基于快速kurtogram算法的共振解调方法在滚动轴承故障特征提取中的应用

共振解调方法是滚动轴承故障特征提取和故障诊断中最为常用的一种方法。然而传统的共振解调技术存在带通滤波参数(中心频率和滤波带宽)需要人工进行预先确定,其具有很大的偶然性、局限性等缺陷。本文作者将快速Kurtogram算法用于共振解调技术带通滤波器参数的确定中,并结合共振解调技术成功运用于滚动轴承的故障特征提取,弥补了传统共振解调方法需要人工干预进行带通滤波参数确定的不足,并分别进行仿真和实验来验证该方法的有效性。     

延伸奇异值分解包及其在高速列车轮对轴承故障诊断中的应用

结合多分辨奇异值分解包的分解结构和对滚动轴承故障信号的Hankel矩阵的奇异值分布特性研究,提出了延伸奇异值分解包。该算法的核心包括矩阵递推构造和矩阵重构。以分量信号能量为指标,提出了有效分量信号的筛选准则,并基于该准则,进一步提出了延伸奇异值分解包的快速算法。仿真结果表明,延伸奇异值分解包对信号中共振频带分量信号具有很好的分解能力,方法具有强鲁棒性,同时极大地改善了奇异值分解包中出现的模态混叠。应用高速列车轮对轴承试验数据对该方法进行试验验证,结果表明,该方法能有效分离高速列车轮对轴承复合故障信号的不同共振频带信号,对筛选的有效分量信号进行包络分析,可有效提取不同类型的故障特征频率及其谐波,对共振频带的聚集性和故障的表征力相比奇异值分解包均有显著提高。     

基于信号共振稀疏分解的包络解调方法及其在轴承故障诊断中的应用

提出了基于信号共振稀疏分解的包络解调方法,并将其应用到轴承故障诊断中.与常规的基于频带划分的信号分解方法不同,信号共振稀疏分解方法根据信号中各成分品质因子的不同,将信号分解成高共振分量和低共振分量.当轴承出现损伤时,振动信号由以包含轴承自身振动的谐振信号、包含轴承故障信息的瞬态冲击信号以及噪声组成.谐振信号为窄带信号,具有高的品质因子,可分解为高共振分量;而瞬态冲击信号为宽带信号,具有低的品质因子,可分解为低共振分量.基于信号共振稀疏分解的包络解调方法首先利用信号共振稀疏分解方法将信号分解成高共振分量、低共振分量及残余分量,再对低共振分量进行包络解调分析,根据包络解调谱进行轴承故障诊断.算法仿真和应用实例表明该方法能有效地提取轴承故障信号中的冲击成分,凸显故障特征.     

基于MED及FSK的滚动轴承微弱故障特征提取

针对强噪声情况滚动轴承故障特征较微弱、其故障特征较难提取问题,提出将最小熵反褶积(Minimum Entropy Deconvolution,MED)与快速谱峭度算法(Fast Spectral Kurtosis,FSK)结合用于滚动轴承微弱故障提取。用MED对强噪声滚动轴承振动信号降噪,对降噪后信号进行快速谱峭度计算,确定故障信号共振解调带通滤波器参数,结合能量算子解调包络谱提取故障特征。通过仿真与实验数据验证该方法的有效性。     

集成TEO解调和随机共振的行星齿轮箱早期故障诊断方法

针对行星齿轮箱早期微弱故障难以诊断的问题,提出一种结合Teager能量算子(TEO)解调和随机共振增强输出的方法以实现故障特征提取。首先,对行星齿轮箱振动信号进行经验模式分解(EMD)并选取包含故障信息的分量信号,使用TEO解调运算获得分量信号的解调信号。其次,为满足随机共振系统的小参数条件,将解调信号做适当压缩处理并进行频率二次采样。再次,以定义的随机共振系统输出信噪比为适应度函数,采用粒子群算法优化随机共振系统的结构参数,进而重构随机共振系统以实现信号、噪声以及非线性系统的最佳匹配。最后,将信号重新输入参数优化后的随机共振系统实现故障特征的增强提取。仿真和实验均表明:该方法获取了随机共振系统的大信噪比输出,实现了强噪声下微弱故障特征的准确和高效提取,是一种行之有效的行星齿轮箱早期微弱故障诊断方法。     

基于滤波器组分解的周期性振动冲击信号解调方法及其应用

针对离散小波包变换用于振动信号解调分析存在的不足,构造了一种具有线性相位的两通道正交镜像对称滤波器组(QMF)用于信号解调分析;与同阶的小波滤波器相比,此QMF滤波器不仅滤波性能更优,而且其滤波系数的求取更加便捷.为了解决常规两通道滤波器组分解算法中存在的子带信号组频带错位问题,引入了无频带错位的QMF滤波器组分解算法.基于此分解算法,提出了一种用于早期故障自动检测的振动信号解调新方法.该方法在考虑各组子带信号能量大小的基础上,按修正的归一化峭度(MKv)最大化准则自动选择一组含有丰富故障信息的子带信号进行Hil-ben包络谱分析提取故障特征.利用该方法对仿真和实际轴承故障信号进行了解调分析,分析结果表明,该方法可以有效地检测出轴承故障.     

改进的奇异值分解在轴承故障诊断中的应用

滚动轴承是旋转机械设备的重要部件,对滚动轴承的故障诊断研究具有重要的意义。为了从复杂的轴承振动信号中提取有效的故障信息,提出了改进的奇异值分解故障诊断方法。阐述了奇异值分解与包络谱分析的原理,并对轴承振动信号构造Hankel矩阵进行奇异值分解。利用功率谱密度函数构造滤波器提高信号的信噪比,对滤波器处理后的信号再进行奇异值分解和包络分析,并将此方法应用于滚动轴承振动信号分析。实验结果表明:此方法对振动信号故障特征频率的提取效果具有明显优势。     

基于包络谱带通峭度的改进谱峭度方法及在轴承诊断中的应用

快速谱峭度法(Kurtogram)是解决用于滚动轴承故障诊断的共振解调方法中带通滤波器中心频率和带宽参数确定问题的有效方法; Kurtogram以滤波后时域信号的峭度值作为滤波效果度量指标,然而该指标易受非高斯噪声和偶然性非周期冲击影响,可能导致滤波频带选择错误。考虑到偶然性冲击和非高斯噪声的包络谱与周期性冲击包络谱之间的特性差别,同时为了排除齿轮局部故障和转子碰摩等故障造成的冲击影响,提出按一定规则截取滤波后信号包络谱的中间段,并以该段数据的峭度值衡量周期性冲击响应的强弱,称为包络谱带通峭度;以包络谱带通峭度代替Kurtogram中滤波后时域信号的峭度值,得到一种改进的快速谱峭度方法。以仿真信号和实验室实测信号分析验证了该方法的有效性和优越性。     

基于奇异值分解和变分模态分解的轴承故障特征提取

为了有效提取轴承故障,提出了基于变分模态分解和奇异值分解降噪的故障特征提取方法。通过对故障信号进行变分模态分解,获得其本征模态函数。基于峭度指标,选择包含故障信息的本征模态函数进行信号重构。利用奇异值分解降噪技术对重构信号进行处理,提高信噪比。最后对降噪信号进行包络解调提取故障特征频率。与常见的故障特征提取方法相比,该方法能有效辨别滚动轴承的典型故障,突出故障特征,提高滚动轴承的故障诊断效果。     

基于VMD和Infogram的滚动轴承故障特征提取EI北大核心CSCD

带通滤波器参数(中心频率和带宽)选取是共振解调的关键,针对快速峭度图找寻的中心频率偏大、带宽过宽的问题,提出Infogram(信息图)用于确定滤波器参数;并利用变分模态分解(Variational Mode Decomoposition,VMD)预先对信号进行重构,以减少噪声对信息图的影响,增强其应用效果。对轴承故障振动信号进行变分模态分解得到有限个模态分量,根据模态选取准则确定包含故障信息较多的模态分量进行信号重构,再应用信息图确定最佳共振频带的中心频率和带宽,并对重构信号进行带通滤波和包络谱分析,识别轴承故障特征频率。仿真分析和轴承外圈模拟故障试验验证了该方法的有效性。     

基于VMD和Infogram的滚动轴承故障特征提取

带通滤波器参数(中心频率和带宽)选取是共振解调的关键,针对快速峭度图找寻的中心频率偏大、带宽过宽的问题,提出Infogram(信息图)用于确定滤波器参数;并利用变分模态分解(Variational Mode Decomoposition,VMD)预先对信号进行重构,以减少噪声对信息图的影响,增强其应用效果。对轴承故障振动信号进行变分模态分解得到有限个模态分量,根据模态选取准则确定包含故障信息较多的模态分量进行信号重构,再应用信息图确定最佳共振频带的中心频率和带宽,并对重构信号进行带通滤波和包络谱分析,识别轴承故障特征频率。仿真分析和轴承外圈模拟故障试验验证了该方法的有效性。     

基于最优品质因子信号共振稀疏分解的滚动轴承故障诊断

滚动轴承常常在复杂工况下工作,当滚动轴承出现局部故障时,其振动信号中除了与故障信息相关的周期性瞬态冲击成分外,还包含轴转频等谐波成分和背景噪声。因此,在滚动轴承故障早期,对滚动轴承振动信号直接进行包络解调分析往往效果不佳。针对上述问题,提出了基于最优品质因子信号共振稀疏分解的滚动轴承故障诊断方法。该方法首先以信号共振稀疏分解低共振分量的峭度最大为目标,利用遗传算法对信号共振稀疏分解方法的品质因子进行优化,得到最优品质因子;然后利用最优品质因子对轴承振动信号进行信号共振稀疏分解,得到高共振分量和低共振分量;最后对低共振分量进行希尔伯特解调分析,提取轴承故障特征频率,进而诊断滚动轴承故障。仿真信号和试验信号的分析结果表明,该方法能有效提取轴承故障振动信号中的冲击成分,诊断轴承故障。     

麻雀算法参数优化VMD联合K-SVD的滚动轴承故障诊断

针对经典K-均值奇异值分解(K-means Singular Value Decomposition,K-SVD)易受噪声干扰产生虚假原子,导致信号稀疏不彻底、故障特征识别困难的问题,提出基于麻雀算法优化变分模态分解(Variational Modal Decomposition,VMD) 参数联合K-SVD的滚动轴承故障诊断方法。首先引入包络熵适应度函数指标并基于麻雀算法优化VMD的模态层数k 和平衡因子α。其次利用平方包络谱峭度指标遴选最优模态,以所选模态分量相空间构造Hankel 矩阵进行K-SVD字典学习。最后对恢复至时间序列的稀疏重构信号进行包络解调,提取轴承故障特征频率。通过轴承故障仿真信号和全寿命实验信号进行验证,证明相较于经典K-SVD算法,所提方法在低信噪比条件下在轴承故障特征提取方面具有优势,有一定的工程应用价值。     

基于子频带谱峭度平均的快速谱峭度图算法改进

快速谱峭度图（Fast Kurtogram）算法具有能自适应选取共振解调频带并实现包络解调提取的优点,在滚动轴承包络分析中有广阔的应用前景,但其在实际应用中,若被采集信号中包含有较高峰值的脉冲干扰时,将可能导致谱峭度图的自适应共振带确定失效,最终导致无法获得包含有效滚动轴承的故障特征信息的包络信号。为解决快速谱峭度图算法的上述不稳定问题,本文提出了一种基于子频带谱峭度平均的改进快速谱峭度图算法,其可有效消除或削弱脉冲干扰成分对谱峭度图结果的影响,提高了共振解调频带确定的鲁棒性,实现了基于快速谱峭度图算法的滚动轴承故障特征准确提取。仿真和试验结果验证了本方法的有效性。     

基于机匣振动信号的滚动轴承故障特征提取

通过进行带机匣测点的滚动轴承故障模拟实验,获取滚动轴承在故障状态条件下,轴承座测点和机匣测点的振动数据。分析结果显示,相对于轴承座,机匣上的振动信号成分复杂,轴承故障特征不明显,直接进行包络解调无法提取故障特征。通过奇异值分解(singular value decomposition,SVD),差分谱中各峰值处奇异值可以表征不同成分的信号。当轴承故障信号微弱时,第一个峰值处的奇异值重构信号往往代表转频及其调制信号分量,选取该靠后峰值处的奇异值进行信号重构可以有效提取轴承故障特征信号。研究内容为实际基于机匣测点信号的航空发动机滚动轴承故障特征提取提供了一种新的方法。     

基于阶次解调谱的变速齿轮箱复合故障诊断方法

针对变速齿轮箱中复合故障的故障特征提取,提出了一种基于阶次解调谱的变速齿轮箱复合故障诊断方法。变速齿轮箱中的转速具有时变的特性,而故障特征往往与转速相关,亦具有时变特性。本文方法先用线调频小波路径追踪算法从原始振动信号中提取转频曲线,再根据转频曲线对原始振动信号进行等角度重采样,将时域非平稳信号转化为角域周期平稳信号,最后对角域周期平稳信号进行能量算子解调分析,根据阶次解调谱中的调制信息进行变速齿轮箱复合故障诊断。通过算法仿真和应用实例对包含齿轮局部故障和轴承局部故障的变速齿轮箱复合故障进行了分析,结果表明,本文方法在无转速计的情况下能有效地提取变速齿轮箱复合故障的故障特征。     

基于自适应奇异值分解的行星齿轮箱故障诊断方法

行星齿轮箱振动信号中的故障特征通常淹没在噪声信号中,因此有必要研究如何提取这些微弱故障特征。针对传统奇异值分解特征提取方法中不能自动选择有效奇异值数目的问题,提出了一种基于自适应奇异值分解的行星齿轮箱故障诊断方法。首先根据一定的条件,通过该方法选择几个不同的有效奇异值数目并得到几组不同的重构信号;再根据这些重构信号的偏态绝对值,自动选择最佳的重构信号;最后进行包络分析,得到故障信号的包络谱。仿真和实验对比结果表明,此方法相比于传统的奇异值分解特征提取方法,能够更好地在消除噪声和提取行星齿轮箱振动信号中的微弱故障特征。     

基于分量筛选奇异值分解的滚动轴承故障诊断方法研究

为从复杂的轴承振动信号中获取故障信息,提出基于分量筛选奇异值分解的特征提取方法。阐述奇异值分解原理,构造轴承故障信号Hankel矩阵,利用互相关系数准则对奇异值分解处理的分量信号进行筛选,对筛选的分量信号进行重构以提取轴承故障特征频率。与传统方法相比,该方法的仿真与实际轴承信号处理结果均具优越性、有效性。     

基于Infogram的共振解调方法在滚动轴承故障特征提取中的应用

带通滤波器参数(中心频率和带宽)设置是共振解调的关键,针对快速峭度图找寻的中心频率偏大、带宽过宽的问题,应用Infogram(信息图)确定带通滤波器参数。研究分析了信息图的概念及特点;通过构建脉冲噪声干扰和故障脉冲高重复率两种仿真信号,对信息图和快速峭度图进行了分析对比,信息图对共振频带的优选效果强于快速峭度图;将信息图应用到轴承内圈、滚动体故障振动信号共振解调中,可得到故障特征频率及其谐波、转频、边频带等轴承故障特征参数,故障特征明显、故障信息较为丰富。     

传感器优化布置的齿轮箱轴承故障特征提取

为诊断齿轮箱轴承故障,构建一种传感器优化布置的齿轮箱轴承故障特征提取方法。提取齿轮箱上箱体模态振型,运用K-medoids算法对节点振型进行聚类,用有效独立法初选测点,以模态置信准则(MAC)为适应度函数,运用遗传算法(GA)寻优,实现传感器位置优化,以构建的综合评价指标对传感器数量进行评价,以此得到齿轮箱传感器优化布置方案;将传感器布置在上箱体采集齿轮箱振动信号,对各路信号进行奇异值(SVD)降噪,对降噪后信号进行基于方差贡献率的信息融合;对融合信号进行变分模态分解(VMD),以信息熵最小为原则对VMD参数优化,选取信息熵最小本征模态分量(IMF)进行Teager能量谱分析,提取滚动轴承故障特征;采用ZDH10型齿轮箱故障试验台进行试验验证,证明所构建方法的可行性。