精细谱负熵及其在滚动轴承故障诊断中的应用

针对提取滚动轴承故障特征时共振边频带的中心频率难确定、带宽确定过宽或过窄及易受噪声影响等问题,提出了一种基于经验小波变换(EWT)的精细谱负熵方法(ASNE)。该方法利用经验小波滤波器特性构造滤波器组,实现对信号频域的扫描滤波;结合时域谱负熵更易检测信号中周期性冲击成分的特点,对滤波后的分量进行筛选,经过两次循环筛选获得了精确的中心频率和带宽;通过EWT提取出最佳的故障特征分量,最终进行包络解调获得故障特征信息。轴承内、外圈故障的实验信号对该方法进行了验证,实验结果表明,该方法能够快速、准确地确定共振边频带的中心频率与带宽,并有效地提取了内、外圈故障特征信息,且效果优于Infogram方法。该方法克服了传统边频带提取方法在频带划分上的局限性,抵制了噪声的干扰,提取的中心频率和带宽更精确,为更准确地判断轴承故障类型提供了可靠的理论支持。

基于IMCKD与谱负熵的滚动轴承故障诊断方法

针对轴承故障成分常以周期性冲击成分出现在振动信号中,而冲击信号常被强大噪声淹没,导致轴承故障诊断难度较大的问题,提出一种基于改进的最大相关峭度解卷积(IMCKD)与谱负熵的故障特征提取方法。首先,采用改进的最大相关峭度解卷积以最大相关峭度为目标对原始振动信号进行降噪处理,检测信号中的周期性冲击成分;然后,以最大谱负熵值为准则寻找信号的最佳分析频段;最后,通过平方包络解调提取出轴承的故障特征。仿真和实测信号验证了该方法的有效性。

基于连续平均谱负熵改进经验小波变换的风力机齿轮箱故障诊断

针对经验小波变换(Empirical Wavelet Transform,EWT)对强噪声环境下风力机齿轮箱轴承轻微故障特征提取不足的问题,利用滑移窗口提取子带的连续平均谱负熵(Continuous Average Spectral Negentropy,CASN)对EWT算法进行改进。通过CASN-EWT方法分解风力机齿轮箱轴承故障信号,采用峭度准则对所得分量进行筛选并重构,再开展包络分析,准确提取出故障特征。结果表明:CASN-EWT方法在保留EWT算法自适应性和有效避免模态混叠效应与端点效应优点的同时,能够极大提高EWT分解算法对噪声影响的鲁棒性,有利于准确提取故障特征频率,实现故障精确识别。

包络谱稀疏指标盲滤波器的轴承状态监测

为了解决包络谱稀疏问题,提出了一种基于包络谱稀疏指标盲滤波器的轴承状态监测方法。提出的盲滤波器利用三种不同的稀疏性测度:l1/l2范数、霍耶指数和谱负熵导出,迭代优化过程的关键是利用Rayleigh商来更新滤波器系数,从而在不需要知道有关机械部件的特征故障频率等先验信息条件下,利用包络谱的稀疏性来跟踪振动信号中具有二阶循环平稳特征的故障。轴承数据集的实验结果表明提出的方法能够实现具有循环平稳特征的轴承故障跟踪,并且对滤波器长度具有良好的鲁棒性。

基于改进经验小波变换与分形特征集的风力机齿轮箱故障诊断

针对风力机齿轮箱振动响应信号具有强非线性及非平稳性的特点,考虑平均幅值对平均谱负熵时频域成分权重自适应调节,提出连续改进平均谱负熵方法(ICASN)以体现信号细节复杂度特征,并将ICASN引入经验小波变换(EWT),替代傅里叶谱作为频带划分依据。采用ICASN-EWT分解振动信号,基于改进平均谱负熵筛选特征分量,剔除信号冗余与噪声影响。分析各敏感分量分形特征并构建高维特征集,采用流形学习进行维数约简,并结合分形高斯噪声改进灰狼算法优化支持向量机关键参数,将降维后的向量集输入优化支持向量机进行故障识别与诊断,准确率高达100%。

基于小波包分解的电力变压器绕组故障状态检测方法

受电力变压器绕组信号中噪声的干扰,具体故障状态检测结果可靠性难以得到保障。文章提出基于小波包分解的电力变压器绕组故障状态检测方法。首先,利用多分辨率公式,对任意原始电力变压器绕组信号进行分解,并设置小波函数具有带通性质;其次,在故障检测阶段,将分解后电力变压器绕组信号的平均谱负熵(IASN)作为基准;最后,通过判断其最大值对应的特征分量在电力变压器绕组信号频域上的分布情况,实现对具体故障状态的精准检测。结果表明,文章设计检测方法对于不同类型绕组故障状态的检测结果准确率较高,具有一定应用价值。

改进经验小波变换在风力机齿轮箱故障诊断中的应用

针对强噪声背景下风力机齿轮箱轴承的轻微故障特征易被淹没且提取困难等问题,提出滑移窗口提取子带的连续平均谱负熵(Continuous Average Spectral Negentropy,CASN)对经验小波变换(Empirical Wavelet Transform,EWT)进行改进。首先利用CASN-EWT方法分解风力机齿轮箱轴承故障信号,后利用谱负熵准则对所得分量进行筛选并重构,再开展包络分析,准确提取出故障特征,最后构成特征向量集输入支持向量机进行故障诊断。结果表明:CASN-EWT方法在保留EWT算法自适应性和有效避免模态混叠效应与端点效应的同时,极大提高EWT分解算法对噪声的鲁棒性,有利于准确提取故障特征频率,实现故障识别精度的提高。

基于自适应频率切片小波变换的滚动轴承故障诊断

频率切片小波变换(frequency slice wavelet transform,FSWT)在汲取短时傅里叶变换和小波变换优势的基础上引入了频率切片函数,使传统的傅里叶变换实现了时频分析功能。FSWT通过对比不同频带处理的结果以确定最合适的中心频率及最佳带宽,实现了对信号任意频带及局部特征的重构及描述,但这种方法效率很低、无自适应性且无法保证手动筛选出的频段中包含所需要的故障信息。针对这个问题,该文提出一种自适应频率切片小波变换(adaptive frequency slice wavelet transform,AFSWT)。首先,连续分割信号的频谱,频谱分割覆盖了全频带且避免了手动选取频谱边界的过程,均分的方式可提高计算效率。其次,引入谱负熵作为评价依据,计算每一个频段内信号的复杂程度以筛选可能包含周期性冲击的循环平稳信息。最后,选取其中谱负熵最大的频段并将其定义为最佳的中心频率和带宽,重构该频段信号分量并包络解调分析,实现故障诊断。该方法均匀分割频谱并依据谱负熵筛选信号分量可以提高计算效率且提高筛选准确率。通过模拟信号及实验信号证明了该方法可应用于滚动轴承圈故障诊断。

基于格点搜索法的MOMEDA在滚动轴承故障特征提取中的应用

针对背景噪声下故障轴承产生的周期性脉冲特征微弱难以提取问题,提出多点优化最小熵解卷积修正(MOMEDA)方法,并利用格点搜索法解决其滤波器设置需人工干预问题。首先以频域谱负熵为寻优目标,利用格点搜索法迭代求解MOMEDA滤波器最优阶数;其次应用该参数寻优方法下的MOMEDA对仿真信号和轴承内圈故障信号中的周期性脉冲成分进行增强,并通过平方包络谱提取微弱故障特征;然后应用受试者工作特征(ROC)曲线评估该方法的灵敏性和特异性。该方法可有效增强故障脉冲成分,且具有良好的灵敏性和特异性。

基于优化经验小波变换与改进支持向量机的齿轮箱故障检测策略

针对强噪声背景下风力机齿轮箱振动信号易被掩盖、难以提取的难题,基于频域谱负熵(Frequency-domain Spectral Negentropy,FSN)改进经验小波变换(Empirical Wavelet Transform,EWT)提出优化经验小波变换方法(Improved Empirical Wavelet Transform,IEWT),并采用改进灰狼算法(Improved Grey Wolf Optimization,IGWO)优化支持向量机(Support Vector Machine,SVM)惩罚系数α及核参数σ。基于NREL GRC风力机齿轮箱数据验证所提方法的有效性。结果表明:IEWT-IGWO-SVM可有效提取故障信息并进行故障识别,分类准确率高达99.66%。