基于SVD和MED的滚动轴承特征提取

针对滚动轴承振动信号易受噪声影响,难以提取故障特征信息的问题,提出一种奇异值分解(singular value decomposition,SVD)重构结合最小熵反卷积(minimum entropy deconvolution,MED)增强的滚动轴承故障特征提取方法。首先,对振动信号进行SVD分解,并计算奇异分量(singular component,SC)对应线性峭度(L-kurtosis)值;其次,根据线性峭度值结合设定阈值筛选SC,叠加得到重构信号;随后,对重构信号利用MED进行增强,凸出信号中周期冲击成分;最后,结合包络解调提取故障特征频率。仿真信号及实测信号分析结果表明,该方法可以降低噪声对振动信号的影响且凸显故障的特征信息,实现故障诊断。

ITD结合参数优化MOMEDA的滚动轴承故障特征提取

针对固有时间尺度分解(Intrinsic time scale decomposition,ITD)方法在强背景噪声影响下难以提取轴承故障特征的问题,提出了一种ITD与参数优化的多点最优最小熵解卷积(Multipoint optimal minimum entropy deconvolution adjusted,MOMEDA)相结合的滚动轴承故障特征提取方法。首先根据包络谱峰值因子最大原则提取包含丰富故障信息的ITD分量,其次对该分量进行MOMEDA降噪处理。对影响MOMEDA滤波效果的两个参数——故障周期T与滤波器长度L分别以多点峭度和平方包络谱的基尼指数进行优化,最后进行包络谱分析提取故障特征频率。通过仿真信号与实测信号分析表明该方法能在强噪声干扰下有效提取故障特征。

基于IEWT-MOMEDA-FSC的滚动轴承故障诊断

针对滚动轴承故障信号常伴有噪声干扰且故障特征难以提取的问题,本文提出一种基于改进经验小波变换(IEWT)、多点优化最小熵解卷积(MOMEDA)和快速谱相关(FSC)的滚动轴承故障诊断方法.首先,将原始信号进行快速谱相关分析得到增强包络谱,通过增强包络谱的极值点来自适应地划分频谱,以分割的频谱为边界构建小波滤波器组将信号分解为多个IMF分量,利用相关峭度准则筛选出有效的分量进行叠加;其次,用MOMEDA对其进行降噪处理,将降噪后的信号进行快速谱相关分析,得到增强包络谱图;最后,将增强包络谱图中幅值较高的频率与故障频率对比,判定其失效形式,用所提出的方法对实测轴承故障信号进行分析验证.结果表明,所提出的方法能有效降低噪音干扰且增强信号故障冲击特性,在噪声环境下具有较强的故障特征提取能力.

基于MMED+TQWT方法的叶轮振动信号特征提取研究

为了提高高炉煤气余压发电装置(TRT)叶轮故障诊断能力,开发了以最小熵解卷积MMED和可调品质因子小波变换TQWT两种方法共同诊断叶轮故障的技术。先利用MMED方法转换初始振动信号获得更明显的故障冲击成分,再对经过预处理的信号实施TQWT分解,并设定相应的品质因子Q,再按照峭度最大原则确定子带最优分量并计算包络谱数据,实现叶轮故障的诊断功能。研究结果表明:采用本文方法分析故障冲击成分获得了显著增强,对噪声干扰起到了明显抑制作用。从包络谱内明显看到跟叶轮故障特征频率相同的频率特征,形成了明显的边频带,说明叶轮中已形成故障特征。

基于GI-AMED的滚动轴承早期故障诊断

针对滚动轴承早期故障信号受噪声干扰严重,特征频率难以提取的问题,提出了基于基尼系数(GI)和自适应最小熵解卷积(AMED)的滚动轴承早期故障诊断方法。首先,以基尼系数为指标对滚动轴承健康状态进行评估,得到轴承故障初始起点;然后,以模糊熵为标准,通过步长迭代的方式对最小熵解卷积滤波器长度L进行寻优,用优化后的自适应最小熵解卷积对轴承信号进行自适应降噪处理;最后,对预处理信号进行包络谱分析并提取故障特征频率,完成滚动轴承早期故障诊断。试验结果表明,基尼系数能够比均方根值更早判定轴承运行趋势的异常点,AMED则能够克服人为经验选取参数的局限性,且能够得到更清晰的故障特征频率,从而有效实现滚动轴承早期故障诊断。

基于OSSD-EMOMEDA的轮毂电机轴承故障特征提取方法

为了解决轮毂电机轴承早期微弱故障特征难以提取的问题,提出一种基于优化奇异谱分解(optimized singular spectrum decomposition,OSSD)和增强多点最优调整最小熵解卷积(enhance multipoint optimal minimum entropy deconvolution adjusted,EMOMEDA)的特征提取方法,以实现故障特征的检测与提取,及时掌握轮毂电机的运行安全。首先,提出由新的时频综合指标(time-frequency composite index,TCI)自适应优化分量个数的OSSD方法,并对原始信号进行前处理,通过包络谱峰值指标选择敏感的奇异谱分量。然后,提出EMOMEDA方法,设计一种改进的波形延拓策略恢复解卷积信号长度,克服MOMEDA算法的边缘效应,并通过二次解卷积运算获得最优解卷积信号。最后,对最优解卷积信号进行包络分析,实现故障特征的增强提取。分别采用仿真和试验信号验证所提方法的可行性,并将其与多种故障特征提取方法进行对比,证明了其优越性。结果表明,所提方法能够有效提取微弱故障特征,在特征增强方面具有可观的优势。

基于MVMD-MOMEDA的齿轮箱故障诊断方法

针对齿轮箱振动信号受复杂传递路径、强背景噪声的影响导致早期微弱故障难以诊断的问题,提出了一种基于多元变分模态分解(MVMD)和多点最优最小熵反褶积调整(MOMEDA)的齿轮箱故障诊断方法。首先,利用MVMD将融合后的多通道振动信号进行模态分解,得到一系列表征信号局部特征的IMF分量;其次,引入峭度值(Ku),选取最佳模态进行信号重构,剔除含噪声分量高的IMF;最后,对重构信号进行MOMEDA特征提取以识别故障频率,从而进行故障诊断。结果表明,所提故障诊断方法可以有效剔除噪声分量的干扰,识别出信号中的故障冲击成分及其倍频进而确定故障类型。MVMD-MOMEDA方法解决了在单一通道问题上无法处理多源信号的缺点以及早期微弱故障特征难以提取等问题,可为故障诊断和多源信号处理提供参考。

基于MOMEDA与BiLSTM的滚动轴承微弱故障识别方法

针对传统的滚动轴承智能诊断模型计算效率低和准确率欠佳问题,课题组提出一种基于多点最优最小熵解卷积(multipoint optimal minimum entropy deconvolution adjusted,MOMEDA)和双向长短时记忆(bidirectional long short-term memory network,BiLSTM)网络相结合的滚动轴承故障诊断模型。该模型利用MOMEDA方法增强故障特征,并结合遗传算法(genetic algorithm,GA)对BiLSTM模型参数进行优化,实现滚动轴承智能、高效及鲁棒性诊断。利用该模型对经典轴承数据集以及牵引电机轴承故障数据集进行验证,平均准确率达到了99.63%,分别比传统卷积神经网络(convolutional neural network,CNN)、单层长短时记忆网络(long short-term memory network,LSTM)、双向长短时记忆网络和最新的CNN-LSTM模型高16.02%,9.98%,7.01%和5.65%,验证了该模型的有效性和优越性。

基于ACMD与改进MOMEDA的滚动轴承故障诊断

针对强背景噪声下滚动轴承故障特征难以提取的问题,提出基于自适应非线性调频分量分解(adaptive chirp mode decomposition,ACMD)与改进多点优化最小熵解卷积(improved multipoint optimal minimum entropy deconvolution adjusted,IMOMEDA)的故障诊断方法。(1)为提高信号信噪比,采用基于基尼系数指标的ACMD,进行信号重构预处理;(2)为提高参数设定的准确性,提出改进的MOMEDA方法——利用天鹰优化算法,以多点峭度最大为目标,寻优确定滤波器周期参数;(3)对信号进行包络谱分析,通过对比包络谱的主导频率成分与理论故障特征频率,判断故障类型。仿真及实测数据分析结果表明,该方法能有效提取强背景噪声下的滚动轴承故障信号的特征信息,具备一定的优越性与实用性。

AVMD-IMOMEDA在滚动轴承声学复合故障诊断的应用

针对滚动轴承声信号存在较强的背景噪声干扰,微弱故障特征信息难以有效提取等问题,并考虑到声信号非接触式测量的优势。提出一种参数自适应变分模式分解结合改进多点最优最小熵反褶积(improve multipoint optimal minimum entropy deconvolution adjusted, MOMEDA)的复合故障声学诊断方法;采用综合指标解决变分模态分解(variational mode decomposition, VMD)参数自适应选择问题,利用最大加权峭度识别最优分量并重构信号,增强与故障特征相关的脉冲特征信息;结合IMOMEDA方法从重构信号中分离提取周期性的脉冲信号,通过包络解调获取故障特征频率。仿真信号和试验信号验证了该方法的有效性,与传统VMD、MOMEDA、VMD-MCKD(maximum correlation kurtosis deconvolution)方法进行比较,凸显了方法的优越性。

基于WOA-VMD联合MOMEDA的轴承外圈故障特征提取方法

滚动轴承工作环境较为复杂,在复杂的环境因素影响下,其故障特征信号容易受到噪声的影响,导致其难以被识别。针对这一问题,提出了一种基于鲸鱼优化算法(WOA)的变分模态分解(VMD)联合多点最优最小熵解卷积(MOMEDA)的滚动轴承外圈故障特征提取方法。首先,利用变分模态分解(VMD)对仿真信号进行了分解,使用鲸鱼优化算法(WOA)确定了最佳分解层数以及各分量的样本熵;然后,以样本熵最小值为目标寻优,得出了包含故障信号的最佳分量,对得到的最佳分量进行了MOMEDA重构,从重构信号的包络谱中获得了仿真信号故障特征频率及其倍频;最后,为了验证WOA-VMD联合MOMEDA的有效性,在实验台上采集数据,对滚动轴承的外圈故障信号进行了特征提取。实验结果表明:使用该方法可以高效地进行信号的分解寻优,能较为准确地得到仿真信号的故障频率(100 Hz)和实验台提取信号的近似故障频率(87.5 Hz),验证了该方法的有效性。研究结果表明:低信噪比的工况条件下,采用WOA-VMD联合MOMEDA的方法可以有效地提取滚动轴承的故障特征信号,并能从重构信号中提取故障特征频率。

基于MKurt-MOMEDA的齿轮箱复合故障特征提取

针对齿轮箱中旋转零部件的故障信号是周期性的冲击信号这一特性,提出了一种基于多点峭度(multipoint kurtosis,简称MKurt)和多点最优最小熵反褶积(multipoint optimal minimum entropy deconvolution adjusted,简称MOMEDA)的齿轮箱复合故障特征提取方法。利用MKurt可以有效提取齿轮箱中被噪声淹没的冲击性振动信号的周期,实现对振动信号振动源的追踪。根据故障的周期设置合理的周期区间,通过MOMEDA对原信号进行降噪,进一步提取原信号的周期性冲击。通过仿真信号和实测数据的分析和验证,证明了MKurt-MOMEDA方法可以准确有效地诊断齿轮箱复合故障故障特征。

基于MED-EEMD的滚动轴承微弱故障特征提取

针对滚动轴承在强噪声环境下故障信号微弱、故障特征难以提取等问题,提出了基于最小熵反褶积(minimum entropy deconvolution,MED)和总体平均经验模态分解(ensemble empirical mode decomposition,EEMD)两者相结合的方法来提取滚动轴承微弱故障特征。通过对仿真信号和风电齿轮箱的振动信号分析,结果表明:为了弥补在强背景噪声下EEMD对微弱信号特征提取的局限性,该文选取MED作为EEMD的前置滤波器,最后对敏感的本征模态函数进行循环自相关函数解调分析,得出了风电齿轮箱的故障来自于高速轴的微小弯曲和高速轴输出端#10轴承外圈点蚀。同时与EEMD进行对比分析,表明了这种方法对微弱故障特征提取有较好的适用性。该文为多故障共存并处于强背景噪声下的微弱特征提取提供了参考。

基于MED-RSSD的滚动轴承早期故障特征提取

滚动轴承出现早期故障时,因为背景噪声的影响,故障信号非常微弱,故障信息难以提取,为了能有效检测出轴承故障,提出了最小熵反褶积(Minimum entropy deconvolution,MED)与共振稀疏分解(Resonance sparse signal decomposition,RSSD)相结合的诊断方法。首先,运用最小熵反褶积对含有噪声的轴承故障振动信号进行降噪处理;然后,对处理后的信号进行共振稀疏分解,将信号分解成包含谐波信号的高共振分量与包含瞬态冲击信号的低共振分量;最后,将低共振分量进行包络功率谱分析提取故障特征频率。通过信号仿真和实验处理,表明该方法对微弱故障特征提取具有较好的适用性。

基于MED和ICA的滚动轴承循环冲击故障特征增强

针对强噪声背景下多个传感器对同一振动源同步采集多组数据的情况,提出一种基于最小熵解卷积和独立成分分析的联合降噪方法,并用于滚动轴承循环冲击故障特征的提取。利用最小熵解卷积对各传感器的信号分别进行盲解卷滤波,消除信号传递路径的影响,从噪声信号中初步提取出故障冲击特征;对各传感器的滤波信号进行独立成分分析处理,将信号进行重组后得到重构分量,进一步消除噪声成分,使故障冲击特征成分得到二次增强;选取峭度最大的最优独立成分分析重构分量并进行包络谱分析,得到诊断结果。通过仿真数据和实验室数据分析验证了该方法能够增强滚动轴承的循环冲击特征,便于识别故障类型。

基于自适应MOMEDA与VMD的滚动轴承早期故障特征提取

轴承故障衍生早期,由于故障尺寸较小且易受环境噪声和信号衰减的影响,因此故障冲击信号往往非常微弱。变分模态分解(Variational Mode Decomposition,VMD)已经在轴承的故障特征提取中有一定的应用,但对于背景噪声较强时的滚动轴承的微弱故障提取效果并不理想。针对这一问题,将改进多点优化最小熵解卷积(Multipoint Optimal Minimum Entropy Deconvolution Adjusted,MOMEDA)与VMD相结合,研究了滤波器长度对MOMEDA效果的影响,提出基于进退法确定最优滤波器长度的自适应MOMEDA方法。利用自适应MOMEDA对信号降噪并避免传统MED迭代以及滤波后可能出现的虚假峰值。将自适应MOMEDA降噪后的信号使用VMD进行分解,然后依据谱峭度大小进行重构,对重构之后的信号进行故障特征提取,取得了较好的效果。最后通过实验验证了方法的可行性及有效性。

基于MED和EEMD的滚动轴承故障诊断方法

针对滚动轴承早期微弱故障特征难以提取的问题,提出将最小熵反褶积(MED)和集成经验模态分解(EEMD)方法相结合用于提取轴承微弱故障特征的方法。首先,采用MED对滚动轴承振动信号降噪,以增强冲击特征;然后,利用EEMD分解降噪后信号得到一组固有模态分量(IMF),依据相关系数和峭度准则,选择敏感的IMF分量重构信号,并采用希尔伯特包络解调提取故障特征;最后,通过仿真信号和实验台信号验证了该方法的有效性。

双树复小波和MED在齿轮箱早期故障诊断中的应用

针对齿轮箱轴承早期故障特征信号微弱且受环境噪声影响严重,故障特征信息难以识别的问题,提出了双树复小波变换(dual-tree complex wavelet transform,DT-CWT)和最小熵反褶积(minimum entropy deconvolution,MED)的故障诊断方法。首先对采集到的振动信号进行双树复小波分解,得到几个不同频段的分量,由于噪声的干扰,从各个分量的频谱中很难对故障做出正确的判断。然后对包含故障特征的分量进行最小熵反褶积滤波处理以消除噪声影响,凸显故障特征信息。最后对滤波后的信号进行Hilbert包络谱分析,即可从中准确地识别出轴承的故障特征频率。通过齿轮箱轴承故障模拟实验和工程应用实例分析验证了该方法的有效性与优越性。

自适应MED结合EMD诊断滚动轴承早期故障

针对最小熵解卷积(MED)降噪效果受滤波器长度影响问题,提出一种利用步长迭代算法和包络谱熵检验准则的自适应MED降噪方法,并结合经验模态分解(EMD)提取滚动轴承微弱故障特征。首先利用自适应MED降噪方法对原信号进行最优降噪处理,然后通过EMD将降噪信号分解为若干个本征模函数(IMF)分量,再选取峭度值最大的IMF进行包络谱分析,根据包络谱中故障特征频率实现故障诊断。仿真信号和实测信号分析结果表明其优于基于EMD的包络解调方法。

基于SK‑MOMEDA的风电机组轴承复合故障特征分离提取

针对在实际工况中风电机组滚动轴承发生复合故障时,多个故障间相互作用,彼此干扰,造成复合故障特征难以分离问题,提出了基于谱峭度(spectral kurtosis,简称SK)与多点最优调整的最小熵解卷积(multipoint optimal minimum entropy deconvolution adjusted,简称MOMEDA)的风电机组滚动轴承复合故障特征分离提取方法。首先,对复合故障信号进行谱峭度分析,选出能量较大的共振频带,并通过构建带通滤波器对相应的共振频带进行滤波,对滤波信号进行包络谱分析,对单一故障特征进行分离提取;其次,对未能实现单一故障特征提取的滤波信号进行多点峭度谱分析并确定故障周期,应用MOMEDA完成后续分离提取过程。仿真信号和工程应用分析结果表明,该方法能够准确且有效地实现轴承复合故障特征的分离提取。