自适应最小熵盲解卷积在轴承故障诊断中的应用

轴承是机床运行中最容易发生故障的关键部件之一,但其振动信号中的故障特征常被强噪声掩蔽,改进的最小熵盲解卷积是常用的特征提取方法。而MEDA的特征提取效果很大程度上取决于滤波器参数的选取,通过引入自相关函数的l_(1)范数均值指标进行滤波器的自适应参数优化选择,进一步增强MEDA的自适应性。算例表明,所述方法的自适应性良好,可以有效恢复微弱的周期性冲击,借助包络解调谱分析实现故障诊断,在特征提取方面表现优异。

基于MED和SK的滚动轴承循环冲击特征增强

提出了一种融合最小熵解卷积(minimum-entropy deconvolution,简称MED)和谱峭度(spectral kurtosis,简称SK)的轴承循环冲击类故障检测方法。利用最小熵解卷积得到消噪信号,若能检测到轴承故障特征则完成诊断过程,否则对消噪信号进行谱峭度分析选取最佳滤波器参数,对滤波信号进行二次滤波。通过包络谱检测确定是否存在故障及故障类型。实验室信号及工程案例的分析结果验证了该方法在检测轴承局部故障中的有效性和优越性。