基于最小熵解卷积与稀疏分解的滚动轴承微弱故障特征提取

受环境噪声及信号衰减的影响,强背景噪声下的滚动轴承故障特征往往表现得非常微弱。滚动轴承的微弱故障特征提取一直是难点。稀疏分解在滚动轴承的故障特征提取中已经取得一定的应用。但其在强背景噪声干扰下滚动轴承微弱信号故障的特征提取效果并不明显。将最小熵解卷积(Minimum entropy deconvolution,MED)与稀疏分解相结合用于滚动轴承的微弱故障特征提取。用MED对强噪声滚动轴承信号进行降噪处理,对降噪后的信号进行稀疏分解和故障特征提取,取得了较好的效果。通过仿真和试验验证了所述方法的有效性及优点。

基于最小熵解卷积和Teager能量算子直升机滚动轴承复合故障诊断研究

为了解决强背景噪声环境下直升机滚动轴承故障信号微弱,故障特征难以提取的问题,提出一种基于最小熵解卷积(Minimum Entropy Deconvolution,MED)与Teager能量算子(Teager Energy Operator,TEO)的滚动轴承故障特征提取的新方法。根据滚动轴承故障信号表现为冲击波形的特点和MED降噪对冲击特征敏感的特性,采用MED对故障信号进行降噪处理,同时增强信号中的冲击成分;再结合TEO适合检测信号的瞬时变化,能有效提取故障信号冲击特征的特点,计算降噪信号的Teager能量信号,进行频谱分析提取滚动轴承的故障特征。通过对仿真信号和直升机滚动轴承混合故障信号进行分析,实验结果表明,该方法能有效提取强背景噪声环境中的微弱复合故障特征,具有一定的工程应用价值。

基于最小熵解卷积-变分模态分解和优化支持向量机的滚动轴承故障诊断方法

提出了一种基于最小熵解卷积和变分模态分解以及模糊近似熵的故障特征提取方法,并采用优化支持向量机对故障进行识别分类。首先利用最小熵解卷积方法降低噪声干扰并增强故障信号中故障特征信息,进而对降噪后的信号进行变分模态分解,并利用模糊近似熵量化变分模态分解后包含故障特征信息的模态分量以构建特征向量,之后通过采用扩展粒子群算法优化惩罚因子和核函数参数的支持向量机,对故障样本训练并完成故障识别分类。将所提方法应用于滚动轴承不同损伤程度、不同故障部位的实验数据,验证了该方法的有效性。与基于局部均值分解的特征提取方法相对比,结果表明所提方法可以更精确地提取出滚动轴承故障特征,并能够更准确地完成不同故障的识别;通过与基于网格寻优算法优化的支持向量机方法和基于扩展粒子群优化的最小二乘支持向量机方法相对比,结果表明所提方法具有更好的分类性能,能达到更好的诊断效果。

最小周期相关熵解卷积结合窄带解调的轴承复合故障诊断研究

声发射检测齿轮箱故障灵敏度高,但故障信号具有高频宽带且噪声干扰严重的特点,针对齿轮箱轴承复合故障声发射信号处理问题,提出最小周期相关熵解卷积与窄带解调相结合的复合故障诊断方法,基于故障出现的周期信息,利用最小周期相关熵解卷积实现故障信号分离,通过窄带解调方法获得最优解调中心频率,抑制宽频带解调引入的噪声干扰,仿真和实验数据处理结果表明:此方法适宜处理轴承复合故障声发射信号,成功实现了复合故障诊断。

基于最小熵解卷积的齿轮箱早期故障诊断

齿轮箱发生早期故障时,其振动信号一般很微弱,且隐含的能反应出齿轮箱运转状态的冲击成分常被淹没在强烈的噪声中,直接做频谱分析或包络谱分析,很难提取其故障特征。论文将最小解卷积方法应用于炼胶机的齿轮箱故障诊断。首先利用该方法对齿轮箱振动信号进行解卷积滤波处理,然后对滤波后的信号进行包络解调分析,最后提取出了该齿轮箱轴5上齿轮8(z8=28)齿根轻微裂纹的故障特征,实现了该齿轮箱的早期诊断。应用实例验证了最小熵解卷积方法的有效性和优点。

基于最小熵解卷积的带式输送机传动滚筒轴承故障诊断

带式输送机传动滚筒轴承发生故障时,特别是早期故障,其振动信号中隐含的脉冲故障信息很微弱,且常被淹没在强烈的噪音中,直接做频谱分析或包络分析,很难提取其故障特征。最小熵解卷积(Minimum Entropy Deconvolution,MED)通过最优滤波器对轴承微弱故障信号进行最优滤波,提高了信号的信噪比,然后对滤波后的信号进行包络解调分析,能够提取出信号中隐含的故障特征。将该方法应用于带式输送机传动滚筒中的滚动轴承故障诊断,成功提取出了轴承内圈的早期微弱点蚀故障特征。对FIR滤波器阶数L的选择进行了分析,以确保最优的MED解卷积效果。仿真与应用验证了最小熵解卷积方法在滚动轴承故障诊断的有效性和优点。

基于最小熵解卷积的汽车点焊质量超声评价

利用超声信号的时域信息,可以对焊点质量进行评价.白车身焊点超声检测的过程中,由于噪声信号的模糊作用,反映焊点质量的有用信息被掩盖,导致焊点质量评价结果不准确.超声探头接收到的超声信号可视为原始超声信号与噪声信号两种信号的叠加,基于超声信号的卷积模型及稀疏特性,可利用最小熵盲反卷积(MED)对超声信号进行解卷积处理,分离重叠的焊点超声信号,恢复信号反射系数,获取准确的回波个数.通过仿真与试验,结果表明,最小熵解卷积对焊点重叠超声信号分离的有效性.

基于最小熵解卷积的谱峭度法在行星齿轮箱故障诊断中的应用

针对噪声干扰状态下行星齿轮箱故障诊断中的齿轮故障特征提取,提出最小熵解卷积与谱峭度结合(Spectral Kurtosis Method based on Minimum Entropy Deconvolution,MEDSK)的行星齿轮箱齿轮故障特征提取方法。利用MED对原始扭转振动信号进行预处理,抑制信号中的噪声干扰,提升行星齿轮箱中被噪声淹没的故障冲击成份。利用谱峭度对预处理后的信号选择最优的带通滤波器参数进行带通滤波,然后通过Hilbert变换进行包络解调,最后将解调出来的低频信号进行频谱分析得到MED-SK方法的包络谱。通过对仿真信号和承受多种载荷状态下采集到的行星齿轮箱输出轴实际行星齿轮故障扭转振动信号进行分析,验证了这种方法能准确地提取行星齿轮故障特征。

基于变分模态分解与最小熵解卷积的齿轮故障诊断

为了准确地进行齿轮故障诊断,结合变分模态分解和最小熵解卷积,给出了一种新的故障诊断方法;首先,以包含啮合频率的分量的包络峭度最大作为原则,确定变分模态分解的分量个数;然后,将齿轮振动信号运用变分模态分解,得到多个分量;选取包含啮合频率的分量作为敏感分量;接着,应用最小熵解卷积,将敏感分量降噪;最后,应用包络分析技术进行故障诊断。通过齿轮断齿故障振动数据的分析,验证了方法的有效性。

改进经验小波变换与最小熵解卷积在铁路轴承故障诊断中的应用

经验小波变换是一种小波框架下的自适应信号分解方法,对旋转机械的非线性、非平稳振动信号有很好的分解作用。针对传统经验小波变换过程中频谱划分过多的问题,提出根据互信息值对频谱进行重新划分与合并的方法,能有效减少频带数量;选择峭度值最大的分量进行信号重构,再使用最小熵解卷积对重构信号进行降噪;对降噪后的信号进行包络分析,能够有效地诊断出滚动轴承的微弱故障。通过仿真信号与铁路货车轮对轴承实验信号验证了该方法的有效性,为下一步工程应用奠定了基础。

基于增强最小熵解卷积的航空发动机故障诊断

为有效提取轴承的微弱故障特征,提出一种基于无偏自相关分析的增强最小熵解卷积方法。该方法的滤波器系数的迭代求解中,通过抑制滤波信号中的非周期成分,实现对周期性故障冲击的增强检测,完成轴承故障的准确辨识。仿真信号分析结果表明,所提方法在复杂干扰下仍能准确提取轴承故障冲击序列。航空发动机故障诊断案例分析证实了该方法对复杂机械结构中轴承故障诊断的有效性。

最小熵解卷积法轮对轴承故障诊断

针对强噪声下轮对轴承弱故障特征难以提取,以及在实际信号检测中检测信号在故障点到检测点的传播路径中有变形和失真导致实际采集信号成分复杂难以判别的问题,提出基于最小熵解卷积的轴承故障诊断方法。该方法的核心是利用熵最小原理设计最优滤波器,突出信号中的脉冲冲击,使滤波后信号近似于原始冲击信号,消除检测中传递路径对信号的干扰,对解卷积后的信号做包络谱分析达到轮对轴承故障诊断的目的。通过实验分析,基于最小熵解卷积的轴承故障诊断方法能很好突出冲击脉冲,在包络谱中能够准确检测到故障的基频和高次谐波。

基于最小熵解卷积和能量算子的滚动轴承故障诊断方法

针对滚动轴承故障识别困难这一问题,提出了基于最小熵解卷积和能量算子的诊断方法。首先利用最小熵解卷积算法对原始振动信号进行预处理,削弱冗余噪声成分的干扰,增强故障特征,继而计算解卷积信号的Teager能量算子输出,并对所得的瞬时能量信号做频谱分析,最终通过分析能量谱中的频率成分实现故障类型的准确判定。实测信号分析结果表明,基于最小熵解卷积和能量算子的诊断方法能够有效提取轴承故障信号中的微弱特征信息,具有一定工程应用价值。

基于最小熵解卷积的轨面缺陷漏磁信号处理

钢轨表面缺陷的漏磁检测会受到巡检速度等因素的影响,导致背景噪声增大,检测灵敏度降低。为了增强缺陷信号特征,提高漏磁信号的信噪比,提出了一种基于最小熵解卷积的漏磁信号处理方法。通过目标函数法,计算得到最优的逆滤波器参数,对采集到的漏磁信号进行滤波处理。为衡量最小熵解卷积算法滤波效果,将处理得到的缺陷信号和背景噪声信号的峰峰值与小波变换法和中值滤波法进行对比。实验结果表明,最小熵解卷积算法对缺陷信号起到了明显的增强作用,且其效果优于小波变换和中值滤波。

基于局部特征尺度分解与最小熵解卷积的轴承故障诊断

为准确进行滚动轴承的故障诊断,结合局部特征尺度分解(LCD)和最小熵解卷积(MED)给出了一种新的故障诊断方法。首先,对轴承振动信号进行局部特征尺度分解,得到若干个内禀尺度分量;然后,依据互相关系数指标,采用聚类分析方法自动选取有用分量并叠加作为重构信号;最后,应用最小熵解卷积将重构信号降噪,并应用包络分析技术进行故障诊断。通过轴承内、外圈故障振动数据的分析表明:经LCD-MED处理后,振动信号的峭度值得到了较大提高,故障特征频率更加突出,基于LCD-MED的方法在轴承故障诊断中有效且合理。

基于最小熵解卷积与谱峭度融合的变速器轴承故障诊断

变速器轴承故障是变速器疲劳失效中的重要因素,其直接影响到车辆驾驶感受和行车安全。因此,对轴承故障诊断显得尤为重要,考虑到共振解调方法中带通滤波器的参数选择问题,利用谱峭度方法选择最优滤波频带,将谱峭度方法与MED相结合的故障特征提取方法,研究表明,该方法可以准确判断变速器轴承失效的位置。

最小熵解卷积在高速泵齿轮箱早期故障诊断中的应用

高速泵齿轮箱发生早期故障时容易被外界强烈的噪音所干扰,直接做频谱分析或包络谱分析很难提取故障特征。本文通过最小熵解卷积(MED)的基本理论,对高速离心泵齿轮箱故障诊断,能够明显的提高信噪比。MED方法对齿轮早期裂纹振动信号进行降噪解卷积滤波,然后进行包络解调分析,最后获得中速轴小齿轮(Z2=55)齿根轻微裂纹的故障特征。通过齿轮断齿故障振动数据的分析及后期工程实践,验证了方法的有效性。

基于最小熵解卷积(MED)与1.5维普融合的变速器轴承故障诊断研究

变速器是机械设备中重要部件之一,是设备正常运行的重要动力传输装置,它的运行状态的好坏直接关系到机械系统的工作效率及运行安全,因此对变速器进行故障诊断研究具有重大意义。利用最小熵解卷积能够有效出去信号中的噪声干扰,同时根据1.5维谱能够提取非线性耦合特征的特性,提出了MED与1.5维谱融合的故障诊断方法。并对变速器故障轴承进行仿真分析与试验研究。

最小熵解卷积在滚动轴承早期故障诊断中的应用

滚动轴承发生早期故障时,轴承座的振动信号一般很微弱,且隐含的冲击成分常被淹没在强烈的噪声中,直接做频谱或包络谱分析,其故障特征很难提取。最小熵解卷积方法可以提高被分析信号的信噪比,突出隐含在故障信号中的脉冲成分。应用最小解卷积方法对滚动轴承滚动体、外圈和内圈三类典型早期故障信号进行了相应的解卷积滤波,然后进行幅值谱和包络解调分析,提取出了相应的典型故障特征。应用验证了最小熵解卷积方法在滚动轴承早期故障诊断中的有效性和优点。

一种改进的解卷积算法及其在滚动轴承复合故障诊断中的应用

针对滚动轴承复合故障振动信号非平稳、非线性特性且不同类型故障之间相互耦合,使得传统方法对复合故障冲击特征难以提取的问题,提出了一种基于自适应信号稀疏共振分解(ARSSD)和多点峭度最优最小熵解卷积修正(MK-MOMEDA)的故障诊断新方法。使用ARSSD分析故障信号,并定义一个新的复合指标作为目标函数,利用布谷鸟寻优算法(CSA)对高、低品质因子进行优化选择,获得包含瞬态冲击成分的最优低共振分量;计算其多点峭度谱,提取低共振分量中包含的故障冲击周期成分;之后设定适当的周期区间,进行解卷积运算分离不同的故障特征;通过包络解调,分析谱图中突出的故障特征频率进而识别故障类型。实验平台模拟了滚动轴承两种和三种故障的复合情况,并对所提算法进行了验证,结果表明该方法可有效的从复合故障中提取出各类故障特征,实现故障诊断。