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VEITD和OSMHD的风电机组轴承损伤识别

针对风力发电机轴承损伤信号易被强噪声干扰导致损伤特征提取困难的问题,提出了一种基于可变熵加权融合的固有时间尺度分解和优化稀疏最大谐波噪声比解卷积法相结合的风力发电机轴承损伤识别方法。采用固有时间尺度分解方法对原始信号进行分解,得到若干个固有旋转分量。利用可变熵对固有旋转分量进行加权融合。使用优化稀疏最大谐波噪声比解卷积法对加权融合信号进行处理,提取轴承损伤特征频率。试验台数据和风力发电机现场数据分析结果表明,所提方法对轴承损伤信号中的噪声抑制效果明显,能够准确提取风力发电机轴承损伤特征频率,实现风力发电机轴承的损伤识别。

参数自适应SMHD滚动轴承IAS信号特征提取方法

针对编码器瞬时角速度(IAS)信号中滚动轴承故障特征提取困难的问题,结合稀疏最大谐波噪声比解卷积(SMHD)算法可在没有先验周期情况下提取信号中周期性脉冲故障分量的优势提出一种参数自适应SMHD滚动轴承IAS信号特征提取方法。首先,利用向前差分法估计IAS信号;然后,利用故障特征(FC)作为自适应选取SMHD优化滤波器长度的评判指标,实现SMHD滤波器长度的自适应确定;再将优化选取的滤波器长度代入SMHD算法对IAS信号进行增强。最后,通过包络分析揭示滚动轴承故障特征。通过对仿真和实测数据进行分析,验证了所提方法的有效性。

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。

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。

极大似然反褶积方法的稳健性讨论

利用仿真数字随机发生器产生反射系数序列，在ＡＲＭＡ子波参数已知的条件下，利用人工合成记录，以稀疏状态下的反射系数和稠密状态下的反射系数对极大似然反褶积的稳健性进行了讨论，系统参数辨识的精度越高，反射系数序列的精度也就越高。这里的系统参数是指ＡＲＭＡ子波参数。如果获得高精度的ＡＲＭＡ子波参数，由极大似然反褶积所获得的反射系数序列具有较高的精度。这一结论是解释极大似然反褶积成功的关健，同时也说明极大似然反褶积具有相当高的稳健性。