分数阶频率加权能量算子在滚动轴承故障诊断中的应用

针对强噪声背景下滚动轴承故障特征难以提取的问题,提出了一种新的特征增强方法——分数阶频率加权能量算子。首先,利用傅里叶变换将信号从时域转换到频域,得到信号频谱的幅值函数和相位函数;其次,设定微分阶次的变化范围和变化步长,根据傅里叶变换的时域微分性质在频域内对信号的幅值函数进行分数阶微分处理,将微分处理后的幅值函数与相位函数相结合,再利用傅里叶反变换得到微分处理后的信号;最后,对不同阶次的微分信号进行Hilbert变换得到包络信号,利用包络峭度指标选择最佳的微分阶次,利用该阶次下的微分信号求取包络谱,从而确定轴承的故障模式。实验结果表明,该方法可以有效地提取出强噪声背景下的滚动轴承故障特征。

强噪声背景下频率加权能量算子和变分模态分解在轴承故障提取中的应用

从机械系统中传出的信号通常包含着不同的叠加振动成分,包括有用信息以及不可避免的背景噪声和其他频率干扰,因此波形较为复杂,并且其幅值和频率会随着时间发生变化。当背景环境较为复杂或噪声较大时,从混合信号中提取出的轴承故障特征信号更是如此。对于此类信号,模态分解算法不仅可以去除大量的高频噪声,而且还能将振动信号分解成一系列具有单一成分的模态分量,从而更好地发现振动信号的物理意义。引入一种新的轴承故障特征提取方法,首先利用变分模态分解算法先将故障信号分解为若干个成分单一的模态分量;然后利用一种新的能量算子——频率加权能量算子对含有故障频率的模态分量进行处理,得到其能量谱从而提取出轴承故障特征频率;最后以一种常见的振动筛分设备振动筛为实际案例,对其轴承故障特征进行提取,并通过对比,说明了该算法的优越性和实用性。

频率加权能量算子在振动筛故障诊断中的应用

Teager能量算子解调方法在信号领域已经得到广泛应用,但由于对噪声较为敏感,造成其鲁棒性较差。振动筛属于振动机械设备中的筛分设备,其结构特点与运行原理与普通的旋转机械有着很大不同,因此提取出的振动信号同旋转机械提取出的振动信号也同样有着较大区别,主要体现在,信号中不仅存在着大量的背景噪声,而且信号中的成分也较为复杂,因此传统的能量算子在振动机械的实际应用上受到了很大限制。基于此,提出一种全新的能量算子方法—频率加权能量算子,该方法在很大程度上解决了传统能量算子关于噪声敏感性的缺点。将该方法应用到仿真模拟实验与振动筛实际应用中,并同传统的能量算子进行比较,发现能够很好的分离出故障频率,证明了该方法具有实用性与优越性。

基于频率加权能量算子与1.5维谱结合的发电机特征振动信号增强

针对多极发电机故障振动信号信噪比低,故障识别难度高的不足,本文提出了频率加权能量算子(FWEO)与1.5维谱结合的方法来对发电机振动信号进行特征增强和滤噪。该方法应用频率加权能量算子来提取瞬态冲击特征和滤噪,应用1.5维谱来进行信号的二次特征增强和抑噪。对3对极发电机定子匝间短路故障前后定子振动数据的处理效果表明,本文所提方法能有效对发电机特征振动信号进行增强并实现有效滤噪,实现故障的快速识别;其处理效果不仅优于单一的频率加权能量算子和单一的1.5维谱,而且与当前流行的最大相关峭度解卷积算法相比具有一定优越性。

变步长频率加权能量算子在轴承故障诊断中的应用

通过包络解调可以提取调制信号中的周期成分来实现轴承故障的早期诊断与预警。但在进行包络解调时,需要解调信号必须为单调幅调频信号,且解调效果容易受到其他干扰信号的影响。频率加权能量算子较包络解调具有更高鲁棒性,但频率加权能量算子在离散化时使用的中点平均差分方法对中心频率较低的调制信号进行解调时鲁棒性较差。因此变步长频率加权能量算子通过改变步长参数来增强其在中心频率较低时的鲁棒性。通过分析与试验验证表明,变步长频率加权能量算子在整个频带都具有较好的解调效果。变步长频率加权能量算子可以在信号未经分解的前提下实现不同共振频带的解调,所以具有更强的工程应用价值。

高阶频率加权能量算子在列车轴箱轴承故障诊断中的应用

针对轴箱轴承振动信号中微弱故障冲击难以识别的问题,提出了高阶频率加权能量算子的信号解调方法,进而完成轴箱轴承的故障诊断。频率加权能量算子(FWEO)通过在解调时加入信号中瞬时频率的权重,从而提高了干扰情况下解调的鲁棒性,但是当干扰信号能量较大时,FWEO依然无法有效解调轴承的故障冲击信息。因此,在FWEO基础上通过高阶的导数运算,形成了高阶频率加权能量算子(HFWEO)。HFWEO通过高阶导数运算提高了瞬时频率的权重,从而有效提高了HFWEO对干扰信号的抑制作用;使用相关峭度准则确定合适的阶次,保证HFWEO在提高抗干扰性的同时又引入较少的高频噪声,从而实现更可靠的轴箱轴承故障诊断。使用所提出的解调方法对仿真信号与轴箱轴承振动信号进行解调,并与传统解调方法进行对比,结果表明,提出的HFWEO能量算子对干扰具有很好的抑制作用,可以在较低信号干扰比情况下具有良好的解调效果,同时所提的相关峭度准则可以准确地确定最佳的HFWEO阶次,在复杂干扰情况下依然可以有效提取轴承故障冲击,克服了传统解调方法在干扰严重时的局限性,抑制了干扰的影响,对信号中故障冲击识别更加有效,为更准确、快速判断轴承故障类型提供了可靠保证。

基于小波包分解和频率加权能量算子的滚动轴承故障诊断

针对强背景噪声下故障特征信号提取难的问题,利用小波包分解能重构信号高低频的特点和频率加权能量算子抗干扰性强的优势,提出基于小波包分解与频率加权能量算子相结合的滚动轴承故障诊断方法。首先运用小波包分解对原始信号进行三层小波包分解,通过计算各个分量的峭度得出最优分解系数;再利用频率加权能量算子追踪信号的瞬时能量并求其包络谱;最后分析包络谱中频率成分并与对应故障特征频率进行对比。仿真信号和实验数据都能证明所提方案的有效性和实用性。

基于振动加速度与声音信号融合的轨道交通列车轴箱轴承故障诊断方法

[目的]轴箱轴承是轨道交通列车转向架的关键零部件,其健康状态直接影响列车的运行安全。需建立更为科学、高效的轴箱轴承故障诊断方法,以有效提取强干扰噪声下的轴承故障特征信息。[方法]以振动加速度及声音信号(以下简称“振声信号”)为研究目标,分析了轴箱轴承振声信号的故障特征,提出了一种最优带通卷积滤波的信号降噪方法。该方法将原始信号在频域内划分为多个分段,确定不同分段的带通滤波参数,构建了多通道带通卷积滤波器组。采用时域指标分段峭度来选择最优滤波信号,并对最优滤波信号进行频率加权能量算子解调,以识别轴承的故障部位。[结果及结论]所提故障诊断方法可以在强干扰噪声下实现对振动加速度信号、声音信号故障特征的提取,仿真结果及现场试验结果均验证了该诊断方法的有效性。振动加速度、声音信号的故障诊断结论可相互补充验证,进一步提高轴箱轴承故障诊断的准确率。

变速工况下基于IEWT能量阶次谱的风电机组轴承故障诊断

为准确检测变转速工况下风电机组轴承损伤,对传统经验小波变换进行改进,并与计算阶次追踪和频率加权能量算子相融合,提出基于改进经验小波变换(IEWT)能量阶次谱的诊断方法。首先,利用计算阶次追踪对获取的时域信号进行等角度重采样,继而对重采样角域信号进行IEWT处理,通过小波支撑区间的平移-缩放操作确定最佳边界参数后,利用所构造的小波从角域信号中分离出敏感模态分量。为进一步放大故障特征,利用频率加权能量算子计算出敏感模态分量的瞬时能量,并通过分析所得能量阶次谱可最终判定轴承运行状态。实验及工程现场信号验证表明,IEWT能量阶次谱方法能有效诊断变速工况下风电机组轴承损伤,具有一定工程参考价值。

一种暂态电能质量检测新方法的研究

电能质量扰动会带来复杂信号调制特性,使得从电能质量监测数据中提取扰动信号特征面临困难。为提高噪声背景下复合电能质量扰动检测准确性,本文采用自适应无参经验小波变换(adaptiveparameterless empirical wavelet transform,APEWT)对扰动信号进行模态分解,进而基于频率加权能量算子(frequency-weighted energy operator,FWEO)对单模态分量进行能量计算,同时通过解调提取用于扰动定位的瞬时频率和幅值特征量。一方面,APEWT中基于自适应频带分割的小波滤波器组输出仅包含有效模态分量,有效避免了模态混叠现象的出现;另一方面,FWEO噪声鲁棒性有效提高了强噪声背景下扰动特征提取的准确性。将算法应用到仿真及实测信号,结果显示该方法能够有效地追踪扰动信号的瞬时变化,且解调得到的瞬时频率和幅值也进一步证明了方法的可行性和有效性。

基于AVMD和二阶FWEO的滚动轴承故障诊断

针对滚动轴承振动信号中常包含有谐波、高斯白噪声和非周期性瞬态冲击成分,导致故障特征提取困难的问题,提出一种基于自适应的变分模态分解(adaptive variational mode decomposition,简称AVMD)和二阶频率加权能量算子(second-order frequency weighted energy operator,简称SFWEO)的滚动轴承故障诊断方法。首先,根据不同的信号自适应地确定模式数和惩罚因子,利用参数优化的变分模态分解(variational mode decomposition,简称VMD)对原始信号进行分解,得到多个本征模式函数(instrinsic mode function,简称IMF);其次,计算每个IMF的时频加权峭度,根据时频加权峭度最大化准则选择最佳IMF;最后,采用二阶频率加权能量算子对最佳IMF进行解调。仿真和试验结果表明,所提方法克服了传统VMD算法分解精度受参数影响较大导致信号出现过分解或欠分解的问题,同时二阶频率加权能量算子对信号中的干扰成分具有很好的抑制作用,有效提高了诊断正确率。

列车牵引电机轴承故障特征稀疏在线监测方法

列车牵引电机轴承状态多传感数据无线感知及在线监测技术是确保轨道车辆可靠运行的关键技术之一,现有的方法存在数据量大传输困难及特征小数据监测可视化不明显的问题。为此,提出一种列车牵引电机轴承故障特征稀疏在线监测方法,利用粒子群优化多点最优调整的最小熵解卷积的方法(PSO-MOMED)提取了背景噪声下电机轴承故障特征信号,采用离散余弦变换的压缩感知方法实现电机轴承特征的小数量多传感器采集,基于高阶频率加权能量算子(HFWEO)增强轴承故障特征稀疏可视化,并通过搭建试验台及某线路现场实测验证了所提方法的有效性。实验结果表明,信噪比为-10 dB时,相比传统方法,粒子群优化多点最优调整的最小熵解卷积方法可以更加有效的提取故障特征信号;在压缩率90%的情况下,从牵引电机轴承故障特征稀疏感知信号中能清晰表征轴承故障特征频率成分,有效解决了列车牵引电机轴承状态多传感数据无线感知及在线监测技术难题。

基于ASSD-MOMEDA-FWEO相结合的滚动轴承故障诊断

针对滚动轴承微弱故障信号的非线性、非平稳、易被强背景噪声掩盖的特点,提出一种自适应奇异谱分解(ASSD)、多点优化最小熵解卷积(MOMEDA)与频率加权能量算子(FWEO)相融合的微弱故障诊断方法。首先,利用ASSD算法对原始信号进行处理,采用合成峭度与斯皮尔曼等级相关系数(SRCC)作为联合判据,自适应确定奇异谱分量个数后,根据合成峭度最大原则筛选出最佳奇异谱分量。然后,利用MOMEDA算法对最佳奇异谱分量作进一步解卷积处理,实现故障特征强化放大。最后,通过FWEO算法获取解卷积信号的瞬时能量信号,并通过傅里叶变换(FFT)得到瞬时能量谱,从中拾取出故障特征信息。仿真和试验信号分析结果表明,所述方法可有效提取强噪声下微弱故障特征,实现轴承故障精确诊断。

基于MED-FWEO的滚动轴承故障检测

频率加权能量算子(FWEO)能够通过对信号瞬时能量的追踪消除信号中的噪声分量,突出故障冲击分量,对于轴承信号的处理具有较强的抗干扰性,然而对强噪声干扰下的信号则效果不够理想。针对该问题,提出将最小熵解卷积(MED)用于信号的预处理,以此消除信号采样过程中的传递噪声干扰,增强信噪比;而后以FWEO对处理后信号的瞬时能量进行追踪,从能量的角度进行故障特征的二次增强;最后通过包络谱分析获得诊断结果。仿真数据、实验室数据均表明所提方法能够在受强噪声干扰下的轴承故障信号中大幅消除噪声,准确提取出故障分量。

基于WPD-FWEO的轴承故障特征增强方法

用小波包分解(Wavelet Packet Decomposition,WPD)处理低信噪比信号时,常出现残存大量带内噪声的问题,严重影响了后期的故障诊断准确性。针对该问题,提出将频率加权能量算子(Frequency-Weighted Energy Operator,FWEO)作为小波包分解的后处理器,以消除其带内噪声,增强故障特征提取效果。对采样获得的故障数据进行3层小波包分解,得到各频带系数;对每个频带系数进行峭度计算,以峭度最大原则获取最优频带系数;以频率加权能量算子追踪最优频带系数的瞬时能量,从信号能量的角度消除信号中的带内噪声成分,二次增强信号中隐藏的故障脉冲信息;对其进行包络谱分析,得到最终诊断结果。仿真数据、实验室数据和工程数据验证了所提方法的有效性和实用性。

增强Ramanujan模态分解方法及其在滚动轴承故障诊断中的应用

针对现有的滚动轴承故障诊断方法(例如:小波变换和集合经验模态分解)的周期识别能力并不稳定等问题,我们提出了具有良好的周期分量提取能力的自适应周期模态分解(Adaptive periodic mode decomposition,APMD)方法。然而该方法所采用的最大似然估计方法在强噪声背景下估计周期时常出现错误,这导致APMD在强背景噪声下的周期提取性能并不稳定。为此,我们定义了自适应频率加权能量算子(Adaptive frequency weighted energy operator,AFWEO),并将其用于增强周期脉冲。然后,提出了一种新的周期估计策略以提高周期估计的准确性,并在此基础上提出了增强Ramanujan模态分解(Enhanced Ramanujan mode decomposition,ERMD)方法。滚动轴承仿真和实验信号分析结果表明,新的周期估计策略在强背景噪声下依然有效,同时也说明了ERMD具有优良的周期成分识别和提取能力,是一种有效的滚动轴承故障诊断方法。