基于自适应自相关谱峭度图的滚动轴承故障诊断方法

自相关谱峭度图通过最大重叠离散小波包变换对信号频谱进行分割,并选取最大峭度值所对应频带内的信号进行诊断分析。针对自相关谱峭度图方法在分割频带时因遵循二叉树结构而导致的频带划分区域固定问题,提出一种基于自适应自相关谱峭度图方法的滚动轴承故障诊断方法。自适应自相关谱峭度图方法以改进的经验小波变换为基础,对原始信号傅里叶谱进行包络与平滑处理后再分割,实现了自相关谱峭度图方法自适应分割频带的目的。通过仿真信号与实验数据分析,并将所提方法与快速谱峭度及自相关谱峭度图方法进行对比,结果表明,所提出方法能够准确地检测到合适的解调频带,同时其故障特征更加明显。

基于MED与自相关谱峭度图的滚动轴承故障诊断方法

滚动轴承振动信号往往信噪比较低,且具有较强的非高斯噪声,如何选择合适的解调频带一直是故障诊断的难点。自相关谱峭度图(Autogram)是新提出的一种最优频带选择方法,通过计算解调信号的平方包络的无偏自相关的峭度,能够有效地检测到解调频带及其故障频率;但此方法易受到噪声干扰,故障特征识别不明显;基于此,提出了一种基于最小熵解卷积(MED)与Autogram的滚动轴承故障诊断方法;该方法通过MED去除噪声,在得到最佳频带的同时,能够有效地突显故障特征。通过分析仿真信号及实验数据,将所提方法与快速谱峭度及现有方法进行了对比,结果表明,所提故障诊断方法能够准确地检测到解调频带及故障频率,突出故障特征和提高故障检测效果。

自适应MCKD结合Autogram的矿用滚动轴承故障特征提取

为辨析矿用滚动轴承运行状态,有效地提取矿用滚动轴承故障特征,提出了一种基于粒子群优化算法(Particle Swarm Optimization,PSO)的参数自适应优化最大相关峭度解卷积算法(Maximum Correlated Kurtosis Deconvolu-tion,MCKD)与自相关谱峭度图法(Autogram)相结合的矿用滚动轴承故障特征提取算法.首先,在考虑振动信号的强周期性的基础上,采用MCKD对原始信号进行预处理以实现信号的降噪与增强;同时,针对MCKD参数选择问题,构造利用PSO对适应度函数进行寻优得到合适的参数组合[滤波长度L,解卷积周期T];此后,利用Autogram对处理后信号进行特征提取;最后,通过仿真信号及公开数据集试验信号对该算法进行验证.结果表明:PSO-MCKD-Autogram算法能够较好地克服噪声影响,可有效提取矿用滚动轴承故障特征且具有一定的鲁棒性.

基于自适应Autogram+OSF滤波的电机轴承故障诊断

自相关谱峭度图Autogram方法可以对初始信号非周期脉冲与噪声进行限制的方式测定周期性脉冲,获得更精确的最优频带。设计了一种自适应Autogram方法,通过顺序统计滤波(OSF)方法完成电机轴承故障信号傅里叶谱的包络处理。研究结果表明:采用自适应Autogram方法进行处理时具备良好可行性。采用本方法测试佳解调频带的效果比滤波器快速谱峭度方法的性能更优。相对自适应Autogram方法并未形成明显的二倍与三倍频特征频率,产生了众多干扰分量。