基于自适应CYCBD和1.5维谱的滚动轴承故障特征提取方法

在强背景噪声环境下,滚动轴承的故障特征信号难以得到分离,针对这一问题,提出了一种基于自适应最大二阶循环平稳盲卷积(CYCBD)和1.5维谱的滚动轴承故障特征提取方法。首先,对滚动轴承故障振动信号进行了傅里叶变换,得到了其信号的频谱结构,再以加权谐波和为优化指标,将信号频谱范围内的所有频率作为候选频率进行了搜索,确定加权谐波和最大处的频率为最优循环频率;然后,使用经过参数优化后的CYCBD对信号进行了滤波,并结合1.5维谱方法对滤波信号进行了处理;最后,为了进一步验证该方法在提取轴承故障特征方面的有效性,采用包络分析方法对实测信号进行了分析,获得了滤波信号的频谱特征。研究结果表明:经基于自适应CYCBD和1.5维谱方法滤波后,信号的香农熵为0.094,显著低于CYCBD和经验模态分解(EMD)方法;而且在信号的包络谱中,出现了清晰的故障特征频率及其倍频谱线,说明该方法具有较好的噪声抑制能力,并且能够有效地提取轴承振动信号中的故障脉冲成分。

参数优化最大二阶循环平稳盲解卷积行星轮轴承故障提取

在行星齿轮箱振动中,齿轮相关振动分量通常具有较大的能量,同时轴承滑移会造成行星轮轴承故障对应振动分量的特征频率获取困难。为此,提出一种基于参数优化最大二阶循环平稳盲解卷积(cyclostationary blind deconvolution, CYCBD)的行星轮轴承故障提取方法。该方法针对CYCBD技术在轴承滑移条件下难以获取循环频率和滤波器长度的问题,以改进的包络谱故障特征比(improved envelope spectrum fault feature ratio, IFFR)指标作为粒子群算法的适应度函数,自动获取CYCBD算法中实际的循环频率和优化滤波器长度,利用参数自适应的CYCBD算法增强了轴承故障冲击。通过解卷积结果的平方包络谱反映轴承故障特征,达到准确提取故障特征的目的。故障仿真和试验研究结果表明,该方法可以有效提取行星轮轴承故障特征。

基于FWECS-CYCBD的轴承故障特征提取研究

针对最大二阶循环平稳盲解卷积(maximum second-order cyclostationary blind deconvolution,简称CYCBD)特征提取中循环频率和滤波带宽难确定的问题,引入频率加权能量相关谱(frequency weighted energy correlation spectrum,简称FWECS)来改进CYCBD,实现了低信噪比条件下的滚动轴承故障特征提取。首先,通过FWECS获取周期冲击频率,构造循环频率集;其次,利用最大加权谐波显著性指标设计了一种等步长搜索策略,自适应选取滤波器长度;最后,基于优选的循环频率和滤波带宽进行CYCBD解卷积。轴承仿真和实验数据表明:在循环频率等先验信息未知的情况下,FWECS-CYCBD对故障信号中的微弱冲击特征更敏感;与最小熵解卷积、改进最大相关峭度解卷积和自适应最大二阶循环平稳盲解卷积等方法相比,所提方法在低信噪比条件下能较好地提取轴承故障特征频率信息。