形态差值滤波及形态指数在液压泵滑靴磨损状态评估中的应用

针对液压泵滑靴磨损状态的评估问题,提出了一种基于形态差值滤波和形态指数(MI)的方法来有效地诊断滑靴磨损故障并评估其劣化程度。首先,利用形态差值滤波器对现场实测的正常状态和四种不同磨损程度的滑靴故障的振动信号进行滤波处理,提取出清晰的特征信息;其次,对滤波后的振动信号进行有量纲参数和无量纲参数的提取,其中有量纲参数包括首次引入到液压泵健康状态评估领域的MI;最后,通过分析MI对滑靴磨损故障及其劣化程度的敏感性和变化规律,得出MI可以有效地诊断出滑靴磨损故障及评估其劣化程度。

CEEMD与广义形态差值滤波结合的故障诊断方法研究

为了提取滚动轴承早期微弱故障特征信息,提出一种互补总体平均经验模态分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD)与广义形态差值滤波结合的故障诊断方法.该方法首先对振动信号进行CEEMD分解成若干不同尺度的本征模函数(Intrinsic Mode Function,IMF)分量,利用相关系数-峭度准则来选取故障信息丰富的IMF分量信号,并对其进行重构;然后采用广义形态差值滤波器对重构后的信号进行滤波,以滤除噪声干扰;最后利用Teager能量算子(Teager-Kaiser Energy Operator,TKEO)对去噪后的振动信号进行分析,提取振动信号的故障特征.滚动轴承振动信号分析试验结果证明了本文方法的有效性.

广义形态差值滤波与AN降维在故障诊断中的应用

由于轴承与设备其他内部构件之间存在强关联耦合关系,导致其振动信号与设备状态存在非线性关系;且信号单一特征难以全面描述设备状态,而多特征虽然包含较多状态信息,但高维特征所产生的信号冗余问题,易导致模型分类精度的下降.因此,提出一种基于广义形态差值滤波(GDIF)与自编码网络(AN)的滚动轴承故障诊断方法.该方法利用广义形态差值滤波对振动信号进行降噪处理,并通过极大似然估计(MLE)与AN从信号的高维特征中获取低维本质流形,缓解高维特征存在的维数灾难问题;最后,建立极限学习机(ELM)故障诊断模型,对轴承故障类型进行识别。轴承试验结果表明,该方法能够有效对信号进行降噪;通过AN对特征进行维数约简,能够使ELM模型分类精度达到98.04%。

自适应多尺度形态差值滤波及其在液压泵故障诊断中的应用

针对工业现场的实测液压泵故障信号易受强背景噪声污染的问题,利用一种自适应多尺度形态差值滤波(Adaptive Multi-scale Morphological Difference Filter,AMMDF)的方法。该方法把信号故障特征频率处的能量和低频段总能量的比值作为评价各个尺度滤波效果的指标,并以此作为权值来对经过各个尺度形态变换后的信号根据滤波效果进行加权融合,从而实现自适应滤波。通过对仿真信号和液压泵实测故障振动信号的实验验证,表明AMMDF较单尺度的形态闭算子有更好的滤波能力,它既具有信号细节保留能力又有较强的抑噪能力,为液压泵故障诊断提供了一种有效的工具。

基于VMD和形态差值滤波器的特征提取算法

为了解决滚动轴承早期故障振动信号信噪比低、故障特征提取困难的问题,提出了基于变分模态分解(VMD)和形态差值滤波器的滚动轴承故障特征提取算法。对故障信号进行VMD得到若干本征模态函数;利用峭度准则选取峭度值最大的本征模函数(IMF)分量进行形态差值滤波,实现信号的特征提取;对提取的信号进行包络谱分析,得到信号的故障特征频率。应用于滚动轴承实际采集数据,结果表明:提出的方法提高了信号的分解效率,降低了噪声的影响,能够实现滚动轴承故障的精确诊断。

基于广义形态差值滤波与极限学习机的滚动轴承故障诊断方法研究

由于工业设备工作环境恶劣、工况复杂,设备所采集的振动信号含噪声较多,难以准确提取设备运行状态的特征。因此,提出一种广义形态差值滤波和极限学习机相结合的滚动轴承故障诊断方法。实验结果表明:经广义形态差值滤波后的振动信号特征更易区分,与BP神经网络相比,极限学习机具有更高的分类精度。

基于迭代自适应多尺度形态滤波的滚动轴承故障诊断

针对工业现场强噪声背景下振动信号特征信息提取困难和单尺度形态滤波时尺度选择的盲目性和随意性的问题,基于自适应多尺度形态分析(AMMA)的思想提出了一种迭代自适应多尺度形态分析(IAMMA)的滤波方法。该方法对振动信号进行多尺度形态差值迭代运算,每次采用的结构元素尺度逐渐增大,然后求多次滤波结果的平均值,达到滤除噪声成分的目的。对仿真信号和滚动轴承故障信号进行分析,结果表明,IAMMA较AMMA能够选取更为合适的结构元素尺度,提取更多的故障特征信息,滤波效果更佳,与Hilbert包络解调方法相比处理过程更加简捷,从而为轴承的故障诊断提供了一种有效的方法。

形态非抽样小波与灰色关联度的轴承故障诊断

文中针对滚动轴承振动信号的强噪声背景以及故障样本不易大量获取的问题,提出了一种基于形态非抽样小波与灰色关联度的滚动轴承故障诊断方法。形态非抽样小波克服了传统形态小波由于采用抽样方式分解而造成的信息丢失问题,具有良好的特征提取和抗噪性能。灰色关联度分析方法对小样本模式识别问题具有良好的分类效果,适用于滚动轴承的故障模式识别。文中首先利用差值形态滤波能够提取信号冲击成分的特点,提出一种多尺度形态非抽样小波方法提取滚动轴承故障特征,然后将形态非抽样小波分解后近似信号的归一化特征能量作为特征向量,最后通过比较待识别样本与标准故障模式的灰色关联度来对故障模式进行分类。实例表明该方法可取得良好的效果。

基于最优扁平型结构元素长度的液压泵故障诊断研究

针对实测振动信号易受噪声污染,而淹没有用信息和克服利用数学形态学滤波器对一维信号进行滤波时结构元素长度选择的经验性和任意性的问题,提出了一种基于形态学差值算子和功率谱熵理论相结合,并与特征能量比相配合的方法来确定最优扁平型结构元素长度以实现最优滤波。首先,利用在不同扁平型结构元素长度下的形态学差分算子对一维振动信号进行滤波处理;其次,对滤波后的信号计算功率谱熵和特征能量比;最后,根据功率谱熵理论和特征能量比方法得出,功率谱熵的最小值所对应的长度即为最优扁平型结构元素的长度。通过对仿真信号和液压泵故障信号的实验验证,表明在通过该方法所得到的最优扁平型结构元素长度下,采用形态学差值算子能够对液压泵故障信号达到最优滤波效果,保留更多的故障特征信息。

基于IWMMDF的液压泵振动信号特征提取方法研究

根据液压泵振动信号的非线性及信噪比低等特点,针对现有加权方法存在的不足,提出了基于改进加权多尺度形态学差值滤波器(improved weighting multi—scale morphological d—value filter,IWMMDF)的液压泵振动信号特征提取方法;该方法首先利用不同尺度的结构元素对信号进行形态差值滤波,再根据本尺度特征能量比占所有尺度特征能量比总和的大小对各尺度的滤波结果进行加权求和;仿真实验和液压泵故障模拟试验结果表明,该方法不但避免单尺度形态分析的片面性,而且可获得不同层次上的信号特征信息,能够有效的提取液压泵振动信号的特征。

基于多尺度形态学与奇异值分解的滚动轴承故障特征提取

针对多尺度形态差值滤波存在的问题,将多尺度形态差值算子与奇异值差分谱理论相结合,提出了一种新的滚动轴承故障特征提取方法,能有效滤除噪声,并提取出信号中的故障信息。借助特征能量比的概念,在多尺度形态差值滤波中,提出并分析了两种不同的多尺度加权方法,同时对不同最大分析尺度下多尺度形态差值滤波的结果进行了研究。然后利用奇异值差分谱理论对未能有效滤除高斯噪声的形态差值滤波结果进行SVD重构,得到最终的特征提取结果。仿真表明该方法能在高噪声背景下有效提取出脉冲冲击信号,并在实测轴承故障信号特征提取中得到了验证。