基于包络谱峭度的输送皮带托辊故障特征提取

目前火电厂中托辊故障监测主要通过人工巡检的方式进行,工作强度大且环境恶劣。针对输送皮带机中托辊故障监测问题,提出了基于VMD与包络谱峭度的输送皮带托辊故障声音特征提取方法。首先对采集到的声音信号进行VMD滤波,将声音信号分解成若干个IMF分量;对各个IMF分量分别计算包络谱峭度,选取峭度最大的分量作为故障成分占比最多的分量;再对其进行时域与包络分析验证,提取出故障声音特征。实验结果表明,所提方法能够实现输送皮带托辊故障声音特征提取。

基于EMD与谱峭度的滚动轴承故障检测改进包络谱分析

针对滚动轴承故障振动信号的调制特征和传统包络分析法的缺陷,提出一种基于经验模式分解(Empirical Mode Decomposition,简称EMD)和谱峭度(Spectrum Kurtosis,简称SK)的改进包络谱滚动轴承故障诊断方法。该方法首先对滚动轴承故障振动信号进行经验模式分解,将其分解为多个固有模式函数(Intrinsic Mode Function,简称IMF)之和,然后对各IMF分量傅里叶变换后取其绝对值,并计算其谱绝对值平方包络,在此基础上再计算不同频带IMF分量谱平方包络的峭度,最后利用谱峭度的滤波器作用,选取由轴承缺陷所引起的共振频率所在频带的IMF分量,自动构建最佳包络来进行故障诊断。将该方法应用到滚动轴承内圈缺陷的仿真故障数据和实际数据中,分析结果表明了该方法的有效性。

滚动轴承自适应特征提取的包络谱多点峭度多级降噪方法

滚动轴承故障信号主要包含高品质因子振动分量和低品质因子瞬态冲击分量。采用多点最优最小熵解卷积方法初步削弱传输路径等干扰影响,使微弱瞬态冲击成分得到初步增强,然后针对共振稀疏分解(RSSD)方法存在的品质因子选择困难问题,同时考虑包络谱中故障频率成分的严格周期性,提出包络谱多点峭度(ESMK)概念并将其作为优化指标,采用粒子群优化算法(PSO)对品质因子进行选择,得到一种自适应稀疏分解方法(PSO-RSSD)用于瞬态冲击信号的提取,以消除信号中高幅值干扰冲击和背景噪声的影响。轴承仿真与实测信号分析结果表明,与最小熵解卷积信号共振稀疏分解方法相比,在强冲击干扰下ESMK能够有效度量周期性瞬态冲击,PSO-RSSD方法能自适应分离最优低品质共振分量,验证了该方法的有效性和优越性。

小波降噪与快速包络谱峭度相结合的轴承组件故障诊断技术

作为飞轮重要的旋转支撑部件,轴承组件的性能对飞轮寿命有着重大影响,因此如何在早期对轴承组件进行筛选显得尤为重要。轴承组件在故障初期,其故障特征比较微弱,故障信号很容易淹没在背景噪声信号中,给轴承组件的早期故障判断和定位带来了很大的困难。以飞轮常用轴承组件为研究对象,基于快速包络谱峭度的振动测试方法,先通过对采集的轴承组件振动信号进行小波降噪,提高特征信号的信噪比,然后对振动信号进行全频段的峭度分析,可以对轴承组件进行早期的故障诊断并进行故障定位,得到轴承组件故障频率,为后续轴承组件故障诊断研究提供方法手段。

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。

基于双树复小波包峭度图的轴承故障诊断研究

针对传统包络谱和峭度图分析技术的缺陷,提出一种基于双树复小波包峭度图的轴承故障诊断方法。该方法综合利用了双树复小波包变换和峭度图分析技术,克服了原峭度图方法只采用FIR和短时傅里叶变换滤波器的缺点,提高了从强噪声环境中提取瞬态冲击特征的能力。首先利用双树复小波包变换,将振动信号分解成不同频带的分量,然后计算各小波分量的谱峭度,再利用谱峭度的滤波器作用,计算最大峭度值对应分量信号的包络谱,根据包络谱就可识别齿轮箱轴承的故障部位和类型。齿轮箱轴承故障振动实验信号的研究结果表明:该方法不仅提高了信噪比和频带选择的正确性,而且能有效地识别轴承的故障。

峭度准则EMD与空域相关结合的滚动轴承故障特征提取

针对滚动轴承故障信号非线性、非平稳的特点,提出一种经验模态分解(Empirical Mode Decomposition,EMD)与空域相关相结合的信号特征提取方法。首先,利用EMD方法将振动信号分解成若干个固有模态分量(Intrinsic Mode Function,IMF);然后采用峭度准则选取能够反应故障特征的IMF分量进行重构,再对重构信号运用空域相关法进行降噪;最后将处理后的振动信号进行Hilbert包络谱分析,提取出轴承的故障特征。采用所建立的方法分析轴承外圈故障的实验数据。结果表明,峭度准则EMD与空域相关相结合的方法能够对振动信号进行降噪处理并有效地提取出轴承外圈故障特征频率。

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。

基于可调Q因子小波变换和谱峭度的轴承早期故障诊断方法

通过对轴承故障机理的研究,提出基于可调Q因子小波变换和谱峭度的故障诊断新方法。首先,根据冲击成分的频谱分布,预设Q因子的范围,对轴承的振动信号进行可调Q因子小波变换;其次,计算各尺度变换系数的谱峭度,利用谱峭度最大原则确定最佳的共振因子和尺度带;然后,用相邻系数降噪法处理尺度带内的变换系数,并进行逆可调Q因子小波变换重构信号;最后,求取包络谱,根据极值点的频率位置进行故障诊断。研究结果表明:该方法能有效抑制噪声和谐波成分,使提取的故障特征成分周期性明显、峭度大,使故障特征频率突出显著,验证了所提方法的有效性。

基于SFLA优化变分模态提取的滚动轴承故障诊断

为解决变分模态提取(variational mode extraction, VME)在分解轴承故障信号过程中近似中心频率和惩罚因子的选择过于依赖专家经验的问题,提出混合蛙跳算法(shuffled frog leaping algorithm, SFLA)与VME相结合的滚动轴承故障诊断方法。首先,为解决单一指标作为目标函数提取特征时信息不全面的问题,结合信息熵(information entropy, IE)、包络谱峭度和相关系数建立新的参数优化指标—KIC;然后,将KIC的极小值作为SFLA的目标函数自适应地选取VME期望模态的中心频率和惩罚因子;最后,通过包络解调分析期望模态进行故障诊断。仿真信号与轴承试验台相关数据集的分析结果表明,所提出的SFLA-VME方法能够准确地提取出期望模态并诊断轴承故障。

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。

快速峭度图在滚动轴承故障诊断中的应用

针对包络分析中带宽和中心频率依靠经验估计的缺陷,应用一种快速峭度图算法自动为包络谱分析提供最佳带宽和中心频率。快速峭度图算法借鉴了二进小波分解算法,先将原始信号经过FIR滤波器将信号进行分解,然后在各个频段上计算信号的谱峭度值,并根据快速峭度图的结果得到最佳中心频率和带宽,最后进行包络谱分析。实验证明该方法可以更有效地诊断滚动轴承故障。

基于变分模态分解和谱峭度的风电机组轴承故障诊断方法

针对风电机组轴承故障特征提取困难的问题,将谱峭度(Spectrum Kurtosis,SK)和变分模态分解(Variational Mode Decomposition,VMD)相结合,提出一种基于VMD-SK的故障诊断新方法。首先,对采集的轴承振动信号进行VMD分解,得到若干个固有模态函数(Intrinsic Mode Function,IMF);其次,对每一个IMF分量进行傅里叶变换,并计算其平方包络;再次,利用SK的滤波特性,选取故障特征频带所在的IMF分量来构建最优包络谱;最后,通过对包络谱分析可以诊断出风力发电机轴承故障。实验结果表明,VDM-SK法可以成功地提取风电机组轴承故障的特征频率,有效区分风电机组轴承的故障类型。

自适应稀疏贝叶斯滤波在轴承故障提取中的应用

稀疏贝叶斯滤波作为一种简单、新颖的滤波器,对噪声中的步进动态具有较好鲁棒性。同时,该滤波器引入一种L1正则化,其稀疏解可通过标准凸优化方法快速获得,因此它也具有较高的运算效率。但是在原始的稀疏贝叶斯滤波中,正则化参数必须提前设定,而该种参数的选择主要依靠人为经验,这就可能导致所选择的参数无法满足要求。针对现有不足,提出一种基于樽海鞘群优化算法的自适应稀疏贝叶斯滤波的轴承故障提取方法。该种自适应滤波方法采用轴承故障信号的包络谱峭度和负熵为目标函数选择最优的正则化参数,从而得到最优的滤波信号。最后通过包络分析得到轴承故障特征频率。通过模拟数据和真实数据证明该方法的有效性和优越性。

基于参数优化MCKD算法的交流接触器异常噪声信号特征提取

交流接触器的不良品在线圈通电后发出异常电磁性噪声,超出规定噪声值。针对交流接触器声音信号的特点,提出最大相关峭度解卷积(MCKD)与包络谱分析结合的方法,提取故障频率,实现交流接触器的异常振动噪声故障诊断。首先对采集到的声信号带通滤波,减少噪声干扰,再通过粒子群算法搜寻MCKD算法最优参数,对信号解卷积,增强信号中周期性脉冲,MCKD算法处理后的信号通过Hilbert变换求包络谱,以故障频率幅值因子为判据判断交流接触器是否故障。通过对交流接触器实际测试验证,结果表明所提方法能够有效诊断交流接触器异常噪声。

基于VMD-SVDD的滚动轴承性能退化评估

针对滚动轴承性能退化初期趋势不明显和早期故障难以检测的问题,提出了一种基于新筛选指标的变分模态分解(variational modal decomposition,VMD)信号预处理与支持向量数据描述(support vector data description,SVDD)相结合的性能退化评估方法。首先对原始信号进行变分模态分解;其次在模态分量(intrinsic mode function,IMF)选择问题上提出了一个新的筛选指标P,该指标的计算公式由包络谱峭度和Wasserstein距离共同组成,选择P值大于阈值M的模态分量进行信号重构;最后提取重构信号的均方根值、波形因子、峰峰值3种特征构建表征轴承性能退化的特征向量,并以健康样本的退化特征向量作为输入建立SVDD性能退化评估模型,用全寿命样本特征向量进行验证。实验结果表明,此方法对早期故障更敏感,能够准确检测到早期故障。

基于能量聚集度经验小波变换的齿轮箱早期微弱故障诊断

齿轮箱早期故障的故障特征不明显,振动信号呈现出强烈的非线性、非平稳现象,为此,提出了一种基于能量聚集度经验小波变换(EA-EWT)的齿轮箱故障诊断方法。首先对采集的振动信号进行EA-EWT分解,对分解后的各层信号采用最大峭度-包络谱熵准则进行敏感分量筛选,再利用最小熵解卷积对筛选出的分量信号进行降噪处理,对降噪后信号进行Hilbert包络谱分析,通过包络谱中的频率成分识别出故障类型,实现早期故障诊断。试验结果表明,该方法能够明显增强早期微弱故障特征,提高齿轮箱早期故障诊断性能。

基于自适应频率窗经验小波变换的列车轮对轴承多故障诊断

针对列车轮对轴承故障信号复杂,尤其是在多故障并发情况下难以准确诊断的问题,提出了基于频率窗经验小波变换(EWT)的轮对轴承多故障诊断方法。首先对轴承多故障振动信号进行Fourier变换,引入一个带宽可变的滑动频率窗分割信号频谱;然后利用水循环优化算法(WCA),通过所提出的幅值包络谱相关峭度(ESCK)指标,自适应地确定轴承多故障中各单一故障所对应的最优频率窗位置;最后通过经验小波变换分解出单一故障信号,采用包络解调分析实现轴承复合故障准确诊断。轮对轴承多故障仿真和实际应用结果表明,所提方法能有效分离列车轮对轴承复合故障中的典型故障,有效降低轮对轴承多故障诊断的误诊率,具有一定的应用价值。

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。

基于参数自适应的VMD滚动轴承故障诊断

为了更好地选取变分模态分解(variational mode decomposition,VMD)的参数并综合考虑轴承故障信号周期冲击性及循环平稳性,构建一种平均包络谱峭度结合平均样本熵优化的变分模态分解及加权合成峭度提取最优本征模态分量(intrinsic mode function,IMF)的轴承故障诊断方法。首先,分别将平均包络谱峭度的倒数及平均样本熵归一化并求和。然后,以其最小值原则分别优化VMD参数,对信号进行VMD分解得到若干IMFs,计算各IMF加权合成峭度,其值最大即为最优IMF。最后,进行包络谱分析判别故障类型,并运用内圈故障仿真信号和实际轴承数据验证方法的有效性。