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.     

基于优化VMD和MCKD的滚动轴承早期故障诊断方法

针对滚动轴承早期故障信号易受噪声等背景信息干扰难于提取故障特征的现象,提出了将优化K值的变分模态分解(VMD)和粒子群优化算法(PSO)优化参数L,M的最大相关峭度解卷积(MCKD)相结合提取滚动轴承故障特征频率的方法.首先,确定VMD中K值,对信号进行分解后得到一系列模态分量;然后利用EWK指标选择包含故障信息最多的有效模态分量进行后续分析,利用优化的MCKD对其进行增强;最后对增强信号进行包络解调提取故障特征频率,验证所提方法的有效性.仿真和实验表明该方法可以精确地提取出轴承故障信号中的特征频率,实现故障诊断.     

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...     

基于鲸鱼优化算法的自适应共振解调轴承故障诊断方法

针对共振解调方法需要选取包含较多故障信息的共振频带这一特点,提出了一种基于鲸鱼优化算法的自适应共振解调轴承故障诊断方法。首先,使用鲸鱼优化算法,以峭度和包络谱峭度构造的复合峭度作为优化目标,对带通滤波器参数中心频率和带宽进行自适应选择。然后,使用寻优得到的最优中心频率和带宽对轴承故障信号进行滤波分析。最后,对滤波后信号进行包络解调处理,提取出故障特征频率,判断轴承故障类型。通过对仿真信号和轴承内、外圈故障信号的分析诊断,可以证明该方法能够满足共振解调方法中对共振频带选取的要求,完成轴承信号故障频率的提取,是一种有效的轴承故障诊断方法。     

基于MHSI-MCKD的滚动轴承故障特征提取方法

为了解决滚动轴承的故障信号因受噪声干扰而导致故障特征提取困难,以及最大相关峭度解卷积(MCKD)的解卷积周期T、移位数M和滤波器长度L需要依赖人为主观经验选取的问题,提出了一种基于改进的谐波显著性指标(MHSI)与MCKD相结合的滚动轴承故障特征提取方法(MHSI-MCKD)。首先,提出了一种改进的谐波显著性指标(MHSI)作为评价MCKD降噪效果的依据;其次,以MHSI为适应度函数,采用步长搜索法得到MCKD的最优参数组合;最后,利用参数优化的MCKD对滚动轴承的故障信号进行降噪处理,并通过Hilbert包络谱获取滚动轴承的故障特征。在仿真和实验分析中,利用MHSI-MCKD方法实现了对MCKD关键参数的自适应寻优,增强了信号中故障特征的显著程度,提取出了滚动轴承内外圈的故障特征。仿真及实验结果表明,所提MHSI-MCKD方法可用于提取滚动轴承的故障特征。     

强噪源干扰下的滚动轴承复合故障分离方法研究

针对强背景噪声干扰下的轴承复合故障难以准确分离提取,噪声与复合故障各成分间相互影响容易造成误诊或漏诊的问题,提出基于变分模态分解(VMD)及最大相关峭度解卷积(MCKD)的复合故障分离方法。首先对复合故障信号进行变分模态分解并根据峭度及相关系数准则重构信号作为前置滤噪处理,然后选取合理的滤波器长度及解卷积周期对重构信号进行最大相关峭度解卷积运算以实现故障特征分离,并结合1.5维能量谱强化信号瞬时冲击特征的优点,准确实现复合故障诊断,最后通过噪源干扰下的外圈、内圈复合故障实测信号分析验证该方法的有效性。研究结果表明:VMD方法能够有效滤除噪声干扰,且其滤噪效果比集合经验模态分解(EEMD)方法的滤噪效果好;MCKD方法能够将外圈、内圈故障分离,避免复合故障各成分间的相互干扰;1.5维能量谱能够强化谱图中的瞬时冲击特征。     

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.     

基于快速峭度图算法与平方包络共振解调的滚动轴承自适应故障诊断方法

针对共振解调技术应用在滚动轴承故障诊断中存在信噪比低和带通滤波器参数需要依靠经验确定的问题,提出了一种基于快速峭度图算法与平方包络共振解调技术相结合的滚动轴承自适应故障诊断方法.根据快速峭度图算法的自适应性,确定带通滤波器的参数,并提取滚动轴承故障振动信号高频共振带中包含的故障特征频段;计算去直流后信号的信噪比,若其信噪比大于1,则利用平方包络方法进行重构,以突出故障特征信号;对重构信号进行频谱分析,得到其故障特征频率,识别出相应的故障类型.通过故障滚动轴承试验,验证了该方法的有效性和准确性.     

基于LCD-MCKD的滚动轴承故障特征提取方法

鉴于在复杂工况和强背景噪声环境下,滚动轴承的非线性非平稳信号的特征提取非常困难,导致早期故障难以诊断,提出了一种基于局部特征尺度分解(LCD)和最大相关峭度解卷积(MCKD)的故障特征提取方法.首先,利用LCD对信号进行分解,获得一系列瞬时频率具有物理意义的内禀尺度分量(ISC),选取相关系数较大的ISC分量进行重构;然后,利用MCKD方法对重构信号进行处理,增强冲击信号频率,实现降噪;最后,对经LCD-MCKD处理过的信号进行希尔伯特包络谱分析,验证所提方法的有效性.仿真和实验表明该方法能够有效提取故障特征频率,实现故障诊断.     

采用品质因子优化和子带重构的共振稀疏分解滚动轴承故障诊断方法

针对强背景噪声下的滚动轴承早期故障诊断问题,提出了一种融合遗传算法品质因子参数优化、子带重构共振稀疏分解(RSSD)和小波变换的故障诊断方法。该方法以滚动轴承早期故障振动信号RSSD低共振分量峭度指标作为目标函数,利用遗传算法对品质因子参数组合进行优化选择。依据能量分布占优原则对低共振分量进行主子带重构、减少噪声干扰且增强故障信号冲击特征。借助小波分析局部优化和多分辨的特性,对重构低共振分量进行多尺度小波分解,提取轴承故障特征且深度挖掘轴承故障特征信息。通过滚动轴承的2种不同类型故障诊断实例表明,与一般RSSD方法相比,该方法具有更强的削弱背景噪声影响、凸显微弱故障特征的能力。     

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。     

参数自适应VMD在高速列车轴箱轴承故障诊断中的应用

针对高速列车轴箱轴承故障特征提取困难和变分模态分解(VMD)参数的人为设置影响分解效果的问题,提出参数自适应VMD轴箱轴承故障诊断方法。首先,以平均包络谱熵为适应度函数,利用麻雀搜索算法自适应地寻找不同工况下的最优模态数K和惩罚因子α;其次,对原始轴承时域信号进行VMD分解,利用快速谱峭度图分析最小包络熵的IMF分量,并根据分析结果对该IMF分量进行带通滤波以增强故障特征;最后,对滤波后信号进行希尔伯特包络解调分析,并将分析结果与理论计算所得特征频率进行对比,对轴箱轴承故障进行分类辨识。研究结果表明：与经验模态分解(EMD)、局域均值分解(LMD)、集合经验模态分解(EEMD)等自适应信号分解方法相比,本文所提方法能更有效地降低噪声的影响,提取复杂耦合工况下轴箱轴承振动信号中的故障特征。     

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FSK-CNN的轴承故障诊断研究

在旋转机械设备的运维保障过程中，采用基于专家经验的传统故障检测方法难以对轴承的健康状态做出实时的状态检测。针对这一问题，本文提出一种基于快速谱峭度与卷积神经网络（FSK-CNN）的故障诊断方法。首先采用快速谱峭度（FSK）法对振动信号进行特征提取，将一维时域信号转化为二维的谱峭度图；之后，采用一种结合卷积注意力模块（CBAM）的卷积神经网络模型完成故障分类。试验结果表明，快速谱峭度法可以有效提取轴承振动信号故障特征，引入卷积注意力模块对传统卷积神经网络模型具有明显的优化作用，FSK-CNN的故障诊断方法对于10种不同的轴承故障类型的诊断准确率可以达到99%。     

二阶随机共振系统的冲击信号检测

为解决单一峭度指标度量冲击信号出现漏检的问题,提出了一种基于特征系数的二阶欠阻尼随机共振冲击信号检测(CCSR)方法。由于相似度可以定量地表征两个信号的相似程度,故将峭度与相似度结合,构造出新的特征系数指标;然后以特征系数为目标函数,根据网格搜索算法自适应地寻找系统参数,当目标函数取最大值时此参数为最佳参数;最后采用CWRU轴承数据进行轴承内圈故障诊断。仿真结果与实际检测结果表明,CCSR方法能够有效地检测出目标信号,实现轴承内圈磨损故障的精确诊断;在相同条件下,采用特征系数度量冲击信号比峭度检测效果提高了约20%。     

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.     

基于VMD-TEO窗和DBiLSTM的早期轴承故障诊断

针对现代滚动轴承早期故障监测因数据量增大所带来的诊断困难问题,提出了基于变分模态分解(VMD)与TEO窗特征提取的深层双向长短记忆神经网络(DBiLSTM)轴承故障诊断方法。首先,利用改进果蝇算法优化的VMD-TEO窗函数,提取轴承振动信号的瞬时能量特征,构造具有时序特性的特征矩阵;其次,利用训练集对DBiLSTM模型进行学习以确定模型参数;最后,用测试集对模型进行验证,输出轴承状态识别结果。试验采用凯西西楚大学轴承故障数据集,结果表明:该方法在处理数据量较大的滚动轴承故障诊断问题时,能有效地对多种故障类型,不同损伤等级的滚动轴承振动信号进行识别。     

基于EEMD降噪与二次相位耦合的滚动轴承故障诊断

针对滚动轴承出现故障时故障信号常常被强的背景噪声所淹没,故障特征难以准确提取的问题,提出了一种基于总体平均经验模态分解(EEMD)降噪与二次相位耦合的故障诊断方法.对原始信号进行EEMD分解,通过相关系数-峭度值的大小选取EEMD分解后得到的固有模态函数(IMF).对筛选出来的IMF进行了重构从而达到降噪的目的.对重构后的包络信号进行1.5维谱分析,提取二次相位耦合产生的非线性特征,从而得到滚动轴承故障特征频率信息.通过实测滚动轴承数据验证了该方法可以有效地提取轴承内圈和外圈的故障特征,从而识别轴承的故障.