基于参数优化VMD-小波阈值的轴承振动信号降噪方法

为了解决复杂工况下滚动轴承振动信号存在随机噪声的问题,提出了一种基于参数优化变分模态分解(VMD)-小波阈值的滚动轴承降噪方法。首先,利用以包络熵为适应度函数的天鹰算法对变分模态分解算法的模态分解数K和惩罚因子α进行了自适应选择,代入VMD分解中,得到若干本征模态函数(IMFs);然后,根据峭度-相关系数将IMF分量划分为纯净分量和含噪分量,对含噪分量进行了小波阈值降噪处理;最后,对处理后的分量进行了重构,并用重构信号进行了包络谱分析,实现了滚动轴承的信号降噪目的,并利用仿真信号和美国凯斯西储大学公开的轴承数据集对上述降噪方法的有效性进行了验证。研究结果表明:基于参数优化VMD-小波阈值的降噪方法减少了滚动轴承运行状态下的随机噪声,相对小波阈值降噪方法,所得仿真信号信噪比提升53%,均方误差降低13%;在故障特征频率为162 Hz时,所得实验降噪信号包络谱的前6倍频谱峰值更为明显,且受随机噪声影响较小。该研究方法在滚动轴承等旋转机械信号降噪方面具有一定的参考价值。

基于CWT-IDRSN的风机滚动轴承故障诊断

针对强噪声环境下传统轴承故障诊断方法对故障识别率低,深度残差收缩网络在降噪时对频域信号丢失的问题,提出了一种基于连续小波变换(continuous wavelet transform,CWT)和改进的深度残差收缩网络(improved deep residual shrinkage network,IDRSN)的故障诊断模型。首先,利用CWT将轴承振动信号转换为二维时频图,作为输入样本,用于解决深度残差收缩网络在直接处理振动信号时引起的频域失真问题;其次,设计了一种改进的软阈值函数(improved soft threshold function,ISTF),解决了因软阈值化引起的信号失真,设计了改进的软阈值模块(improved soft threshold block,ISTB)和自适应斜率模块(adaptive slope block,ASB),构建了改进的残差收缩单元(improved residual shrinkage building unit,IRSBU)以实现自适应地确定最佳阈值并进一步调整输出;最后,利用凯斯西储大学滚动轴承数据集与风机轴承振动数据采集实验台收集的滚动轴承数据集对所提方法进行实验验证。结果证明相较于其他方法,所提的故障诊断方法有更好的泛化性和通用性,分类准确率分别达到了99.75%和99.69%。

基于WPT-CEEMDAN-SVD的齿轮箱故障诊断

针对在含噪声情况下难以精确地进行齿轮箱故障诊断的问题,将采集到的原始信号进行小波包分解,根据故障齿轮的啮合频率选取合适的小波包对信号进行重构,得到初步降噪信号;利用CEEMDAN对初步降噪信号进行分解,绘制各IMF分量的相关系数与峰度变化曲线图并选择相关系数较大的分量进行重构;通过奇异值分解对信号进一步降噪,并对最终信号频谱图对比分析,判断故障部位及类型。结果表明:该方法能根据实际需求有效提取到特定频率段内的特征频率谱线,优于直接对信号使用时频分析进行处理的结果。

一种自适应小波消噪方法

为了消除噪声对被测信号的干扰,有效提取信号中的有用成分,根据信号和噪声小波变换系数的不同特性,在分析了传统阈值方法局限性的基础上,提出了一种自适应小波消噪方法。该方法首先对被测信号进行小波分解,并改进了阈值量化公式,使其具有能量分布自适应的降噪能力;然后,利用类别方差作为判别依据,选取使得类别方差最大和类内方差最小的阈值作为最佳的阈值,并根据每层分解后的小波系数进行自适应的阈值确定;最后,对信号进行重构,通过分解、阈值处理和重构等过程实现小波消噪。仿真信号和轴承故障诊断的实例结果表明该方法可在强噪声背景下消除噪声干扰,有效提取出滚动轴承的早期故障频率。

基于EMD小波阈值去噪和时频分析的齿轮故障模式识别与诊断

建立齿轮故障系统试验装置,对齿轮传动系统在各种转速与故障状态下进行测试分析,获取有关振动信号,对齿轮系统的无故障、齿根裂纹、分度圆裂纹、齿面磨损四种状态信号进行特征提取,并对提取的信号进行基于经验模态EMD分解的小波阈值去噪处理,然后对预处理后的信号进行时频分析与诊断。结果表明,采用基于EMD的小波阈值去噪方法比单纯采用小波阈值去噪对测试信号进行预处理,能提高信噪比,并更加有效的提取出故障特征,而在EMD的小波阈值去噪的基础上,再与时频分析方法相结合能够较好的识别不同运转状况下不同种类的故障,如齿根裂纹、分度圆裂纹、齿面磨损等,可用于对实际工程工作的齿轮系统进行故障诊断。

谐波小波包自适应分解在故障诊断中的应用

将谐波小波包与匹配追踪方法相结合,提出了谐波小波包自适应分解的新方法。根据信号特征自适应选择谐波小波包字典内的时频原子,可以将非平稳振动信号既不交叠又无遗漏地分解到相互独立的频带上去,算法实现简单,频率分辨率好。通过仿真算例将该法与小波包变换、小波包追踪结果相比较,验证了该方法时频定位性好的优越性。将该方法应用于轴承和转子的故障诊断,结果表明,故障特征提取是有效的。

基于EEMD小波阈值去噪和CS-BP神经网络的风电齿轮箱故障诊断

针对风电机组齿轮箱中齿面点蚀、齿轮磨损、断齿等故障的诊断问题,提出一种基于EEMD小波阈值去噪和布谷鸟算法优化BP神经网络的故障诊断方法。采用EEMD分解和小波阈值去噪方法对故障振动信号进行数据预处理,抑制原始振动信号中的噪声干扰。利用布谷鸟算法优化BP神经网络对预处理后的信号进行诊断。小波阈值能更好地对EEMD分解中的高频分量进行去噪处理,CS-BP神经网络具有准确的模式识别精度和出色的全局寻优能力。通过实例仿真表明,提出的故障诊断方法具有良好的诊断精度、速度和成功率,具有较高的应用价值。

光伏并网系统二电平逆变器的故障诊断

为避免因采集多元信息带来成本的提高和因处理多元数据影响诊断系统的快速性问题,同时为进一步提高故障诊断的准确性,提出采用基于小波分解和直流分量进行充分提取三相逆变器输出电流的信息进行故障诊断的方法。首先进行小波分解提取故障特征并进行归一化处理;同时为了进一步提高定位故障功率管的精准度,再提取三相输出电流信号的直流分量值,并将以上两种信息融合;最后采用自适应动量梯度下降法的BP神经网络进行训练。仿真结果表明,该方法在避免采集和处理多元数据的同时,进一步提高了故障功率管的识别和定位,准确率达98.15%,实现了逆变器开路情况的故障诊断。

基于VMD和马氏距离SVM的滚动轴承故障诊断

针对滚动轴承早期故障识别较困难的问题,提出一种基于变分模态分解(VMD)和马氏距离支持向量机(SVM)的诊断方法。首先,采用小波阀值法对原始振动信号进行去噪处理,获得有效的振动信号。其次,根据VMD分解后每个模态的中心频率大小不同,确定最终分解层数。同时,从分解后的变分模态分量中提取能量特征。最后,为了对样本间进行距离度量,将马氏距离引入SVM的高斯核函数计算中,建立了一个基于马氏距离的高斯函数核,用于支持向量机分类器。利用改进的SVM对轴承的运行状态进行识别,实验结果表明所提方法在识别轴承正常状态、内圈、外圈以及滚珠体故障时,具有较高的准确率。

飞机发动机关键系统智能故障诊断方法

飞机发动机是一个非常复杂的大系统,由于其结构复杂,工作环境恶劣,对其关键系统的故障进行准确诊断始终是困扰业界的技术瓶颈之一。提出了采用EMD小波阈值降噪与主元分析相结合的方法,对飞机发动机气路系统故障诊断进行了深入研究。针对某型真实飞机发动机进行测试试验采集的气路多参量数据,首先采用经验模态分解(Empirical Mode Decomposition,EMD)对气路系统各参量信号进行EMD分解,然后采用软阈值函数对其进行降噪,并进行信号重构,从而可得到飞机发动机气路工作状态有效数据。在此基础上,设计了飞机发动机气路系统主元分析故障诊断模型,并结合预处理得到的飞机发动机气路有效数据,运用所设计的主元分析故障诊断模型对飞机发动机进行故障诊断技术研究。研究结果表明,所提出的方法能够很好地诊断出飞机发动机气路系统实际运行时所出现的故障,具有重要的实际应用价值,并有广泛的应用前景。

大型连轧机传动齿轮在线故障诊断方法研究

在大型连轧机组中 ,主传动系统的减速机、齿轮座承受着巨大的负载 ,很容易出现各种故障。采用神经网络自适应滤波方法和小波分解方法在线分析传动齿轮的振动信号 ,有效地分解出信号中由故障所引起的成分 ,准确地诊断出连轧机传动齿轮的各种故障原因 。

基于小波包分析和改进自适应遗传算法的齿轮故障诊断

齿轮是传动系统中最重要的元件之一,针对齿轮故障问题,在综合小波包降噪、模糊逻辑、高阶BP网络、改进自适应遗传算法各自优点的基础上,提出了一种基于小波包分析和改进自适应遗传算法的齿轮故障诊断新方法。试验证明,这种方法与传统方法相比,无论在分类精度,还是对训练总误差控制方面都具有更大的优势。

柴油机故障的堆栈自编码特征提取与随机森林识别

为了提高柴油机故障的在线识别准确率,提出了堆栈自编码特征提取方法和话语权随机森林的故障类别识别方法。对缸盖罩振动信号为分析对象,提出了样本熵自适应小波阈值去噪方法,有效提高了信号的信噪比。使用堆栈自编码网络提取振动信号的故障特征向量,所提取特征类内聚合度高、类间区分度好。在传统森林算法基础上,根据决策树的预测试准确率为其赋予不同的话语权,从而提出了话语权随机森林算法,并将其应用于柴油机运行故障模式识别。经10组实验验证,传统森林算法的平均识别准确率为90.32%,话语权森林算法的平均识别准确率为99.67%,比传统算法提高了10.35%;另外,话语权森林算法的识别准确率标准差远小于传统随机森林算法。以上数据说明经过改进,随机森林算法的识别准确率和稳定性均得到了提高。

样本熵改进小波包阈值去噪的轴承故障诊断

为了准确诊断出轴承故障,提出了样本熵改进小波包阈值去噪算法的轴承故障诊断方法。分析了样本熵与噪声大小、数据长度、信号固有特征的关系,得出了样本熵可以很好表征噪声大小、与数据长度、信号固有特征相关性极小的结论。使用样本熵从三个方面改进了小波包阈值去噪算法:提出了自适应阈值函数,使阈值函数随噪声分布情况进行自适应调整;以噪声信号样本熵值最大为依据,提出了最优阈值估计方法,使阈值随噪声大小自适应调整;以相邻分解层数的样本熵均值差值为依据,提出了分解层数确定方法。将样本熵改进小波包阈值去噪算法应用于轴承故障信号去噪中,去噪信号功率谱中轴承转动频率及倍频、外圈故障特征频率及倍频、两者的调制频率显露明显,能够明确判处出轴承为外圈故障,体现了极好的去噪效果。

基于LCD的自适应小波脊线解调及齿轮故障诊断

针对最佳小波参数的设定和齿轮裂纹故障振动信号频率成分复杂、信噪比低等问题,将遗传优化算法、小波脊线解调与局部特征尺度分解(local characteristic-scale decomposition,简称LCD)相结合,提出了基于LCD的自适应小波脊线解调方法。首先,采用LCD方法将原始信号分解为若干个内禀尺度分量(intrinsic scale component,简称ISC),并通过选择蕴含特征信息的ISC来实现信号降噪;然后,以小波能量熵为目标函数,采用遗传算法优化小波参数,得到自适应小波;最后,通过自适应小波分析提取ISC的小波脊线,从而实现对原始信号的解调分析。通过齿轮裂纹故障诊断实例验证了该方法的有效性和优越性。

基于欠阻尼混合势随机共振的微弱信号检测方法

针对强噪声背景下机械设备微弱信号的检测问题,即其微弱故障的诊断问题,提出了一种自适应噪声完备集合经验模态分解(CEEMDAN)—小波阈值联合降噪方法与欠阻尼混合势随机共振(UMPSR)相结合的微弱信号检测方法。首先,建立了欠阻尼混合势随机共振模型,描述了势函数的特点,从理论上推导出了系统的输出信噪比,并分析了在不同参数下,信噪比和噪声强度的关系;然后,对原始信号进行了预处理,将降噪后的重构信号输入系统模型,利用自适应模拟退火粒子群算法对系统参数进行了优化,实现了随机共振系统的最佳匹配;最后,将所提方法应用于仿真故障信号和滚动轴承内圈故障的实验中,并将其结果与采用混合势随机共振(MPSR)方法所得结果进行了对比。研究结果表明:当故障频率为50 Hz和212.85 Hz时,相比于混合势随机共振方法,经欠阻尼混合势随机共振处理后的故障频率处的频谱峰值更高,且噪声干扰更少;该结果可以有效地提高滚动轴承故障信号检测能力。

提升小波变换在轴承故障诊断中的应用

提升小波变换可以通过设计预测系数和提升系数获得具有某种特性的小波基函数,因而对信号的适应能力更强。介绍了提升小波变换的原理,提出了一种自适应阈值小波去噪方法,并将其应用于轴承故障诊断中。

时频分析方法在轴承故障诊断领域的应用

现代信号处理技术在数字信息时代具有巨大的发展潜力,其中时频分析方法发展较快,应用广泛。基于小波理论的小波变换、小波包分解,再到经验模态分解(EMD)、局部均值分解(LMD)、本征时间尺度分解(ITD)、局部特征尺度分解(LCD)、内禀特征尺度分解(ICD)、变分模态分解(VMD)等自适应分解方法,先后提出时频分析取得了前所未有的发展。本文从方法的提出、应用和改进三个方面对近年来时频分析方法的研究进行了总结,对时频分析方法今后的发展方向进行了展望。

分层自适应小波阈值轴承故障信号降噪方法

针对轴承振动信号易受到噪声干扰的问题,提出了一种分层自适应小波阈值降噪方法。首先将轴承振动信号进行小波分解,获得各分解层的小波系数;之后保留低频信号的小波系数,对高频信号的小波系数进行分层自适应阈值处理;最后将阈值处理后的小波系数进行小波重构,得到降噪后的信号。通过构建一种在阈值处连续且在小波域内可导的分层自适应阈值函数,可以改进传统阈值函数重构偏差和过度降噪的缺陷。轴承故障仿真信号的降噪实验结果表明,该方法的信噪比和均方根误差均优于其他方法,有更好地降噪效果;机械故障模拟实验台的轴承故障信号降噪实验结果表明,该方法在降噪的同时保留了更多的故障信息,能够有效提升故障诊断率,更有利于轴承故障信号的降噪。

基于EWT-SVDP的旋转机械故障诊断

为了准确诊断旋转机械故障类型,提出了基于EWT-SVDP的故障诊断方法。分析了经验小波变换对信号分解的频率自适应性优势;给出了奇异值包分解与重构原理,并说明了此算法的强去噪能力;将经验小波变换与奇异值包分解融合,提出了EWT-SVDP算法,此算法兼容了经验小波变换的频率自适应性与奇异值包分解的强去噪能力,能够有效去除信号误差并给出信号频谱;介绍了轴承基本结构和故障特征频率理论值,设计了轴承故障诊断实验方案和方法,对故障振动信号使用EWT-SVDP算法进行去噪和重构,并结合希尔伯特变换,分析信号的频谱和包络图,可以明显看出轴承回转频率及倍频、故障特征频率及其倍频、两者合成的边频等,充分证明了所提出的EWTSVDP算法能够准确判断出旋转机械故障类型。