基于小波包-1.5维Teager能量谱图和深度学习的滚动轴承故障诊断方法研究

带式输送机工作环境恶劣、干扰源复杂,受非周期性冲击及谐波干扰,其托辊滚动轴承故障诊断困难。针对此问题,提出了一种基于小波包-1.5维Teager能量谱图和深度学习相结合的滚动轴承故障诊断方法。首先,利用小波包分解对故障信号进行分解,提取能量占比较高的分量进行重构;然后,采用Teager能量算子和1.5维谱处理重构信号滤除周期性谐波干扰,构建出故障特征能量谱图;最后,利用卷积神经网络对能量谱图进行训练和测试,精准诊断出滚动轴承故障类型。仿真与实验分析结果表明,所提方法可有效滤除非周期性冲击和谐波的干扰,并精准诊断出轴承故障类型。所提方法为托辊滚动轴承的故障诊断提供了一种新思路,具有一定的工程应用价值。

基于VMD和1.5维Teager能量谱的滚动轴承故障特征提取

为准确提取非线性、非平稳的滚动轴承故障信号中的故障特征,提出基于变分模式分解(Variational Mode Decomposition,VMD)和1.5维Teager能量谱的滚动轴承故障特征提取方法;变分模式分解(VMD)是一种新的信号自适应分解方法,1.5维Teager能量谱具有1.5维谱良好的降噪效果和Teager能量算子强化信号瞬态冲击的优点。故障特征提取过程:首先,对滚动轴承故障信号进行VMD分解得到一组分量,根据峭度-相关系数准则筛选出2个冲击特征明显分量进行信号重构;再次,对重构信号进行1.5维Teager能量谱分析;最后根据能量谱图的分析,提取出滚动轴承的内圈和滚动体故障特征。仿真信号和试验信号的分析都验证了提出方法的有效性;通过与EEMD分解比较,采用VMD变分模式分解和1.5维Teager能量谱的分析方法更具有区分性,可以有效识别滚动轴承的故障特征。

基于HVD与1.5维Teager能量谱的滚动轴承故障诊断方法研究

针对强背景噪声下滚动轴承微弱故障信号特征难以提取的特点,提出了一种基于Hilbert振动分解(HVD)与1.5维Teager能量谱的滚动轴承故障诊断方法。首先将故障信号进行HVD分解,然后采用相关系数法重构原始信号,降低噪声的干扰,增强故障信号的冲击特征,最后对重构后的信号进行1.5维Teager能量谱运算,提取出滚动轴承的故障特征。

基于傅里叶分解与1.5维Teager能量谱的滚动轴承故障诊断方法

针对强背景噪声下滚动轴承微弱故障特征难以提取的特点,提出了基于傅里叶分解(FDM)与1.5维Teager能量谱的滚动轴承故障诊断方法。首先利用傅里叶分解的自适应性特点,将故障信号分解为若干个瞬时频率具有物理意义的固有频带函数,然后利用自相关系数法筛选固有频带函数进行信号重构,对重构后的信号求解1.5维Teager能量谱,从而得到故障特征频率,进行故障诊断。仿真结果表明,与传统的包络谱分析相比,该方法的故障特征更加明显,效果更好。最后将该方法成功地应用到实际的滚动轴承故障诊断中,进一步验证了该方法的有效性。

基于MCKD与1.5维Teager能量谱的滚动轴承故障诊断方法

针对滚动轴承早期故障冲击特征微弱,背景噪声干扰严重,冲击特征难以提取,本文提出了一种基于最大相关峭度解卷积(Maximum correlation kurtosis deconvolution,简称MCKD)与1.5维Teager能量谱相结合的滚动轴承故障诊断方法。由于轴承出现故障时其信号表现为周期性冲击,根据这一特性,本文首先利用MCKD的提取淹没在噪声信号中的周期性冲击特征成分,对原始信号进行降噪;然后再利用1.5维Teager能量谱得出信号的故障特征信息,并将该方法与谱峭度方法进行对比,通过仿真信号与实测信号验证了该方法的有效性和可行性。

基于1.5维Teager能量谱的滚动轴承故障诊断

针对强背景噪声下滚动轴承微弱故障信号特征难以提取的特点,提出了基于最小熵解卷积与1.5维Teager能量谱的滚动轴承故障诊断方法,首先利用最小熵解卷积(Minimum entropy deconvolution,MED)对强噪声下滚动轴承信号进行降噪处理,然后对降噪后的信号进行Teager能量算子解调,最后对解调后的信号进行1.5维谱分析。通过对内外圈故障的仿真信号及实验数据的处理分析,且与包络谱方法进行了对比,验证了该方法的有效性和准确性。

基于PPCA-1.5维能量谱的滚动轴承故障诊断

针对强背景噪声下滚动轴承的非线性、非平稳故障特征提取不足的问题,提出了融合概率主成分分析(PPCA)及1.5维Teager能量谱的故障特征分析方法。首先对信号进行概率主成分分析,通过对信号降维重构信号,提取信号故障特征主成分,去除强背景噪声干扰;然后对重构信号进行1.5维能量谱分析,从而获得轴承故障特征谱信息。利用所提方法对滚动轴承模拟数据及实验数据进行分析,结果表明与集合经验模态分解(EEMD)包络谱相比,采用PPCA与1.5维能量谱的分析方法在进行滚动轴承故障高阶倍频提取时具有一定的优势。

基于1.5维Teager峭度谱的滚动轴承故障诊断研究

滚动轴承故障振动信号中的冲击成分呈现显著的非高斯性,高阶累积量和高阶谱技术是处理非高斯信号的良好分析工具。在四阶累积量-Teager峭度的基础上提出滑动Teager峭度的分析方法,并联合三阶谱-1.5维谱,提出基于1.5维Teager峭度谱的滚动轴承故障诊断方法。该方法首先对轴承故障信号进行滑动Teager峭度计算,获得一个反应故障信号冲击特性的Teager峭度时间序列,然后通过计算Teager峭度时间序列的1.5维谱,提取出滚动轴承故障特征频率。通过仿真信号分析验证了该方法的解调性能和提取滚动轴承弱冲击故障特征的能力。最后分析了滚动轴承内圈故障实验测试信号,并和基于快速Kurtogram算法的共振解调方法进行对比分析,验证了该方法的有效性。

基于LMD能量信号和1.5维谱的轴承故障分析

为了更准确的诊断滚动轴承是否发生故障,提出了利用Teager能量算子求LMD分量能量信号,再做其1.5维谱的方法。局部均值分解(Local Mean Decomposition,简称LMD)算法分解得到一组乘积函数分量,每一个分量都可近似看作一个线性平稳的单分量信号。Teager能量算子可以追踪信号瞬态能量,使故障冲击成分突出。1.5维谱具有降低频谱中高斯噪声影响的作用。新的故障诊断方法结合了各方法的优点,能有效地提取滚动轴承故障信号的特征频率及其倍频。通过对实测滚动轴承外圈、滚动体、内圈故障信号的分析,有效地提取了各种故障的特征频率,验证了新方法在滚动轴承故障特征提取中的可靠性。

基于频率加权能量算子与1.5维谱结合的发电机特征振动信号增强

针对多极发电机故障振动信号信噪比低,故障识别难度高的不足,本文提出了频率加权能量算子(FWEO)与1.5维谱结合的方法来对发电机振动信号进行特征增强和滤噪。该方法应用频率加权能量算子来提取瞬态冲击特征和滤噪,应用1.5维谱来进行信号的二次特征增强和抑噪。对3对极发电机定子匝间短路故障前后定子振动数据的处理效果表明,本文所提方法能有效对发电机特征振动信号进行增强并实现有效滤噪,实现故障的快速识别;其处理效果不仅优于单一的频率加权能量算子和单一的1.5维谱,而且与当前流行的最大相关峭度解卷积算法相比具有一定优越性。

基于频率耦合的1.5维能量谱的轴承故障诊断方法

针对滚动轴承由于振动传递路径复杂以及强背景噪声而导致早期故障特征难以提取的问题,提出了基于频率耦合的1.5维能量谱的故障特征提取方法。用公式推导验证了1.5维谱不需要同时满足相位与频率耦合,能在只满足二次频率耦合的情况下使用,这对实际信号直接进行1.5维谱分析有很大的帮助。该方法是在信号经过预处理后对信号进行对称差分能量算子解调,获得解调信号,再对解调信号进行1.5维谱分析,最后获得1.5维能量谱。通过对实验数据的分析,验证了1.5维能量谱在滚动轴承故障诊断中的有效性。

基于MED和1.5维能量谱的滚动轴承故障诊断

1.5维谱因具有抗高斯白噪声的优异性能而被广泛应用于故障诊断领域,能量算子解调与1.5维谱相结合形成的1.5维能量谱用于轴承故障诊断效果更佳,然而该方法处理低信噪比信号效果不佳。针对强背景噪声下微弱故障特征提取难的问题,提出最小熵解卷积(MED)与1.5维能量谱相结合的诊断方法。先用MED对原始振动信号进行消噪,再对处理后的信号做1.5维能量谱;分析包络谱中的频率成分并与对应故障特征频率相比较,得出诊断结果。仿真数据和多组实测数据均证实了所提方法的有效性和优越性。

基于改进自适应滤波与1.5维能量谱的滚动轴承故障诊断方法

针对轴承早期故障滤波频带难以选择的问题,在选择更精确的滤波器、更鲁棒的指标、更好的解调方法三个角度进行了改进,提出了一种基于改进自适应滤波与1.5维能量谱的滚动轴承故障诊断方法。该方法首先借助振动信号相适应的Morlet小波滤波器,以多目标融合的指标作为目标函数,进行改进的格点搜索选取共振频带,避免了凭经验选择的盲目性,提高了方法的鲁棒性和适应性;滤波降噪之后采用1.5维能量谱分析,与TEO谱、包络谱对比,该方法不仅可以追踪瞬态信号的能量,还提高了抗噪性,并在理论与仿真、实验上多角度对比验证。

基于多重降噪的滚动轴承声信号故障特征提取

针对滚动轴承故障诊断中声信号信噪比较低、特征提取困难的问题,提出多重降噪轴承故障特征提取方法。该方法首先用最小熵解卷积对故障轴承声信号进行预处理来提高信噪比,然后利用局部特征尺度分解将处理后的信号分解为多个内禀尺度分量,进一步利用相关系数-峭度值原则,筛选出最佳内禀尺度分量进行重构,最后通过1.5维Teager能量谱提取轴承故障特征。仿真及实验结果表明,相较于单一使用最小熵解卷积或局部特征尺度分解等降噪方法,多重降噪方法可以在信噪比极低的情况下有效提取故障特征。

风电机组滚动轴承复合故障诊断研究

针对在强风电机组背景噪声下进行滚动轴承复合故障诊断时,由于故障之间的相互联系、交叉影响使得多种故障特征混叠在一起,易造成漏诊、误判等问题,提出一种基于多点最优调整的最小熵解卷积(multipoint optimal minimum entropy deconvolution adjusted,MOMEDA)与1.5维能量谱相结合的风电机组滚动轴承复合故障诊断方法;首先利用MOMEDA算法对原始滚动轴承振动信号进行解卷积预处理;然后对解卷积信号进行1.5维能量谱分析;最后通过分析谱图中幅值突出的频率成分来判断故障类型。仿真信号和应用实例分析结果表明,该方法能够有效提取出在强背景噪声下的复合故障特征,实现风电机组轴承复合故障的准确诊断。

基于信息图与MK-MOMEDA的齿轮箱复合故障诊断

针对齿轮箱复合故障振动信号传递路径复杂多变,早期微弱故障信号易受到背景噪声的严重干扰,使得传统方法对复合故障冲击特征难以准确分离的问题,提出一种信息图和多点峭度最优最小熵解卷积修正(MK-MOMEDA)的复合故障诊断方法。首先,利用平均谱负熵所得的信息图选择最佳的带宽和中心频率对复合故障信号进行带通滤波,降低噪声成分的影响;然后,计算滤波信号的多点峭度谱,识别谱图中包含的故障冲击周期成分,并设定适当的故障周期区间,进行MOMEDA运算,提取不同的故障特征;最后,通过1.5维能量谱进行特征增强,分析谱图中突出的故障特征频率,从而判别故障类型。实验平台模拟齿轮箱两种故障的复合情况,结果表明该方法能实现复合故障的准确分离。

改进VMD与MOMEDA的自适应滚动轴承联合降噪方法

当轴承出现局部故障,能够表征滚动轴承早期故障的微弱冲击特征在传感器采集的过程中往往被强背景噪声所淹没,且易受信号传输路径的影响,从而导致轴承故障难以诊断。针对上述问题,本文提出一种改进VMD与MOMEDA(Multi-point optimal minimum entropy deconvolution,多点最优最小熵解卷积)的自适应滚动轴承联合降噪方法。首先为了避免VMD方法重要参数严重依赖人工先验知识等问题,采用PSO寻优算法对VMD重要参数进行优化处理,并以峭度作为优化指标选择最优IMF分量,进一步采用MOMEDA消除信号中传输路径的影响,最后结合1.5维能谱诊断滚动轴承故障。与MED-VMD及常规包络谱方法相比较,证明了本文所提方法在轴承故障特征提取领域的优势所在。

相关峭度联合降噪在滚动轴承故障特征增强中的应用

滚动轴承处于早期故障阶段时冲击特征微弱且背景噪声强,故障特征成分通常难以提取,导致早期故障检测困难。提出一种基于变分模态分解(VMD)与最大相关峭度解卷积(MCKD)联合降噪的滚动轴承故障特征增强新方法。首先利用VMD算法将采集的轴承振动信号分解成若干个窄带本征模态分量(IMF),再通过相关峭度准则选择若干故障信息含量丰富的本征模态分量进行信号重构,达到初步去噪的目的;其次利用最大相关峭度解卷积对重构信号进行带内降噪,突出滚动轴承故障冲击成分,进一步提高信噪比;最后结合1.5维能量谱增强信号瞬时冲击特征的优点,准确实现滚动轴承故障模式的识别。仿真信号与实测信号分析结果表明,该方法可以有效的剔除噪声对故障振动信号的影响,能够清晰地提取出滚动轴承早期故障信号中的故障特征频率成分,实现滚动轴承早期故障的有效判别。

基于振动信号的气体绝缘金属封闭输电线路局部放电诊断方法

为对气体绝缘金属封闭输电线路(GIL)局部放电缺陷进行识别与诊断,本文提出一种基于1.5维能量谱与粒子群优化极限学习机(PSO-ELM)的局部放电缺陷诊断方法。首先,通过计算局部放电引起的GIL异常振动信号的1.5维能量谱,得到不同类型放电情况的能量波动特征;其次,构建PSO-ELM模型,以1.5维能量谱作为特征量对GIL局部放电故障进行识别与诊断;最后,通过不同方法的对比,验证该方法的优越性,为GIL在输配电系统中的安全、稳定运行提供依据。