基于自适应多尺度形态梯度变换的滚动轴承故障特征提取

滚动轴承故障信号是一种典型的周期性冲击信号,如何从含有强噪声的振动信号中有效地提取出冲击特征信号是轴承故障诊断的关键。基于数学形态学理论,提出了一种自适应多尺度形态梯度变换(AMMG)方法,能够在有效抑制噪声的同时很好的保留信号的细节。仿真信号和实测轴承故障信号的分析结果表明,与常用的包络解调分析和近来提出的另一种基于数学形态学的形态闭变换方法相比较,自适应多尺度形态梯度变换具有更强的噪声抑制和脉冲提取能力,并且计算简单、快速,为滚动轴承故障特征提取提供了一种有效的方法。

非负矩阵分解在发动机故障特征提取中的应用

信号处理与特征参数提取是发动机故障诊断的核心和关键。提出了采用自适应多尺度形态梯度算法对信号进行处理,综合利用小尺度下能保留信号细节和大尺度下抑制噪声能力强的优点,能够在强噪声背景下有效地提取振动信号中能够反映发动机工作状态的有用分量;在此基础上提出采用非负矩阵分解的特征提取方法对信号进行压缩,计算用于发动机故障诊断的特征参量。结果表明:与传统的信号处理与特征参量提取方法相比,所提的方法具有更高的分类精度,为准确判断发动机故障状态提供了一种行之有效的新方法。

基于自适应多尺度形态梯度与非负矩阵分解的轴承故障诊断

轴承故障诊断的关键步骤是信号处理与特征参数提取。提出采用自适应多尺度形态梯度算法对轴承振动信号进行处理,综合利用小尺度下能保留信号细节和大尺度下抑制噪声的优点,可有效地提取振动信号中反映轴承状态的冲击分量;在此基础上提出采用非负矩阵分解技术对信号进行压缩,计算用于轴承故障诊断的特征参量。采用轴承在七种状态下的振动信号对所提出的信号处理和特征参数提取方法进行验证,结果表明:与传统的信号处理与特征参量提取方法相比,本文提出的方法具有更高的轴承故障分类精度,为准确判断轴承工作状态提供了一种行之有效的新方法。