用于信号盲提取的最大三阶相关峭度反卷积算法

传统的低阶自适应滤波器难以抑制或消除激光位移信号的高阶统计噪声,且在微位移测量条件下,基于最大熵或自然梯度的盲源分离方法的收敛速度和信噪比会急剧降低.为此,文中利用混合信号的峭度变化特性,提出了最大三阶相关峭度反卷积算法,设计了反卷积逆滤波器,分析了最大三阶相关峭度反卷积算法的收敛性和稳定条件,并构建了实验平台进行盲提取实验.结果表明,最大三阶相关峭度反卷积算法可有效地盲提取激光位移信号和多重反射信号,较FastICA算法具有更快的收敛速度和更高的信噪比.

增强的最小相关广义Lp/Lq范数反卷积在旋转机械故障诊断中的应用

用于提取滚动轴承故障周期冲击特征的最小相关广义Lp/Lq范数反卷积(MCG-Lp/Lq-D)存在对先验周期参数的精确度要求过高的问题。因此有必要提出一种新的周期估计方法-具有约束的自适应周期估计(APEC),该方法可以在强噪声条件下依然能够稳定的给出周期信息的真实估计或其近似值,随后将APEC引入到MCG-Lp/Lq-D构造了新的盲解卷积算法EMCG-Lp/Lq-D,该方法不仅能在强噪声条件下通过APEC自适应调整故障周期,同时还继承了MCG-Lp/Lq-D对噪声和异常值鲁棒的特点。由于APEC是一种需要先验周期(不要求精确周期)指导的周期估计方法,这使得其在低信噪比(SNR)条件下具有更好的鲁棒性来估计故障周期,从而使EMCG-Lp/Lq-D的运用范围相较于MCG-Lp/Lq-D的更广泛。最后,仿真和实验验证了EMCG-Lp/Lq-D的有效性和优越性。

基于相关峭度反卷积逆滤波器的薄膜生产线故障监测

在薄膜生产的过程中,由于模块或者部件的失效会产生随机故障;为了减少故障的发生,保证设备能够安全高效地运行,通过对关键的机组振动进行采样分析,采用基于相关峭度的故障检测方法,设计最大三阶相关峭度(M3CKD)反卷积逆滤波器,以采集到的实时数据序列的三阶相关峭度最大作为代价函数,提取并识别机组振动信号峰值,进行故障信号识别与定位;算法性能验证结果表明了该算法的可行性及可操作性,并且算法有较快的收敛速度和较好的稳定性,能有效地识别故障信号,适用于实际的薄膜生产线工业生产过程。

基于网格搜索法优化最大相关峭度反卷积的滚动轴承早期故障诊断方法

针对环境噪声下滚动轴承早期故障信号微弱难以检测的问题，提出了基于网格搜索法优化最大相关峭度反卷积（Maximum Correlated Kurtosis Deconvolution，MCKD）滚动轴承早期故障诊断方法。并针对MCKD方法受滤波器阶数和周期影响的问题，提出了利用网格搜索法优化最大相关峭度反卷积参数。首先，早期微弱故障信号集成经验模态分解后，采用相关系数以及峭度准则重构原信号；然后，以小波Shannon熵作为目标函数采用网格搜索法搜寻最优滤波器阶数以及周期，采用自适应MCKD方法对重构信号中故障脉冲冲击成分进行加强，最后通过包络谱、包络功率谱提取微弱故障特征。实验表明，该方法能够对早期微弱故障中冲击成分进行自适应增强，有效检测出被噪声淹没的微弱故障，实现滚动轴承故障的精确诊断。

基于自适应最大相关峭度解卷积的滚动轴承多故障诊断

滚动轴承存在多个故障时,由于各故障响应之间相互干扰,会使包络谱诊断效果不佳。最大相关峭度解卷积(MCKD)是用于增强周期性脉冲的有效工具,然而,MCKD的滤波器长度参数和移位数需要人工设定,并且在复杂条件下运行的轴承对参数的要求较高。针对此情况,提出了一种自适应最大相关峭度解卷积的滚动轴承多故障诊断方法。该方法以最大相关峭度解卷积信号的包络谱的谱相关峭度值作为目标函数,采用人工鱼群算法,自适应得到MCKD的最优参数,利用参数优化的最大相关峭度解卷积实现滚动轴承多故障分析。滚动轴承多故障仿真及轴承内圈多故障实验分析表明,该方法可以有效提取故障特征,实现滚动轴承多故障的准确诊断。

采用参数自适应最大相关峭度解卷积的滚动轴承故障特征提取

针对滚动轴承故障特征信号因受传输路径和强噪声的干扰而导致周期性故障脉冲难以提取以及最大相关峭度解卷积(MCKD)参数依赖人为经验选择的问题,提出一种参数自适应MCKD的滚动轴承故障特征提取方法。以解卷积信号的包络谱熵作为适应度函数,利用麻雀搜索算法强大的全局搜索能力自适应地选择MKCD方法的最佳参数组合;利用参数优化后的MCKD方法对故障信号进行解卷积运算,滤除掉信号中的噪声,以突显由轴承故障激发的周期性故障脉冲;对解卷积信号进行包络解调,以提取出轴承故障特征频率成分。仿真结果表明,与遗传算法和粒子群算法相比,采用麻雀搜索算法可使MCKD参数在优化中具有更快的收敛速度和更强的稳定性。对滚动轴承进行全寿命周期实验及对工程案例的实验结果表明:所提方法能自适应提取强噪声中的轴承周期性故障脉冲成分,信号的峭度提高了3倍,鲁棒性更强;与直接谱分析和快速谱峭度方法相比,所提方法能完整提取信号中的故障特征频率成分,成功率可达100%,有效提高了滚动轴承的故障诊断精度。

基于伪随机序列的维纳滤波反卷积算法的改进

应用于相关辨识中的维纳滤波反卷积算法对噪声的适应性不理想,辨识效果不佳。据此分析了维纳滤波反卷积算法在对大地辨识的过程中对噪声适应性不理想的原因,并提出了相应的改进算法:根据检测系统冲激响应的频谱范围,首先用常数进行处理,但实验效果不佳;再次改进后用可变函数代替不同阈值来调整算法,对带通内部分和带通外部分使用不同的估计方法,从而提高算法对噪声的适应能力。试验表明改进后的维纳滤波反卷积算法有较强的噪声适应能力,在相关辨识的应用中取得了良好的辨识效果。

基于固有时间尺度分解与最大相关峭度解卷积的轴承故障特征提取

针对滚动轴承故障信号的非平稳性、非线性及复杂性特征以及在故障识别过程中存在噪声干扰、故障特征不清晰的问题,提出一种基于固有时间尺度分解(Intrinsic Time-scale Decomposition,ITD)与最大相关峭度解卷积(Maximum Correlated Kurtosis Deconvolution,MCKD)结合的轴承故障特征提取方法。利用固有时间尺度分解对故障信号进行分解,降低信号分解中的模态混叠;对分解的固有旋转分量进行选择,提取故障信号的有用成分,实现信号降噪;采用粒子群优化的MCKD提取故障特征信号的冲击成分。实验结果表明,该方法可以降低信号的模态混叠问题,增强故障特征,有利于噪声环境下轴承故障特征的提取。

基于优化VMD-MCKD和谱峭度的滚动轴承复合故障诊断

针对滚动轴承振动信号中复合故障特征难以准确提取而导致故障诊断困难的问题,提出一种基于优化变分模态分解(VMD)和最大相关峭度解卷积(MCKD)结合快速谱峭度算法的滚动轴承复合故障诊断方法。利用改进麻雀搜索算法(ISSA)优化VMD和MCKD的参数,使用优化后的VMD对复合故障信号进行分解,并根据峭度准则筛选有效本征模态函数(IMF)进行信号重构,使用优化后的MCKD对重构信号进行解卷积与故障特征增强,并对解卷积信号进行包络谱分析提取故障特征频率。利用快速谱峭度算法对未提取出故障特征频率的解卷积信号进行处理,得到故障信息最丰富的频带参数并进行带通滤波处理。最后,对滤波后的信号进行包络谱分析,提取故障特征频率,从而实现故障诊断。仿真及实验结果表明:所提方法能有效分离复合故障并提取出故障特征频率,有效实现了复合故障诊断。

改进的VMD-MCKD轴承故障频率检测算法

针对滚动轴承故障信号在低信噪比情况下,难以提取故障频率问题,提出一种将小波包变换,参数优化变分模态分解(Variational Mode Decomposition,VMD)与最大相关峭度解卷积(Maximum Correlated Kurtosis Deconvolution,MCKD)相结合的轴承故障频率提取方法。采用小波包变换的方法,实现对故障信号的分解和重构,计算重构后各个频段信号能量所占的比例,选择能量比例最高的频段信号利用经蜣螂搜索算法(Dung Beetle Optimizer,DBO)优化,对信号进行自适应分解,构建加权峭度指标以筛选最优模态分量;然后对最优模态分量利用DBO优化后的MCKD进行增强;最后,采用包络解调的方法对增强后的信号进行处理,并对其分析,诊断轴承故障频率。实验验证了所提出的方法实现在强噪声环境下滚动轴承故障频率检测。

基于VMD与快速谱峭度的滚动轴承故障诊断

针对滚动轴承故障信号易受环境噪声干扰,故障特征信息获取相对困难的问题,提出了基于变分模态分解(VMD)与快速谱峭度的滚动轴承故障特征提取方法。首先将轴承信号分解为若干个固有模态分量(IMF),然后利用最大相关峭度解卷积算法对各阶模态分量进行计算,选取相关峭度值相对较大的几个IMF分量作为故障信息最突出的研究对象,并对其进行快速谱峭度分析;最后根据快速谱峭度图结果设置滤波频率,对滤波信号进行平方包络谱分析得到轴承的故障特征信息。通过公开数据和实验分析表明了该方法可以成功诊断轴承故障。

基于飞蛾扑火优化的MCKD算法在往复压缩机轴承故障诊断中的应用

往复压缩机作为一种高噪声设备,采集到的轴承振动信号存在大量噪声干扰,针对这种具有非线性、非平稳性的信号,提出了一种基于最大相关峭度解卷积的往复压缩机轴承故障诊断方法。使用飞蛾扑火优化算法对最大相关峭度解卷积的参数周期T和滤波器长度L进行自适应选择,用参数优化后的最大相关峭度解卷积算法对往复压缩机轴承振动信号进行解卷积处理,从而有效地提取轴承振动信号中的冲击成分。利用多尺度熵对解卷积后的信号进行量化分析,用熵值来构建表征轴承故障的特征向量,并将特征向量输入到极限学习机对故障特征进行分类识别。最后,用实测数据验证了该方法的有效性。

基于优化MCKD-VMD与互相关谱的轴承复合故障诊断

针对强背景噪声下轴承复合故障诊断困难的问题,提出一种优化最大相关峭度解卷积(MCKD)和变分模态分解(VMD)并结合互相关谱的轴承复合故障诊断方法。首先,通过黏菌优化算法(SMA)优化MCKD的参数,实现故障信号解卷积及故障特征增强,完成复合故障特征分离;其次,对分离的解卷积信号进行互相关谱分析,对故障特征不明显的解卷积信号使用VMD进行降噪;最后,对降噪的解卷积信号进行互相关谱分析,进一步降低噪声的影响,提取故障特征完成故障诊断。仿真和实验结果表明,所提方法克服了仅使用MCKD或包络谱的缺点,能够有效降低噪声的影响,复合故障诊断效果较好。

基于改进VMD-MCKD和深度残差网络的风机齿轮箱故障诊断

行星齿轮箱是风电机组传动系统中的重要部件,其运行工况复杂,背景噪声大,导致齿轮早期故障信号微弱且极易受背景噪声的影响。针对风电机组齿轮箱早期故障特征难以有效提取,齿轮故障难以识别的问题,提出一种风机齿轮箱故障诊断方法。首先,通过变分模态分解算法(variational mode decomposition,VMD)分解风机齿轮箱原始振动信号,获得振动信号故障的最优模态分量;接着,利用最大相关峭度解卷积算法(maximum correlated kurtosis decnvolution,MCKD)通过解卷积重构最优模态分量,削弱背景噪声增强故障冲击成分,获得故障特征;同时利用麻雀搜索算法(sparrow search algorithm,SSA)优化惩罚因子α、模态分解个数K、滤波器阶数L和反褶积周期T等参数,提升振动信号故障特征提取的准确度;最后,构建基于深度残差网络(deep residual network,ResNet)的齿轮箱故障诊断模型,建立齿轮箱故障特征与类别的非线性映射关系,实现风机齿轮箱故障分类识别。实验结果表明,所提风机齿轮箱故障诊断方法的准确率达到97.48%,相较其他方法在信号特征提取和故障诊断效率方面有明显提高。

基于MOBWO-MCKD的风机滚动轴承故障特征提取方法

针对风力发电机轴承振动信号受强背景噪声及其他设备激励源影响,导致早期微弱故障特征不易提取这一问题,提出了一种基于多目标白鲸优化算法(MOBWO)优化的最大相关峰度反卷积(MCKD)风力发电机轴承故障特征提取方法。首先,采用MOBWO强大的全局及局部搜索能力优化了MCKD关键参数,获取了最佳参数组合;其次,利用优化后的MCKD对原始信号进行了解卷积运算,消除了背景噪声及其他设备激励源的影响,突出了轴承周期性脉冲信号;然后对解卷积信号进行了包络谱分析,提取了轴承故障特征频率,并将其与理论计算故障特征频率值进行了诊断结果对比;最后,采用实际工程中采集到的风力发电机轴承内圈和外圈的故障数据,对MOBWO-MCKD方法的有效性进行了试验验证。研究结果表明:基于MOBWO-MCKD的故障特征提取方法能够有效地消除背景噪声及其他设备激励源的干扰;由内圈信号包络谱可得到的内圈故障频率为f IR=125.87 Hz、2f IR=251.74 Hz;由外圈信号包络谱可得到的外圈故障频率为f OR=84.47 Hz、2f OR=168.94 Hz、3f OR=253.41 Hz。该特征提取方法可以为实际工程风力发电机轴承早期微弱故障特征提取研究提供一定的参考。

基于振动与声发射敏感参数识别的主轴承故障诊断方法

针对航空发动机主轴承故障特征信息提取困难的问题,提出了一种基于声发射特征参数与多参数筛选的小波包变换(MFSWPD)-粒子群优化算法(PSO)-最大相关峭度反卷积(MCKD)融合的轴承故障诊断方法。该方法通过声发射参数判断轴承状态并通过小波包变换获得节点分量,针对分量进行筛选重构,再通过粒子群迭代优化的自适应最大相关峭度反卷积进行故障诊断。为验证该方法的有效性,开展某型双转子航空发动机主轴承故障模拟试验及某型涡扇发动机主轴承真实剥落故障试验,并在试验正式开始前进行断铅试验,检验轴承损伤点到测试点之间的声发射幅值衰减特性。结果表明:声发射断铅信号从轴承损伤位置到测试点位置幅值衰减约为55 dB。基于声发射与振动敏感参数的轴承故障诊断方法可有效提高故障信息的特征提取能力,精准判别主轴承的典型故障类型。

基于局部能量密度的中介轴承故障特征提取与诊断方法

针对航空发动机中介轴承振动信号在复杂传递路径和强背景噪声条件下的故障特征提取难题,本文提出了一种基于局部能量密度(LED)的中介轴承故障特征提取与诊断方法。首先,采用奇异谱分析对故障信号进行初步的降噪处理,并通过基于余弦值的方法确定最优的重构阶次,以保留信号中的关键故障信息。接着,引入新指标LED,用于量化故障特征频率及其谐波在局部频率范围内的能量比例。该指标不仅能有效提取微弱的故障特征,而且对于实际故障频率与理论故障频率之间可能存在的偏差表现出较强的鲁棒性。以LED作为适应度函数,通过人工蜂鸟算法优化的最大相关峭度解卷积(MCKD)增强奇异谱分析降噪后信号中的故障特征。最后,通过包络谱分析完成故障诊断。本文通过中介轴承故障模拟实验和加噪实验验证了所提方法的有效性,实验结果表明,与现有的故障诊断技术相比,本文所提出的方法的故障特征系数(FFC)和LED分别增加20.7%~218%和22.9%~134%。在0 dB,-4 dB和-10 dB噪声条件下,该方法仍准确地识别到外圈故障的特征频率及倍频,表明所提出的SSA_MCKD能有效降低信号噪声并提取滚动轴承的故障特征。

基于参数优化VMD-MCKD的滚动轴承早期故障诊断

针对滚动轴承早期故障特征易受强背景噪声影响而难以提取的问题,提出一种基于阿基米德算法(Archimedes Optimization Algorithm,AOA)优化变分模态分解(Variational Mode Decomposition,VMD)和相关最大峭度解卷积(Maximum Correlated Kurtosis Deconvolution,MCKD)参数的滚动轴承故障诊断方法。首先,将不同移位数下相关峭度和现有指标进行对比,选取最优相关峭度指标作为目标函数优化VMD算法中分解层数K和惩罚因子,并基于VMD分解结果选取最优分量;其次,提出一种加权包络谱峭度作为目标函数优化MCKD算法中滤波器长度L和冲击信号周期T,基于MCKD算法增强最优分量中的冲击成分;最后,通过包络谱分析判断滚动轴承故障类型。仿真和试验结果表明,该方法可以有效提取并增强故障中的冲击成分,实现在强背景噪声下的滚动轴承早期故障诊断。

基于SVMD与参数优化MCKD的轴承故障诊断

针对轴承故障信号存在噪声干扰,难以提取故障特征的问题,提出了一种将连续变分模态分解(SVMD)与改进的最大相关峭度反卷积(MCKD)相结合的轴承故障诊断方法。首先,为了表征轴承振动信号中的故障特征,将峭度与高斯核相结合,提出了比峭度指标更为突出的加权峭度指标;其次,利用SVMD方法对轴承信号进行了分解,获得了若干模态分量,并使用加权峭度指标从多个模态分量中筛选出了故障特征最丰富的模态分量;然后,以包络熵为标准,通过几何平均优化器(GMO)优化MCKD的滤波器长度和周期两个参数,获得了最佳的参数组合;最后,采用GMO-MCKD方法对轴承信号进行了降噪,对降噪后的信号进行了包络分析,提取了轴承特征频率;同时,采用粒子群优化(PSO)的变分模态分解(VMD)和粒子群优化的变分模态提取(VME),对轴承信号进行了对照分析。研究结果表明:采用SVMD-GMO-MCKD方法在辛辛那提数据集中诊断出轴承特征频率为234.4 Hz及其二倍频;在西储大学轴承数据集中诊断出轴承特征频率为108.96 Hz,二倍频为218.09 Hz。该方法可以增强滚动轴承的周期性冲击成分,在有干扰的背景下有效地提取出滚动轴承内圈和外圈的故障特征,且轴承故障特征提取效果优于PSO-VMD和PSO-VME方法。

基于SCSSA-VMD-MCKD的轴承早期微弱故障异常检测方法

针对滚动轴承在强噪声干扰下早期微弱故障不易被检测的问题,提出了一种基于结合正余弦和柯西变异的麻雀智能搜索算法优化变分模态分解与最大相关峭度解卷积(SCSSA-VMD-MCKD)的轴承早期微弱故障异常检测方法。首先,采用结合正余弦和柯西变异的麻雀智能搜索算法(SCSSA)优化了VMD参数α和K,进而对轴承故障信号进行了自适应分解,根据加权包络谱峰值因子指标(WEPF)筛选有效模态分量,并重构得到了重构信号;然后,采用SCSSA优化了MCKD参数T、L和M,并用优化后的MCKD方法增强了重构信号故障冲击成分;最后,对经MCKD增强后的重构信号进行了包络谱分析,提取到了轴承故障特征频率及倍频;利用轴承故障仿真信号和试验信号对该故障异常检测方法进行了验证分析。研究结果表明:该检测方法能够有效降噪并自适应增强故障冲击成分,相较于经SCSSA-VMD分解并重构的信号,故障仿真信号和实测试验信号信噪比分别提升了102.6%和81.3%,均方根误差分别降低了26.7%和33.3%;轴承内外圈故障特征频率及倍频幅值更为突出,能够实现强噪声背景下滚动轴承早期微弱故障异常检测目的,与SSA-VMD-MCKD方法相比,更能突显该方法的优越性。