一种基于增强型最大二阶循环平稳盲解卷积的齿轮箱复合故障诊断

针对齿轮箱复合故障振动信号易受到背景噪声干扰,使得传统方法对复合故障冲击特征难以准确分离的问题,提出一种自适应最大二阶循环平稳盲解卷积(ACYCBD)与1.5维导数增强谱相结合的复合故障诊断方法。首先,利用循环谱分析检测复合故障振动信号中与故障特征相关的循环频率成分,构建不同目标类型的循环频率集;之后,根据不同类型的循环频率集,提出一种以三阶累积量稀疏度(TCS)为指标,自适应地选取最大二阶循环平稳盲解卷积(CYCBD)的最优滤波器长度的改进算法,从而更好地获得包含不同故障冲击成分的CYCBD最优滤波信号;最后,提出一种新的1.5维导数谱进行特征增强,提高信噪比,并分析谱图中突出的故障特征频率进而判别故障类型。通过仿真信号与故障实验平台数据对算法进行验证,结果表明该方法能够实现齿轮箱复合故障的准确分离与诊断。

参数优化最大二阶循环平稳盲解卷积行星轮轴承故障提取

在行星齿轮箱振动中,齿轮相关振动分量通常具有较大的能量,同时轴承滑移会造成行星轮轴承故障对应振动分量的特征频率获取困难。为此,提出一种基于参数优化最大二阶循环平稳盲解卷积(cyclostationary blind deconvolution, CYCBD)的行星轮轴承故障提取方法。该方法针对CYCBD技术在轴承滑移条件下难以获取循环频率和滤波器长度的问题,以改进的包络谱故障特征比(improved envelope spectrum fault feature ratio, IFFR)指标作为粒子群算法的适应度函数,自动获取CYCBD算法中实际的循环频率和优化滤波器长度,利用参数自适应的CYCBD算法增强了轴承故障冲击。通过解卷积结果的平方包络谱反映轴承故障特征,达到准确提取故障特征的目的。故障仿真和试验研究结果表明,该方法可以有效提取行星轮轴承故障特征。

基于布谷鸟搜索算法和最大二阶循环平稳盲解卷积的滚动轴承故障诊断方法

针对最大二阶循环平稳盲解卷积(Maximum second order cyclostationary blind deconvolution,CYCBD)的轴承故障诊断效果取决于选取的故障特征频率的精度以及滤波器的长度的问题,提出了用布谷鸟搜索算法(Cuckoo search algorithm,CSA)优化CYCBD,并以改进的最大谐波显著性指标(Improved maximum harmonic significance index,IHSI)为优化依据的诊断方法。该方法首先要预估故障特征频率以及滤波器长度的搜索范围,然后利用CSA比较不同故障特征频率以及滤波器长度下解卷积信号的IHSI值,并选取最大IHSI值对应的故障特征频率和滤波器长度作为CYCBD的输入参数,最后对解卷积后的信号进行平方包络来提取故障特征。仿真和实验结果表明,CSA能够高效地寻找出精确的故障特征频率以及合适的滤波器长度,从而确保CYCBD的解卷积效果,而CYCBD与最小熵解卷积(Minimum entropy deconvolution,MED)、最大相关峭度解卷积(Maximum correlation kurtosis deconvolution,MCKD)的比较显示,CYCBD拥有更强的故障特征提取能力。

基于CYCBD和参数自适应DMD的滚动轴承微弱故障诊断

在旋转机械故障诊断中,传感器采集到的滚动轴承振动信号容易受到多个激励源的耦合影响,特别是微弱故障特征往往淹没在背景噪声中,给故障诊断带来挑战。为了抑制无关激励源并增强故障特征,本文提出一种基于最大二阶循环平稳盲解卷积(CYCBD)和参数自适应动态模式分解(DMD)的滚动轴承微弱故障诊断方法。首先根据包络谐波乘积谱(EHPS)估计CYCBD算法的关键参数循环频率α,将原始信号经CYCBD处理使故障特征得到增强;然后将CYCBD处理后的信号通过参数自适应DMD进一步消除残余噪声,其中DMD的最优截断秩参数r通过遗传算法自适应确定;最后通过包络谱分析来提取故障特征频率及倍频。仿真和试验结果证明了本方法的有效性。

基于FWECS-CYCBD的轴承故障特征提取研究

针对最大二阶循环平稳盲解卷积(maximum second-order cyclostationary blind deconvolution,简称CYCBD)特征提取中循环频率和滤波带宽难确定的问题,引入频率加权能量相关谱(frequency weighted energy correlation spectrum,简称FWECS)来改进CYCBD,实现了低信噪比条件下的滚动轴承故障特征提取。首先,通过FWECS获取周期冲击频率,构造循环频率集;其次,利用最大加权谐波显著性指标设计了一种等步长搜索策略,自适应选取滤波器长度;最后,基于优选的循环频率和滤波带宽进行CYCBD解卷积。轴承仿真和实验数据表明:在循环频率等先验信息未知的情况下,FWECS-CYCBD对故障信号中的微弱冲击特征更敏感;与最小熵解卷积、改进最大相关峭度解卷积和自适应最大二阶循环平稳盲解卷积等方法相比,所提方法在低信噪比条件下能较好地提取轴承故障特征频率信息。

编码器时间序列重构和CYCBD在滚动轴承故障特征提取中的应用

针对最大二阶循环平稳盲解卷积(CYCBD)算法在轴承故障特征提取中的有效性及计算效率受滤波器长度影响的问题,提出谐波谱峰因子(HSC)作为评价指标自适应确定CYCBD的滤波器长度,通过编码器时间序列重构的方法平衡优化过程的计算效率。根据滚动轴承固有参数计算轴承故障阶次,并根据其设置循环频率;根据故障阶次确定时间序列重构的脉冲数;用中心差分法计算重构后信号的瞬时角速度;采用等步长搜索策略以谐波谱峰因子作为评价指标自适应确定CYCBD的滤波器长度;根据谐波谱峰因子最大时对应的阶次谱揭示滚动轴承故障特征。仿真和试验数据分析结果表明,所提方法能自适应确定滤波器长度,对提高CYCBD算法计算效率有明显效果,适用于滚动轴承故障特征提取。

基于自适应参数优化RSSD-CYCBD的行星齿轮箱复合故障诊断

针对行星齿轮箱多振源耦合导致故障源辨识困难、较弱故障特征容易被噪声和较强故障特征掩盖,以及由传播路径引起的信号衰减导致的故障特征微弱等问题,提出一种自适应参数优化的共振稀疏分解(RSSD)和最大二阶循环平稳盲解卷积(CYCBD)的行星齿轮箱多故障耦合信号分离及诊断算法。根据轴承和齿轮故障的不同共振属性,用RSSD算法将多故障耦合信号分解为包含齿轮故障特征的高共振分量和主要包含轴承故障特征的低共振分量后,通过CYCBD算法分别对高、低分量进行解卷积,消除传播路径影响和噪声干扰,实现微弱故障特征的增强和提取。特别地,针对RSSD和CYCBD中参数优化困难、依赖人工经验和自适应差等问题,使用基于松鼠算法(SSA)对参数进行自适应优化选取,设计了融合包络谱峭度、自相关函数最大值均方根和特征频率比在内的复合指标作为优化目标。对解卷积后的信号进行包络解调提取故障特征频率,识别不同故障源。通过行星齿轮箱多故障模拟信号和实测信号验证了所提算法的有效性和可行性,进一步地,将所提算法集成在边缘计算设备中,为行星齿轮箱等旋转机械的状态检测诊断及远程运维提供解决方案。

基于自适应CYCBD和DARTS的滚动轴承故障诊断方法

针对强噪声导致滚动轴承振动信号故障特征不明显的问题,提出一种结合自适应最大2阶循环平稳盲解卷积(Maximum Second-order Cyclostationary Blind Deconvolution,CYCBD)与可微架构自搜索(Differentiable Architecture Search,DARTS)的故障诊断方法。首先将模糊熵作为鲸鱼优化算法的适应度函数进行CYCBD滤波器长度寻优,并以峭度-包络谱峰值为综合指标对循环频率进行步长寻优,从而实现自适应CYCBD降噪;然后引入DARTS算法实现滚动轴承故障识别模型的自构建;最后通过滚动轴承公开数据与实验数据验证多域强噪声环境下自适应CYCBD-DARTS故障诊断方法的有效性。

基于CYCBD和包络谱的滚动轴承微弱故障特征提取

针对在强噪声的干扰下,滚动轴承微弱故障特征难以有效地提取的问题,提出一种基于最大2阶循环平稳盲解卷积(Maximum Second-order Cyclostationarity Blind Deconvolution,CYCBD)和包络谱相结合的微弱故障特征提取方法。首先,由故障特征频率设置合理的循环频率集,使用CY-CBD对含有强噪声的微弱故障冲击信号进行降噪处理,增强信号中的周期性冲击成分;然后,对降噪信号进行Hilbert包络谱分析来识别故障特征频率。通过仿真和实验,结果证明,该方法能有效地提取被强噪声淹没的微弱故障特征。

基于改进SSD降噪的滚动轴承故障特征提取

针对强背景噪声下滚动轴承早期微弱故障特征难以提取以及奇异谱分解方法分解的分量仍然包含噪声的问题,提出了一种奇异谱分解(Singular spectrum decomposition,SSD)和最大循环平稳盲解卷积(Maximum cyclostationarity blind deconvolution,CYCBD)相结合的滚动轴承微弱故障特征提取方法。由SSD方法将轴承振动信号自适应地分解为从高频到低频的奇异谱分量;根据分量峭度最大原则,筛选出最佳分量;再利用CYCBD对最佳分量后处理进一步降噪;进而对降噪后的信号进行Hilbert包络解调分析,得到故障特征频率。仿真和实验分析表明,该方法能有效提取滚动轴承早期微弱故障特征。

基于FIF-CYCBD的滚动轴承故障特征提取方法研究

针对滚动轴承所处工况复杂、提取故障特征困难的问题,提出了一种基于快速迭代滤波分解(FIF)和最大二阶循环平稳盲解卷积(CYCBD)的故障特征提取方法。首先,通过利用FIF方法对源信号进行自适应分解,得到一系列本征模态分量;其次,依据相关系数准则对和源信号相关系数大于0.6的分量进行重构,并根据FIF得到的分解结果设置合适的循环频率采集器;最后,利用CYCBD方法对重构后的信号进行解混去噪,对处理后的信号进行包络解调分析。仿真实验以及相关实验数据表明,所提方法具有良好的信噪分离效果,相较于信号中突出的噪声分量,处理得到的故障特征频率幅值高于噪声幅值,可以有效实现轴承故障频率及其倍频特征的提取。

基于FDEO与改进ACYCBD的风电机组轴承故障特征提取

针对由于实际工况中风电机组轴承发生故障所采得的信号会受到变速变载的影响,造成故障特征难以提取的问题,提出了基于频域能量算子(Frequency domain energy operator,FDEO)与自适应最大2阶循环平稳盲解卷积(Adaptive maximum second order cyclostationarity blind deconvolution,ACYCBD)的风电机组轴承故障特征提取方法。首先,通过SCADA数据提供的高速轴转速平均速度对CMS(Condition monitoring system)系统采集的振动信号进行感兴趣的振动成分选择,并通过窄带滤波和FDEO对振动信号进行瞬时频率估计和阶次跟踪;其次,针对风电机组振源多、振动信号复杂的特点,对通过阶次跟踪后的角度域振动信号应用改进ACYCBD完成故障特征提取。工程应用分析结果表明,该方法能够准确有效地实现风电机组轴承特征的提取而不受到其他振源的影响。

基于连续交叉小波相干分析和自适应CYCBD的轴承故障诊断

最大二阶循环平稳指标盲解卷积(maximum second-order cyclostationarity blind deconvolution,CYCBD)能从强背景噪声信号中恢复周期脉冲,是轴承故障诊断的有效方法。故障特征频率是CYCBD的关键参数,由于滚动轴承存在制造误差、滚子滑移等现象,导致真实的故障特征频率与理论值存在偏差,降低了CYCBD的有效性。同时,故障轴承测试信号中含有大量噪声和谐波干扰,也降低了CYCBD的故障特征提取能力。对此,提出了一种基于连续交叉小波相干分析和自适应CYCBD的轴承故障诊断方法,首先,利用正常轴承、故障轴承测试信号的交叉小波相干分析获取轴承故障共振频带。其次,基于3种归一化的周期检测指标提出一种新的周期检测技术以获取真实的轴承故障特征频率。最后,基于轴承故障共振频带信号和真实轴承故障特征频率进行CYCBD滤波,并针对滤波信号进行Teager能量算子解调分析得到能量频谱,从而进行轴承故障诊断。仿真信号和高速列车牵引电机轴承试验信号的分析结果表明,该方法能够有效识别轴承故障特征,且优于传统的CYCBD方法。

基于改进CYCBD的滚动轴承复合故障自适应诊断方法

为实现滚动轴承复合故障自适应诊断,该研究提出了基于循环含量比-归一化谐波比例(Ratio of Cyclic Content-Normalized Proportion of Harmonics,RCC-NPH)融合指标改进的最大二阶循环平稳盲解卷积(Maximum second order cyclostationary blind deconvolution,CYCBD)方法。首先,构建了RCC-NPH融合指标,解决了CYCBD算法循环频率确定依赖先验知识及遍历所有故障频率空间耗时的问题。其次,根据RCC-NPH融合指标图估计CYCBD的循环频率集,实现了CYCBD参数的自适应选择。再次,采用自适应参数CYCBD方法对输入信号进行解卷积运算,提取了不同循环频率对应的故障信号。最后,对提取的故障信号进行Hilbert包络解调分析,完成故障的辨识。利用该方法分别对仿真信号和轴承复合故障信号进行试验,均能有效检测信号中包含的故障成分,实现了复合故障的自适应诊断。与其他指标相比,该方法能够有效避免噪声和谐波的干扰,适用于复合故障诊断。

Infogram和参数优化CYCBD在滚动轴承复合故障特征分离中的应用

针对滚动轴承复合故障特征难以分离的问题,提出了一种基于Infogram和参数优化最大二阶循环平稳盲解卷积(maximum second-order cyclostationarity blind deconvolution,CYCBD)的复合故障特征分离方法。首先,采用Infogram方法分析故障信号,选取最优带通滤波器,获得冲击性和循环平稳性最强的频带信号;其次,根据理论故障频率,设定CYCBD的循环频率集,并以包络谱稀疏度为依据,自适应选择CYCBD的滤波器长度;再次,对获得的频带信号进行解卷积运算,提取不同频率的故障冲击成分,实现故障分离;最后,对分离出的各故障成分进行包络解调分析,根据故障特征频率,识别故障类型。通过对仿真信号、西安交大-昇阳科技联合实验室(Xi’an Jiaotong University-Changxing Sumyoung Technology,XJTU-SY)的轴承试验数据分析,证明了所提方法可以有效实现故障特征分离。在此基础上,通过自制试验平台实测数据,进一步论证了该方法的可行性。

CYCBD和CEEMDAN相结合的滚动轴承微小故障特征提取

针对强噪声下微小故障信号容易被噪声淹没的问题,提出基于最大二阶循环平稳盲解卷积(CYCBD)和自适应噪声完全集合经验模态分解(CEEMDAN)的轴承微小故障诊断方法。根据故障频率公式求出振动信号的故障频率,并根据故障频率设置对应的循环频率集,用CYCBD对原信号进行滤波,使信号中的周期冲击成分更加突出,从而达到提高信噪比的目的;对处理后的信号进行CEEMDAN,得到一系列模态分量,再求各模态分量的峭度值,从中选取峭度值高的即含有较多故障特征的若干分量进行重构;对重构后的信号求其Hilbert包络谱,从中提取故障频率。采用仿真信号与西储大学轴承数据集进行仿真与实验研究,验证所提方法的有效性。

参数自适应CYCBD的滚动轴承复合故障特征提取

针对滚动轴承早期故障信号特征难以准确提取与分离问题,提出参数自适应最大2阶循环平稳盲解卷积(CYCBD)的滚动轴承复合故障特征提取方法。基于不同的故障类型,以谐波能量比指标为适应度函数,采用麻雀搜索算法自适应获取解卷积的最佳滤波器长度和循环频率,利用得到的最佳参数组合对原信号中的故障成分逐一提取,并对解卷积后的信号开展包络谱分析,实现轴承复合故障的诊断。分析结果表明:所提出方法能够在强噪声背景下,清晰准确地分离出轴承故障实测信号中的内圈故障频率的1~4倍频及外圈故障的1~6次谐波分量,而其他常用方法只能提取到少数故障频率且分辨能力较低,所提出方法的诊断效果明显,具有更高的应用价值和推广性能。