基于改进VMD-MCKD和深度残差网络的风机齿轮箱故障诊断

行星齿轮箱是风电机组传动系统中的重要部件,其运行工况复杂,背景噪声大,导致齿轮早期故障信号微弱且极易受背景噪声的影响。针对风电机组齿轮箱早期故障特征难以有效提取,齿轮故障难以识别的问题,提出一种风机齿轮箱故障诊断方法。首先,通过变分模态分解算法(variational mode decomposition,VMD)分解风机齿轮箱原始振动信号,获得振动信号故障的最优模态分量;接着,利用最大相关峭度解卷积算法(maximum correlated kurtosis decnvolution,MCKD)通过解卷积重构最优模态分量,削弱背景噪声增强故障冲击成分,获得故障特征;同时利用麻雀搜索算法(sparrow search algorithm,SSA)优化惩罚因子α、模态分解个数K、滤波器阶数L和反褶积周期T等参数,提升振动信号故障特征提取的准确度;最后,构建基于深度残差网络(deep residual network,ResNet)的齿轮箱故障诊断模型,建立齿轮箱故障特征与类别的非线性映射关系,实现风机齿轮箱故障分类识别。实验结果表明,所提风机齿轮箱故障诊断方法的准确率达到97.48%,相较其他方法在信号特征提取和故障诊断效率方面有明显提高。

基于自适应MCKD与CNN的滚动轴承故障诊断

为了解决强背景噪声下故障特征提取困难及传统方法依赖经验和知识的问题,提出了一种基于自适应最大相关峭度解卷积(MCKD)与卷积神经网络(CNN)的滚动轴承故障诊断方法。首先,利用粒子群算法(PSO)优化MCKD的参数。其次,对滚动轴承故障信号进行信号滤波,得到降噪后的信号。最后,将降噪后的信号输入到构建的CNN模型中进行训练和测试,得到轴承故障诊断的分类结果。通过轴承寿命试验台的故障数据集的测试和评价,将提出的方法与未经过降噪的CNN方法进行比较,验证了该方法具有较高的诊断精度。

改进MCKD-MEEMD在滚动轴承故障诊断中的应用

为了解决实际工况中故障信号被噪声掩盖,故障特征频率难以提取的问题,提出改进最大峭度解卷积(MCKD)和改进的集总平均经验模态分解(MEEMD)结合的滚动轴承故障诊断方法。首先,提出使用合成峭度作为指标来选取MCKD的最优参数:位移数M和最大滤波器长度L;然后将最优参数代入MCKD算法中,得到最佳降噪信号;最后对降噪信号使用MEEMD分解,得到若干本征模态分量(IMF),选取合适的分量做信号重构,再对重构信号做频谱分析,在频谱中可以寻找出故障频率以及其他的信息。通过仿真分析了MEEMD方法的优越性及不足之处,并使用改进MCKD方法对不足处进行了改进,将改进MCKD-MEEMD方法与MEEMD方法以及传统MCKD-MEEMD方法进行了实验对比分析,证明了改进MCKD-MEEMD方法的故障诊断效果更好。

基于MCKD-FDM方法的汽车轴承振动信号降噪

为了提高电机轴承的故障诊断精度,选择傅里叶分解(FDM)方法把降噪处理信号分解,利用最大相关峭度反褶积(MCKD)重构信号包络谱图实现信息故障的诊断,并开展仿真与实验测试分析。研究结果表明:测试信号形成了明显的故障特征频率与各阶倍频,各阶倍频都发生了幅值降低。采用本文方法可以显著突出故障冲击成分,也可以提取获得丰富轴承故障信息,更明显体现故障特征频率与倍频。本研究故障诊断方法能够满足高精度的汽车传动系统故障检测要求。

基于改进PSO-VMD-MCKD的滚动轴承故障诊断

针对滚动轴承信号在强噪声背景下故障特征提取困难的问题,提出一种变分模态分解(Variational Modal Decomposition,VMD)和最大相关峭度解卷积(Maximum Correlated Kurtosis Deconvolution,MCKD)相结合的故障诊断方法。首先基于VMD方法选取故障信号的最优模态分量,然后采用MCKD算法增强最优分量信号中的冲击成分,最后通过包络谱分析提取滚动轴承的故障频率。利用粒子群优化算法(Particle Swarm Optimization,PSO)对VMD算法中的参数α和K以及MCKD算法中的参数L和M进行寻优,并对PSO算法中惯性因子和学习因子的更新方法加以改进,以提高参数寻优过程的收敛速度。仿真分析和试验结果表明,所提出的诊断方法可以有效提取被强噪声淹没的滚动轴承故障特征。

自适应MCKD结合Autogram的矿用滚动轴承故障特征提取

为辨析矿用滚动轴承运行状态,有效地提取矿用滚动轴承故障特征,提出了一种基于粒子群优化算法(Particle Swarm Optimization,PSO)的参数自适应优化最大相关峭度解卷积算法(Maximum Correlated Kurtosis Deconvolu-tion,MCKD)与自相关谱峭度图法(Autogram)相结合的矿用滚动轴承故障特征提取算法.首先,在考虑振动信号的强周期性的基础上,采用MCKD对原始信号进行预处理以实现信号的降噪与增强;同时,针对MCKD参数选择问题,构造利用PSO对适应度函数进行寻优得到合适的参数组合[滤波长度L,解卷积周期T];此后,利用Autogram对处理后信号进行特征提取;最后,通过仿真信号及公开数据集试验信号对该算法进行验证.结果表明:PSO-MCKD-Autogram算法能够较好地克服噪声影响,可有效提取矿用滚动轴承故障特征且具有一定的鲁棒性.

基于MOBWO-MCKD的风机滚动轴承故障特征提取方法

针对风力发电机轴承振动信号受强背景噪声及其他设备激励源影响,导致早期微弱故障特征不易提取这一问题,提出了一种基于多目标白鲸优化算法(MOBWO)优化的最大相关峰度反卷积(MCKD)风力发电机轴承故障特征提取方法。首先,采用MOBWO强大的全局及局部搜索能力优化了MCKD关键参数,获取了最佳参数组合;其次,利用优化后的MCKD对原始信号进行了解卷积运算,消除了背景噪声及其他设备激励源的影响,突出了轴承周期性脉冲信号;然后对解卷积信号进行了包络谱分析,提取了轴承故障特征频率,并将其与理论计算故障特征频率值进行了诊断结果对比;最后,采用实际工程中采集到的风力发电机轴承内圈和外圈的故障数据,对MOBWO-MCKD方法的有效性进行了试验验证。研究结果表明:基于MOBWO-MCKD的故障特征提取方法能够有效地消除背景噪声及其他设备激励源的干扰;由内圈信号包络谱可得到的内圈故障频率为f IR=125.87 Hz、2f IR=251.74 Hz;由外圈信号包络谱可得到的外圈故障频率为f OR=84.47 Hz、2f OR=168.94 Hz、3f OR=253.41 Hz。该特征提取方法可以为实际工程风力发电机轴承早期微弱故障特征提取研究提供一定的参考。

基于优化VMD-MCKD和谱峭度的滚动轴承复合故障诊断

针对滚动轴承振动信号中复合故障特征难以准确提取而导致故障诊断困难的问题,提出一种基于优化变分模态分解(VMD)和最大相关峭度解卷积(MCKD)结合快速谱峭度算法的滚动轴承复合故障诊断方法。利用改进麻雀搜索算法(ISSA)优化VMD和MCKD的参数,使用优化后的VMD对复合故障信号进行分解,并根据峭度准则筛选有效本征模态函数(IMF)进行信号重构,使用优化后的MCKD对重构信号进行解卷积与故障特征增强,并对解卷积信号进行包络谱分析提取故障特征频率。利用快速谱峭度算法对未提取出故障特征频率的解卷积信号进行处理,得到故障信息最丰富的频带参数并进行带通滤波处理。最后,对滤波后的信号进行包络谱分析,提取故障特征频率,从而实现故障诊断。仿真及实验结果表明:所提方法能有效分离复合故障并提取出故障特征频率,有效实现了复合故障诊断。

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SVMD与参数优化MCKD的轴承故障诊断

针对轴承故障信号存在噪声干扰,难以提取故障特征的问题,提出了一种将连续变分模态分解(SVMD)与改进的最大相关峭度反卷积(MCKD)相结合的轴承故障诊断方法。首先,为了表征轴承振动信号中的故障特征,将峭度与高斯核相结合,提出了比峭度指标更为突出的加权峭度指标;其次,利用SVMD方法对轴承信号进行了分解,获得了若干模态分量,并使用加权峭度指标从多个模态分量中筛选出了故障特征最丰富的模态分量;然后,以包络熵为标准,通过几何平均优化器(GMO)优化MCKD的滤波器长度和周期两个参数,获得了最佳的参数组合;最后,采用GMO-MCKD方法对轴承信号进行了降噪,对降噪后的信号进行了包络分析,提取了轴承特征频率;同时,采用粒子群优化(PSO)的变分模态分解(VMD)和粒子群优化的变分模态提取(VME),对轴承信号进行了对照分析。研究结果表明:采用SVMD-GMO-MCKD方法在辛辛那提数据集中诊断出轴承特征频率为234.4 Hz及其二倍频;在西储大学轴承数据集中诊断出轴承特征频率为108.96 Hz,二倍频为218.09 Hz。该方法可以增强滚动轴承的周期性冲击成分,在有干扰的背景下有效地提取出滚动轴承内圈和外圈的故障特征,且轴承故障特征提取效果优于PSO-VMD和PSO-VME方法。

基于参数优化VMD-MCKD的滚动轴承早期故障诊断

针对滚动轴承早期故障特征易受强背景噪声影响而难以提取的问题,提出一种基于阿基米德算法(Archimedes Optimization Algorithm,AOA)优化变分模态分解(Variational Mode Decomposition,VMD)和相关最大峭度解卷积(Maximum Correlated Kurtosis Deconvolution,MCKD)参数的滚动轴承故障诊断方法。首先,将不同移位数下相关峭度和现有指标进行对比,选取最优相关峭度指标作为目标函数优化VMD算法中分解层数K和惩罚因子,并基于VMD分解结果选取最优分量;其次,提出一种加权包络谱峭度作为目标函数优化MCKD算法中滤波器长度L和冲击信号周期T,基于MCKD算法增强最优分量中的冲击成分;最后,通过包络谱分析判断滚动轴承故障类型。仿真和试验结果表明,该方法可以有效提取并增强故障中的冲击成分,实现在强背景噪声下的滚动轴承早期故障诊断。

基于小波包分解和MCKD的水泵轴承故障诊断方法

针对水泵在实际应用中所处环境复杂、故障信号包含大量噪声难以提取的问题,提出了一种结合小波包分解和最大相关峭度解卷积(MCKD)的水泵轴承故障诊断方法。首先,应用小波包分解对原始信号进行分解,根据分解信号的信噪比和标准差选取合适的分量进行重构;然后,采用MCKD算法对重构信号降噪处理,突出信号中的有效周期冲击成分;最后,对处理好的信号进行包络谱分析,从包络谱中得到故障频率。实验结果表明,小波包分解和MCKD方法能够有效提取水泵轴承故障特征频率,可为工程实际应用提供参考。

Teager能量算子结合MCKD的滚动轴承早期故障识别

针对Teager能量算子在解调滚动轴承早期微弱故障特征中的不足,提出一种最大相关峭度解卷积降噪与Teager能量算子解调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,然后利用Teager能量算子增强降噪信号中的周期性冲击特征、抑制非冲击成分,最后通过分析Teager能量谱中明显的频率成分来诊断故障类型。滚动轴承外圈、内圈故障诊断实例表明,该方法能有效实现滚动轴承早期微弱故障的识别。

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MCKD和重分配小波尺度谱的旋转机械复合故障诊断研究

针对强噪声环境下旋转机械复合故障信号难于提取与分离的问题,提出了基于最大相关峭度解卷积(Maximum Correlated Kurtosis Deconvolution,MCKD)和重分配小波尺度谱的旋转机械故障诊断方法。机械信号中存在的噪声会降低重分配小波尺度谱的时频分布可读性,故先要对信号进行MCKD降噪,同时从振动信号中分离出各个故障成分,然后进行Hilbert变换得到包络成分,最后再对包络成分进行重分配小波尺度谱分析,根据尺度图中冲击成分的周期诊断转机械复合故障,算法仿真和应用实例验证了该方法的有效性。

基于MCKD和增强倒频谱的直升机自动倾斜器滚动轴承故障诊断方法

针对直升机自动倾斜器滚动轴承转速低,其早期故障特征信号易被噪声淹没的问题,提出了基于最大相关峭度解卷积(MCKD)和增强倒频谱分析的直升机自动倾斜器滚动轴承故障诊断方法。该方法利用MCKD方法对故障信号进行降噪处理,采用自相关方法和广义Shannon熵对倒频谱分析进行改进,得到增强倒频谱,提取故障特征频率。实验研究表明,所提出的方法能精确地诊断自动倾斜器滚动轴承内圈、外圈和滚珠故障,且优于传统的倒频谱分析,可以预防重大故障发生。

基于CEEMD和自适应MCKD诊断滚动轴承早期故障

针对滚动轴承早期故障难以提取和最大相关峭度解卷积(maxim correlated kurtosis deconvolution,MCKD)降噪效果受滤波器长度L的影响,提出了基于互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)和自适应最大相关峭度解卷积相结合的故障特征提取方法(CEEMD-AMCKD).首先,利用CEEMD将信号分解得到一组固有模态分量,利用峭度值筛选出冲击成分明显的分量;然后,以排列熵值为标准,运用步长搜寻法确定最佳的MCKD滤波器长度,对前面筛选出的分量进行降噪处理;最后,将降噪后的分量及其他分量进行信号重构并根据包络功率谱提取故障特征频率.通过仿真和试验验证了该方法的有效性.

MCKD最佳故障周期搜索的齿轮箱故障特征提取

针对最小解熵解卷积(Minimum entropy deconvolution,MED)算法易受强噪声和野值的影响,引出了最大相关峭度解卷积(Maximum correlated kurtosis deconvolution,MCKD)的齿轮箱故障特征提取方法,克服了MED算法的不足。然而凭先验信息选取的故障周期,可能导致MCKD解卷积效果很差,因此提出了MCKD算法的最佳故障周期搜索思路,即在合适的滤波器阶数L下,最佳故障周期的搜索可以限定于理论计算周期左右的某一范围内,使不同步距M关于最佳周期的最大相关峭度达到全局最优,以确保了MCKD算法具有良好的解卷积效果。断齿与局部断齿故障特征提取试验结果佐证了最佳故障周期搜索思路的可行性及其效果。

基于MCKD-EMD的风电机组轴承早期故障诊断方法

风电机组轴承处于早期故障阶段时,特征信号往往比较微弱,并且受环境噪声及信号衰减的影响严重,因此轴承早期故障特征一直难以提取。经验模态分解(EMD)在轴承的故障特征提取中已经得到了广泛的应用,但其在强背景噪声干扰下对轴承早期故障特征的提取具有一定的局限性。针对这一问题,考虑到最大相关峭度解卷积(MCKD)算法可凸显出轴承振动信号中被噪声所掩盖的故障冲击脉冲,非常适用于轴承早期故障信号的降噪处理,因此将MCKD与EMD相结合用于轴承早期故障诊断。用MCKD对强噪声轴承信号进行降噪,然后对降噪后的信号进行EMD,选取敏感本征模态函数(IMF)并计算其包络谱,通过分析包络谱中幅值凸出的频率成分判断故障类型。仿真和试验分析结果验证了所提方法的有效性和准确性。

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.