基于包络谱语义构建的零样本滚动轴承复合故障诊断方法

深度学习算法在训练集完备的情况下可以实现较高的故障识别率,然而在真实工业场景中,滚动轴承的多种故障可能复合存在,通常难以获取充足的数据用于训练。为解决该问题,提出了一种基于包络谱语义构建的零样本复合故障诊断方法,在训练阶段使用单一故障数据构建了一个语义空间和一个特征空间,然后在识别阶段通过语义空间和特征空间的复合,实现对零样本情况下的复合故障识别。此外,考虑到包络谱能很好地表征滚动轴承故障特征,采用包络谱预处理故障信号以增强轴承故障的特征,并借助信号包络谱的物理含义来构建轴承单一故障和复合故障的语义。试验结果显示,所提模型在复合故障识别上取得了87.83%的准确率,优于对比模型。

某船齿轮箱海水冷却水泵的故障诊断

针对某船右齿轮箱海水冷却水泵振动异常故障,文章测量了该泵的振动速度和速度波形,通过加速度包络分析确定了振动激励源,从而发现故障原因是轴承损坏导致的泵组转子失衡,最后经更换轴承,排除了故障。

基于多带加权包络谱的轴箱轴承故障诊断

为增强复杂噪声干扰下轴箱轴承故障检测的鲁棒性,基于循环谱分析并考虑轴承故障信息分布差异和阈值降噪,对轴箱轴承故障诊断的包络谱构造方法进行了研究.首先,提出频域信噪比作为轴承故障信息量化的新测度,用于评估谱相干中不同谱频带内的轴承故障相关信息;其次,构造以谱频率为变量的故障特征信息分布函数,并自适应确定信息阈值来辨识谱相干中故障信息丰富和干扰噪声主导的谱频率分量,进一步基于故障特征信息分布函数和信息阈值设计权重函数;最后,由谱相干和权重函数生成融合多带信息的多带加权包络谱,通过分析谱中的轴承故障特征频率来检测轴箱轴承的不同故障.铁路轴箱轴承实验数据的分析结果表明:相比于基于谱相干的典型包络谱方法,多带加权包络谱能够在复杂噪声干扰下准确识别轴箱轴承的外圈、滚动体和内圈故障,并能取得更高的性能量化指标(频域信噪比和负熵).

基于参数优化特征模态分解的强背景噪声下滚动轴承故障诊断

为准确提取被强背景噪声掩盖的滚动轴承故障信息,提出一种参数优化特征模态分解(parameter-optimized feature mode decomposition,POFMD)方法。首先,为解决特征模态分解(feature mode decomposition,FMD)方法的输入参数依赖人工经验选取的问题,以平方包络谱峭度(kurtosis of the square envelope spectrum,KSES)为权值,结合平方包络谱基尼系数(Gini index of the square envelope spectrum,GISES)构建加权平方包络谱基尼系数(weighted Gini index of the square envelope spectrum,WGISES)作为目标函数,通过优化算法确定FMD的最优参数组合;其次,为解决FMD的主模态分量难以选取的问题,通过计算所分解模态分量的KSES值选取主模态分量;最后,通过包络谱分析实现故障诊断。经仿真信号和实测信号分析,验证了POFMD在强背景噪声下滚动轴承故障诊断中的有效性。与变分模态分解、最大相关峭度解卷积和谱峭度相比,POFMD有更优越的故障特征提取性能。

重复使用火箭涡轮泵轴承故障特征提取方法优化

涡轮泵轴承是可重复使用火箭的关键,因此能够有效提取出轴承故障特征频率从而展开故障诊断十分重要。将奇异值分解(SVD)和包络谱解调法相结合,对火箭涡轮泵轴承展开故障特征提取。对轴承内环、外环及滚动体故障数据进行处理和分析,结果表明,针对信号中含有大量噪声的数据,相比传统的包络谱解调法,改进方法的故障特征提取效果明显提升。通过该方法提取出的3种故障低频特征频率的相对幅值相比于传统包络谱解调均有提升。同时,可以有效降低高频噪声的干扰,尤其在高频区依然可以看到比较明显的特征频率,而传统包络谱解调法的高频区基本被噪声覆盖。通过计算得出信号的信噪比均有60 dB以上的提升。

参数优化FMD的滚动轴承早期故障诊断

由于滚动轴承早期故障信号特征微弱,特征模态分解(feature mode decomposition, FMD)分解性能受参数滤波器长度L和模态个数n的影响,提出一种参数优化FMD早期故障诊断方法。首先,基于平方包络谱基尼系数(square envelope spectrum gini indix, SESGI)自适应确定FMD的滤波器长度L和模态个数n;其次,采用参数优化的FMD将信号分解为n个模态分量,并根据峭度值最大选择敏感模态分量;最后,对敏感模态分量进行包络分析,判断滚动轴承故障类型。仿真和实验结果表明,该方法可以自适应确定FMD最优参数组合,有效提取故障特征信息。通过与变分模态分解(variational mode decomposition, VMD)对比分析,参数优化FMD提取到的故障特征频率倍频较明显,具有更好的特征提取性能,能够实现滚动轴承故障的精确诊断。

可移动光学超稳腔的研制及其稳定性测试

可移动超稳腔可以减小环境振动对激光稳定性带来的影响,适合振动强度较大的运输条件。本文展示了一种由低膨胀系数玻璃制作的光学谐振腔,并测试了激光锁定到该可移动超稳腔的频率稳定性。支杆固定于金属热屏蔽罩内的机械设计使其具有良好的稳定性和可移动性。采用短延迟自外差干涉法测量了激光器锁定到超稳腔后的线宽,并且借助振动平台测试其稳定性。实验发现锁定后的激光器线宽和振动频率存在线性关系,激光器线宽会随着振动加速度增大出现饱和效应。去除振动时激光线宽可以恢复到无振动时的数值,证实该超稳腔具有较高稳定性。

基于加权联合提升包络谱的轴箱轴承故障诊断

为解决列车轴箱轴承微弱故障特征在宽频带上难以提取的问题,基于轴承故障信号的二阶循环平稳特性,提出了一种利用加权联合提升包络谱进行故障诊断的方法.首先,利用谱相干算法将振动信号分解到由频谱频率和循环频率构成的双频域,实现振动信号在全频带内的精细化解调,并基于谱相干的局部特征识别轴承候选故障频率;接着,利用1/3二叉树滤波器将频谱频率分割为不同中心频率和带宽的窄带,在窄带内沿着频谱频率对谱相干的模进行积分,得到窄带提升包络谱;然后,以候选故障频率在窄带提升包络谱中的能量占比为诊断性指标,在每一分解层上构造联合提升包络谱;最后,对不同分解层的联合提升包络谱进行加权平均,得到轴承振动信号的加权联合提升包络谱.轨道车辆轴箱轴承台架试验信号的研究结果表明:所提方法的优势在于能充分整合分布于不同窄带内的轴承故障信息,且不依赖于名义故障周期信息;和现有方法相比,能更有效地揭示轴承故障特征频率及其谐波特征,在提取和识别轴箱轴承微弱故障方面具有一定优势.

SVD和复合平方包络谱的滚动轴承故障诊断

由于传统奇异值分解故障诊断方法难以选择子信号故障点以及Hankel矩阵行数,提出了一种基于奇异值分解和复合平方包络谱的滚动轴承诊断方法。首先分析了两种常用的子信号重构方法的区别。然后引入DR指标来确定奇异值分解序列,并通过数值模拟得到了轴承故障诊断的Hankel矩阵最佳行数范围。由于得到的子信号存在畸变和子信号间能量分布的奇异值分布,通过反对角平均法以及复合平方包络谱对轴承进行故障诊断。最后通过实验证明了提出方法在缺少先验知识情况下能够实现有效的轴承故障诊断。

基于VMD⁃ESA和IPOA⁃XGBOOST相结合的异步电机故障诊断

为了提高异步电机故障诊断的准确度,提出一种结合变分模态分解(VMD)、包络谱分析法(ESA)和改进的鹈鹕优化算法优化的极限梯度提升模型(IPOA‐XGBOOST)的智能诊断方法。首先,对实测的异步电机振动信号进行VMD分解,并用ESA计算VMD分解得到的本征模态分量(IMFs)的瞬时能量矩阵;然后用奇异值分解法(SVD)对得到的瞬时能量矩阵进行特征提取;最后,使用提取到的特征向量训练IPOA‐XGBOOST模型,得到异步电机的故障诊断准确率。另外,为了解决鹈鹕优化算法容易陷入局部最优解、寻优速度慢等问题,使用Circle映射改进鹈鹕优化算法。将改进的鹈鹕优化算法、遗传算法(GA)和鹈鹕优化算法进行寻优分析,实验结果表明,改进的鹈鹕优化算法的寻优效果最好。

ITD结合参数优化MOMEDA的滚动轴承故障特征提取

针对固有时间尺度分解(Intrinsic time scale decomposition,ITD)方法在强背景噪声影响下难以提取轴承故障特征的问题,提出了一种ITD与参数优化的多点最优最小熵解卷积(Multipoint optimal minimum entropy deconvolution adjusted,MOMEDA)相结合的滚动轴承故障特征提取方法。首先根据包络谱峰值因子最大原则提取包含丰富故障信息的ITD分量,其次对该分量进行MOMEDA降噪处理。对影响MOMEDA滤波效果的两个参数——故障周期T与滤波器长度L分别以多点峭度和平方包络谱的基尼指数进行优化,最后进行包络谱分析提取故障特征频率。通过仿真信号与实测信号分析表明该方法能在强噪声干扰下有效提取故障特征。

基于MCKD的海上风机齿轮箱轴承故障诊断方法

海上风机齿轮箱结构复杂、故障多发,同时受海上风机运行的强噪声干扰,轴承故障的特征信号提取较为困难。针对以上问题,提出了一种基于最大相关峭度解卷积(MCKD)的故障诊断方法,通过MCKD算法对振动信号进行降噪处理和特征增强,并利用增强包络谱对轴承的故障特征频率进行提取,从而实现对轴承的故障诊断。将该方法应用到海上风机齿轮箱轴承的模拟信号和实测信号中,研究结果表明:该方法对海上强噪声环境下齿轮箱轴承故障的特征提取和诊断具有良好的效果。

基于VMD自适应模态重组的光学下变频信号分离方法

光学下变频技术可将宽频带内全部电磁信号同时下变频到低频区间进行接收,是一种新型宽频带电磁环境快速接收技术。但是,获取的光学下变频信号中包含源个数未知、带宽不同的多种信号,现有信号分离方法需要获知源信号的个数,且无法同时分离窄带信号和宽带信号。为实现对光学下变频信号的自动分离,提出了一种基于变分模态分解(VMD)自适应模态重组的光学下变频信号分离方法。通过频谱分割因子和频谱包络检测,对光学下变频信号的VMD过分解模态进行自动重组和信号重组模态提取,实现光学下变频信号分离。对于包含普通脉冲信号、宽带码分多址(WCDMA)信号和线性调频脉冲信号的光学下变频信号,可自动实现对三种信号的分离,且与原信号的相似系数均高于0.97。实验结果表明,所提及方法在分离光学下变频信号时无需获知源信号的个数,并能同时分离具有不同带宽的多种源信号。

基于ICEEMDAN和Hilbert包络谱的滚动轴承故障诊断研究

针对滚动轴承故障振动信号因属于非平稳特征信号而导致故障特征频率难以提取的问题,提出了基于改进自适应噪声完备集合经验模态分解(ICEEMDAN)和Hilbert包络谱的滚动轴承故障诊断方法.首先,利用ICEEMDAN对故障信号进行模态分解,产生一系列的固有模态分量(IMF);然后,找出与原信号相关度较高的模态分量,作该模态分量的Hilbert包络谱图,并提取滚动轴承的故障特征频率.最终,通过对滚动轴承外圈和内圈的故障信号进行分析,并将结果与经验模态分解(EMD)的结果比较,证明了经过ICEEMDAN分解后Hilbert包络谱图能够明显反映轴承故障的特征频率,该方法可有效诊断滚动轴承的外圈和内圈故障.

基于SVMD-SES的滚动轴承故障诊断

针对在进行复杂工业设备滚动轴承故障诊断时,由于强噪声影响使故障微弱瞬态冲击特征难以识别的问题,提出一种基于平方包络谱逐次变分模态分解的机械故障诊断方法。首先在变分模态分解的基础上进行逐次变分模态分解推导,降低模态混叠现象和计算复杂度。其次利用峭度指数和互相关系数的加权值构造相关峭度,通过筛选所得分量得到真实的故障模态成分。通过平方包络谱凸显信号瞬态冲击信息并进行特征提取。最后通过实验室平台采集轴承振动数据进行验证分析,实验结果表明:采用所提方法能准确识别周期性瞬态冲击,有效提取微弱特征,提高对复杂机器进行故障诊断的准确性和效率。

改进的经验模态分解方法和解析能量算子在电机轴承故障诊断中的应用

针对电机轴承故障信号能量微弱导致极易被噪声干扰所淹没的不足,进行了电机轴承故障特征提取研究;提出了一种改进的经验模态分解方法,包括谱峭度指标和一种新颖的解析能量算子相结合的电机轴承故障诊断方法;经实际测试与应用实现了对电机轴承故障信号中背景噪声干扰的去除,从而满足了电机轴承微弱故障特征提取的应用;通过与常用的电机轴承故障诊断方法对比验证了所提方法的有效性和优越性,为电机轴承故障诊断提供一个新的思路。

基于小波包和Hilbert包络谱的滚动轴承故障诊断

针对滚动轴承故障信号中包含有多种干扰信号而导致故障特征频率难以提取的问题,提出了基于小波包和Hilbert包络谱相结合的滚动轴承故障诊断方法。该诊断方法在频域找出干扰信号较少的频段;利用小波包对故障信号分解,并对干扰信号较少的频段进行信号重构;对重构信号作包络谱图,提取滚动轴承故障特征频率。通过对滚动轴承外圈和内圈故障的信号分析,证明了该方法能准确地识别滚动轴承外圈和内圈故障。

基于改进相位差校正法的高精度码元速率估计

针对非协作通信中的码元速率精确估计等问题,文中在包络平方法的基础上,提出基于改进相位差校正法的高精度码元速率估计算法。该算法通过对比具有最小时移关系的两段序列包络平方谱峰位置一致情况,舍弃受噪声干扰严重导致谱峰位置不一致的序列,并选取谱峰位置一致的两段序列,通过相位差校正法精确估计信号的码元速率。相较于包络平方法,所提算法突破了码元速率估计精度依赖信号采样点数的限制,具有较高的估计精度。仿真实验结果表明,所提算法可在较低信噪比条件下对MPSK(Multiple Phase Shift Keying)、MPAM(Multiple Pulse Amplitude Modulation)和MQAM(Multiple Quadrature Amplitude Modulation)信号码元速率进行精确估计,且相较于现有高精度估计算法,该算法复杂度更低,适合应用于工程实践。

基于MODWPT平方包络峭度谱的轴承声信号故障诊断方法

针对噪声干扰条件下的轴承声信号故障诊断问题,可以通过基于最大重叠离散小波包变换(MODWPT)的平方包络峭度谱法对轴承进行故障诊断。该方法首先对原始非平稳信号用MODWPT分解为若干个子频带分量之和,再对各子频带分量做平方包络峭度谱,快速定位原始非平稳信号当中冲击成分显著的频带范围,最后对目标频带做带通滤波并进行包络解调可得到故障诊断结果。通过实测轴承声信号数据验证,该方法可以有效地对轴承进行故障诊断。

卡尔曼滤波对滚动轴承屑末异常的故障诊断研究

为了实时地在线监控滚动轴承的运行状态和故障情况,可以选择检测滑油中屑末数量、大小等特征参数作为重要指标。本文搭建了一套针对滚动轴承的屑末在线检测系统,通过读取传感器数据发现,轴承在3900r/min转速下,70μm~90μm铁磁性屑末的数量出现异常变化。利用卡尔曼滤波进行分析,其预测信号可以准确地反映铁磁性屑末实际的变化规律,且对于突发信号十分敏感,可以实现故障前的及时预警。为确定轴承故障的具体位置,对轴承在3900r/min转速下的振动信号进行时域分析和频谱分析,并在此基础上进行包络谱分析,结果表明,轴承存在内圈损伤,滚动体也有一定程度的磨损。