并行RSSD和改进MOMEDA的齿轮箱故障诊断

为了克服传统共振稀疏信号分解与矩量法的局限性,提高其提取微弱故障特征的能力,提出了一种并行双参数优化RSSD和改进MOMEDA的行星齿轮箱故障诊断方法。首先,并行双参数优化RSSD构造了与不同故障特征相匹配的小波基函数,并将复合故障信号自适应分解为不同的谐振分量,实现了复杂故障特征的解耦。其次,利用改进MOMEDA对共振分量进行去卷积滤波,有效地消除了复杂传输路径和强环境噪声的影响,增强了与弱故障相关的脉冲。最后,通过对行星齿轮箱实验平台的实际故障信号的分析,证明了提出的方法不仅具有良好的解耦性能以及提取弱故障信号能力,且能够全面、准确地提取不同类型的故障。

基于参数自适应的RSSD-CYCBD及在轴承外圈故障特征提取中的应用

针对滚动轴承工作环境复杂、故障特征信号易被高强度噪声掩盖的问题,提出了基于参数自适应的共振稀疏分解(RSSD)和最大二阶循环平稳盲解卷积(CYCBD)的滚动轴承故障诊断方法。首先,利用人工大猩猩部队优化算法(GTO),结合相关系数与相关峭度的融合指标,自适应选择RSSD分解参数,得到了仿真信号的最优低共振分量;然后,利用GTO结合包络熵,自适应选择CYCBD的循环频率和滤波器长度,对最优低共振分量进行了解卷积运算,从包络谱中获得了信号的故障特征频率;最后,利用美国凯斯西储大学试验台和MFS-MG机械故障综合模拟试验台数据,综合验证了该方法的有效性,并将试验结果与RSSD-MCKD方法的结果进行了对比。研究结果表明,该方法能够准确地得到仿真信号的故障频率为20 Hz、美国凯斯西储大学试验台近似故障频率为107.5 Hz、MFS-MG试验台近似故障频率为87.6 Hz。自适应RSSD-CYCBD方法能够有效地识别出故障特征频率及其倍频,实现滚动轴承故障诊断的目的。

基于RSSD和CNNSE-BiLSTM的滚动轴承早期故障诊断

针对滚动轴承早期故障具有强噪声背景且信号弱强度导致诊断精度较低的问题,提出一种基于共振稀疏分解(RSSD)的改进一维卷积和双向长短期记忆的故障诊断方法。利用3σ原则确定轴承全寿命周期的早期退化起始点,对起始点时域信号进行RSSD降噪处理,从而提高早期微弱故障的分辨率;将数据预处理后的信号输入到添加SE注意力机制的卷积神经网络(CNNSE)中提取关键局部特征,其输出输入双向长短期记忆神经网络(BiLSTM)对当前及前后时间序列信息进行特征提取;最后,通过全连接层和Softmax层进行早期多故障分类。采用所提方法针对XJTU-SY轴承全寿命周期故障信号进行实验,结果表明:所提方法对早期微弱故障信号有更高的识别率,诊断准确率99.75%,优于其他诊断方法。

基于自适应参数优化RSSD-CYCBD的行星齿轮箱复合故障诊断

针对行星齿轮箱多振源耦合导致故障源辨识困难、较弱故障特征容易被噪声和较强故障特征掩盖,以及由传播路径引起的信号衰减导致的故障特征微弱等问题,提出一种自适应参数优化的共振稀疏分解(RSSD)和最大二阶循环平稳盲解卷积(CYCBD)的行星齿轮箱多故障耦合信号分离及诊断算法。根据轴承和齿轮故障的不同共振属性,用RSSD算法将多故障耦合信号分解为包含齿轮故障特征的高共振分量和主要包含轴承故障特征的低共振分量后,通过CYCBD算法分别对高、低分量进行解卷积,消除传播路径影响和噪声干扰,实现微弱故障特征的增强和提取。特别地,针对RSSD和CYCBD中参数优化困难、依赖人工经验和自适应差等问题,使用基于松鼠算法(SSA)对参数进行自适应优化选取,设计了融合包络谱峭度、自相关函数最大值均方根和特征频率比在内的复合指标作为优化目标。对解卷积后的信号进行包络解调提取故障特征频率,识别不同故障源。通过行星齿轮箱多故障模拟信号和实测信号验证了所提算法的有效性和可行性,进一步地,将所提算法集成在边缘计算设备中,为行星齿轮箱等旋转机械的状态检测诊断及远程运维提供解决方案。

基于MED-RSSD的滚动轴承早期故障特征提取

滚动轴承出现早期故障时,因为背景噪声的影响,故障信号非常微弱,故障信息难以提取,为了能有效检测出轴承故障,提出了最小熵反褶积(Minimum entropy deconvolution,MED)与共振稀疏分解(Resonance sparse signal decomposition,RSSD)相结合的诊断方法。首先,运用最小熵反褶积对含有噪声的轴承故障振动信号进行降噪处理;然后,对处理后的信号进行共振稀疏分解,将信号分解成包含谐波信号的高共振分量与包含瞬态冲击信号的低共振分量;最后,将低共振分量进行包络功率谱分析提取故障特征频率。通过信号仿真和实验处理,表明该方法对微弱故障特征提取具有较好的适用性。

MCKD和RSSD在滚动轴承早期故障诊断中的应用

由于干扰噪声较强,共振稀疏分解在滚动轴承早期故障阶段并不能有效提取瞬态冲击成分。针对此问题提出基于最大相关峭度解卷积(Maxim Correlated Kurtosis Deconvolution,MCKD)和共振稀疏分解(Resonance Sparse Signal Decomposition,RSSD)相结合的故障特征提取方法。该方法首先利用MCKD对振动冲击信号进行处理,有效降噪并突出故障信号尖脉冲,然后使用共振稀疏分解将信号分解成包含谐波信号的高共振分量与包含瞬态冲击信号的低共振分量,最后利用包络功率谱根据低共振分量提取故障特征频率。通过仿真和试验验证了该方法可以准确提取故障特征频率,凸显故障特征。

基于改进RSSD和MEF的往复压缩机故障诊断研究

提出了一种基于改进共振稀疏分解和多尺度模糊熵的2D16型往复压缩机故障诊断方法。利用采用改进共振稀疏分解方法对振动信号进行分析,将信号分解为高低共振分量和残余分量。利用多尺度模糊熵提取故障特征,将特征向量输入支持向量机进行模式识别,诊断往复压缩机的故障类型。该方法能有效提取往复式压缩机气阀的故障特征,实现对不同气阀故障类型的有效识别。

基于RSSD和小波变换的滚动轴承故障诊断

滚动轴承故障被视作瞬态冲击成分,在信号共振稀疏分解中一般被分解到的低共振分量当中。由于噪声影响,低共振分量的希尔伯特解调包络谱中依然存在大量的干扰频率,使得故障特征提取有时不明显,或不易观察,因此本文提出了一种基于信号共振稀疏分解(RSSD)与小波变换相结合的故障诊断方法。在滚动轴承早期微弱故障的诊断中,采用小波分析技术对隐藏于低共振分量的故障特征进行提取,可以更加有效地凸显故障特征;通过对滚动轴承内圈和外圈单一故障振动信号的分析应用,成功提取了故障特征,验证了这一方法在滚动轴承早期故障诊断应用的有效性。

基于RSSD和ICA算法的低频振荡模态参数辨识

针对目前低频振荡模态参数辨识方法在高斯有色噪声以及多通道信号中精度不高的问题,将用于滚动轴承故障诊断的共振稀疏分解(RSSD)和应用于混合图像分离的独立分量法(ICA)结合引入电力系统,实现低频振荡模态辨识。该方法通过RSSD去除高斯色噪声及瞬态冲击信号来提取低频振荡持续信号,进而利用ICA估算出低频振持续信号的频率和阻尼比。通过与ESPRIT和Prony方法的对比,表明该文方法可以在高斯色噪声和瞬态冲击背景下,更加快速准确地辨识出多通道信号参数,并满足电力系统低频振荡辨识的要求,具备很好的应用前景。

AR-MED共振特征增强的风电齿轮箱故障诊断

针对风电齿轮箱故障时脉冲成分往往淹没在其他频率分量中,早期故障特征难以有效提取的问题,提出一种自回归最小熵解卷积(AR-MED)共振特征增强的风电齿轮箱故障诊断方法,并结合一维卷积神经网络(1DCNN),实现齿轮箱高精度故障诊断。首先,使用共振稀疏分解算法(RSSD)将振动信号分解成含有噪声和谐波成分的高共振分量和含有故障冲击成分的低共振分量;其次,对低共振分量使用自回归最小熵解卷积运算,增强低共振分量中微弱的周期性冲击成分;最后,构建自回归最小熵解卷积共振特征增强的1DCNN模型,将分解得到的谐波分量和周期性冲击分量进行特征融合以及有针对的训练和分类。实验结果表明,与现有故障诊断模型相比,所提方法在提取风电齿轮箱的故障特征信息以及提高故障诊断精度方面具有有效性和优越性。

一种融合共振稀疏分解和快速谱峭度的诊断方法及其在轴箱轴承诊断中的应用

针对轴箱轴承故障振动信号噪声大造成故障特征频率提取困难的问题,文中提出一种基于共振稀疏分解算法和快速谱峭度法相融合的故障诊断方法。首先利用共振稀疏分解算法,将信号分解为不同共振特性的分量,再以谱峭度为指标,利用快速谱峭度法选择最佳滤波参数对低共振分量进行滤波,最后对滤波所得信号包络解调,以判断轴承的故障状态。通过仿真信号及轴箱故障轴承振动信号证明,此方法可以有效提取轴箱轴承故障特征信息并进行故障诊断。

基于MR-DCA的滚动轴承微弱故障诊断

【目的】针对滚动轴承微弱故障难以识别的问题,提出了一种基于MR-DCA的滚动轴承故障诊断方法。【方法】利用最大相关峭度解卷积以及共振稀疏分解的方法对输入样本进行预处理,可以有效地滤除原信号中的噪声,突出故障冲击成分。将所获得的故障分量的二维时频图以及原始信号作为网络的训练样本,经两个特征学习模块后,使用注意力机制对输入特征进行筛选,通过权值重分配可以有效地提高模型计算效率和识别精度。为了验证模型性能,使用某大学的滚动轴承微弱故障数据进行故障诊断分析,同时开展消融实验,对诊断模型各个模块的有效性进行验证。【结果】结果表明,所提出的方法识别准确率更高,且具有更快的训练速度和迭代速度。【结论】所提模型在进行滚动轴承微弱故障诊断时可以实现良好的诊断性能。

基于信号共振稀疏分解的阶比分析及其在齿轮故障诊断中的应用

为从非平稳转速齿轮箱故障振动信号中有效提取包含故障信息的特征频率,提出一种基于信号共振稀疏分解的阶比分析方法。故障齿轮振动信号中主要包括瞬态冲击成分和周期谐波,该方法先采用信号共振稀疏分解方法将信号分解为高共振分量和低共振分量,提取出故障冲击信号,然后采用线调频小波路径追踪算法对原信号提取转频信息,利用转频对提取的故障冲击信号进行阶比分析,从而得到故障诊断结果。非平稳转速齿轮故障诊断实例表明,该方法可有效提取冲击信号,诊断转速波动齿轮的故障。

基于信号共振稀疏分解与能量算子解调的轴承故障诊断方法

当滚动轴承出现局部故障时,其振动信号会出现周期性的瞬态冲击脉冲。由于滚动轴承经常运行在复杂的实际工况中,振动信号常伴有轴转频等谐波成分和噪声,因此直接对振动信号作解调分析以诊断滚动轴承故障通常效果不佳。针对这一问题,提出了基于信号共振稀疏分解与能量算子解调的滚动轴承故障诊断方法。该方法采用信号共振稀疏分解将冲击脉冲从滚动轴承振动信号中分离出来,然后采用能量算子解调方法对其进行包络解调,计算出瞬时幅值后对瞬时幅值的频谱进行分析,获取冲击脉冲出现的周期,进而对滚动轴承故障进行诊断。仿真算例和应用实例说明了该方法的有效性。

基于多字典-共振稀疏分解的脉冲故障特征提取

针对信号共振稀疏分解(RBSSD)方法中因字典单一导致其在处理低信噪比信号时存在分解不完全,以及因参数繁多选取困难而使其在实际工程中存在应用局限的问题,提出了多字典-共振稀疏分解(MD-RBSSD)方法。该方法在RBSSD调Q字典的基础上添加了Symlet8字典和正弦字典,通过对RBSSD分解后的低共振分量进行再次分离来实现对故障脉冲的增强提取。同时,引入相关峭度指标对提取结果进行量化评价,以验证分解结果的可靠性。算法仿真、实验分析和工程实例结果均表明,与传统RBSSD方法相比,所提出的MD-RBSSD方法能够更加准确有效地提取故障冲击成分,降低了RBSSD参数选择的难度,从而增加了RBSSD方法在工程领域的适用性。

齿轮箱复合故障诊断的信号共振分量能量算子解调方法

当齿轮箱中的齿轮和轴承同时出现故障时,较弱故障特征往往会淹没在较强故障特征中,直接对振动信号做解调分析诊断故障通常会出现漏判或误判。针对这一问题,提出了信号共振分量的能量算子解调方法,并将其应用于齿轮箱复合故障诊断中。该方法采用信号共振稀疏分解方法对同时含有齿轮和轴承故障的齿轮箱振动信号进行分解,将表征齿轮故障特征的高共振分量(幅值调制成分)和表征轴承故障特征的低共振分量(冲击脉冲成分)互相分离;然后分别进行能量算子解调分析,计算瞬时幅值;最后通过瞬时幅值谱分析分别诊断齿轮和轴承故障,进而实现齿轮箱复合故障的诊断。仿真算例和应用实例说明了该方法的有效性。

低频振荡模态参数辨识的共振稀疏分解SSI分析方法

提出在色噪声背景下,采用共振稀疏分解的随机子空间法进行低频振荡模态参数的辨识,根据信号预知的共振属性实现复杂信号的分离。首先,对含高斯色噪声的低频振荡信号进行分解,得到高共振分量、低共振分量和余项三部分。低频振荡信号具有高共振属性,高共振分量即为提取的持续振荡的低频振荡信号,而高斯色噪声大部分存在于余项中。然后对高共振分量利用SSI进行参数辨识,得到较高参数的辨识准确度。仿真算例和实例说明了所提方法的有效性。

基于信号共振稀疏分解的自动换刀装置故障诊断

针对刀库中刀柄拉钉可产生松动的故障,研究一种基于信号共振稀疏分解的自动换刀装置故障诊断方法。以链式刀库为例,采集刀柄拉钉在不同旋转角度时自动换刀装置在自动换刀过程中所产生的振动信号,利用双可调品质因子小波变换的共振稀疏分解将所采集的振动信号分解成包含故障信息的周期瞬态低共振分量和自身运动的振荡谐波高共振分量。在此基础上,通过比对分析不同条件下的周期瞬态低共振分量信号,得到链式刀库自动换刀装置振动冲击成分与拉钉旋转角度的关系,并据此诊断自动换刀装置的故障。诊断结果显示,刀柄拉钉松动旋转角度为360°时,振动较大,该自动换刀装置需要进行维修,以增加其可靠性。研究结果可用于自动换刀装置的故障诊断,对于促进自动换刀装置健康状态监测方法的发展具有重大意义。

基于信号共振稀疏分解和最大相关峭度解卷积的齿轮箱故障诊断

当齿轮箱内旋转零件发生故障时,其振动信号中的故障脉冲成分易被箱体中其他旋转部件的谐波信号和背景噪声所淹没,故障特征难以被有效提取。针对这一问题,提出了基于信号共振稀疏分解和最大相关峭度解卷积的故障诊断方法。该方法首先通过信号共振稀疏分解将信号中的低共振冲击成分从谐波分量和噪声中分离,然后对低共振分量进行最大相关峭度解卷积计算,进一步突出低共振分量中的周期脉冲成分,最后通过包络谱分析进行故障诊断。算法仿真、实验分析和工程应用结果表明,该方法能够有效提取强噪声信号中的周期性冲击成分,凸显故障特征,从而提供准确可靠的诊断结果。

一种改进的解卷积算法及其在滚动轴承复合故障诊断中的应用

针对滚动轴承复合故障振动信号非平稳、非线性特性且不同类型故障之间相互耦合,使得传统方法对复合故障冲击特征难以提取的问题,提出了一种基于自适应信号稀疏共振分解(ARSSD)和多点峭度最优最小熵解卷积修正(MK-MOMEDA)的故障诊断新方法。使用ARSSD分析故障信号,并定义一个新的复合指标作为目标函数,利用布谷鸟寻优算法(CSA)对高、低品质因子进行优化选择,获得包含瞬态冲击成分的最优低共振分量;计算其多点峭度谱,提取低共振分量中包含的故障冲击周期成分;之后设定适当的周期区间,进行解卷积运算分离不同的故障特征;通过包络解调,分析谱图中突出的故障特征频率进而识别故障类型。实验平台模拟了滚动轴承两种和三种故障的复合情况,并对所提算法进行了验证,结果表明该方法可有效的从复合故障中提取出各类故障特征,实现故障诊断。