一种改进的解卷积算法及其在滚动轴承复合故障诊断中的应用

针对滚动轴承复合故障振动信号非平稳、非线性特性且不同类型故障之间相互耦合,使得传统方法对复合故障冲击特征难以提取的问题,提出了一种基于自适应信号稀疏共振分解(ARSSD)和多点峭度最优最小熵解卷积修正(MK-MOMEDA)的故障诊断新方法。使用ARSSD分析故障信号,并定义一个新的复合指标作为目标函数,利用布谷鸟寻优算法(CSA)对高、低品质因子进行优化选择,获得包含瞬态冲击成分的最优低共振分量;计算其多点峭度谱,提取低共振分量中包含的故障冲击周期成分;之后设定适当的周期区间,进行解卷积运算分离不同的故障特征;通过包络解调,分析谱图中突出的故障特征频率进而识别故障类型。实验平台模拟了滚动轴承两种和三种故障的复合情况,并对所提算法进行了验证,结果表明该方法可有效的从复合故障中提取出各类故障特征,实现故障诊断。

应用CEEMD降噪与自适应MOMEDA的轴承故障特征提取方法

针对滚动轴承早期故障信号中冲击成分能量低且易被强烈的背景噪声所淹没的问题,该文提出一种基于互补集合经验模态分解(complete ensemble empirical mode decomposition,CEEMD)-小波阈值降噪和参数自适应多点最优最小熵解卷积(multipoint optimal minimum entropy deconvolution adjusted,MOMEDA)的滚动轴承故障特征提取方法。将CEEMD与小波阈值降噪结合对原始信号进行降噪;提出一种新的复合指标:峭度-包络波形因子,并以其为适应度函数设计变步长搜索法,对MOMEDA算法的滤波器长度进行寻优;基于寻优的滤波器长度对降噪的信号进行MOMEDA解卷积,并通过包络谱分析识别滚动轴承的故障特征频率。对比实验结果表明:以该文寻找的最优滤波器长度作为MOMEDA的参数,解卷积后包络谱故障频率更加清晰;且相较于传统的MOMEDA算法和小波阈值降噪-MOMEDA方法,该文提出的方法能够更有效地提取强噪声背景下微弱的故障特征信息。

基于格点搜索法的MOMEDA在滚动轴承故障特征提取中的应用

针对背景噪声下故障轴承产生的周期性脉冲特征微弱难以提取问题,提出多点优化最小熵解卷积修正(MOMEDA)方法,并利用格点搜索法解决其滤波器设置需人工干预问题。首先以频域谱负熵为寻优目标,利用格点搜索法迭代求解MOMEDA滤波器最优阶数;其次应用该参数寻优方法下的MOMEDA对仿真信号和轴承内圈故障信号中的周期性脉冲成分进行增强,并通过平方包络谱提取微弱故障特征;然后应用受试者工作特征(ROC)曲线评估该方法的灵敏性和特异性。该方法可有效增强故障脉冲成分,且具有良好的灵敏性和特异性。

基于IEWT-MOMEDA-FSC的滚动轴承故障诊断

针对滚动轴承故障信号常伴有噪声干扰且故障特征难以提取的问题,本文提出一种基于改进经验小波变换(IEWT)、多点优化最小熵解卷积(MOMEDA)和快速谱相关(FSC)的滚动轴承故障诊断方法.首先,将原始信号进行快速谱相关分析得到增强包络谱,通过增强包络谱的极值点来自适应地划分频谱,以分割的频谱为边界构建小波滤波器组将信号分解为多个IMF分量,利用相关峭度准则筛选出有效的分量进行叠加;其次,用MOMEDA对其进行降噪处理,将降噪后的信号进行快速谱相关分析,得到增强包络谱图;最后,将增强包络谱图中幅值较高的频率与故障频率对比,判定其失效形式,用所提出的方法对实测轴承故障信号进行分析验证.结果表明,所提出的方法能有效降低噪音干扰且增强信号故障冲击特性,在噪声环境下具有较强的故障特征提取能力.

优化参数VMD和MED在列车齿轮箱滚动轴承故障诊断中的应用

针对强噪声情况下列车齿轮箱滚动轴承早期故障特征提取困难的问题,提出基于最小熵解卷积(minimum entropy deconvolution,MED)与参数优化变分模态分解(variational mode decomposition,VMD)相结合的故障诊断方法。首先利用MED对轴承振动信号进行降噪;其次,采用离散差分进化算法(discrete differential evolution algorithm,DDE)对VMD的参数进行优化搜索,并利用优化参数的变分模态分解算法对降噪后的故障信号进行处理,得到一系列本征模态函数;最后,选择最佳的本征模态函数进行包络分析,从而提取出故障特征。试验结果表明,该方法能有效提取列车齿轮箱滚动轴承故障特征,可用于轴承故障诊断。

基于OSSD-EMOMEDA的轮毂电机轴承故障特征提取方法

为了解决轮毂电机轴承早期微弱故障特征难以提取的问题,提出一种基于优化奇异谱分解(optimized singular spectrum decomposition,OSSD)和增强多点最优调整最小熵解卷积(enhance multipoint optimal minimum entropy deconvolution adjusted,EMOMEDA)的特征提取方法,以实现故障特征的检测与提取,及时掌握轮毂电机的运行安全。首先,提出由新的时频综合指标(time-frequency composite index,TCI)自适应优化分量个数的OSSD方法,并对原始信号进行前处理,通过包络谱峰值指标选择敏感的奇异谱分量。然后,提出EMOMEDA方法,设计一种改进的波形延拓策略恢复解卷积信号长度,克服MOMEDA算法的边缘效应,并通过二次解卷积运算获得最优解卷积信号。最后,对最优解卷积信号进行包络分析,实现故障特征的增强提取。分别采用仿真和试验信号验证所提方法的可行性,并将其与多种故障特征提取方法进行对比,证明了其优越性。结果表明,所提方法能够有效提取微弱故障特征,在特征增强方面具有可观的优势。

基于MOMEDA与BiLSTM的滚动轴承微弱故障识别方法

针对传统的滚动轴承智能诊断模型计算效率低和准确率欠佳问题,课题组提出一种基于多点最优最小熵解卷积(multipoint optimal minimum entropy deconvolution adjusted,MOMEDA)和双向长短时记忆(bidirectional long short-term memory network,BiLSTM)网络相结合的滚动轴承故障诊断模型。该模型利用MOMEDA方法增强故障特征,并结合遗传算法(genetic algorithm,GA)对BiLSTM模型参数进行优化,实现滚动轴承智能、高效及鲁棒性诊断。利用该模型对经典轴承数据集以及牵引电机轴承故障数据集进行验证,平均准确率达到了99.63%,分别比传统卷积神经网络(convolutional neural network,CNN)、单层长短时记忆网络(long short-term memory network,LSTM)、双向长短时记忆网络和最新的CNN-LSTM模型高16.02%,9.98%,7.01%和5.65%,验证了该模型的有效性和优越性。

基于ACMD与改进MOMEDA的滚动轴承故障诊断

针对强背景噪声下滚动轴承故障特征难以提取的问题,提出基于自适应非线性调频分量分解(adaptive chirp mode decomposition,ACMD)与改进多点优化最小熵解卷积(improved multipoint optimal minimum entropy deconvolution adjusted,IMOMEDA)的故障诊断方法。(1)为提高信号信噪比,采用基于基尼系数指标的ACMD,进行信号重构预处理;(2)为提高参数设定的准确性,提出改进的MOMEDA方法——利用天鹰优化算法,以多点峭度最大为目标,寻优确定滤波器周期参数;(3)对信号进行包络谱分析,通过对比包络谱的主导频率成分与理论故障特征频率,判断故障类型。仿真及实测数据分析结果表明,该方法能有效提取强背景噪声下的滚动轴承故障信号的特征信息,具备一定的优越性与实用性。

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WOA-VMD联合MOMEDA的轴承外圈故障特征提取方法

滚动轴承工作环境较为复杂,在复杂的环境因素影响下,其故障特征信号容易受到噪声的影响,导致其难以被识别。针对这一问题,提出了一种基于鲸鱼优化算法(WOA)的变分模态分解(VMD)联合多点最优最小熵解卷积(MOMEDA)的滚动轴承外圈故障特征提取方法。首先,利用变分模态分解(VMD)对仿真信号进行了分解,使用鲸鱼优化算法(WOA)确定了最佳分解层数以及各分量的样本熵;然后,以样本熵最小值为目标寻优,得出了包含故障信号的最佳分量,对得到的最佳分量进行了MOMEDA重构,从重构信号的包络谱中获得了仿真信号故障特征频率及其倍频;最后,为了验证WOA-VMD联合MOMEDA的有效性,在实验台上采集数据,对滚动轴承的外圈故障信号进行了特征提取。实验结果表明:使用该方法可以高效地进行信号的分解寻优,能较为准确地得到仿真信号的故障频率(100 Hz)和实验台提取信号的近似故障频率(87.5 Hz),验证了该方法的有效性。研究结果表明:低信噪比的工况条件下,采用WOA-VMD联合MOMEDA的方法可以有效地提取滚动轴承的故障特征信号,并能从重构信号中提取故障特征频率。

基于WSGMD和AMOMED的风力发电机齿轮箱轴承早期故障诊断

围绕风力发电机齿轮箱轴承早期故障诊断困难这一难题,提出一种基于加权辛几何模态分解和自适应多点最优最小熵解卷积的诊断新方法。首先,采用辛几何模态分解将原始振动信号分解为多组辛几何分量,计算各分量的Gini系数并据此对各分量进行加权重构,得到信噪比提升的重构信号。为了进一步强化放大重构信号中的故障特征,通过鲸鱼优化算法对多点最优最小熵解卷积的滤波长度及冲击周期进行自动搜索,获取最佳参数后对重构信号做进一步解卷积处理,最终通过解卷积信号的包络解调分析来识别轴承服役状态。风电现场机组振动监测信号验证表明,该方法可准确辨识出轴承早期故障,具有广阔的工程应用前景。

基于SVD-MOMEDA的高速列车齿轮箱轴承故障诊断

针对强背景噪声环境下高速列车齿轮箱轴承故障信号难以检测的问题以及多点优化最小熵解卷积修正(multipoint optimal minimum entropy deconvolution adjusted,MOMEDA)方法受滤波器阶数、故障周期影响的问题,提出了基于奇异值分解(singular value decomposition, SVD)改进的MOMEDA的轴承故障诊断方法。首先采用SVD作为MOMEDA的前置滤波器滤除部分噪声,然后通过MOMEDA多点峭度谱追踪故障周期成分,采用变步长搜索法迭代求解MOMEDA滤波器最优阶数,最后利用最优参数相对应的MOMEDA增强信号中的周期性脉冲,并通过包络谱提取故障特征。仿真信号和试验数据分析表明:该方法能实现高速列车齿轮箱轴承故障的精确诊断,且故障诊断效果优于互补经验模态分解方法。

基于自适应MOMEDA与VMD的滚动轴承早期故障特征提取

轴承故障衍生早期,由于故障尺寸较小且易受环境噪声和信号衰减的影响,因此故障冲击信号往往非常微弱。变分模态分解(Variational Mode Decomposition,VMD)已经在轴承的故障特征提取中有一定的应用,但对于背景噪声较强时的滚动轴承的微弱故障提取效果并不理想。针对这一问题,将改进多点优化最小熵解卷积(Multipoint Optimal Minimum Entropy Deconvolution Adjusted,MOMEDA)与VMD相结合,研究了滤波器长度对MOMEDA效果的影响,提出基于进退法确定最优滤波器长度的自适应MOMEDA方法。利用自适应MOMEDA对信号降噪并避免传统MED迭代以及滤波后可能出现的虚假峰值。将自适应MOMEDA降噪后的信号使用VMD进行分解,然后依据谱峭度大小进行重构,对重构之后的信号进行故障特征提取,取得了较好的效果。最后通过实验验证了方法的可行性及有效性。

基于SK‑MOMEDA的风电机组轴承复合故障特征分离提取

针对在实际工况中风电机组滚动轴承发生复合故障时,多个故障间相互作用,彼此干扰,造成复合故障特征难以分离问题,提出了基于谱峭度(spectral kurtosis,简称SK)与多点最优调整的最小熵解卷积(multipoint optimal minimum entropy deconvolution adjusted,简称MOMEDA)的风电机组滚动轴承复合故障特征分离提取方法。首先,对复合故障信号进行谱峭度分析,选出能量较大的共振频带,并通过构建带通滤波器对相应的共振频带进行滤波,对滤波信号进行包络谱分析,对单一故障特征进行分离提取;其次,对未能实现单一故障特征提取的滤波信号进行多点峭度谱分析并确定故障周期,应用MOMEDA完成后续分离提取过程。仿真信号和工程应用分析结果表明,该方法能够准确且有效地实现轴承复合故障特征的分离提取。

基于改进信息图与MOMEDA的滚动轴承故障特征提取

为解决最大相关峭度解卷积存在的故障周期需要预先设置等问题,提出多点优化最小熵解卷积修正(MOMEDA)用于增强轴承故障信号,并应用改进信息图降低噪声对其多点峭度谱的干扰。通过引入轴承故障与正常状态下谱负熵的比值关系,优化信息图中平均谱负熵算法,提出基于滤波器组的改进信息图方法;构建带通滤波器进行滤波降噪,并通过MOMEDA多点峭度谱识别故障周期;应用MOMEDA增强滤波信号中的故障周期性脉冲成分,并通过平方包络谱提取微弱故障特征。试验表明,较之信息图等方法,改进信息图的降噪效果较突出,可有效提高故障周期的识别度,实现MOMEDA自适应增强故障信号。

基于MOMEDA和增强倒频谱的风电机组齿轮箱多故障诊断方法

风电机组齿轮箱结构复杂,当齿轮、轴承存在多故障时,由于各故障强弱不同、故障间相互耦合及噪声干扰,造成故障诊断准确率低及漏诊问题。提出了一种基于多点最优最小熵解卷积(multipoint optimal minimum entropy deconvolution adjusted,MOMEDA)和增强倒频谱的风电机组齿轮箱多故障诊断方法。依据齿轮和轴承不同部位的故障特征频率设置合理的解卷积周期,利用MOMEDA对原始信号进行预处理;再通过增强倒频谱进一步抑制噪声干扰和增强故障特征;将增强倒频谱中的突出成分与齿轮箱故障特征频率对比,判断故障类型。实际风电机组齿轮箱多故障振动试验数据分析结果表明,该方法可以有效地提取出齿轮箱多故障特征信息。

基于CS和MOMEDA的滚动轴承故障特征提取

滚动轴承发生故障时会产生周期性脉冲,在噪声干扰下微弱特征难以提取且运算效率低。应用多点优化最小熵解卷积修正(MOMEDA)方法提取故障周期,增强周期性脉冲信号,但在实际运用中该方法提取故障周期的运算效率较低。应用压缩感知(CS)方法对原始信号进行预先处理,通过稀疏表示以及正交匹配追踪算法(OMP)信号重构达到降噪目的。通过试验验证MOMEDA较之其他方法的优越性,CS方法对前者运算效率的提升具有明显效果。

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MOMEDA与双谱分析的滚动轴承早期故障诊断

滚动轴承早期故障阶段,故障特征微弱且环境噪声干扰严重,采集数据包含大量噪声信息,传统的包络谱分析难以提取故障特征信息。双谱分析理论上可以抑制高斯噪声,但很难从强背景噪声下提取出微弱故障特征。而多点最优调整的最小熵解卷积(Multipoint Optimal Minimum Entropy Deconvolution Adjusted,MOMEDA)方法能增强信号中的冲击特征,但其效果和故障信号周期区间等参数有关。利用MOMEDA与双谱分析进行信号处理,将提取到的信号高阶谱特征作为滚动轴承早期故障分类依据。利用MOMEDA方法对采集信号进行滤波处理,提取出有冲击特征的时域信号;对特征增强的信号进行双谱分析,从高阶谱中提取故障特征。经过仿真信号分析和实际轴承故障信号验证,该方法能有效地提取出滚动轴承早期故障特征,实现故障诊断。

一种内燃机滚动轴承振动信号降噪方法

滚动轴承是内燃机中重要的零部件之一,其发生故障时振动信号中的故障信息往往会被噪声淹没。为此应用多点优化最小熵解卷积修正(MOMEDA)增强信号中的故障脉冲成分:首先系统介绍MOMEDA的基本原理,随后通过仿真信号在理论上对其有效性进行分析,最后设计滚动轴承内圈模拟点蚀故障试验证明其在故障特征提取中的作用。结果表明,经MOMEDA降噪处理后,信号的故障冲击成分得到明显突出,能够为后续的故障诊断工作提供方便。