基于快速Kurtogram算法的中间介质随机共振信号特性分析

【目的】探讨机械关键部位缺陷信号在经过界面结构时易受中间介质的影响而难以准确识别的问题。【方法】以界面结构间常见的水和机油作为中间介质,结合随机共振理论和Kurtogram算法对不同中间介质与信号传输特性之间的关系进行深入研究。【结果】当中间介质的面积增加时,信号的能量相对衰减率呈先减小后稳定的趋势,且与机油相比,通过水的信号的能量衰减速度更快。【结论】对通过不同介质的信号进行了随机共振和快速Kurtogram算法的处理,将处理结果与原始信号对比,发现该方法能有效提高信号特征参数的可辨度;另外,能量相对衰减率能有效表征通过不同中间介质的信号在信号集中频率区域内的变化规律。

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.

基于萤火虫算法优化VMD的滚动轴承故障检测

滚动轴承的工作环境通常受噪声干扰严重,故对其故障检测颇有难度。针对此问题,提出基于改进萤火虫算法优化VMD参数的方法。首先利用快速谱峭度分析信号,得到带通滤波器的最佳参数后,对信号进行滤波即初步降噪;其次经萤火虫算法优化得到VMD的最优参数K和α,根据所得参数将信号分解为若干个IMF分量,并以相关系数和散布熵为原则重构信号;最后用Hilbert包络解调重构后的信号得到故障特征。通过对试验数据的分析以及与LMD分解的对比可知,该方法能可靠地检测出轴承故障特征。

基于局部均值分解和共振解调的滚动轴承故障诊断

针对滚动轴承原始振动信号信噪比小,以及传统共振解调中带通滤波器参数选择难以确定,且依赖于人的主观经验的问题,提出一种基于局部均值分解和共振解调相结合的方法;该方法首先利用局部均值分解算法将振动信号分解成多个分量,再通过希尔伯特(Hilbert)变换获得各个分量的时频图,然后利用快速谱峭图算法自动确定带通滤波器的中心频率和带宽,最后对信号进行带通滤波和包络解调分析完成故障诊断。数字仿真信号和滚动轴承实验证明了该方法的有效性。

改进VMD融合深度学习在滚动轴承故障诊断中的应用

针对滚动轴承早期振动信号微弱且难以提取的问题,结合灰狼算法与变分模态分解(Variational mode decomposition, VMD)提出改进变分模态分解(Improved variational mode decomposition, IVMD)方法分解轴承故障信号,并基于快速谱峭度图(Fast kurtogram, FK)提取特征分量进行信号重构,采用深度学习与混沌理论对各故障轴承重构信号进行非线性分析,完成故障识别。在保留原故障信息整体几何结构的同时降低了特征数据复杂度,增强了故障状态分类能力。基于损伤轴承实验数据验证所提方法的有效性。结果表明:IVMD较VMD能更好地分解故障信号,快速谱峭度图可有效提取特征分量;采用IVMD-FK进行信号前处理后,经卷积神经网络(Convolutional neural network, CNN)进行故障分类,准确率高达99.99%,远高于传统故障诊断方法;在强噪声环境下此方法仍可较好地进行故障分类,在-8dB噪声下准确率达到75.75%,具有良好的鲁棒性;同时,结合混沌相图与Lyapunov指数反映故障信号的混沌特性,随卷积层数增加Lyapunov指数逐渐减小,表明深度学习模型和混沌理论可从混沌序列中提取纯净特征信息,准确进行故障识别。

基于IEWT和MCKD的滚动轴承故障诊断方法

针对经验小波变换(Empirical wavelet transform,EWT)对强噪声环境中滚动轴承微弱故障诊断的不足,主要是傅里叶频谱分段不当的问题。提出一种基于最大相关峭度解卷积(Maximum correlated kurtosis deconvolution,MCKD)降噪与改进EWT相结合的滚动轴承早期故障识别方法。首先采用最大相关峭度解卷积算法以包络谱的相关峭度最大化为目标对原信号进行降噪处理、检测信号中的周期性冲击成分,然后根据信号Fourier频谱的包络极大值进行分段,通过分析各频段平方包络谱中明显的频率成分来诊断故障。新方法能有效降噪、增强信号中周期性冲击特征、降低单次偶然冲击的影响、抑制非冲击成分。通过对含外圈、内圈故障的滚动轴承进行试验分析,结果表明,相比于快速谱峭度图和小波包络分析方法,该方法提取出的特征更加明显,能有效实现滚动轴承早期微弱故障的识别。