基于MCKD与CEEMDAN的声信号故障特征提取方法

在双转子轴承状态监测与故障诊断中,信号传递路径复杂,很难通过加速度传感器直接获得信号,而声音信号有非接触式测量的优势,包含大量特征信息.为了能够准确、有效地通过声音信号实现滚动轴承故障诊断,检测出轴承故障,提出了基于自适应噪声完备集合经验模态分解(CEEMDAN)和最大相关峭度解卷积(MCKD)的滚动轴承故障诊断方法.首先运用最大相关峭度解卷积方法增强轴承故障声音信号中的冲击,然后对处理后的信号进行CEEMDAN处理,计算每个经验模态分量的峭度值,根据峭度值选取最优分量并求Hilbert包络谱,以准确提取故障特征频率.文中采用该方法基于声音信号实现滚动轴承故障诊断,为提取最优分量提供了理想筛选标准,一定程度上降低了故障诊断的复杂程度,具有良好的自适应性.     

基于改进的EEMD数据融合方法在轴承故障诊断中的应用

提出一种基于改进的EEMD谱峭度的多传感器联合轴承故障诊断方法,通过多个加速度传感器联合采集振动信号,利用EEMD自适应地将信号分解成多个分量,通过计算每个IMF分量的互相关系数法进行自适应重构以突出故障特征信号;对合成后的信号画快速峭度图,获得峭度最大时的中心频率和带宽;根据快速峭度图自适应确定电子谐振器的参数,并对此合成信号进行谐振增益;对谐振增益后的信号进行Hilbert解调,并与理论计算的轴承故障特征频率比较,从而确定故障部位.通过仿真的故障轴承信号和滚动轴承实验进行了验证,结果表明:该方法对滚动轴承故障的检测精度更高,提取精度和抗噪声能力方面有了明显的改进,对工程实践具有重要的指导意义.     

采用参数自适应最大相关峭度解卷积的滚动轴承故障特征提取

针对滚动轴承故障特征信号因受传输路径和强噪声的干扰而导致周期性故障脉冲难以提取以及最大相关峭度解卷积(MCKD)参数依赖人为经验选择的问题，提出一种参数自适应MCKD的滚动轴承故障特征提取方法。以解卷积信号的包络谱熵作为适应度函数，利用麻雀搜索算法强大的全局搜索能力自适应地选择MKCD方法的最佳参数组合；利用参数优化后的MCKD方法对故障信号进行解卷积运算，滤除掉信号中的噪声，以突显由轴承故障激发的周期性故障脉冲；对解卷积信号进行包络解调，以提取出轴承故障特征频率成分。仿真结果表明，与遗传算法和粒子群算法相比，采用麻雀搜索算法可使MCKD参数在优化中具有更快的收敛速度和更强的稳定性。对滚动轴承进行全寿命周期实验及对工程案例的实验结果表明：所提方法能自适应提取强噪声中的轴承周期性故障脉冲成分，信号的峭度提高了3倍，鲁棒性更强；与直接谱分析和快速谱峭度方法相比，所提方法能完整提取信号中的故障特征频率成分，成功率可达100%,有效提高了滚动轴承的故障诊断精度。     

基于ITD与改进MCKD的滚动轴承故障诊断方法

为研究滚动轴承早期微弱故障特征提取以及最大相关峭度解卷积(MCKD)的参数对诊断效果的影响,提出了一种基于固有时间尺度分解(ITD)与改进最大相关峭度解卷积(IMCKD)相结合的轴承早期微弱故障诊断方法(ITD-IMCKD)。首先,运用ITD算法对故障信号进行分解,按峭度-相关系数准则重构信号;其次,利用灰狼优化(GWO)算法以解卷积后信号的排列熵为适应函数对MCKD算法的关键参数进行自适应优选;最后,采用GWO改进的MCKD对重构信号进行滤波去噪,通过Hilbert包络谱可以清晰获得轴承故障频率信息。仿真与实验结果表明,所提出的ITD-IMCKD方法避免了经验选择MCKD参数影响诊断效果的问题,并且相比于ITD-MCKD、ITD-MED方法可有效提取轴承早期微弱故障特征。     

基于小波包能量谱及SVM算法的轴承故障检测

针对小波分析在故障诊断时的局限性,将小波分析和支持向量机算法相结合,提出基于小波包能量谱及支持向量机算法(SVM)的故障检测方法.该方法以振动信号小波包分解后各子频带的能量作为故障检测特征,利用SVM算法对轴承故障进行检测实验.结果表明:小波包能量谱能有效地反映轴承信号特征,并对故障进行检测.该方法同基于Lipschitz指数熵、单奇异点检测,以及小波包能量谱与神经网络相结合的故障检测方法进行比较,检测率均优于其他三种常用方法.     

基于MCKD和teager能量算子的滚动轴承复合故障诊断

滚动轴承是旋转机械的主要部件之一,复杂多变的工作环境导致其频繁出现故障,且大部分情况下多种故障复合.针对这一问题,提出一种基于改进最大相关峭度解卷积(MCKD)和teager能量算子混合的滚动轴承复合故障诊断方法.该方法通过粒子群优化算法(PSO)对不同类型故障下MCKD的影响参数(L和M)进行寻优,设置与故障类型相对应的解卷积周期,以相关峭度最大化进行MCKD算法迭代运算,优化滤波器系数,改进的MCKD算法减少了噪声的干扰.然后利用teager能量算子具有检测信号瞬态冲击的优势,对信号的teager能量进行频谱分析,实现复合故障诊断.最后利用西储大学轴承数据和轴承故障模拟实验台对该方法进行验证,结果表明该方法能从滚动轴承单一和复合故障中有效提取故障特征信息,准确识别出故障类型.     

基于EEMD-HHT边际谱的轴承故障诊断

提出一种基于聚合经验模态分解 (ensemble empirical mode decomposition,EEMD)和Hilbert-Huang变换（HHT）边际谱的滚动轴承故障诊断方法。首先采用EEMD方法将轴承振动信号分解成若干个模态混叠得到较好抑制的固有模态函数（IMFs）,然后对各IMF进行Hilbert变换,求出轴承振动信号的总HHT边际谱,最后根据该边际谱的幅值特性,确定滚动轴承的故障特征。本文方法提供了一种滚动轴承故障诊断的有效工具。     

形态分量分析在滚动轴承故障诊断中的应用

滚动轴承局部故障振动信号中的周期性冲击是识别故障的关键特征.形态分量分析在由多种形态原子组成的过完备字典基础上提取信号中的不同形态成分,基于这种思想提出了一种基于新型过完备复合字典的形态分量分析方法.依据滚动轴承故障振动信号中分量间的形态差异性,改进字典后该方法可以更具针对性地提取出包含故障特征的冲击分量,配合包络谱分析准确提取故障特征频率,诊断滚动轴承局部故障.对比基于快速谱峭度法的轴承故障诊断方法,该方法可以避免人为选择共振带产生的不准确性和非最优问题,提高了故障诊断效果.通过轴承仿真信号和故障实验信号分析验证了该方法的有效性.     

基于改进Autogram的滚动轴承故障诊断

针对Autogram以无偏自相关峭度指标选取解调频带时易出现不准确、故障诊断困难的问题,将平方包络负熵引入Autogram中,结合平方包络负熵受噪声影响小且能衡量周期冲击成分的优点,提出一种采用平方包络负熵指标选取最优解调频带的改进Autogram方法.首先采用最大重叠离散小波包变换(MODWPT)对轴承振动信号进行频带分解,再计算每个频带信号的平方包络负熵,将平方包络负熵最大的频带作为最优解调频带,最后通过分析最优解调频带平方包络谱的频率成分来诊断轴承故障类型.将轴承故障实验信号分析结果与Autogram、快速谱峭度方法对比,结果表明,改进Autogram方法在解调频带的选取上更为合理,所提取的故障特征频率更明显,轴承故障诊断更准确.     

基于非局部均值去噪和快速谱相关的滚动轴承早期故障诊断方法

针对如何从非线性、多分量、强背景噪声的滚动轴承早期故障振动信号中有效提取出微弱故障特征并准确判断故障类型,提出基于非局部均值去噪和快速谱相关的故障诊断方法。首先利用非局部均值去噪算法对原始振动信号进行降噪预处理,提高信号信噪比。然后,对降噪信号进行快速谱相关分析,增强信号中的周期成分,获得快速谱相关谱及其对应的增强包络谱。最后,将增强包络谱中幅值突出的频率成分与故障特征频率进行对比,判定故障类型并实现故障诊断。使用本文提出方法对仿真故障信号、实验故障信号进行分析。研究结果表明:相较于快速谱相关方法、谱峭度结合非局部均值去噪方法以及非局部均值去噪结合经验模态分解方法,本文提出方法可以抑制轴承早期故障振动信号中的背景噪声,有效提取出微弱故障特征,准确判断故障类型,避免出现误诊。     

基于可调Q因子小波变换和谱峭度的轴承早期故障诊断方法

通过对轴承故障机理的研究,提出基于可调Q因子小波变换和谱峭度的故障诊断新方法。首先,根据冲击成分的频谱分布,预设Q因子的范围,对轴承的振动信号进行可调Q因子小波变换;其次,计算各尺度变换系数的谱峭度,利用谱峭度最大原则确定最佳的共振因子和尺度带;然后,用相邻系数降噪法处理尺度带内的变换系数,并进行逆可调Q因子小波变换重构信号;最后,求取包络谱,根据极值点的频率位置进行故障诊断。研究结果表明:该方法能有效抑制噪声和谐波成分,使提取的故障特征成分周期性明显、峭度大,使故障特征频率突出显著,验证了所提方法的有效性。     

基于集成固有时间尺度分解和谱峭度的滚动轴承故障检测

针对固有时间尺度分解(ITD)方法中固有旋转分量存在局部波动的问题,提出一种集成固有时间尺度分解,将其结合谱峭度法,提高轴承故障检测的准确度。首先运用3次样条插值拟合基线控制点,实现振动信号的自适应频带划分,获得若干个固有旋转分量;然后根据K-L散度准则选取真实分量进行信号重构,使用谱峭度法确定带通滤波器的最优参数;最后分析滤波处理结果的包络谱,得到振动信号的特征信息。研究结果表明:与经验模式分解和单纯包络谱分析方法相比,采用集成固有时间尺度分解和谱峭度的包络方法(EITD-SK)能更好地提取滚动轴承故障特征信息,实现轴承故障的准确检测,结果与实际相符。     

基于ITD和敏感SVD的故障诊断方法研究

如何在含有噪声的振动信号中提取故障特征,是轴承故障诊断的关键问题,为此本文提出一种基于本征时间尺度分解(Intrinsic Time-scale Decomposition,ITD)和敏感奇异值分解(Sensitive Singular Value Decomposition,SSVD)的故障诊断方法.首先对时域振动信号进行ITD预处理,并根据峭度准则选取包含故障信息的敏感旋转(Proper Rotation,PR)分量用于振动信号重构,以凸显振动信号局部特征;然后对此时频信号进行敏感SVD分析,通过敏感因子及定位因子选择敏感SVD分量重构信号,以滤除噪声干扰,提取微弱故障信息;最后利用Teager-Kaiser能量算子(Teager-Kaiser Energy Operator,TKEO)计算故障信息的瞬时能量,并对其进行频谱分析,获取故障特征频率,用于识别故障类型.将此方法应用于轴承故障诊断,实验证明了所提方法的有效性.     

一维卷积神经网络在往复式压缩机气阀故障诊断中的应用

针对往复式压缩机气阀故障诊断问题，对气阀盖上的振动信号进行分析，提出了一种基于一维卷积神经网络(1D-CNN)的故障诊断模型。首先，将原始一维振动信号经傅里叶变换从时域转换为频域；然后，将频域信号作为1D-CNN的输入，利用卷积层实现自适应提取特征；最后，网络输出层利用Softmax函数实现多种故障的模式识别。在往复式压缩机故障模拟实验台上进行了气阀正常、阀片裂纹、阀片断裂、弹簧失效4种工作状况下气阀盖振动信号的测量并对提出的模型进行验证。结果表明，气阀盖上的振动信号能够明显反映气阀的工作状态，而且信号易提取、十分适合用于气阀的故障诊断；将振动信号从时域转换成频域作为1D-CNN的输入明显地提高了故障分类的准确率；与采用原始一维振动信号作为1D-CNN输入的模型相比，采用频域信号作为输入的故障诊断模型具有更优越的表现，准确率更高，可达100%,而且模型结构简单，能够实现端到端的快速故障诊断。     

自适应频移变尺度振动共振轴承故障诊断

针对广泛应用于水轮机、风电机组等设备中的滚动轴承存在早期故障难以检测的问题,提出了自适应频移变尺度振动共振轴承早期故障诊断方法。该方法利用高频周期激励促使滚动轴承振动信号中的噪声能量转向轴承故障特征频率,并自适应地频移变尺度轴承故障特征频率使其满足振动共振的小参数检测条件,最后通过参数优化最佳地检测出轴承早期故障。利用轴承实验数据验证了该方法的有效性,与最大相关峭度解卷积技术相比,所提方法的诊断结果具有一定的优势和工程应用价值。     

滚动轴承故障诊断的多小波谱峭度方法

采用提升多小波的方法,以峭度为优化目标,遗传算法为优化算法,针对信号特征进行多小波的自适应构造.以构造的多小波作为谱峭度的滤波器,针对多小波特点改进了峭度图,提出了多小波谱峭度方法.该方法建立在传统谱峭度方法的基础上,不仅克服了原方法中滤波器变化有限的劣势,而且提高了谱分析的分辨率.将该方法应用于滚动轴承的故障诊断中,以试验台与电力机车的滚动轴承故障诊断为例进行验证,结果表明,该方法不仅提高了频带选择的准确性与滤出信号的信噪比,而且获得了更好的诊断效果.     

基于卷积脉冲神经网络的故障诊断方法研究

深度学习为轴承故障诊断的智能化发展提供了新思路。本文从类脑计算角度出发，设计一种对轴承数据敏感的脉冲神经网络来完成故障数据分类任务。首先采用信号分解的方式提高原始信号特征提取效果，然后对故障信号进行脉冲编码，并采用多分量混合输入方式填充时间步作为神经网络的输入，最后采用卷积脉冲神经网络(SCNN)进行故障分类。为了验证该模型的分类效果，采用西储大学轴承数据集进行验证，分类准确率达到了99.78%。结果表明该轴承数据编码方案可以充分发挥脉冲神经网络时空动力学特征，且该脉冲神经网络模型在轴承故障诊断问题上具有高精度、高效率的特性。本研究有利于促进脉冲神经网络在故障诊断领域的研究和应用。     

基于小波特征提取和概率神经网络的机械故障诊断

论述了基于离散小波变换系数的特征提取和概率神经网络在机械故障诊断中的应用。该方法利用离散小波获取振动信号各有效频带的能量作为故障参数,用概率神经网络构建设备运行状态模型,根据历史数据确定故障值并设置故障参数。实验结果从应用程序对轴承故障诊断表明,相比传统方法,该方法能够有效地提取测试信号内在的重要信息内容,并增加机械整体故障诊断的准确性,在机械设备故障处理系统中有良好的应用前景。     

基于改进卷积神经网络CNND的电主轴轴承故障诊断方法

目的解决深度学习方法在建立电主轴轴承故障诊断模型时出现的过拟合现象,提高电主轴轴承故障诊断准确率.方法提出一种基于改进卷积神经网络的诊断方法 ,该方法在卷积神经网络的训练过程中融入Dropout优化方法 ,使整个故障诊断模型按照一定的比例随机"关闭"隐藏层中的神经元,减少模型在每一次训练过程中所需要调整的参数数量.结果将Dropout优化方法与卷积神经网络相结合所建立的电主轴轴承故障诊断模型是可行的,其平均诊断准确率能够达到99.012%,远高于基于CNN、CNN+L2和BPNN这3种神经网络诊断方法的诊断准确率.卷积神经网络方法相比于传统的"基于信号处理提取到的特征和机器学习模型"方法 ,更适用于电主轴轴承故障诊断.结论提出的CNND方法实现了卷积神经网络与Dropout优化方法的有机结合,对原始数据进行降维处理使模型学习到的特征更利于电主轴故障的分类,同时根据故障数据的特点确定相关参数的初始值,克服一般深度学习方法在进行电主轴故障诊断时出现的过拟合现象,提高诊断准确率.     

基于改进型深度网络数据融合的滚动轴承故障识别

针对传统智能诊断方法依赖于信号处理和故障诊断经验提取故障特征以及模型泛化能力差的问题,基于深度学习理论,提出将卷积神经网络算法结合softmax分类器,针对数据集不平衡问题引入加权损失函数、正则化以及批量归一化等模型优化技术搭建适于滚动轴承故障诊断的改进型深度卷积神经网络模型。模型从原始实测轴承振动信号出发逐层学习实现特征提取与目标分类。实验结果表明,优化后的深度学习模型可实现对早期微弱故障、不同程度故障的精确识别,在不平衡数据集上也可达到95%的识别准确率,并且模型拥有较快的收敛速度和较强的泛化能力。