基于包络定位的谱峭度方法在滚动轴承故障诊断中的应用

短时傅里叶变换(STFT)谱峭度(SK)(STFT-SK)方法将信号划分为任意频率中心与带宽组合的窄带,峭度最大的窄带信号可以精确定位滚动轴承故障信息的最优频带。然而,巨大的计算量限制了该方法的实际应用。根据滚动轴承故障调幅信号的频谱特性,提出包络定位频率中心的谱峭度方法(EL-SK)。先由滚动轴承故障信号频谱多次包络的极值确定窄带中心频率,再以一定步长变换频域窗宽,加窗截取频谱窄带;然后,对所截窄带进行傅里叶反变换后计算信号的峭度值,由最大峭度值确定最佳窄带的频率中心与宽度;最后,对最佳窄带信号做包络分析,即可提取轴承故障特征。利用STFT-SK和EL-SK两种方法对实测滚动轴承故障的诊断对比分析,验证了EL-SK方法的有效性与实用性。

遗传算法优化变分模态分解在轴承故障特征提取中的应用

针对变分模态分解(Variational Mode Decomposition,VMD)过程中模态分量个数和惩罚参数大小依赖先验知识,单一或顺序优化单一参数可能导致局部最优的问题,提出以包络熵和包络峭度因子作为适应度函数,利用遗传算法全局寻优的特点,对VMD的模态分量个数和惩罚参数组合进行优化。通过最优参数组合下的VMD对信号进行分解,可以获得多个本征模态分量(Intrinsic Mode Function,IMF),选择适应度函数最小IMF分量作为有效IMF分量进行包络解调,从中提取轴承信号的故障特征频率。对多种轴承故障类型信号进行分析并与其他方法对比,结果表明所提方法能有效提取轴承故障特征,有助于实现微弱故障条件下轴承故障特征频率的准确提取。

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。

改进融合指标的新型盲解卷积算法在轴承故障诊断中的应用

为解决现有盲解卷积算法易受随机脉冲影响的问题,综合时域特征和频域特征,提出一个新的故障敏感指标,即包络谱峭度-包络基尼系数融合指标(Envelope Spectral Kurtosis-envelope Gini Index,ESKEG)。该指标对周期性脉冲更敏感,不易受随机脉冲的影响。基于该指标,提出一个新的解卷积算法,即基于最大ESKEG的盲解卷积,并采用粒子群算法(Particle Swarm Optimization,PSO)求解滤波器系数。通过仿真振动信号和实验仿真信号进行验证,结果表明相比于其他盲解卷积算法,所提出的PSO-ESKEG算法在故障先验知识未知的情况下,能更有效避免受到随机脉冲信号的影响。

基于变分模态分解的新型材料齿轮故障诊断研究

针对变分模态分解模型中分解层数与本征模态分量选择困难,进而影响齿轮故障诊断结果的问题,提出采用计算本征模态分量包络峭度优化分解层数、通过频带熵选择有效的本征模态分量的方法,并对所选择的本征模态分量进行包络谱分析,提取特征频率。通过与齿轮故障频率对比,完成对齿轮的故障诊断。将提出的齿轮故障诊断模型应用于模拟信号与高强度钢齿轮实测信号中,能够精准提取信号中的特征频率,从而实现故障诊断。

EEMD和优化的频带熵应用于轴承故障特征提取

针对滚动轴承早期故障特征提取困难的问题,提出了将集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)和优化的频带熵(OFBE)相结合的轴承故障特征提取方法。针对EEMD的多个本征模态分量(Intrinsic Mode Function,IMF),如何选出更能反映故障特征的敏感IMF的问题,提出一种基于频带熵的敏感IMF的选取方法。首先,对原始振动信号进行EEMD分解,获得一系列IMFs;然后,对原信号和各个IMF分量求频带熵,在熵值最小处设计带通滤波器带宽作为特征频带,比较各个IMF的特征频带与原信号熵最小值所处频带之间的从属关系,进而选出反映故障特征的敏感IMF。由于背景噪声的影响,从选取的IMF中难以准确地得到故障频率。因此,利用FBE在选取IMF的基础上设计的带通滤波器,并提出利用包络峭度最大值原则优化带宽,然后对其进行带通滤波,并进行包络功率谱分析以提取故障特征频率。将该方法应用到轴承仿真数据和实际数据中,能够实现轴承故障特征的精确诊断,证明了该方法的有效性和优势。

基于EEMD和参数自适应VMD的高速列车轮对轴承故障诊断

针对高速列车轮对轴承工作环境复杂,振动信号中时常伴有冲击性噪声和循环平稳性噪声,使得传统的参数自适应变分模态分解(variational modal decomposition,VMD)方法对轮对轴承的故障特征信息提取不准确的问题,提出了一种基于集成经验模态分解(ensemble empirical mode decomposition,EEMD)预处理的改进参数自适应VMD方法。首先利用EEMD对采集到的振动信号进行分解,计算原始信号以及各分量的包络峭度值,选取峭度值大于原始信号峭度值的分量进行重构,生成新的振动信号;其次以局部最大包络谱峭度为目标函数,利用基于粒子群的参数自适应VMD方法分析新信号,从而确定最佳参数;最后将优化后的VMD用于新信号的分解,选取包络谱峭度值最大的分量进行包络解调分析。通过仿真和试验数据分析,证明了该方法在强噪声干扰下仍具有优良的故障特征提取效果。研究结果对提高列车轮对轴承故障诊断效果有一定的理论意义和应用价值。

一种面向大负载低转速轴承的故障诊断方法

造纸生产线上,有很多大负载、低转速的旋转设备,其轴承在承受较重载荷时,极易受到损伤,导致设备故障,甚至造成停机。因此,大负载低转速轴承的在线故障诊断非常重要。本课题在对大负载低转速轴承振动的诊断难点及当前故障诊断常用方法分析的基础上,提出了一种基于快速谱峭度包络解调分析的轴承故障诊断方法。首先采用快速谱峭度法计算振动信号的最大谱峭度值,确定最优的带通滤波器系数,然后利用带通滤波器对振动信号进行降噪处理,最后利用希尔伯特变换方法对降噪信号进行处理,分析包络谱,得到诊断结果。借助团队自行设计的轴承故障实验台,对本课题所提方法的优缺点和适用性等进行了实验研究,验证了本课题算法的有效性,并为工程应用提出了建议。

基于Morlet小波与尺度空间的滚动轴承故障诊断研究

针对滚动轴承早期故障特征提取困难的问题,提出了一种基于Morlet小波与尺度空间的滚动轴承故障诊断方法。该方法先用尺度空间划分频带边界,得到共振频带,再把频带边界信息代入Morlet小波中构造滤波器组对信号进行滤波。由于尺度空间划分频带边界存在过分割的问题,引入了包络相关峭度作为指标,提出采用尺度空间优化谱的方法来识别故障的最优共振频带,用仿真信号和台架试验获得的轴承故障信号验证了该方法的有效性,并与快速谱峭度进行了对比。结果表明,基于Morlet小波与尺度空间的滚动轴承故障诊断方法可以准确地识别最优共振频带,实现轴承故障诊断,同时诊断效果明显优于快速谱峭度指标。