瞬时频率,从而获得原信号的时频分布。为评价该端点效应抑制方法的抑制效果,定义一种评价标准,通过与其他两种端点效应抑制方法进行比较,验证该方法的优越性。仿真和试验结果表明该方法能够有效抑制LMD端点效应,实现旋转机械故障的有效诊断。     

基于AVMD与改进能量算子的非稳态谐波分析

针对非稳态谐波分析中时频参数检测精度较低的问题,提出一种基于自适应变分模态分解(AVMD)与改进能量算子的非稳态电力谐波分析方法。首先,采用AVMD对非稳态谐波信号进行分解,其中采用波形特征匹配法对非稳态谐波信号进行延拓以减轻边界效应影响,并提出能量差和相关系数作为AVMD中模态分解个数的判据;结合模态分量,提出改进间隔采样能量算子快速提取谐波的瞬时幅值和频率,根据差分和信号完成其起止时刻的定位,实现非稳态谐波时频参数的快速准确测量。仿真与实测结果表明,本文方法能够在电网工频波动、间谐波以及噪声干扰等情况下有效完成非稳态谐波的准确检测,实现暂态谐波的精确定位,且对非稳态谐波频率、幅值的最大检测误差分别为0.094 9%和0.931 4%。     

形态非抽样小波与灰色关联度的轴承故障诊断

文中针对滚动轴承振动信号的强噪声背景以及故障样本不易大量获取的问题,提出了一种基于形态非抽样小波与灰色关联度的滚动轴承故障诊断方法。形态非抽样小波克服了传统形态小波由于采用抽样方式分解而造成的信息丢失问题,具有良好的特征提取和抗噪性能。灰色关联度分析方法对小样本模式识别问题具有良好的分类效果,适用于滚动轴承的故障模式识别。文中首先利用差值形态滤波能够提取信号冲击成分的特点,提出一种多尺度形态非抽样小波方法提取滚动轴承故障特征,然后将形态非抽样小波分解后近似信号的归一化特征能量作为特征向量,最后通过比较待识别样本与标准故障模式的灰色关联度来对故障模式进行分类。实例表明该方法可取得良好的效果。     

归一化复域能量算子解调及其在转子碰摩故障诊断中的应用

归一化希尔伯特变换(Normalized Hilbert transform,NHT)解调采用经验AM-FM分解实现信号的包络信号(即瞬时幅值)和纯调频信号的分离,再对纯调频信号进行希尔伯特变换提取瞬时频率。与直接希尔伯特变换解调比较,归一化希尔伯特变换的解调效果有较大提高。然而,研究发现,经验AM-FM分解得到的纯调频信号可能存在易导致负频率出现的骑波,并且由于归一化希尔伯特变换求取瞬时频率仍采用希尔伯特变换,则不可避免地在端点处产生振荡。针对归一化希尔伯特变换解调存在的问题,提出可以消除骑波的改进的经验AM-FM分解以及基于复域能量算子的纯调频信号的瞬时频率估计,并在此基础之上进一步提出一种新的信号解调方法——归一化复域能量算子(Normalized complex Teager energy operator,NCTEO)解调,采用改进的经验AM-FM分解提取单分量信号的瞬时幅值,再用基于复域能量算子的瞬时频率估计对纯调频信号进行解调提取瞬时频率。通过仿真试验以及转子早期碰摩故障诊断的应用实例验证了归一化复域能量算子解调的优越性和有效性。     

基于VMD和对称差分能量算子解调的滚动轴承故障诊断方法

针对滚动轴承早期故障振动信号非平稳、强噪声,故障频率难提取的问题,提出了基于变分模态分解(Variational Mode Decomposition,VMD)和对称差分能量算子解调的滚动轴承故障诊断方法。首先,利用VMD方法将滚动轴承待分析信号分解成若干个模态分量;其次,根据峭度最大准则来选取被对称差分能量算子解调的模态分量,解调后获取待分析信号的幅值、频率信息并计算包络谱。实验结果表明:与传统能量算子相比,所提方法能突显故障特征频率并有效抑制虚假干扰频率,更有利于滚动轴承故障诊断。     

柴油机振动谱图纹理增强的NMF特征提取方法

针对柴油机振动加速度信号特征提取困难的问题,提出一种对时频图像纹理信息进行增强的矩阵非负分解方法,用于提取柴油机振动信号的时频特征。首先,利用匹配追踪算法(MP)结合Wigner-Ville分布获取时频分辨率较好的时频表征;然后引入局部二值模式(LBP)算子对时频图像的灰度矩阵重新编码,再利用非负矩阵分解算法(NMF)获取时频图像对应的低维特征参量,以增强时频图像的纹理特征,提高NMF的特征提取效果。通过对柴油机4种不同状态的振动信号进行分析研究,可得出结论:该方法能有效地表达柴油机缸盖振动加速度信号的时频特征,可用于准确地诊断柴油机的气门故障。