高效带宽傅里叶分解及其轴承故障诊断应用

自适应带宽傅里叶分解(Adaptive Bandwidth Fourier Decomposition,ABFD)是一种基于带宽优化的非平稳信号分析方法。然而,以中心频率重叠度作为分解终止条件在实际应用中会分解出若干冗余的模式分量,造成分解效率降低,为后续分析增加负担。为此,提出高效带宽傅里叶分解(Efficient Bandwidth Fourier Decomposition,EBFD)的轴承故障诊断方法。该方法构建重加权峭度引导的快速停止准则,能够高效地确定最优分解模式数目,避免大量冗余分量的干扰。进一步地,根据重加权峭度指标定位出目标故障分量,实现轴承故障诊断。滚动轴承故障试验信号分析结果表明:所提出方法能够高效终止分解进程,得到所有潜在的模式分量,并准确定位出故障分量;由EBFD与ABFD提取故障分量的归一化频率能量比均为1.0,EBFD运行所需时间为3.3 s,分解速度相较于ABFD提高33.8 s;相较于其他信号分析方法,采用所提出方法能够更准确识别出轴承故障特征。

基于BFD和MSCNN的风电滚动轴承智能故障诊断

针对变工况下风电滚动轴承的健康状态评估问题,提出了一种基于带宽傅里叶分解(BFD)和多尺度卷积神经网络(MSCNN)的智能故障诊断方法.首先,通过BFD算法将原始振动信号分解为一系列带宽模态函数(BMF);然后,通过希尔伯特阶次变换(HOT)计算各BMF的包络阶次谱,并根据特征阶次比筛选出分解结果中包含故障信息最多的有效分量.最后,通过MSCNN学习有效分量的包络阶次谱与故障类别之间的映射关系以实现滚动轴承健康状态的自动识别.实验结果表明,所提方法采用BFD分解结果的包络阶次谱作为故障识别的特征量,能有效提高模型在不同工况下的泛化能力,其测试准确率达到97%以上,可应用于变工况条件下风电滚动轴承的智能故障诊断.