基于粒子群优化ACMD方法的滚动轴承复合故障分离方法

为了对强背景噪声干扰下的滚动轴承复合故障特征进行提取,课题组提出一种基于粒子群和自适应调频模式分解(adaptive chirp mode decomposition,ACMD)的滚动轴承复合故障分离的特征提取方法。首先,构建一个复合故障分解因子(compound fault decomposition factor,CFDF)用于评价复合故障特征提取效果;然后,将最大复合故障分解因子作为目标函数,利用粒子群寻优算法自适应搜索ACMD最优参数,进而实现信号模态分解;最后,对分解后的多模态分量进行平方包络谱分析,进而判断轴承的故障类型。仿真及试验结果表明:该方法能够实现强背景噪声干扰下的滚动轴承复合故障特征提取,分离出单一的故障信息。对比经典VMD方法,该方法具有更好的鲁棒性。

基于β散度约束的非负矩阵分解的机械复合故障诊断方法

时频分析经常被用来刻画非平稳振动信号的局部信息,而经时频变换后的特征信号具有较高的矩阵维数,很难对高维特征矩阵直接进行分类或特征提取。为此,提出了基于时频分析与β散度约束的非负矩阵分解算法(NMF)相结合的机械复合故障诊断方法。对采集的振动信号进行时频分析,获取局部特征信息;利用β-NMF算法实现数据的降维,并根据特征信息重构信号;在β-NMF算法中引入加权脉冲因子(CIF),对重构后的信号进行筛选;将得到的分离信号进行包络频谱分析,实现故障诊断。以滚动轴承复合故障为研究对象进行验证,分析结果表明:所提出的方法可以有效提取出外圈与滚动体冲击性特征,实现了滚动轴承的复合故障诊断。

基于VMD-PARAFAC的轴承故障欠定盲源分离

针对传统的轴承故障欠定盲源分离方法需要施加约束的问题,提出了一种基于变分模态分解(variational mode decomposition,VMD)和平行因子(parallel factor,PARAFAC)分析的欠定盲源分离方法.利用VMD算法将振动信号分解为多个带限本征模态函数(band-limited intrinsic mode functions,BLIMFs),将这些BLIMFs构造成三阶张量作为PARAFAC模型的输入,利用三线性交替最小二乘算法对模型分解,从而在宽松条件下实现复合故障信号的分离.仿真和实验结果表明,提出的方法是有效的,与传统的故障盲源分离方法比较,提出的方法在多故障盲源分离中更具有适应性和实用性.