基于多带加权包络谱的轴箱轴承故障诊断

为增强复杂噪声干扰下轴箱轴承故障检测的鲁棒性,基于循环谱分析并考虑轴承故障信息分布差异和阈值降噪,对轴箱轴承故障诊断的包络谱构造方法进行了研究.首先,提出频域信噪比作为轴承故障信息量化的新测度,用于评估谱相干中不同谱频带内的轴承故障相关信息;其次,构造以谱频率为变量的故障特征信息分布函数,并自适应确定信息阈值来辨识谱相干中故障信息丰富和干扰噪声主导的谱频率分量,进一步基于故障特征信息分布函数和信息阈值设计权重函数;最后,由谱相干和权重函数生成融合多带信息的多带加权包络谱,通过分析谱中的轴承故障特征频率来检测轴箱轴承的不同故障.铁路轴箱轴承实验数据的分析结果表明:相比于基于谱相干的典型包络谱方法,多带加权包络谱能够在复杂噪声干扰下准确识别轴箱轴承的外圈、滚动体和内圈故障,并能取得更高的性能量化指标(频域信噪比和负熵).

重复使用火箭涡轮泵轴承故障特征提取方法优化

涡轮泵轴承是可重复使用火箭的关键,因此能够有效提取出轴承故障特征频率从而展开故障诊断十分重要。将奇异值分解(SVD)和包络谱解调法相结合,对火箭涡轮泵轴承展开故障特征提取。对轴承内环、外环及滚动体故障数据进行处理和分析,结果表明,针对信号中含有大量噪声的数据,相比传统的包络谱解调法,改进方法的故障特征提取效果明显提升。通过该方法提取出的3种故障低频特征频率的相对幅值相比于传统包络谱解调均有提升。同时,可以有效降低高频噪声的干扰,尤其在高频区依然可以看到比较明显的特征频率,而传统包络谱解调法的高频区基本被噪声覆盖。通过计算得出信号的信噪比均有60 dB以上的提升。

参数优化FMD的滚动轴承早期故障诊断

由于滚动轴承早期故障信号特征微弱,特征模态分解(feature mode decomposition, FMD)分解性能受参数滤波器长度L和模态个数n的影响,提出一种参数优化FMD早期故障诊断方法。首先,基于平方包络谱基尼系数(square envelope spectrum gini indix, SESGI)自适应确定FMD的滤波器长度L和模态个数n;其次,采用参数优化的FMD将信号分解为n个模态分量,并根据峭度值最大选择敏感模态分量;最后,对敏感模态分量进行包络分析,判断滚动轴承故障类型。仿真和实验结果表明,该方法可以自适应确定FMD最优参数组合,有效提取故障特征信息。通过与变分模态分解(variational mode decomposition, VMD)对比分析,参数优化FMD提取到的故障特征频率倍频较明显,具有更好的特征提取性能,能够实现滚动轴承故障的精确诊断。

基于加权联合提升包络谱的轴箱轴承故障诊断

为解决列车轴箱轴承微弱故障特征在宽频带上难以提取的问题,基于轴承故障信号的二阶循环平稳特性,提出了一种利用加权联合提升包络谱进行故障诊断的方法.首先,利用谱相干算法将振动信号分解到由频谱频率和循环频率构成的双频域,实现振动信号在全频带内的精细化解调,并基于谱相干的局部特征识别轴承候选故障频率;接着,利用1/3二叉树滤波器将频谱频率分割为不同中心频率和带宽的窄带,在窄带内沿着频谱频率对谱相干的模进行积分,得到窄带提升包络谱;然后,以候选故障频率在窄带提升包络谱中的能量占比为诊断性指标,在每一分解层上构造联合提升包络谱;最后,对不同分解层的联合提升包络谱进行加权平均,得到轴承振动信号的加权联合提升包络谱.轨道车辆轴箱轴承台架试验信号的研究结果表明:所提方法的优势在于能充分整合分布于不同窄带内的轴承故障信息,且不依赖于名义故障周期信息;和现有方法相比,能更有效地揭示轴承故障特征频率及其谐波特征,在提取和识别轴箱轴承微弱故障方面具有一定优势.

SVD和复合平方包络谱的滚动轴承故障诊断

由于传统奇异值分解故障诊断方法难以选择子信号故障点以及Hankel矩阵行数,提出了一种基于奇异值分解和复合平方包络谱的滚动轴承诊断方法。首先分析了两种常用的子信号重构方法的区别。然后引入DR指标来确定奇异值分解序列,并通过数值模拟得到了轴承故障诊断的Hankel矩阵最佳行数范围。由于得到的子信号存在畸变和子信号间能量分布的奇异值分布,通过反对角平均法以及复合平方包络谱对轴承进行故障诊断。最后通过实验证明了提出方法在缺少先验知识情况下能够实现有效的轴承故障诊断。

基于VMD⁃ESA和IPOA⁃XGBOOST相结合的异步电机故障诊断

为了提高异步电机故障诊断的准确度,提出一种结合变分模态分解(VMD)、包络谱分析法(ESA)和改进的鹈鹕优化算法优化的极限梯度提升模型(IPOA‐XGBOOST)的智能诊断方法。首先,对实测的异步电机振动信号进行VMD分解,并用ESA计算VMD分解得到的本征模态分量(IMFs)的瞬时能量矩阵;然后用奇异值分解法(SVD)对得到的瞬时能量矩阵进行特征提取;最后,使用提取到的特征向量训练IPOA‐XGBOOST模型,得到异步电机的故障诊断准确率。另外,为了解决鹈鹕优化算法容易陷入局部最优解、寻优速度慢等问题,使用Circle映射改进鹈鹕优化算法。将改进的鹈鹕优化算法、遗传算法(GA)和鹈鹕优化算法进行寻优分析,实验结果表明,改进的鹈鹕优化算法的寻优效果最好。

基于VMD自适应模态重组的光学下变频信号分离方法

光学下变频技术可将宽频带内全部电磁信号同时下变频到低频区间进行接收,是一种新型宽频带电磁环境快速接收技术。但是,获取的光学下变频信号中包含源个数未知、带宽不同的多种信号,现有信号分离方法需要获知源信号的个数,且无法同时分离窄带信号和宽带信号。为实现对光学下变频信号的自动分离,提出了一种基于变分模态分解(VMD)自适应模态重组的光学下变频信号分离方法。通过频谱分割因子和频谱包络检测,对光学下变频信号的VMD过分解模态进行自动重组和信号重组模态提取,实现光学下变频信号分离。对于包含普通脉冲信号、宽带码分多址(WCDMA)信号和线性调频脉冲信号的光学下变频信号,可自动实现对三种信号的分离,且与原信号的相似系数均高于0.97。实验结果表明,所提及方法在分离光学下变频信号时无需获知源信号的个数,并能同时分离具有不同带宽的多种源信号。

基于ICEEMDAN和Hilbert包络谱的滚动轴承故障诊断研究

针对滚动轴承故障振动信号因属于非平稳特征信号而导致故障特征频率难以提取的问题,提出了基于改进自适应噪声完备集合经验模态分解(ICEEMDAN)和Hilbert包络谱的滚动轴承故障诊断方法.首先,利用ICEEMDAN对故障信号进行模态分解,产生一系列的固有模态分量(IMF);然后,找出与原信号相关度较高的模态分量,作该模态分量的Hilbert包络谱图,并提取滚动轴承的故障特征频率.最终,通过对滚动轴承外圈和内圈的故障信号进行分析,并将结果与经验模态分解(EMD)的结果比较,证明了经过ICEEMDAN分解后Hilbert包络谱图能够明显反映轴承故障的特征频率,该方法可有效诊断滚动轴承的外圈和内圈故障.

基于小波包和Hilbert包络谱的滚动轴承故障诊断

针对滚动轴承故障信号中包含有多种干扰信号而导致故障特征频率难以提取的问题,提出了基于小波包和Hilbert包络谱相结合的滚动轴承故障诊断方法。该诊断方法在频域找出干扰信号较少的频段;利用小波包对故障信号分解,并对干扰信号较少的频段进行信号重构;对重构信号作包络谱图,提取滚动轴承故障特征频率。通过对滚动轴承外圈和内圈故障的信号分析,证明了该方法能准确地识别滚动轴承外圈和内圈故障。

基于MODWPT平方包络峭度谱的轴承声信号故障诊断方法

针对噪声干扰条件下的轴承声信号故障诊断问题,可以通过基于最大重叠离散小波包变换(MODWPT)的平方包络峭度谱法对轴承进行故障诊断。该方法首先对原始非平稳信号用MODWPT分解为若干个子频带分量之和,再对各子频带分量做平方包络峭度谱,快速定位原始非平稳信号当中冲击成分显著的频带范围,最后对目标频带做带通滤波并进行包络解调可得到故障诊断结果。通过实测轴承声信号数据验证,该方法可以有效地对轴承进行故障诊断。

基于EMD和Hilbert谱的风电机组滚动轴承故障诊断方法研究

滚动轴承是风电机组传动系统的关键零部件,恶劣的服役工况导致其故障率比较高,且故障所造成的经济损失比较大,对风电机组滚动轴承故障诊断具有重要的现实意义。针对传统包络谱分析在复杂故障诊断中的局限性,联合EMD和Hilbert谱提出了滚动轴承故障诊断的新方法。对实测振动信号进行小波分解得到高频系数,并对高频系数进行Hilbert变换,得到包络信号。将包络信号进行EMD分解,计算各IMF分量的瞬时频率,结合故障频率选择有用的IMF分量,最终得到用于故障诊断的局部Hilbert边际谱。将该方法应用于实测风电机组滚动轴承外圈和内圈故障振动信号分析中,其在提取滚动轴承故障频率方面的性能优于传统包络谱分析法。

Envelope函数与Chebyshev滤波的滚动轴承故障诊断

为了更有效的提取变工况下滚动轴承的故障特征,抑制振动信号中由转速或载荷波动引起的趋势项。文章针对变工况条件下的滚动轴承故障诊断,提出了一种基于Envelope函数与包络阶次谱的变工况下滚动轴承故障诊断。在传统的故障诊断方法中,求某一信号包络时用的最多的是希尔伯特变换,但并不是希尔伯特变换适用于所有信号包络的情况。文章运用契比雪夫滤波方法提高信号中的信噪比,为避免转速升降、波动或载荷变化引起的趋势项对测试信号的影响,用Envelope函数计算信号包络。通过仿真数据和实验数据分析表明基于Envelope函数的包络能更有效的计算出变工况下调幅信号中的调制阶次,用切比雪夫波滤波可以使得变工况下信号中故障特征阶次更加明显,更有利于故障识别,为变工况下的机械故障诊断提供参考。

基于全矢包络融合双层降噪处理的轴承故障特征提取

针对轴承故障信号受背景噪声影响,而难以准确提取故障冲击特征的问题,提出一种噪声辅助多元经验模态分解(Noise-assisted Multivariate Empirical Mode Decomposition,NA-MEMD)与全矢包络快速独立分量分析(Fast Independent Component Analysis,FastICA)相结合的轴承故障特征提取方法。该方法将同源双通道信号进行NAMEMD分解,根据相关性系数选取包含故障特征的固有模态函数(Intrinsic Mode Function,IMF)进行重构;对重构信号进行快速独立分量分析,最后进行全矢包络融合,提取轴承故障特征。对实际轴承信号的分析验证该方法能有效提取完整高阶故障频率,同时降低包络谱特征统计参数的冗余。

基于分数阶滤波的全息阶比解调谱及齿轮早期故障诊断

为提高变速器齿轮早期故障诊断的准确性和可靠性,提出了一种基于分数阶傅里叶变换(fractional Fourier transform,FRFT)滤波的全息阶比解调谱方法。对变速器变转速过程的水平与垂直测点振动包络信号进行分数阶滤波,分离出调制频率分量,再对分离后信号进行全息阶比谱分析,得到调制分量的全息阶比解调谱,并对齿轮早期点蚀故障进行故障诊断。试验结果表明,基于分数阶滤波的全息阶比解调谱,兼具分数阶滤波分离频率变化分量的特点与全息阶比谱融合多维特征的优势,既能有效分离变转速过程的调制分量,隔离其他分量和噪声干扰,又能有效融合两个方向的关键特征信息,有效诊断出单测点单特征方法难以识别的齿轮早期故障。

自适应稀疏贝叶斯滤波在轴承故障提取中的应用

稀疏贝叶斯滤波作为一种简单、新颖的滤波器,对噪声中的步进动态具有较好鲁棒性。同时,该滤波器引入一种L1正则化,其稀疏解可通过标准凸优化方法快速获得,因此它也具有较高的运算效率。但是在原始的稀疏贝叶斯滤波中,正则化参数必须提前设定,而该种参数的选择主要依靠人为经验,这就可能导致所选择的参数无法满足要求。针对现有不足,提出一种基于樽海鞘群优化算法的自适应稀疏贝叶斯滤波的轴承故障提取方法。该种自适应滤波方法采用轴承故障信号的包络谱峭度和负熵为目标函数选择最优的正则化参数,从而得到最优的滤波信号。最后通过包络分析得到轴承故障特征频率。通过模拟数据和真实数据证明该方法的有效性和优越性。

基于WPT-ESCDE的电气设备运输车轮对轴承故障特征提取方法

变压器等电气设备的吊装、转运环节是疏于监控的薄弱环节,极易发生机械冲击引起的二次损伤,而轨道运输车的轮对承载特性及轮对轴承运行状态关乎运输安全。综合考虑轨道运输车轮对轴承运输环境,分析振动信号中存在的主要成分及特征,提出一种基于小波包-包络谱相关散布熵(WPT-ESCDE)的故障特征提取方法。首先,对振动信号的离散时间序列进行小波包分解,并对小波包子带系数进行重构;其次,对每个小波包子带计算平方包络谱,得到离散频率序列,将得到的小波包子带包络谱离散序列看作广义时间序列进行相关分析,得到包络谱相关函数;最后,计算包络谱相关函数的散布熵,筛选最优小波包子带序列进行特征提取。通过仿真分析和QPZZ-Ⅱ旋转机械故障模拟实验台实测信号验证了所提方法的有效性。

基于VMD-MMPE的轧机轴承滚动体与保持架故障诊断

针对板带轧机轴承工作环境恶劣、保持架与滚动体极易损坏、信号噪声大、识别困难以及实际工况对诊断速度要求高等问题,首先,提出粒子群优化变分模态分解(particle swarm optimization-variational mode decomposition,简称PSO-VMD)和多元多尺度排列熵(multivariate multiscale permutation entropy,简称MMPE)的故障诊断方法,并结合粒子群优化支持向量机(particle swarm optimization-support vector machine,简称PSO-SVM)实现故障分类;其次,轴承振动信号经VMD处理为若干模态分量(intrinsic mode functions,简称IMF),选最优分量进行包络分析;然后,针对轧机轴承垂直水平轴向振动差别较大且受较大径向力与轴向力的特点,采用MMPE并考虑3维振动信号的4个分量的MMPE值与时域指标组成特征向量;最后,基于PSO-SVM模型对方法的有效性进行验证。计算和实验结果与集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)与局部均值分解(local mean decomposition,简称LMD)方法对比表明,VMD-MMPE可以优化模型的输入,提高模型的诊断正确率和速度,实现轴承保持架与滚动体不同部位和不同损伤程度的故障诊断,具有重要的工程意义。

基于集成包络谱的滚动轴承早期故障检测指标

针对常规统计指标对滚动轴承早期故障不敏感的问题,该研究基于集成包络谱(integrated envelope spectrum,IES)提出一种滚动轴承早期故障检测指标——集成包络谱谱峰因子(integrated envelope spectrum peak factor,IESPF),应用于轴承早期故障检测。首先,对信号进行快速谱相干(fast spectral coherence,Fast-SCoh)计算;然后,根据循环频率与谱频率的映射关系确定包含故障信息丰富的频带,并对该频带积分获得IES;最后,计算IES的最大值与其均方根值的比值,从而获得该研究所提指标IESPF,应用于轴承外圈故障检测。通过分析滚动轴承外圈模拟故障试验数据和疲劳试验数据表明,该研究所提指标对轴承外圈早期故障较敏感,适用于早期故障检测。

包络谱稀疏指标盲滤波器的轴承状态监测

为了解决包络谱稀疏问题,提出了一种基于包络谱稀疏指标盲滤波器的轴承状态监测方法。提出的盲滤波器利用三种不同的稀疏性测度:l1/l2范数、霍耶指数和谱负熵导出,迭代优化过程的关键是利用Rayleigh商来更新滤波器系数,从而在不需要知道有关机械部件的特征故障频率等先验信息条件下,利用包络谱的稀疏性来跟踪振动信号中具有二阶循环平稳特征的故障。轴承数据集的实验结果表明提出的方法能够实现具有循环平稳特征的轴承故障跟踪,并且对滤波器长度具有良好的鲁棒性。

结合LSTM和Self‑Attention的滚动轴承剩余使用寿命预测方法

为了构建准确表征滚动轴承退化过程的趋势性健康度指标,提高滚动轴承剩余使用寿命(Remaining Useful Life,RUL)的预测精度,提出了一种结合长短期记忆(Long‑Short Term Memory,LSTM)和自注意力(Self‑Attention)机制的神经网络模型(LSTM‑SA)用于滚动轴承RUL预测。利用包络解调获得原始信号的包络谱,再将包络谱分段并计算对应频段的皮尔逊相关系数,得到具有单调性和趋势性的退化特征;将退化特征归一化处理后作为LSTM‑SA模型的输入,并利用LSTM自适应提取退化特征时间上的内部相关性以及Self‑Attention对关键信息的筛选,消除无用信息的干扰,挖掘深层次特征,构建健康度指标并得到退化曲线;确定失效阈值,利用最小二乘法拟合退化曲线,预测寿命失效点,实现滚动轴承的RUL预测。在PHM2012数据集上的实验结果表明,所提出的方法相比于其他文献,平均绝对误差分别降低了43.18%,62.57%和59.44%,平均得分分别提高了10.87%,45.71%和34.21%;在工程实际数据中的实验结果表明,所提出方法的平均预测误差分别比Standard‑RNN和CNN方法降低了39.58%和74.86%。