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。

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。

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。

基于MOMEDA和增强倒频谱的风电机组齿轮箱多故障诊断方法

风电机组齿轮箱结构复杂,当齿轮、轴承存在多故障时,由于各故障强弱不同、故障间相互耦合及噪声干扰,造成故障诊断准确率低及漏诊问题。提出了一种基于多点最优最小熵解卷积(multipoint optimal minimum entropy deconvolution adjusted,MOMEDA)和增强倒频谱的风电机组齿轮箱多故障诊断方法。依据齿轮和轴承不同部位的故障特征频率设置合理的解卷积周期,利用MOMEDA对原始信号进行预处理;再通过增强倒频谱进一步抑制噪声干扰和增强故障特征;将增强倒频谱中的突出成分与齿轮箱故障特征频率对比,判断故障类型。实际风电机组齿轮箱多故障振动试验数据分析结果表明,该方法可以有效地提取出齿轮箱多故障特征信息。

多点最优最小熵反褶积结合交互信息的过载信号特征提取

针对弹药超高速侵彻多层建筑物的过程中,侵彻过载加速度信号产生粘连混叠,影响侵彻穿层特征的精准辨识提取,造成引信难以精确计层的问题,提出一种基于多点最优最小熵反褶积(MOMEDA)和交互信息的过载信号穿层特征提取方法。考虑到引信加速度敏感系统在高频强动载下的响应规律未知,该方法利用MOMEDA的非迭代盲解卷积增强技术来实现对原始侵彻过载信号的降噪,基于交互信息理论进一步优化MOMEDA最佳滤波器的长度以增强原始侵彻过载信号中多层目标特征。通过对引信超高速侵彻多层靶板的仿真、试验信号的研究结果表明,该方法可以有效突显原始侵彻过载信号中的穿层特征,为强粘连信号下的引信精确计层功能实现提供依据。

基于ASSD-MOMEDA-FWEO相结合的滚动轴承故障诊断

针对滚动轴承微弱故障信号的非线性、非平稳、易被强背景噪声掩盖的特点,提出一种自适应奇异谱分解(ASSD)、多点优化最小熵解卷积(MOMEDA)与频率加权能量算子(FWEO)相融合的微弱故障诊断方法。首先,利用ASSD算法对原始信号进行处理,采用合成峭度与斯皮尔曼等级相关系数(SRCC)作为联合判据,自适应确定奇异谱分量个数后,根据合成峭度最大原则筛选出最佳奇异谱分量。然后,利用MOMEDA算法对最佳奇异谱分量作进一步解卷积处理,实现故障特征强化放大。最后,通过FWEO算法获取解卷积信号的瞬时能量信号,并通过傅里叶变换(FFT)得到瞬时能量谱,从中拾取出故障特征信息。仿真和试验信号分析结果表明,所述方法可有效提取强噪声下微弱故障特征,实现轴承故障精确诊断。

强噪声背景下地铁牵引电机轴承故障识别方法研究

为了实现地铁车辆牵引电机轴承故障识别,论文针对电机轴承故障冲击被强背景噪声淹没特征提取困难的问题,利用多点最优调整的最小熵解卷积增强故障冲击成分,采用粒子群优化算法自适应地确定滤波器阶数和故障周期,获取高信噪比的故障特征信号,最后对故障特征信号进行包络谱分析实现故障识别。现场采集数据验证了该方法的有效性。

基于改进MOMEDA的齿轮箱复合故障诊断

总体经验模态分解(ensemble empirical mode decomposition,简称EEMD)对信号分解时由于白噪声选取不当,常造成能量泄露;通过计算多点峭度可以提取冲击性故障周期,但在强噪声环境下其追踪效果并不理想;考虑到多点最优最小熵反褶积(multipoint optimal minimum entropy deconvolution adjuste,简称MOMEDA)提取故障时准确度受到故障周期区间范围的影响,提出了基于组合模态函数-多点最优最小熵反褶积(combined mode function-multipoint optimal minimum entropy deconvolution adjuste,简称CMF-MOMEDA)的自适应齿轮箱复合故障特征提取方法。首先,通过EEMD对信号分解,将信号按高低频依次分开;其次,取与原信号相关性强的本征模态函数,通过组合模态函数(combined mode function,简称CMF)将原信号分解为高低两个频带C_h和C_L,分别求其多点峭度谱图,提取故障周期成分;然后,设定合适的周期范围,通过MOMEDA提取故障特征;最后,将该方法应用于齿轮箱故障特征提取,以验证其可行性。

改进MOMEDA方法及其在滚动轴承故障特征增强中的应用

针对多点最优最小熵解卷积调整(Multipoint Optimal Minimum Entropy Deconvolution Adjusted,MOMEDA)方法在增强轴承故障特征时无法自动识别故障脉冲周期及解卷积信号长度减少的不足,提出一种改进的MOMEDA(Improved MOMEDA,IMOMEDA)方法。采用振动信号的平方包络的自相关谱自适应地识别故障脉冲周期,根据识别的脉冲周期对振动信号解卷积以增强周期性脉冲特征;然后利用信号波形延拓方法对解卷积信号延拓使其长度与原始信号保持一致;最后对已获得的解卷积信号再进行一定次数的解卷积以有效增强原始信号中的周期性特征。轴承故障仿真信号和铁路轴承实验信号的分析结果及与Kurtogram方法的对比结果表明:改进的MOMEDA方法能够自动识别故障脉冲周期并有效增强滚动轴承的故障特征。

基于LMD和MOMEDA的滚动轴承早期故障特征提取研究

采用局域均值分解(LMD)提取强噪声背景下的滚动轴承的故障特征效果并不理想,针对该问题,将多点优化最小熵解卷积(MOMEDA)与局域均值分解(LMD)相结合,进行了滚动轴承微弱故障信号处理研究。首先,利用局域均值分解(LMD)对外圈故障轴承的振动信号进行了信号重构;其次,利用多点优化最小熵解卷积(MOMEDA)滤波,进行了包络分析来提取故障特征;最后,将所提出的方法与局域均值分解(LMD)重构后,用最小熵解卷积(MED)滤波故障特征提取方法进行了对比;此外,采用所提方法分析了内圈故障。研究结果表明:所提出的方法对微弱故障特征提取有更好的适用性,能在包络谱中看到多倍频峰值,且峰值附近干扰很少;仿真与试验结果验证了方法的有效性。

基于改进SSD和MOMEDA的滚动轴承复合故障诊断

针对滚动轴承复合故障特征存在交叉影响又受环境噪声干扰、分离诊断困难问题,提出一种基于改进奇异谱分解(SSD)和多点最优最小熵解卷积调整(MOMEDA)的滚动轴承复合故障分离诊断方法。首先,为了克服SSD分解层数需要凭经验设定而难以选到最优分量的缺点,提出相关峭度图方式优选复合故障中不同故障各自最优分解层数的改进SSD方法;其次,对选出的各最优分量,利用MOMEDA能够降噪、增强冲击特征的优点,进一步削弱其中残存的交叉及干扰成分;最后,由包络分析诊断出复合故障。实验信号分析结果表明:改进SSD方法能准确确定复合故障中不同故障的各自最优分解层数,经MOMEDA处理后的故障特征更明确、诊断更可靠,实现了轴承复合故障的有效分离和故障类型的准确诊断,为轴承复合故障的分离诊断提供了一条途径。

基于ITD-MOMEDA联合降噪的滚动轴承故障诊断研究

在滚动轴承的实际运行过程中,其故障信号往往容易淹没于强背景噪声中,使其故障的类型难以得到识别,针对这一问题,提出了一种基于固有时间尺度分析(ITD)和多点最优调整的最小熵解卷积(MOMEDA)相结合的联合降噪方法,并将其应用于滚动轴承的故障诊断中。首先,用ITD算法对滚动轴承故障原始信号进行了分解,得到了多个固有旋转分量(PRC);其次,依据相关系数和峭度原则,挑选出了与原信号相关度较大的PRC分量,并对其进行了重构;然后,采用MOMEDA算法对重构信号进行了进一步降噪处理,完成了有用信号与噪声信号的分离;最后,对降噪后的信号进行了包络解调分析,提取出了故障特征频率,诊断出了轴承故障具体位置;此外,为了验证该方法的有效性,通过ITD与局域均值分解(LMD)、MOMEDA与最大相关峭度解卷积(MCKD)算法对仿真信号进行了对比分析,并对轴承外圈进行了实例分析。研究结果表明:相比于ITD-MCKD方法,基于ITD-MOMEDA联合降噪方法的故障诊断准确率提高4.3%,能更有效地去除强噪声,并成功地检测出轴承的故障类型。