基于改进EMD-Kurtogram法的滚动轴承早期故障诊断研究

实现滚动轴承早期故障准确诊断的关键是得到故障部位有效振动信息,但实际工程中所采集到的轴承振动信号常含有噪声、干扰成分,给有效信息的选择带来了困难。带通滤波是解决该问题的有效方法之一,但不合理的滤波器参数会降低诊断结果的准确性。为此,提出一种基于改进EMD-Kurtogram法的滚动轴承早期故障诊断方法。该方法首先对EMD方法处理后的采样信号进行重构,再根据快速谱峭度图得到带通滤波器所需要的最优参数,最后经过带通滤波及时频域分析得到故障频率。通过实验平台验证及相关算法的对比得出,所提方法得到的故障倍频信息更加充分、清晰,所含噪声干扰更少,证明了该方法的有效性和先进性。

基于快速Kurtogram算法的中间介质随机共振信号特性分析

【目的】探讨机械关键部位缺陷信号在经过界面结构时易受中间介质的影响而难以准确识别的问题。【方法】以界面结构间常见的水和机油作为中间介质,结合随机共振理论和Kurtogram算法对不同中间介质与信号传输特性之间的关系进行深入研究。【结果】当中间介质的面积增加时,信号的能量相对衰减率呈先减小后稳定的趋势,且与机油相比,通过水的信号的能量衰减速度更快。【结论】对通过不同介质的信号进行了随机共振和快速Kurtogram算法的处理,将处理结果与原始信号对比,发现该方法能有效提高信号特征参数的可辨度;另外,能量相对衰减率能有效表征通过不同中间介质的信号在信号集中频率区域内的变化规律。

基于SVD与Fast Kurtogram算法的滚动轴承声发射故障诊断

针对声发射检测齿轮箱轴承故障问题,提出基于奇异值分解(Singular Value Decomposition,SVD)与Fast Kurtogram算法的故障诊断方法。通过奇异值分解提高信号信噪比;将Fast Kurtogram算法用于故障信号共振解调带通滤波器参数确定,结合能量算子解调包络谱,成功提取齿轮箱轴承内外圈故障特征,有效改善传统共振解调中人工选择滤波器参数的不确定性。通过仿真与实验数据验证所提方法的有效性。

基于Kurtogram与DSCN的滚动轴承故障诊断方法

为揭示不同轴承故障类型的特征,提高故障诊断的精度与效率,提出一种基于Kurtogram与深可分卷积神经网络(DSCN)相结合的轴承故障诊断方法。在利用原始振动信号生成Kurtogram的基础上,通过DSCN学习和识别不同故障模式下Kurtogram的图形特征,自动提取优势特征并进行故障分类。结果表明:相对于其他故障诊断方法,提出的方法在测试集上的识别精确度较高,可达到97.28%;同时,DSCN在降低参数量及提高训练速度上具有明显优势。

基于快速kurtogram算法的共振解调方法在滚动轴承故障特征提取中的应用

共振解调方法是滚动轴承故障特征提取和故障诊断中最为常用的一种方法。然而传统的共振解调技术存在带通滤波参数(中心频率和滤波带宽)需要人工进行预先确定,其具有很大的偶然性、局限性等缺陷。本文将快速Kurtogram算法用于共振解调技术带通滤波器参数的确定中,并结合共振解调技术成功运用于滚动轴承的故障特征提取,弥补了传统共振解调方法需要人工干预进行带通滤波参数确定的不足,并分别进行仿真和实验来验证该方法的有效性。

基于LMS和Fast-Kurtogram的滚动轴承早期故障诊断

针对滚动轴承早期故障特征提取困难的问题,提出一种LMS(Least Mean Square,LMS)算法降噪、FastKurtogram选频和共振解调技术相结合的滚动轴承故障诊断方法。首先对采集到的信号进行自适应降噪,减弱背景噪声的影响;然后利用谱峭度值对故障信号中瞬态成分敏感的特性,通过计算降噪后信号的快速峭度图,确定滤波器最优频带中心和带宽;最后进行共振包络解调提取出滚动轴承早期故障特征。通过仿真和实验验证分析,验证了该方法在滚动轴承早期故障诊断中的适用性和有效性。

基于cICA-Kurtogram的变转速齿轮故障特征提取

在变转速齿轮故障特征提取过程中,针对约束独立分量分析对源噪声免疫能力差的问题,提出一种将约束独立分量分析、计算阶次跟踪和快速谱峭度相结合的方法。根据电机瞬时转频,获得故障齿轮的瞬时啮合频率,建立矩形波参考信号;利用约束独立分量分析提取故障特征更明显的时域信号,即相应的独立分量;然后基于故障齿轮所在轴的瞬时相位,通过等角度重采样将时域相应的独立分量转换为角域平稳信号;从阶次谱中提取故障齿轮特征阶次;根据快速峭度谱选择合适的滤波器参数对角域相应的独立分量进行滤波,获得平方包络谱,以判断故障齿轮所在轴的位置。结果表明,该方法是一种适用于变转速工况下齿轮箱振动状态监测与故障诊断的有效方法。

基于自适应EEMD与Fast Kurtogram的齿轮箱故障诊断

针对集合经验模式分解算法中添加白噪声幅值大小和总体平均次数过分依赖于人的主观经验或多次尝试,具有较大主观性和盲目性的不足,提出一种自适应EEMD结合快速峭度图(Fast Kurtogram)的故障诊断方法。首先将采集到的振动信号进行EMD预处理以自适应的获取EEMD算法的关键输入参数,然后结合峭度与互相关系数“双阀值准则”快速选取分量进行信号重构以突出故障特征,并通过快速峭度图选取最佳滤波参数,最后对滤波后的信号做包络谱分析,实现故障特征频率的提取与故障诊断。通过模拟信号分析及减速器齿轮箱的故障诊断工程应用,并与EMD方法及传统EEMD方法进行对比分析,验证了提出方法的有效性。结果表明,所提出的方法能够从含有强烈背景噪声的信号中成功提取出减速器齿轮箱的早期微弱故障特征,提高了故障诊断的及时性与准确性。

基于VMDFK和图像编码技术CNN网络刀具磨损状态识别

针对采集刀具加工数据过程中有冗余信息和干扰信号,导致刀具磨损状态特征识别困难、识别精度不高等问题,提出一种基于快速谱峭度图的变分模态分解模态分量选取(VMDFK)与格拉姆角场(GAF)图像编码技术相结合的卷积神经网络(CNN)刀具磨损状态识别方法。首先通过变分模态分解和快速谱峭度图,筛选符合要求的模态分量并重构;再采用形态滤波对重构信号去噪和增强;最后通过格拉姆角场图像编码技术,将经去噪增强后的信号转换为格拉姆角场图,并将其输入卷积神经网络中提取特征,较好地解决了信号中的干扰和图像识别中图像特征不明显问题。实验结果表明:该方法可准确清晰地展现刀具磨损状态的特征,在即时性、准确度等方面有较大提高,实现对刀具不同磨损状态的实时智能识别,具有较好的效果。

Recognition of complex and multiple power quality disturbances using wavelet packet-based fast kurtogram and ruled decision tree algorithm

This paper introduces an algorithm based on wavelet packet supported fast kurtogram and decision rules for the identification and classification of complex power quality(PQ)disturbances.Features are extracted from the signals using fast kurtogram,envelope of filtered voltage signal and amplitude spectrum of squared envelop.Proposed algorithm can be implemented for the recognition of the complex PQ disturbances,which include the combination of voltage sag and harmonics,voltage momentary interruption(MI)and oscillatory transient(OT),voltage MI and harmonics,voltage sag and impulsive transient(IT),voltage sag,OT,IT and harmonics.Proposed work has been performed using the MATLAB software.Performance of the algorithm is compared with performance of algorithm supported by discrete wavelet transform(DWT)and fuzzy C-means clustering(FCM).

基于自适应Autogram+OSF滤波的电机轴承故障诊断

自相关谱峭度图Autogram方法可以对初始信号非周期脉冲与噪声进行限制的方式测定周期性脉冲,获得更精确的最优频带。设计了一种自适应Autogram方法,通过顺序统计滤波(OSF)方法完成电机轴承故障信号傅里叶谱的包络处理。研究结果表明:采用自适应Autogram方法进行处理时具备良好可行性。采用本方法测试佳解调频带的效果比滤波器快速谱峭度方法的性能更优。相对自适应Autogram方法并未形成明显的二倍与三倍频特征频率,产生了众多干扰分量。

基于EEMDFK和注意力CNN网络的刀具磨损状态识别

针对加工数据采集存在数据量大且干扰信号复杂,导致刀具磨损状态识别方式复杂、识别精度低等问题,提出一种基于快速谱峭度图的集合经验模态分量选取(EEMDFK)与注意力机制的卷积神经网络(ACNN)相结合的识别方法。针对集合经验模态存在选取模态分量困难的情况,引用快速谱峭度图选择策略选取最优分量。通过集合经验模式分解从所采集的不同状况下的刀具振动信号分解出故障信号特征;通过快速谱峭度图选择策略选取内在模函数并进行HHT时频分析,生成时频图;将时频图输入所设计的识别模型进行学习,通过注意力机制提高特征提取效率,并使保存的模型在测试集中对不同刀具磨损状态进行了识别。实验结果表明,该方法对刀具不同状态下的识别率可达99.7%,实现了不同磨损状态下刀具的智能识别,并具有较好的泛化能力和鲁棒性。

基于峭度谱的口环碰摩声特征提取与试验验证

为避免离心泵口环与叶轮之间发生碰摩,对口环碰摩故障提供预警,提出一种能够准确识别和诊断口环碰摩异常现象的特征提取方法.以动静环碰摩动力学机理为基础,结合声信号与谱峭度分析,建立离心泵口环-叶轮碰摩的故障声信号模型.构造不同的工况信号,从信噪比、随机滑动程度2个角度,对峭度谱算法进行性能分析.在满足水介质、可调偏心、环形部件碰摩的条件下,搭建模拟离心泵运行特性的动静环摩擦试验台,进行不同碰摩程度试验.研究结果表明:声信号结合峭度谱的特征提取方法对于强噪声和随机滑动干扰具有较好鲁棒性,可有效提取口环碰摩噪声特征信号;对不同碰摩程度的信号可解调出特征频率,根据调制频率幅值以及冲击频率的变化来判断碰摩的严重程度.研究结果能够支撑口环碰摩故障的预警,可为声信号特征提取方法与诊断算法的有效性提供一定理论依据.

基于全矢Autogram的滚动轴承故障诊断方法

针对滚动轴承单通道信号信噪比较低、不能全面和准确表征故障特征等问题,提出了一种基于全矢谱和自相关谱峭度图的滚动轴承故障诊断方法。首先,计算互为垂直的两通道振动信号的自相关谱峭度图,得到信号中最佳频带的位置,并提取重构信号;其次,为了保证信号故障信息的全面性和获取精确故障特征信息,计算重构信号的全矢包络谱;最后,分析全矢包络谱中的故障特征进行故障诊断。通过分析仿真信号及实验数据,将所提方法与快速谱峭度和自相关谱峭度图等方法进行了对比,结果表明,所提故障诊断方法能够有效地提取滚动轴承的故障特征频率,提高故障诊断的精确性。

基于谱峭度分析和粒子群Kmeans算法的高压断路器故障诊断研究

为满足电网对高压断路器高效诊断要求,提出一种谱峭度分析和粒子群K均值算法(PSO-Kmeans)相结合的故障诊断方法。该方法首先对正常状态和故障状态振动信号进行快速Kurtogram谱峭度分析,得到谱峭度指标最大中心频率和相应频率分辨率,据此设计带通滤波器对信号进行去噪;对去噪后的信号进行小波分解,提取小波包能量熵作为特征量;进一步采用PSO-Kmeans对特征量进行聚类分析。实验结果表明:改进谱峭度分析法弥补了传统带通滤波器参数确定的不足,提升去噪效果;去噪与PSO-Kmeans算法相结合的诊断方法克服了传统Kmeans易受初始聚类中心影响的缺点,聚类效果良好且精度高于传统算法,证实该方法适用于高精度高压断路器机械故障诊断。

基于快速谱峭度算法的轴承故障诊断研究

利用快速谱峭度(Fast Kurtogram)算法确定共振解调技术带通滤波器中心频率以及滤波带宽,通过模拟故障的主支点轴承进行了试验验证,成功识别了轴承不同类型的故障特征。相比于传统的包络解调,快速谱峭度算法的共振解调方法在轴承故障特征提取中效果显著。该方法具有很强的工程实用性,可以在航空发动机研制过程提供重要的技术支撑。

利用粒子滤波与谱峭度的滚动轴承故障诊断

针对快速谱峭度在低信噪比情况下分析效果差的问题,提出应用粒子滤波的前处理降噪方法来提高信噪比,从而解决谱峭度受噪声干扰效果差的问题,进而提高滚动轴承故障诊断的成功率。建立振动信号的状态方程,提取原始信号的背景噪声,将其与状态方程之和作为观测方程。联立状态方程与观测方程来建立状态空间模型。采用粒子滤波对信号重新估计,得到新序列即是降噪之后的信号,结合快速谱峭度方法,获取最佳分析频带。并结合频谱分析得出故障频率。对比快速谱峭度与经验模式分解(Empirical mode decomposition,EMD)方法降噪的谱峭度分析诊断结果,证明所提方法的有效性。

基于快速谱峭度图的EEMD内禀模态分量选取方法

针对在总体平均经验模式分解(ensemble empirical mode decomposition,简称EEMD)的多个内禀模态分量(intrinsic mode function,简称IMF)中,如何选取出反应故障特征的敏感IMF的问题,提出一种基于快速谱峭度图的敏感IMF选取方法。由EEMD分解获得的一组无模式混淆的IMF,计算原信号及各个IMF的快速谱峭度图,选择每个快速谱峭度图中谱峭度最大值所处的频带作为参考频带,比较各个IMF的参考频带与原信号谱峭度最大值所处频带之间的从属关系,筛选出反应故障特征的敏感IMF,为后续故障诊断提供特征信息。将该方法应用于模拟仿真信号及滚动轴承滚动体故障信号,验证了方法的有效性。

基于EEMD、度量因子和快速峭度图的滚动轴承故障诊断方法

基于EMD、谱峭度以及包络分析的滚动轴承故障诊断方法,提出了改进的基于EEMD、度量因子和快速峭度图的诊断方法。该方法首先将故障信号进行EEMD分解得到一组IMFs,然后用度量因子筛选出最能表征故障信息的IMF分量重构信号,再用快速峭度图构造最优带通滤波器,最后将滤波后的重构信号进行包络分析并将包络谱与轴承故障特征频率进行比较,从而诊断出具体故障。滚动轴承的内圈故障仿真数据以及工程实测数据均很好地验证了提出的改进方法的有效性,说明其具有良好的应用前景。

经验快速谱峭度及其在滚动轴承故障诊断中的应用

快速谱峭度(Fast Kurtogram,FK)通过构造有限冲击响应滤波器从频谱上将信号二分或三分为几个不同频带的分量后,判断每个分量的谱峭度大小以提取调制信息。该方法运算速度很快,但有时包含故障信息的频段无法被均分的谱峭度图容纳,甚至可能导致提取出的分量中无法检测到明显的故障信息。提出一种新的频谱边界划分方法用以优化快速谱峭度,并称之为经验快速谱峭度(Empirical Fast Kurtogram,EFK)。首先,将信号频谱的傅里叶变换函数中代表频谱趋势的成分提取出来,并搜索其极小值点序列;然后,以极小值点在频谱中的位置作为频谱划分的边界,采用Meyer小波构造滤波器并重构信号分量以求取峭度;最终,构造出一种新的快速谱峭度图,选择谱峭度最大的频段提取故障信息。该方法依据信号频谱的趋势划分边界可以有效地避免由于均分频谱导致的不合理现象,模拟信号及滚动轴承内圈、外圈故障信号证明了该方法的有效性。