快速迭代滤波分解方法在轴承故障诊断中的应用

轴承故障信号通常是非线性和非平稳的。此外,这种信号非常微弱,容易被不可避免的背景噪声和振动干扰所掩盖。针对该种信号,模态分解方法已经被证实是一种可靠的处理方法。因此,将一种快速迭代滤波分解方法应用到轴承故障检测当中。快速迭代滤波分解方法在抑制模态混合和抗噪方面表现出色。与其他模态分解技术不同,快速迭代滤波分解方法具有超高的计算效率,因此可以明显提高计算速度。通过仿真信号和实际信号验证了该方法的有效性和优越性。

自适应迭代滤波在水轮发电机组振动分析中的运用

水轮发电机组的振动和水轮机压力脉动是衡量机组运行状态稳定性的重要指标,为了确保机组的正常运行,通常采集机组的振动信号进行识别判断。通常,水轮发电机组的振动信号为非平稳信号,并且会参杂着的噪声。针对水轮机振动信号,提出一种基于自适应迭代滤波分解和独立分量分析的水轮机振动信号特征提取方法,介绍其基本原理及求解步骤。先使用独立分量分析对原始信号进行分解,将背景中多余的噪声去除,接着对每个通道的信号进行自适应迭代滤波分解,计算每个模态分量的能量集中度并设定相关的边界值,将超出该值的模态分量去除,并将剩余的分量进行重构,获得除去噪声成分后的重组信号。通过对仿真信号以及实际信号的分析,该方法可以将振动信号中的噪声成分去除,并对相关物理特征进行有效的提取。最后得出结论:1)独立分量分析可将水轮机振动信号中的噪声去除,并突出特征;2)采用自适应迭代滤波分解并以能量集中度作为模态筛选指标,能够将含有少量噪声的模态提取出来,获取相关特征信号。

基于FIF-CYCBD的滚动轴承故障特征提取方法研究

针对滚动轴承所处工况复杂、提取故障特征困难的问题,提出了一种基于快速迭代滤波分解(FIF)和最大二阶循环平稳盲解卷积(CYCBD)的故障特征提取方法。首先,通过利用FIF方法对源信号进行自适应分解,得到一系列本征模态分量;其次,依据相关系数准则对和源信号相关系数大于0.6的分量进行重构,并根据FIF得到的分解结果设置合适的循环频率采集器;最后,利用CYCBD方法对重构后的信号进行解混去噪,对处理后的信号进行包络解调分析。仿真实验以及相关实验数据表明,所提方法具有良好的信噪分离效果,相较于信号中突出的噪声分量,处理得到的故障特征频率幅值高于噪声幅值,可以有效实现轴承故障频率及其倍频特征的提取。

IFD与KELM结合的滚动轴承故障诊断方法

针对滚动轴承振动信号非线性、非平稳的特点,提出基于迭代滤波分解(iterative filtering decomposition,IFD)提取各分量特征,结合核极限学习机(kernel extreme learning machine,KELM)的故障诊断方法.通过对原始信号进行IFD分解,得到一组本征模态函数(intrinsic mode functions,IMF).计算包含主要故障信息在内的IMF分量能量与排列熵组成的故障特征向量,将特征向量作为KELM输入识别轴承的故障类型.实验分析结果表明,以IFD作为预处理器的特征融合方法比经验模态分解(empirical mode decomposition,EMD)为预处理器的特征融合方法有更高的故障识别率,并且该方法在少量样本情况下仍能有效识别故障类型.

基于ALIFD模糊熵和GK聚类的滚动轴承故障诊断

针对滚动轴承故障振动信号具有非平稳性及非线性的特点,提出一种基于自适应局部迭代滤波分解(ALIFD)模糊熵和GK聚类的滚动轴承故障诊断方法。首先对滚动轴承故障振动信号进行ALIFD分解,得到若干个本征模态函数(IMF)分量,然后通过相关性分析筛选出前3个包含主要特征信息的IMF分量,并将筛选的IMF分量的模糊熵作为特征向量,最后利用GK聚类对所得的特征向量进行识别分类。将该方法应用于滚动轴承实验数据分析,并使用分类系数和平均模糊熵对分类性能进行评价,结果表明,与基于经验模态分解模糊熵和GK聚类的故障诊断方法进行对比,该方法具有更好的分类性能。