采用改进多点最优最小熵反褶积的齿轮箱复合故障特征提取

针对强背景噪声下齿轮箱复合故障中的微弱故障特征难以提取的问题,提出了一种改进多点最优最小熵反褶积的齿轮箱复合故障特征提取方法。将小波降噪作为前置滤波器,克服了多点峭度谱在强背景噪声下难以有效识别信号中的微弱故障周期成分的缺点,使信号峭度增加了65.9%,突出了微弱故障周期成分;根据多点峭度谱识别出的故障周期成分设置合理的故障区间,利用多点最优最小熵反褶积突出了信号中的故障周期,避免了对信号直接包络解调而出现的漏诊现象;将差分能量算子解调应用于改进算法处理后的信号,与传统的Hilbert解调方法相比,该算法得到的解调谱中故障特征频率的峰值更加明显。通过对仿真信号与齿轮箱中齿轮点蚀磨损复合故障振动信号的研究结果表明,改进多点最优最小熵反褶积方法能够完整地提取信号中的故障特征频率成分,成功率达到了100%;与变分模态分解进行了对比分析,改进算法有效消除了模态混叠现象。仿真和试验结果表明,改进算法可以有效提取强背景噪声下齿轮箱复合故障中的微弱故障特征。

多点最优组合算法在大学生出游网站中的研究与实现

在互联网的风口,各色旅游网站和旅游手机软件发展迅速.为顺应互联网的发展,设计和开发了一个大学生出游网站.首先对网站的可行性进行分析,得出可行性结论.其次分析其定位、用户需求、性能需求,进一步得出需求分析结论.接着是旅游线路推荐功能的设计与实现,即通过改进Dijkstra算法寻找多点最优路径组合.以此为游客提供合理的游玩线路.最后,通过php以及apache等工具完成网站的开发和测试.

利用参数自适应多点最优最小熵反褶积的行星轮轴承微弱故障特征提取

针对行星轮轴承故障振动信号受复杂传递路径、强背景噪声和齿轮振动干扰的影响,导致故障特征微弱难以提取的问题,提出一种参数自适应的多点最优最小熵反褶积(parameter adaptive multipoint optimal minimum entropy deconvolution adjusted,PA-MOMEDA)的行星轮轴承微弱故障诊断方法。为克服MOMEDA依赖人为经验选取主要影响参数的不足,建立多目标优化新指标,通过粒子群算法优良的寻优特性来自动确定最佳的影响参数,使用参数优化的MOMEDA对行星轮轴承故障信号进行最佳解卷积运算。针对MOMEDA解卷积信号存在严重边缘效应的问题,设计一种波形延伸策略对解卷积信号进行自适应补偿,提高了MOMEDA对微弱故障冲击特征的解卷积性能。对提升的解卷积信号进行包络解调处理,即可从其包络谱中提取到明显的故障特征频率。通过行星轮轴承故障仿真和工程实验数据分析表明,相比传统的MOMEDA方法、MCKD方法和快速谱峭度方法,该方法能成功地提取微弱的故障冲击特征且更加明显,提高了行星轮轴承故障诊断的准确性和鲁棒性。

ITD结合参数优化MOMEDA的滚动轴承故障特征提取

针对固有时间尺度分解(Intrinsic time scale decomposition,ITD)方法在强背景噪声影响下难以提取轴承故障特征的问题,提出了一种ITD与参数优化的多点最优最小熵解卷积(Multipoint optimal minimum entropy deconvolution adjusted,MOMEDA)相结合的滚动轴承故障特征提取方法。首先根据包络谱峰值因子最大原则提取包含丰富故障信息的ITD分量,其次对该分量进行MOMEDA降噪处理。对影响MOMEDA滤波效果的两个参数——故障周期T与滤波器长度L分别以多点峭度和平方包络谱的基尼指数进行优化,最后进行包络谱分析提取故障特征频率。通过仿真信号与实测信号分析表明该方法能在强噪声干扰下有效提取故障特征。

并行RSSD和改进MOMEDA的齿轮箱故障诊断

为了克服传统共振稀疏信号分解与矩量法的局限性,提高其提取微弱故障特征的能力,提出了一种并行双参数优化RSSD和改进MOMEDA的行星齿轮箱故障诊断方法。首先,并行双参数优化RSSD构造了与不同故障特征相匹配的小波基函数,并将复合故障信号自适应分解为不同的谐振分量,实现了复杂故障特征的解耦。其次,利用改进MOMEDA对共振分量进行去卷积滤波,有效地消除了复杂传输路径和强环境噪声的影响,增强了与弱故障相关的脉冲。最后,通过对行星齿轮箱实验平台的实际故障信号的分析,证明了提出的方法不仅具有良好的解耦性能以及提取弱故障信号能力,且能够全面、准确地提取不同类型的故障。

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。

强噪声背景下地铁牵引电机轴承故障识别方法研究

为了实现地铁车辆牵引电机轴承故障识别,论文针对电机轴承故障冲击被强背景噪声淹没特征提取困难的问题,利用多点最优调整的最小熵解卷积增强故障冲击成分,采用粒子群优化算法自适应地确定滤波器阶数和故障周期,获取高信噪比的故障特征信号,最后对故障特征信号进行包络谱分析实现故障识别。现场采集数据验证了该方法的有效性。

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.

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。

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MVMD-MOMEDA的齿轮箱故障诊断方法

针对齿轮箱振动信号受复杂传递路径、强背景噪声的影响导致早期微弱故障难以诊断的问题,提出了一种基于多元变分模态分解(MVMD)和多点最优最小熵反褶积调整(MOMEDA)的齿轮箱故障诊断方法。首先,利用MVMD将融合后的多通道振动信号进行模态分解,得到一系列表征信号局部特征的IMF分量;其次,引入峭度值(Ku),选取最佳模态进行信号重构,剔除含噪声分量高的IMF;最后,对重构信号进行MOMEDA特征提取以识别故障频率,从而进行故障诊断。结果表明,所提故障诊断方法可以有效剔除噪声分量的干扰,识别出信号中的故障冲击成分及其倍频进而确定故障类型。MVMD-MOMEDA方法解决了在单一通道问题上无法处理多源信号的缺点以及早期微弱故障特征难以提取等问题,可为故障诊断和多源信号处理提供参考。

转炉齿轮传动系统裂纹动力学特性及诊断方法研究

当前针对全悬挂转炉倾动装置的动力学行为研究,多采用集中质量模型研究其扭转特性,而忽略系统横向弹性引起的弯扭耦合效应。此外,超低速重载运行环境下,系统齿轮故障动力学机理及诊断方法亟需深入研究。为此,首先基于拉格朗日方程法建立了转炉倾动装置多点啮合齿轮传动系统弯扭耦合动力学模型;其次,考虑裂纹引起的时变刚度特性,建立了含裂纹故障倾动装置动力学模型;然后采用Newmark-β法对正常及裂纹故障下的动力学响应进行求解。结果表明:当存在裂纹时,时域响应出现因裂纹引起的明显冲击,对应频域出现幅值极小的边频带,然而由于裂纹故障特征的微弱性,此特征容易被淹没在噪声中,难以诊断。因此,最后考虑现场噪声干扰,提出了改进的多点最优最小熵反褶积包络谱法,通过对比直接包络谱法,其故障包络谱能量占比提高了8.4倍,显示了该方法的优越性和有效性。本研究为转炉倾动装置齿轮裂纹动力学机理及诊断提供了理论依据和方法参考。

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。

AVMD-IMOMEDA在滚动轴承声学复合故障诊断的应用

针对滚动轴承声信号存在较强的背景噪声干扰,微弱故障特征信息难以有效提取等问题,并考虑到声信号非接触式测量的优势。提出一种参数自适应变分模式分解结合改进多点最优最小熵反褶积(improve multipoint optimal minimum entropy deconvolution adjusted, MOMEDA)的复合故障声学诊断方法;采用综合指标解决变分模态分解(variational mode decomposition, VMD)参数自适应选择问题,利用最大加权峭度识别最优分量并重构信号,增强与故障特征相关的脉冲特征信息;结合IMOMEDA方法从重构信号中分离提取周期性的脉冲信号,通过包络解调获取故障特征频率。仿真信号和试验信号验证了该方法的有效性,与传统VMD、MOMEDA、VMD-MCKD(maximum correlation kurtosis deconvolution)方法进行比较,凸显了方法的优越性。

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。