编码器时间序列重构和CYCBD在滚动轴承故障特征提取中的应用

针对最大二阶循环平稳盲解卷积(CYCBD)算法在轴承故障特征提取中的有效性及计算效率受滤波器长度影响的问题,提出谐波谱峰因子(HSC)作为评价指标自适应确定CYCBD的滤波器长度,通过编码器时间序列重构的方法平衡优化过程的计算效率。根据滚动轴承固有参数计算轴承故障阶次,并根据其设置循环频率;根据故障阶次确定时间序列重构的脉冲数;用中心差分法计算重构后信号的瞬时角速度;采用等步长搜索策略以谐波谱峰因子作为评价指标自适应确定CYCBD的滤波器长度;根据谐波谱峰因子最大时对应的阶次谱揭示滚动轴承故障特征。仿真和试验数据分析结果表明,所提方法能自适应确定滤波器长度,对提高CYCBD算法计算效率有明显效果,适用于滚动轴承故障特征提取。

一种基于增强型最大二阶循环平稳盲解卷积的齿轮箱复合故障诊断

针对齿轮箱复合故障振动信号易受到背景噪声干扰,使得传统方法对复合故障冲击特征难以准确分离的问题,提出一种自适应最大二阶循环平稳盲解卷积(ACYCBD)与1.5维导数增强谱相结合的复合故障诊断方法。首先,利用循环谱分析检测复合故障振动信号中与故障特征相关的循环频率成分,构建不同目标类型的循环频率集;之后,根据不同类型的循环频率集,提出一种以三阶累积量稀疏度(TCS)为指标,自适应地选取最大二阶循环平稳盲解卷积(CYCBD)的最优滤波器长度的改进算法,从而更好地获得包含不同故障冲击成分的CYCBD最优滤波信号;最后,提出一种新的1.5维导数谱进行特征增强,提高信噪比,并分析谱图中突出的故障特征频率进而判别故障类型。通过仿真信号与故障实验平台数据对算法进行验证,结果表明该方法能够实现齿轮箱复合故障的准确分离与诊断。

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。

基于自适应CYCBD和互相关谱的滚动轴承复合故障诊断方法

强背景噪声环境下,复合故障信号中的多特征提取与分离是实现滚动轴承复合故障诊断的重点与难点。提出了基于自适应最大二阶循环平稳盲卷积(CYCBD)和互相关谱的滚动轴承复合故障特征提取方法。首先,基于故障信号特点,通过设置CYCBD中不同的循环频率,提取不同频率的故障冲击成分,并以最大谐波显著性指数(HSI)为依据,自适应选取CYCBD的最优滤波器长度;然后,利用互相关分析进一步抑制信号中的噪声,提高信噪比;最终通过快速傅里叶变换(FFT)实现滚动轴承故障特征的提取。仿真和实测信号的分析结果表明,该方法能够去除背景噪声的干扰、提取滚动轴承复合故障特征,验证了方法的有效性。

基于CYCBD和包络谱的滚动轴承微弱故障特征提取

针对在强噪声的干扰下,滚动轴承微弱故障特征难以有效地提取的问题,提出一种基于最大2阶循环平稳盲解卷积(Maximum Second-order Cyclostationarity Blind Deconvolution,CYCBD)和包络谱相结合的微弱故障特征提取方法。首先,由故障特征频率设置合理的循环频率集,使用CY-CBD对含有强噪声的微弱故障冲击信号进行降噪处理,增强信号中的周期性冲击成分;然后,对降噪信号进行Hilbert包络谱分析来识别故障特征频率。通过仿真和实验,结果证明,该方法能有效地提取被强噪声淹没的微弱故障特征。

Infogram和参数优化CYCBD在滚动轴承复合故障特征分离中的应用

针对滚动轴承复合故障特征难以分离的问题,提出了一种基于Infogram和参数优化最大二阶循环平稳盲解卷积(maximum second-order cyclostationarity blind deconvolution,CYCBD)的复合故障特征分离方法。首先,采用Infogram方法分析故障信号,选取最优带通滤波器,获得冲击性和循环平稳性最强的频带信号;其次,根据理论故障频率,设定CYCBD的循环频率集,并以包络谱稀疏度为依据,自适应选择CYCBD的滤波器长度;再次,对获得的频带信号进行解卷积运算,提取不同频率的故障冲击成分,实现故障分离;最后,对分离出的各故障成分进行包络解调分析,根据故障特征频率,识别故障类型。通过对仿真信号、西安交大-昇阳科技联合实验室(Xi’an Jiaotong University-Changxing Sumyoung Technology,XJTU-SY)的轴承试验数据分析,证明了所提方法可以有效实现故障特征分离。在此基础上,通过自制试验平台实测数据,进一步论证了该方法的可行性。

基于改进SSD降噪的滚动轴承故障特征提取

针对强背景噪声下滚动轴承早期微弱故障特征难以提取以及奇异谱分解方法分解的分量仍然包含噪声的问题,提出了一种奇异谱分解(Singular spectrum decomposition,SSD)和最大循环平稳盲解卷积(Maximum cyclostationarity blind deconvolution,CYCBD)相结合的滚动轴承微弱故障特征提取方法。由SSD方法将轴承振动信号自适应地分解为从高频到低频的奇异谱分量;根据分量峭度最大原则,筛选出最佳分量;再利用CYCBD对最佳分量后处理进一步降噪;进而对降噪后的信号进行Hilbert包络解调分析,得到故障特征频率。仿真和实验分析表明,该方法能有效提取滚动轴承早期微弱故障特征。

CYCBD和CEEMDAN相结合的滚动轴承微小故障特征提取

针对强噪声下微小故障信号容易被噪声淹没的问题,提出基于最大二阶循环平稳盲解卷积(CYCBD)和自适应噪声完全集合经验模态分解(CEEMDAN)的轴承微小故障诊断方法。根据故障频率公式求出振动信号的故障频率,并根据故障频率设置对应的循环频率集,用CYCBD对原信号进行滤波,使信号中的周期冲击成分更加突出,从而达到提高信噪比的目的;对处理后的信号进行CEEMDAN,得到一系列模态分量,再求各模态分量的峭度值,从中选取峭度值高的即含有较多故障特征的若干分量进行重构;对重构后的信号求其Hilbert包络谱,从中提取故障频率。采用仿真信号与西储大学轴承数据集进行仿真与实验研究,验证所提方法的有效性。

基于FDEO与改进ACYCBD的风电机组轴承故障特征提取

针对由于实际工况中风电机组轴承发生故障所采得的信号会受到变速变载的影响,造成故障特征难以提取的问题,提出了基于频域能量算子(Frequency domain energy operator,FDEO)与自适应最大2阶循环平稳盲解卷积(Adaptive maximum second order cyclostationarity blind deconvolution,ACYCBD)的风电机组轴承故障特征提取方法。首先,通过SCADA数据提供的高速轴转速平均速度对CMS(Condition monitoring system)系统采集的振动信号进行感兴趣的振动成分选择,并通过窄带滤波和FDEO对振动信号进行瞬时频率估计和阶次跟踪;其次,针对风电机组振源多、振动信号复杂的特点,对通过阶次跟踪后的角度域振动信号应用改进ACYCBD完成故障特征提取。工程应用分析结果表明,该方法能够准确有效地实现风电机组轴承特征的提取而不受到其他振源的影响。

参数自适应CYCBD的滚动轴承复合故障特征提取

针对滚动轴承早期故障信号特征难以准确提取与分离问题,提出参数自适应最大2阶循环平稳盲解卷积(CYCBD)的滚动轴承复合故障特征提取方法。基于不同的故障类型,以谐波能量比指标为适应度函数,采用麻雀搜索算法自适应获取解卷积的最佳滤波器长度和循环频率,利用得到的最佳参数组合对原信号中的故障成分逐一提取,并对解卷积后的信号开展包络谱分析,实现轴承复合故障的诊断。分析结果表明:所提出方法能够在强噪声背景下,清晰准确地分离出轴承故障实测信号中的内圈故障频率的1~4倍频及外圈故障的1~6次谐波分量,而其他常用方法只能提取到少数故障频率且分辨能力较低,所提出方法的诊断效果明显,具有更高的应用价值和推广性能。