强噪声背景下地铁牵引电机轴承故障识别方法研究

为了实现地铁车辆牵引电机轴承故障识别,论文针对电机轴承故障冲击被强背景噪声淹没特征提取困难的问题,利用多点最优调整的最小熵解卷积增强故障冲击成分,采用粒子群优化算法自适应地确定滤波器阶数和故障周期,获取高信噪比的故障特征信号,最后对故障特征信号进行包络谱分析实现故障识别。现场采集数据验证了该方法的有效性。

基于MVMD-MOMEDA的齿轮箱故障诊断方法

针对齿轮箱振动信号受复杂传递路径、强背景噪声的影响导致早期微弱故障难以诊断的问题,提出了一种基于多元变分模态分解(MVMD)和多点最优最小熵反褶积调整(MOMEDA)的齿轮箱故障诊断方法。首先,利用MVMD将融合后的多通道振动信号进行模态分解,得到一系列表征信号局部特征的IMF分量;其次,引入峭度值(Ku),选取最佳模态进行信号重构,剔除含噪声分量高的IMF;最后,对重构信号进行MOMEDA特征提取以识别故障频率,从而进行故障诊断。结果表明,所提故障诊断方法可以有效剔除噪声分量的干扰,识别出信号中的故障冲击成分及其倍频进而确定故障类型。MVMD-MOMEDA方法解决了在单一通道问题上无法处理多源信号的缺点以及早期微弱故障特征难以提取等问题,可为故障诊断和多源信号处理提供参考。

基于ACMD与改进MOMEDA的滚动轴承故障诊断

针对强背景噪声下滚动轴承故障特征难以提取的问题,提出基于自适应非线性调频分量分解(adaptive chirp mode decomposition,ACMD)与改进多点优化最小熵解卷积(improved multipoint optimal minimum entropy deconvolution adjusted,IMOMEDA)的故障诊断方法。(1)为提高信号信噪比,采用基于基尼系数指标的ACMD,进行信号重构预处理;(2)为提高参数设定的准确性,提出改进的MOMEDA方法——利用天鹰优化算法,以多点峭度最大为目标,寻优确定滤波器周期参数;(3)对信号进行包络谱分析,通过对比包络谱的主导频率成分与理论故障特征频率,判断故障类型。仿真及实测数据分析结果表明,该方法能有效提取强背景噪声下的滚动轴承故障信号的特征信息,具备一定的优越性与实用性。

基于OSSD-EMOMEDA的轮毂电机轴承故障特征提取方法

为了解决轮毂电机轴承早期微弱故障特征难以提取的问题,提出一种基于优化奇异谱分解(optimized singular spectrum decomposition,OSSD)和增强多点最优调整最小熵解卷积(enhance multipoint optimal minimum entropy deconvolution adjusted,EMOMEDA)的特征提取方法,以实现故障特征的检测与提取,及时掌握轮毂电机的运行安全。首先,提出由新的时频综合指标(time-frequency composite index,TCI)自适应优化分量个数的OSSD方法,并对原始信号进行前处理,通过包络谱峰值指标选择敏感的奇异谱分量。然后,提出EMOMEDA方法,设计一种改进的波形延拓策略恢复解卷积信号长度,克服MOMEDA算法的边缘效应,并通过二次解卷积运算获得最优解卷积信号。最后,对最优解卷积信号进行包络分析,实现故障特征的增强提取。分别采用仿真和试验信号验证所提方法的可行性,并将其与多种故障特征提取方法进行对比,证明了其优越性。结果表明,所提方法能够有效提取微弱故障特征,在特征增强方面具有可观的优势。

列车牵引电机轴承故障特征稀疏在线监测方法

列车牵引电机轴承状态多传感数据无线感知及在线监测技术是确保轨道车辆可靠运行的关键技术之一,现有的方法存在数据量大传输困难及特征小数据监测可视化不明显的问题。为此,提出一种列车牵引电机轴承故障特征稀疏在线监测方法,利用粒子群优化多点最优调整的最小熵解卷积的方法(PSO-MOMED)提取了背景噪声下电机轴承故障特征信号,采用离散余弦变换的压缩感知方法实现电机轴承特征的小数量多传感器采集,基于高阶频率加权能量算子(HFWEO)增强轴承故障特征稀疏可视化,并通过搭建试验台及某线路现场实测验证了所提方法的有效性。实验结果表明,信噪比为-10 dB时,相比传统方法,粒子群优化多点最优调整的最小熵解卷积方法可以更加有效的提取故障特征信号;在压缩率90%的情况下,从牵引电机轴承故障特征稀疏感知信号中能清晰表征轴承故障特征频率成分,有效解决了列车牵引电机轴承状态多传感数据无线感知及在线监测技术难题。

一种集成簇内和簇间距离的加权k-means聚类方法

聚类分析是数据挖掘与分析最重要的方法之一.它把相似的数据对象归类到一个簇,把不同的数据对象尽可能分到不同的簇.其中k-means聚类算法,由于其简单性和高效性,被广泛运用于解决各种现实问题,例如文本演化分析、图像聚类、社区发现等.然而在聚类过程中,大部分现有的类k-means算法主要考虑簇内距离,而忽略了簇间距离的作用.本文结合特征加权方法,提出了一种新的集成簇内和簇间距离的加权k-means方法(a weighting k-means clustering approach by integrating Intra-Cluster and Inter-Cluster distances,KICIC)来解决高维数据聚类问题.虽然现有少数类k-means算法通过最大化簇中心与全局中心距离来融入簇间信息,但不同于这类方法,KICIC通过在子空间内最大化簇中心与其他簇数据对象的距离来融合簇内和簇间距离进行聚类.基于此思路,本文首先为KICIC算法设计了一个目标函数,然后通过优化求解目标函数得到算法参数的更新迭代公式,并在此基础上设计了KICIC算法.最后,在6个真实数据集上的实验结果表明,对比现有类k-means算法,KICIC算法在大部分情况下都有获得更好的聚类结果.

深井底板突水组合灰色物元判别系统及应用

深井底板突水预测是一个复杂的理论与技术问题,具有模糊性、灰色性和不相容性的特点。建立了深井底板突水的主控指标体系,通过灰色关联分析得到主控因素,应用熵值调整法确定了各主控因素在突水过程中的贡献权重。根据灰色物元分析理论,分别建立了线性灰色物元判别模型和最优灰色物元判别模型,采用VB6.0开发了深井底板突水组合灰色物元判别系统。该系统两种模块的并列运行和相互验证提高了判别结果的准确程度,使系统初步具备了受承压水威胁的深井工作面的危险度预测功能。应用该系统进行深井突水案例的模拟结果与实际情况比较吻合,这表明该系统对深井复杂条件下的矿井底板突水预测具有较好的应用价值。

基于SK‑MOMEDA的风电机组轴承复合故障特征分离提取

针对在实际工况中风电机组滚动轴承发生复合故障时,多个故障间相互作用,彼此干扰,造成复合故障特征难以分离问题,提出了基于谱峭度(spectral kurtosis,简称SK)与多点最优调整的最小熵解卷积(multipoint optimal minimum entropy deconvolution adjusted,简称MOMEDA)的风电机组滚动轴承复合故障特征分离提取方法。首先,对复合故障信号进行谱峭度分析,选出能量较大的共振频带,并通过构建带通滤波器对相应的共振频带进行滤波,对滤波信号进行包络谱分析,对单一故障特征进行分离提取;其次,对未能实现单一故障特征提取的滤波信号进行多点峭度谱分析并确定故障周期,应用MOMEDA完成后续分离提取过程。仿真信号和工程应用分析结果表明,该方法能够准确且有效地实现轴承复合故障特征的分离提取。

基于MOMEDA与双谱分析的滚动轴承早期故障诊断

滚动轴承早期故障阶段,故障特征微弱且环境噪声干扰严重,采集数据包含大量噪声信息,传统的包络谱分析难以提取故障特征信息。双谱分析理论上可以抑制高斯噪声,但很难从强背景噪声下提取出微弱故障特征。而多点最优调整的最小熵解卷积(Multipoint Optimal Minimum Entropy Deconvolution Adjusted,MOMEDA)方法能增强信号中的冲击特征,但其效果和故障信号周期区间等参数有关。利用MOMEDA与双谱分析进行信号处理,将提取到的信号高阶谱特征作为滚动轴承早期故障分类依据。利用MOMEDA方法对采集信号进行滤波处理,提取出有冲击特征的时域信号;对特征增强的信号进行双谱分析,从高阶谱中提取故障特征。经过仿真信号分析和实际轴承故障信号验证,该方法能有效地提取出滚动轴承早期故障特征,实现故障诊断。

改进MOMEDA方法及其在滚动轴承故障特征增强中的应用

针对多点最优最小熵解卷积调整(Multipoint Optimal Minimum Entropy Deconvolution Adjusted,MOMEDA)方法在增强轴承故障特征时无法自动识别故障脉冲周期及解卷积信号长度减少的不足,提出一种改进的MOMEDA(Improved MOMEDA,IMOMEDA)方法。采用振动信号的平方包络的自相关谱自适应地识别故障脉冲周期,根据识别的脉冲周期对振动信号解卷积以增强周期性脉冲特征;然后利用信号波形延拓方法对解卷积信号延拓使其长度与原始信号保持一致;最后对已获得的解卷积信号再进行一定次数的解卷积以有效增强原始信号中的周期性特征。轴承故障仿真信号和铁路轴承实验信号的分析结果及与Kurtogram方法的对比结果表明:改进的MOMEDA方法能够自动识别故障脉冲周期并有效增强滚动轴承的故障特征。

基于改进SSD和MOMEDA的滚动轴承复合故障诊断

针对滚动轴承复合故障特征存在交叉影响又受环境噪声干扰、分离诊断困难问题,提出一种基于改进奇异谱分解(SSD)和多点最优最小熵解卷积调整(MOMEDA)的滚动轴承复合故障分离诊断方法。首先,为了克服SSD分解层数需要凭经验设定而难以选到最优分量的缺点,提出相关峭度图方式优选复合故障中不同故障各自最优分解层数的改进SSD方法;其次,对选出的各最优分量,利用MOMEDA能够降噪、增强冲击特征的优点,进一步削弱其中残存的交叉及干扰成分;最后,由包络分析诊断出复合故障。实验信号分析结果表明:改进SSD方法能准确确定复合故障中不同故障的各自最优分解层数,经MOMEDA处理后的故障特征更明确、诊断更可靠,实现了轴承复合故障的有效分离和故障类型的准确诊断,为轴承复合故障的分离诊断提供了一条途径。

基于SVD和MOMEDA的薄壁轴承故障诊断

当柔性薄壁轴承工作时,受长短轴交替产生的冲击成分以及背景噪声的影响,很难从振动信号频谱中提取出故障频率。针对这问题,提出奇异值分解(SVD)与多点最优调整的最小熵解卷积(MOMEDA)相结合的柔性薄壁轴承故障特征提取方法。该方法用SVD算法对原始信号作降噪处理,获得重构信号,应用MOMEDA对重构信号进行增强,突出周期性故障脉冲,通过对处理后的信号进行频谱分析,从而提取出相应的故障频率。通过频谱中的主导频率与柔性薄壁轴承的故障特征频率的对比,可以判断故障位置,实现轴承的故障诊断。试验数据分析结果表明,该方法可以有效提取轴承内、外圈的故障频率。

基于PCA和MK-MOMEDA的特征频率提取算法及其应用

针对柔性薄壁轴承故障特征频率提取的问题,提出了主成分分析(PCA)与多点最优调整的最小熵解卷积(MOMEDA)相结合的特征频率提取算法。算法中用PCA对原始信号作降噪处理,获得重构信号,利用多点峭度(MKurt)提取重构信号中的周期性冲击信号的周期,对理论周期进行修正,进而得到精确的解卷积周期,通过MOMEDA对重构信号进行增强,突出其周期性冲击,可以更有效地提取特征频率。将此方法应用到柔性薄壁轴承的故障特征频率提取上,并与最大相关峭度解卷积(MCKD)算法作对比。结果表明,该方法可将轴承故障冲击与因轴承长短轴交替而产生的周期性冲击分离,消除这种正常的周期性冲击的干扰,有效提取信号中的故障特征频率,效果优于最大相关峭度解卷积算法。

基于ITD-MOMEDA联合降噪的滚动轴承故障诊断研究

在滚动轴承的实际运行过程中,其故障信号往往容易淹没于强背景噪声中,使其故障的类型难以得到识别,针对这一问题,提出了一种基于固有时间尺度分析(ITD)和多点最优调整的最小熵解卷积(MOMEDA)相结合的联合降噪方法,并将其应用于滚动轴承的故障诊断中。首先,用ITD算法对滚动轴承故障原始信号进行了分解,得到了多个固有旋转分量(PRC);其次,依据相关系数和峭度原则,挑选出了与原信号相关度较大的PRC分量,并对其进行了重构;然后,采用MOMEDA算法对重构信号进行了进一步降噪处理,完成了有用信号与噪声信号的分离;最后,对降噪后的信号进行了包络解调分析,提取出了故障特征频率,诊断出了轴承故障具体位置;此外,为了验证该方法的有效性,通过ITD与局域均值分解(LMD)、MOMEDA与最大相关峭度解卷积(MCKD)算法对仿真信号进行了对比分析,并对轴承外圈进行了实例分析。研究结果表明:相比于ITD-MCKD方法,基于ITD-MOMEDA联合降噪方法的故障诊断准确率提高4.3%,能更有效地去除强噪声,并成功地检测出轴承的故障类型。

基于EHNR与PSO-MOMEDA的轴承故障诊断

针对多点最优最小熵反卷积调整(MOMEDA)在提取故障脉冲时无法自适应地识别故障脉冲周期和滤波器长度的不足,提出包络谐噪比(EHNR)与PSO-MOMEDA相结合的滚动轴承故障特征提取方法。首先,计算原始信号的EHNR函数图,自适应计算脉冲周期;其次,以脉冲信号EHNR值为优化目标,使用PSO-MOMEDA搜索最优滤波器长度;然后,应用所提取参数对信号进行反卷积,增强故障脉冲;最后,对增强后的信号进行包络谱分析,检测故障类型。仿真信号与实验数据的结果分析表明,该方法可以有效提取轴承内、外圈故障特征频率。

SGMD-MOMEDA滚动轴承故障特征提取方法研究

针对滚动轴承的振动信号因非线性、非平稳且信噪比低而造成故障特征难以提取的问题,基于辛几何模态分解(Symplectic Geometry Mode Decomposition, SGMD)和多点最优最小熵解卷积调整(Multipoint Optimal Minimum Entropy Deconvolution Adjusted, MOMEDA)理论,提出了SGMD-MOMEDA故障提取方法。首先,使用SGMD对故障信号进行分解,得到一列的辛几何分量(Symplectic Geometry Components, SGC);其次,依据相关性准则选取SGC进行信号重构,并确定MOMEDA分解参数;最后,使用MOMEDA方法对重构信号进行处理以提高信噪比,并利用包络谱分析对处理后的信号提取故障特征。仿真和实验结果表明,该方法能够准确地提取滚动轴承的故障频率,且与经验模态分解(Empirical Mode Decomposition, EMD)方法的对比结果显示了SGMD方法作为预处理其分解结果更加准确,在故障诊断领域具有较大的应用价值。

基于SWD和MOMEDA的滚动轴承微弱故障特征识别

针对复杂工况下轴承微弱故障特征难以提取的问题,提出一种基于群体分解(SWD)和多点调整最优最小熵解卷积(MOMEDA)的故障诊断方法。首先,利用SWD对振动信号进行模态分解,并根据相关系数选择有用分量;然后,利用MOMEDA对选取的分量实现弱信号特征的增强;最后,通过快速傅里叶变换进行故障特征的识别。

基于MOMEDA和包络谱的齿轮微弱故障特征提取

复合故障下的齿轮微弱故障易被强故障掩盖而出现漏诊现象,对齿轮复合故障下的微弱故障特征提取进行研究。首先采用多点优化最小熵解卷积调整(Multipoint Optimal Minimum Entropy Deconvolution Adjusted,MOMEDA)作为前置滤波器对原信号进行降噪,增强信号中的周期性冲击成分,然后进行Hilbert变换得到包络谱;通过分析其中明显的频率成分识别故障,实现微弱故障特征的提取。仿真信号和变速器故障诊断实例表明,该方法能有效实现齿轮微弱故障特征提取。