形态滤波在滚动轴承故障声发射信号处理中的应用

滚动轴承的状态监测和故障诊断意义重大.为有效诊断轴承早期的微弱故障,将形态滤波方法用于轴承故障声发射信号的处理,提出采用多尺度形态开闭和闭开组合的滤波器对信号降噪处理,采用闭运算对降噪后的信号进行形态滤波解调得到明显的故障特征频率,并对比故障振动信号和声发射信号的处理效果.研究表明: 形态滤波用于轴承故障声发射信号特征提取效果明显,适用于轴承的状态监测和故障的早期诊断.     

基于自适应局部迭代滤波和能量算子解调的滚动轴承故障特征提取

为了提高滚动轴承的故障特征提取可靠性,该文提出了一种基于自适应局部迭代滤波(Adaptive local iterative filtering,ALIF)和能量算子解调的滚动轴承故障特征提取的方法。该方法首先利用ALIF将轴承的故障振动信号分解为若干个本征模态函数(Intrinsic mode function,IMF)分量,然后对包含故障信息最多的分量进行能量算子解调,得到分量的包络谱来提取轴承的故障特征。仿真结果表明:ALIF能够准确获取IMF分量,解决经验模式分解(Empirical mode decomposition,EMD)带来的模式混叠问题,结合能量算子解调方法能更好地凸显故障信号的包络谱特征,有效地提取轴承故障特征频率。     

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EEMD与形态滤波的滚动轴承故障诊断方法研究

为从滚动轴承故障信号中提取出包含故障信息的特征频率,提出集合经验模式分解法(EEMD)与形态滤波相结合的解调方法。该方法首先利用EEMD自适应地将信号分解成多个IMF分量,然后计算各IMF分量与原信号的相关系数,选择合适的IMFs进行信号重构,再对重构后的信号进行形态滤波,滤除脉冲干扰,提取出故障特征信息。将该方法应用于滚动轴承故障诊断实例中,并将分析结果与直接对原信号进行包络谱分析解调的结果进行对比。结果表明,该方法提取故障信息的效果较包络谱分析解调的效果要好。     

基于固有时间尺度分解与最大相关峭度解卷积的轴承故障特征提取

针对滚动轴承故障信号的非平稳性、非线性及复杂性特征以及在故障识别过程中存在噪声干扰、故障特征不清晰的问题,提出一种基于固有时间尺度分解(Intrinsic Time-scale Decomposition,ITD)与最大相关峭度解卷积(Maximum Correlated Kurtosis Deconvolution,MCKD)结合的轴承故障特征提取方法。利用固有时间尺度分解对故障信号进行分解,降低信号分解中的模态混叠;对分解的固有旋转分量进行选择,提取故障信号的有用成分,实现信号降噪;采用粒子群优化的MCKD提取故障特征信号的冲击成分。实验结果表明,该方法可以降低信号的模态混叠问题,增强故障特征,有利于噪声环境下轴承故障特征的提取。     

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。     

自适应广义形态滤波和GG聚类在轴承故障识别中的应用研究

针对复杂工况下滚动轴承受机械噪声等因素影响轴承故障类型区分难的问题,提出了一种基于自适应广义形态滤波和GG聚类的轴承故障诊断方法。采用自适应广义形态滤波对轴承振动信号进行降噪处理,对降噪后的信号进行变模式分解,去除虚假分量和噪声分量,最后对去噪后故障特征较多的信号分量求解近似熵,作为特征向量输入GG聚类分类器中,达到故障分类。仿真实验结果证明该方法能有效提取信号特征信息,准确识别故障类型。     

增强组合差分乘积形态学滤波的轴承故障特征提取方法

针对滚动轴承故障信号的非线性、非平稳、强噪声特性导致的常规时频域特征提取方法受限问题,提出一种增强组合差分乘积形态学滤波的轴承故障特征提取方法。在分析数学形态学4种基本运算的正、负冲击脉冲提取特性的基础上,运用级联、差分、乘积构造的一种新的组合差分乘积算子(combination difference multiply operator, CDMO)具备了同时提取正、负冲击脉冲的能力,并发挥梯度乘积运算对脉冲提取更敏感的优势,实现故障信息的充分提取。引入故障特征频率比指标优化CDMO结构元素参数,修正待处理信号的几何特征,提取与结构元素相匹配的信号特征信息。在CDMO滤波的基础上,借助三阶累积量切片谱技术能够抑制高斯噪声、突出二次耦合分量的优势,准确提取故障特征频率及其倍频,增强轴承故障特征提取能力并抑制噪声干扰。依托2种不同来源的工程实际信号并与经典故障特征提取方法对比分析,验证了所提方法的有效性。     

滚动轴承故障程度识别

针对实际运行滚动轴承的故障程度问题,提出一种诊断滚动轴承故障程度的方法.深入研究滚动轴承的故障机理、振动信号的时域特征以及不同程度故障对滚动轴承运行的影响进行了,广泛分析振动特征提取方法和支持向量机的算法,采用了小波包能量法提取状态特征,使用新型二叉树支持向量机的多类分类算法.实验结果表明采用小波包提取状态特征和支持向量机可以滚动轴承故障程度识别,模型的学习、泛化能力强.     

基于鲁棒局部均值分解与二阶瞬态提取变换的滚动轴承故障诊断

利用传统故障诊断方法对滚动轴承进行诊断时存在故障特征提取困难以及提取特征不明显的问题。针对此问题,提出了一种基于鲁棒局部均值分解（robust local mean decomposition,RLMD）以及二阶瞬态提取变换（Second-order transient-extracting transform,STET）的故障特征提取方法。首先对滚动轴承故障信号进行RLMD处理,得到一系列故障信息丰富的特征分量。然后利用二阶瞬态提取变换善于提取信号中强脉冲分量的特点,对筛选出的分量进行二阶瞬态提取变换以提取脉冲故障特征进行诊断分析。实验分析结果表明,该方法能够有效地提取出故障特征,且特征提取效果优于传统诊断方法,适用于滚动轴承故障诊断。     

基于多尺度熵的滚动轴承故障诊断方法

针对滚动轴承故障振动信号具有不同复杂性的特点,提出了一种新的基于多尺度熵(multi-scale entropy,简称MSE)和支持向量机的滚动轴承故障诊断方法.该方法首先利用MSE方法对滚动轴承不同类型振动信号进行故障特征提取,然后与样本熵方法对比说明MSE方法相对于样本熵方法的优势,最后通过适合小样本分类的支持向量机作为分类器来识别滚动轴承故障类型.对实验数据分析的结果表明,该方法能有效地实现滚动轴承故障类型的诊断.     

基于VMD-MPE-KPCA特征提取与MRVM相混合的滚动轴承故障诊断方法

针对滚动轴承振动信号在强噪声环境下出现非线性、非平稳、强干扰特性,进而导致故障特征难以提取及故障诊断准确率低的问题,提出变分模态分解(VMD)-多尺度排列熵(MPE)-核主元分析(KPCA)特征提取与多分类相关向量机(MRVM)相混合的滚动轴承故障诊断方法.该方法首先通过VMD-MPE进行滚动轴承振动信号的高维故障特征提取,其次对提取的故障特征进行KPCA可视化降维,最后将降维后的故障特征输入可实现不同样本概率输出的MRVM进行滚动轴承故障诊断.通过美国西储大学的滚动轴承故障数据集对该方法的有效性进行验证,结果表明提出的VMD-MPE-KPCA特征提取与MRVM相混合的滚动轴承故障诊断方法能够有效提取和识别滚动轴承故障特征,所提出的混合智能故障诊断方法与相关文献报道的故障诊断方法相比较,故障识别准确率达到了99.18%.     

基于多注意力机制的端到端滚动轴承故障诊断方法

针对传统滚动轴承故障诊断中复杂的特征提取问题，利用深层残差网络能够增强诊断模型非线性表征能力的特点，通过引入通道注意力与空间注意力机制，提出一种基于多注意力机制端到端的滚动轴承智能故障诊断方法。首先，通过原始振动加速度信号经过积分运算得到速度和位移；然后，将3者组合成具有特征增强的图像，输入至结合了多注意力机制的深层残差网络实现特征提取；最后，利用多分类函数完成滚动轴承故障分类。在本地实验室轴承数据集上进行了验证，结果表明，所提方法的诊断准确率达到了97.50%。验证了基于多注意力机制端到端的滚动轴承智能故障诊断方法的可行性和有效性，可为滚动轴承的精确故障诊断提供支持。     

基于深度特征提取神经网络的滚动轴承故障诊断

滚动轴承作为旋转机械的重要组成部分,其运行安全性受到大量关注,但传统的基于信号处理的时频分析故障诊断方法较为依赖专家知识从而难以广泛应用。结合应用较广的卷积神经网络和长短时记忆网络模型的优点-自动提取振动信号的深层特征信息以及可识别所提取的长时连续的振动信号时序特征信息,提出一种深度特征提取神经网络模型,将原始的振动信号作为模型输入,进而通过多层卷积与长短时记忆网络对振动信号进行故障特征信息提取,可以有效提取滚动轴承振动信号中的深层时序故障特征信息,进而准确辨识滚动轴承不同的故障模式,并且避免了复杂的信号预处理与人工进行信号特征提取的过程。通过凯斯西储大学滚动轴承故障实验的10类健康状态数据验证了所提方法的有效性,并对实验结果进行分析,解释了在迭代过程中出现精度波动的可能原因。     

基于残差神经网络的滚动轴承故障诊断方法

针对轴承故障诊断方法在变工况条件下诊断效果不佳的问题,提出了一种基于残差神经网络的滚动轴承故障诊断方法.该方法首先以滚动轴承时域信号数据作为输入,针对信号的时变性改进了数据池化层,改进的数据池化层利用三个连续的卷积层串联构建而成,目的在于能够有效地提取振动信号中的故障特征信息,并减少残差神经网络中参数的计算量;然后设计了一种空洞卷积和残差块相结合的空洞残差块,用于特征信息的学习;最后通过在全连接层后加入Dropout层丢弃一定比例的神经元,能有效避免过拟合的负面影响.使用凯斯西储大学轴承数据集进行仿真实验,与SVM+EMD+Hilbert包络谱、BPNN+EMD+Hilbert包络谱和Resnet三种方法作对比分析,结果表明该方法在变工况下的滚动轴承故障诊断中具有更高的诊断准确率、更强的抗噪性和泛化能力.     

基于特征量融合和支持向量机的滚动轴承故障诊断

为了提高滚动轴承的故障诊断率,提出了一种经验模态分解（EMD）结合时域分析后使用主成分分析（PCA）融合特征量的特征提取方法。首先,通过EMD分解得到前五个本征模态函数（IMF）分量的上、下包络值矩阵的奇异值;然后,对轴承原始信号进行时域分析得到各种时域特征参数;最后对奇异值和时域特征参数使用PCA降维融合后输入到多分类支持向量机（SVM）中进行分类。通过实验仿真验证,融合后的特征量诊断准确率达到了98.6%,该方法能充分地提取出轴承故障特征信息,诊断效果良好。     

CEEMD与广义形态差值滤波结合的故障诊断方法研究

为了提取滚动轴承早期微弱故障特征信息,提出一种互补总体平均经验模态分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD)与广义形态差值滤波结合的故障诊断方法.该方法首先对振动信号进行CEEMD分解成若干不同尺度的本征模函数(Intrinsic Mode Function,IMF)分量,利用相关系数-峭度准则来选取故障信息丰富的IMF分量信号,并对其进行重构;然后采用广义形态差值滤波器对重构后的信号进行滤波,以滤除噪声干扰;最后利用Teager能量算子(Teager-Kaiser Energy Operator,TKEO)对去噪后的振动信号进行分析,提取振动信号的故障特征.滚动轴承振动信号分析试验结果证明了本文方法的有效性.