基于深度自编码法和频域相关峭度的轴承故障诊断

在相同状态下各种故障刚出现时和大噪声环境下所收集的信号特征极其相似,导致诊断精准性下降。提出基于深度自编码法和频域相关峭度(FCKT)以实现对轴承运行状况的智能分类。在特征得到加强的前提下,使得数据长度大幅减小,并且在很大程度上增强了算法的识别效率及精准性。研究结果表明:在最大偏移点数取值范畴逐渐扩大的基础上,辨别精准性呈现出不断提高的态势,在该数值为340时,可实现100%的辨别,且有着较强的稳定性。与时域指标相比,频域指标有着更高的辨别精准性。在将FCKT指标当作样本的情况下,稳定性最强、精准性最高。在FCKT计算结束以后、再实施深度自编码智能区分,运行时间减少46.32%,能够在很大程度上减少运行时间。

一种改进的峭度图方法及其在复杂干扰下轴承故障诊断中的应用

快速峭度图是一种常用的滚动轴承故障诊断方法,但由于峭度指标对冲击过于敏感,在干扰较复杂的工况中,该方法往往无法正确识别出最优的共振频带进行包络解调。然而,解调信号的包络谱对噪声具有一定的免疫能力,而且包络谱中通常会清晰的出现故障特征频率及其倍频成分,呈现出典型的周期性脉冲特点。因此,提出应用相关峭度定量地刻画窄带信号的包络谱幅值,即以频域相关峭度值生成峭度图,用于最优频带的自适应地识别。同时,基于相关峭度的指向性,可以将该方法应用于轴承的复合故障诊断。最后通过实验分析,验证了该方法对轴承微弱故障和复合故障诊断的有效性。