一种选取最优解调频带新方法——Multigram

针对Fast-Kurtogram易受非高斯噪声干扰的不足,提出一种基于多层滑动滤波器组,找寻最优解调频带的新方法——Multigram。首先,借鉴Protrugram滑动分割频带思想,构建多层、多滤波中心和带宽的滤波组。然后,根据各层不同滤波中心和带宽依次进行带通滤波,对滤波信号进行包络自相关谱分析,在容差范围内计算谱峭度,以选取最优解调频带。最后,采用最优滤波中心和带宽进行带通滤波和包络谱分析。将方法应用于滚动轴承故障诊断,基于机匣测点的模拟故障轴承试验和自然故障轴承试验结果表明:该方法可有效选取适宜的解调频带,相比于Fast-Kurtogram,Protrugram,Autogram和Infogram,诊断结果更具优势。

最优解调频带识别及其在滚动轴承故障诊断中的应用

针对在低信噪比和强非高斯噪声存在的情况下滚动轴承故障信号难以有效提取的问题,提出一种新的最优解调频带识别方法并应用于滚动轴承的故障诊断。该方法利用特定频带信号的包络谱幅值的稀疏度来度量故障脉冲,按照稀疏度最大原则自动识别最优解调频带;根据最优解调频带获得带通滤波后的最优解调信号,对最优解调信号的包络谱进行分析来识别滚动轴承故障及其类型。采用振动信号仿真模型和滚动轴承试验台获得的轴承故障信号来测试该方法的有效性,并把测试结果与快速峭度图方法进行对比。结果表明:该方法比快速峭度图方法能够更加准确地识别共振频带,并且在低信噪比和强非高斯噪声存在的情况下也能准确提取轴承故障特征。

轴承故障声发射信号多频带共振解调方法

轴承故障声发射信号具有高频率、宽频带、多频率成分组成特性。针对轴承故障声发射信号的多频带共振解调问题,基于故障先验知识确定滤波带宽,利用窄带解调Protrugram算法迭代搜索多个可解调中心频率,在对应的多个窄带范围内实现故障频率的解调识别。仿真和实验信号处理结果表明,窄带包络解调方法能够找到多个可用解调窄带,对应解调包络谱中均可清楚地识别故障频率,且包络谱具有故障频率谱线清晰,倍频成分衰减明显的特点。

基于改进Autogram的滚动轴承故障诊断

针对Autogram以无偏自相关峭度指标选取解调频带时易出现不准确、故障诊断困难的问题,将平方包络负熵引入Autogram中,结合平方包络负熵受噪声影响小且能衡量周期冲击成分的优点,提出一种采用平方包络负熵指标选取最优解调频带的改进Autogram方法.首先采用最大重叠离散小波包变换(MODWPT)对轴承振动信号进行频带分解,再计算每个频带信号的平方包络负熵,将平方包络负熵最大的频带作为最优解调频带,最后通过分析最优解调频带平方包络谱的频率成分来诊断轴承故障类型.将轴承故障实验信号分析结果与Autogram、快速谱峭度方法对比,结果表明,改进Autogram方法在解调频带的选取上更为合理,所提取的故障特征频率更明显,轴承故障诊断更准确.

基于Fast-SC和EC的滚动轴承故障检测

解调分析的关键在于准确找到合适的解调频带,针对此问题,提出一种基于快速谱相关(fast spectral correlation,简称Fast-SC)和包络谱谱峰因子(crest of envelope spectrum,简称EC)的解调频带确定方法,应用于滚动轴承故障检测。首先,对信号进行Fast-SC计算,采用考虑滚动体滑移误差的故障频率区间作集成谱相关切片并将其作为目标谱相关曲线,根据其最大值确定解调频带的中心频率搜索中心;其次,用同时考虑冲击信号强度与周期性的EC进行频带优化选择,自适应获得优化的滤波参数组;最后,根据所得滤波参数组对信号进行带通滤波,并求其包络谱,实现轴承故障特征频率提取。仿真和实验表明,与Autogram解调算法相比,所提方法降噪能力更强,解调频带的选择更优。

变转速下对数平方包络谱在滚动轴承故障诊断中的应用

变转速工况下,转速变化会导致不同时间段峭度值出现变化,且高脉冲噪声会导致振动信号的峭度值突然变大。这些因素削弱了快速谱峭度图(Fast kurtogram,简称FK)方法提取微弱故障特征方面的性能,为了克服这些缺陷,提出一种基于对数平方包络谱的新特征--对数包络阶次循环分量(Log-envelope Order Cyclic Content,简称LEOC),构造出一种对数包络阶次循环分量图(Log-envelope Order Cycligram,简称LEOCgram)。首先使用1/3二叉树结构对原始信号进行多层次滤波,并计算每一组滤波子信号的平方包络。然后,通过计算阶次跟踪(Computed Order Tracking,简称COT)技术对每一组的平方包络序列进行角域重采样,计算每一组滤波信号的对数平方包络谱并进行自相关分析得到可能的故障特征阶。最后计算LEOC值,LEOC最大值对应的频带即为最优解调频带。将最优解调频带作为滤波器的参数对原始信号进行滤波,通过对滤波后的信号进行包络阶次分析并根据包络阶次谱的阶次结构可以确定故障类型。仿真信号和试验轴承外圈故障信号的分析结果表明,该方法在速度波动范围较大时,能够准确地对滚动轴承故障进行诊断,且不受随机高脉冲噪声的影响。

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。

基于KN-Autogram的滚动轴承故障诊断方法

Autogram方法采用峭度作为检测故障冲击的指标,但是峭度在强噪声干扰下会严重影响故障频带选取的准确性。针对此问题,提出基于KN-Autogram方法进行滚动轴承的故障诊断。KN-Autogram方法在生成KN-Autogram谱图时采用KN指标检测轴承故障冲击,选取KN-Autogram谱图中最大KN值所在的频带为最优共振解调频带,对共振信号做滤波包络处理,以准确提取滚动轴承的故障特征频率。仿真和滚动轴承实测数据试验结果证明了该方法的有效性。