齿轮箱中滚动轴承的故障诊断

提出了一种基于自适应除噪技术(ANC)和共振解调技术(DRT)的齿轮箱中滚动轴承的故障诊断方法。该方法先后用同一传感器和测量系统、在同一位置采集被诊断轴承在无故障时的振动信号和在状态监测过程中的振动信号,然后把这两次拾取的信号分别作为自适应除噪系统的参考输入和主输入进行除噪处理,最后用共振解调技术对除噪后的振动信号进行包络解调,实现齿轮箱中滚动轴承的故障诊断。实际应用表明,该方法能够从齿轮箱振动信号中剔除齿轮啮合振动等背景噪声,提高滚动轴承振动信号的信噪比,可以有效地诊断齿轮箱中滚动轴承的故障。      

一种小波包的微机械陀螺消噪方法

微机械(MEMS)陀螺精度直接影响惯导系统精度。研究表明,随机噪声是影响MEMS陀螺精度的重要因素。本文在介绍小波包变换和自适应阈值的基础上,采用db4小波包变换阈值消噪方法,对某MEMS陀螺信号进行消噪处理,数据处理验证了此算法在MEMS陀螺消噪处理中的有效性。     

基于CEEMDAN降噪与双谱分析的滚动轴承故障诊断

滚动轴承早期故障信号中的噪声成分会影响到故障特征的提取。为了提高含噪故障信号中滚动轴承早期故障特征提 取的准确性，将基于自适应噪声的完备经验模态分解（CEEMDAN）用于滚动轴承振动信号的降噪中，并对降噪后的轴承故障信号 进行双谱分析。结果表明：CEEMDAN可有效去除轴承振动信号中的低频噪声干扰，经CEEMDAN降噪后的不同轴承故障信号的 双谱全局图存在明显差异，根据这些差异可在宏观上对不同轴承故障加以区分；通过经CEEMDAN降噪后的不同轴承故障信号的 双谱细节图可以正确提取不同轴承故障的特征频率，从而实现对各轴承故障的有效诊断。CEEMDAN降噪结合双谱分析可为滚 动轴承故障诊断提供一种新的有效方法。     

基于PSO-RWE的自适应小波阈值函数滚动轴承振动信号去噪方法

针对现有小波去噪方法存在阈值函数中未知参数选取依赖经验,导致去噪不充分或去噪后信号失真的问题。提出了一种基于相对小波熵(RWE)的粒子群优化(PSO)算法,用于小波阈值函数中未知参数的自适应寻优,达到滚动轴承振动信号自适应降噪目的。改进了一种含两未知参数的小波阈值函数;以相对小波熵为优化算法的适应度函数对未知参数进行自适应寻优,得到最优小波阈值函数;通过对模拟仿真信号和试验采集的滚动轴承振动信号进行分析。结果表明:优化后的小波去噪方法能够更好地将噪声从染噪信号中滤除,去噪后信号波形的平滑度更好,信噪比相较硬阈值去噪提高294%,而且保留了原始信号更多的细节特征,具有更好的去噪性能和应用实用价值。     

基于CPP与S变换的自适应时频滤波及其在滚动轴承故障诊断中的应用

针对变转速下滚动轴承故障调制信息的提取与分离,提出了基于线调频小波路径追踪(CPP)与S变换的自适应时频滤波方法。该方法先采用Hilbert解调对齿轮箱振动信号进行分析获取其包络信号,并对包络信号进行S变换,以获取其时频分布,同时,采用CPP算法从齿轮箱振动信号中估计出啮合频率曲线,进而获取转轴转速;然后,根据估计的转速信号分别设计各阶时频滤波器;再采用时频滤波器对包络信号的时频分布进行时频滤波,并将滤波结果进行S逆变换,以获取各阶故障调制信号;最后对各阶故障调制信号进行阶次谱分析,并根据阶次谱中的调制信息诊断滚动轴承故障。算法仿真和应用实例表明,自适应时频滤波方法可根据轴承故障调制信号的频率变化特点自适应地改变滤波器的中心频率与带宽,能有效提取并分离轴承的各阶调制信息,且分离效果优于基于集合经验模态分解（EEMD）的阶次谱方法。      

基于FPGA的磁轴承转子系统自适应振动抑制

针对航空发动机磁轴承转子系统在高速运行时的振动问题,通过分析转子自身不平衡引起的同频振动、电机干扰产生 的倍频振动、结构模态振动等多种振动,设计了一种基于LMS算法的自适应滤波器。滤波器加入控制系统的反馈环节,对同频、倍 频振动进行滤波处理,并且能在模态频率处切换至自适应同频信号放大器抑制模态振动。通过采用波特图、定频点分析、数值仿 真等方法,证明了滤波器能有效地完成对磁轴承转子系统的自适应频率跟踪振动抑制和模态振动抑制;根据FPGA的硬件架构特 点,采用一种3级量化策略的符号类LMS算法,构建了基于FPGA的实时自适应滤波器模块,并进行了自适应振动抑制试验。结果 表明：基于FPGA的自适应滤波器对特定频率成分的抑制效果达到80%以上。     

基于零空间追踪算法的滚动轴承故障诊断

提出了一种基于零空间追踪算法（NSP）的滚动轴承故障诊断方法,首先依据轴承故障机理建立轴承故障振动信号模型,并构造基于轴承故障振动信号特征的零空间微分算子,然后利用所构造微分算子将待分析混合信号分解为一系列含有轴承故障特征的窄带信号的叠加,最后通过调整算法中的参数实现轴承故障的特征提取。仿真与实验信号分析结果表明,该方法可以有效进行滚动轴承的早期故障特征提取及复合故障的分离。     

基于EMD-ICA与遗传算法的轴承故障诊断方法

针对振动信号中轴承故障特征信号微弱难以识别的问题,对通过试验采集到的内环故障、外环故障以及滚动体故障振 动信号进行处理。采用最小二乘法和指数平滑法对振动信号进行预处理,利用EMD分离振动信号的局部特征,并根据IMF分量 的信息熵增益比实现重构;采用ICA对混叠的振动信号进行分离,并对分离后的振动信号进行特征提取;采用遗传算法对多维振 动特征参量进行降维,筛选出最优特征参量;采用遗传算法优化的极限学习机对轴承故障振动特征集进行识别,将常见的SVM、 BP等诊断模型作为对比算法。试验结果表明：采用ICA能将混叠信号有效分离,实现故障信号的提取;遗传算法不仅能够实现最 优特征的选择,同时能够对极限学习机算法进行有效优化,提升算法的诊断效果。优化的算法相比其它诊断识别方法性能较佳, 使3种故障的平均诊断效果达到90%以上。     

含噪振动信号中早期碰摩的故障检测研究

 研究了在有噪环境下发动机转子系统早期碰摩故障的检测问题。利用最优参数搜索法改进了独立分量分析( ICA) 算法, 用于求解转子系统振动信号与噪声的盲分离问题。在此基础上, 对分离后的振动信号利用小波包分解进行早期碰摩信号的检测。结果显示最优搜索的ICA 算法运行效率高, 信号分离纯度好, 对振动信号有高效的降噪作用, 并利用小波包分解准确地检测出振动信号中的碰摩信息, 其效果优于小波分解法。信噪分离与小波包分解相结合有望用于工程实践中的早期碰摩故障检测和诊断。     

卷积神经网络和峭度在轴承故障诊断中的应用

针对传统智能诊断方法依靠专家知识和人工提取数据特征工作量大的问题,结合深度学习方法在特征提取和处理大数据方面的优势,研究了一种基于卷积神经网络和振动信号峭度指标的滚动轴承故障诊断方法。该方法将深度学习应用于轴承故障诊断,提取滚动轴承正常状态、内圈故障、外圈故障和滚动体故障4种状态的振动信号,将振动信号分段处理得到峭度指标,使用数据到图像的转换方法将峭度指标转换为灰度图,送入卷积神经网络模型完成故障分类。在进行滚动轴承故障诊断的实验时,所提的模型诊断准确率达到99.5%,高于传统支持向量机(SVM)算法的95.8%。      

一种改进的LMS算法及其在自适应消噪中的应用

介绍了一种改进的LMS自适应滤波算法及其在自适应噪声对消中的应用。该算法利用误差信号的相关值去调节步长,解决了算法收敛时间与稳态误差间的矛盾,为实际应用提供了更大的灵活性。它同时实现了均方误差小和收敛速度快,并且降低了LMS算法对噪声的敏感性。文中最后给出了仿真结果,仿真结果与理论分析是一致的。     

小波域的自适应波束形成算法

在分析传统自适应波束形成的基础上,首次提出了一种小波域的自适应波束形成算法。与通常的自适应波束形成算法相比,该算法利用小波变换对小波空间进行了分解,信号经小波变换自相关性会下降,收敛速度提高,同时在此分解过程中,根据信号与白噪声在不同尺度上的小波变换模极大值表现完全不同的特性进行信号的消噪。理论分析和仿真结果表明了该算法收敛速度较快,且计算量增加较少,易于实时实现,而且具有较好性能。同时仿真实验表明该算法收敛速度与小波基和尺度的选择有关,尺度越大收敛速度越快;对于同一小波基系列,小波基的正则性越好收敛速度越快。     

A Generalization of the Normalized LMS Algorithm

As previously shown, the normalized least mean square (NLMS)algorithm has superior convergence properties than the least meansquare(LMS) algorithm. However, the weight noise effect of the NLMS algorithm is large so that the steady state residue power islarger than that for the LMS algorithm. A generalized NLMSalgorithm is developed based upon the pseudoinverse of anestimated covariance matrix. A preliminary evaluation indicatesimproved performance can be attained but the implementationcomplexity might be high.     

基于自适应双稳态随机共振的中介轴承故障诊断方法

针对航空发动机中介轴承故障信号微弱，故障特征提取困难的问题，提出了基于容忍遗传算法（TAGA）的自适应双稳态随机共振（BSR）的中介轴承故障诊断方法。在传统自适应遗传算法中引入容忍度思想，建立一种容忍遗传算法，采用容忍遗传算法对双稳态随机共振系统的结构参数a，b进行优化，建立自适应双稳态随机共振系统对故障信号进行处理。为验证该方法的有效性，搭建了中介轴承故障模拟实验系统，开展中介轴承内圈和外圈故障模拟实验。采用该方法分别对仿真信号和实验信号进行处理。结果表明:该方法能够对故障信号进行增强，提升了故障特征频率提取能力。自适应优化结构参数后，提取的特征频率与故障频率理论值的误差小于0.1%。      

Normalized LMS Algorithm Degradation Due to Estimation Noise

The steady-state weight vector derived by either the least mean square (LMS) or normalized least mean square (NLMS) algorithms has random deviations from the optimum values. These deviations increase the steady-state residue power. A previous paper derived the LMS weight noise effects for a multiple sidelobe canceller (MSLC) application. This paper describes the NLMS weight noise effects. It is shown that for a thermal noise environment, the weight noise effect for the LMS algorithm is insignificant but is quite significant for the NLMS algorithm. Calculations for example noise plus interference environments imply that the NLMS weight noise effects are always larger than that for LMS.     

一种变步长LMS自适应滤波算法研究

为了解决最小均方(LMS)算法的稳定性以及收敛速度和稳态误差之间的矛盾,提出了一种复数型自适应变步长的LMS算法,它的权系数的调整取决于误差曲面在新权值点上的梯度。分析了新算法的收敛特性以及参数选择对算法性能的影响。算法具有较快的收敛速度、鲁棒稳定性且运算小易于实现的特点。计算机仿真的结果与理论分析相一致,证实了算法的收敛性能优于标准的LMS算法并且具有较好的实用性。     

Multiple-model estimation with variable structure. V. Likely-modelset algorithm

For pt. IV see ibid., vol. 35, no. 1, p. 242-254 (1999). A multiple-model (MM) estimator with a variable structure, called likely-model set (LMS) algorithm, is presented, which is generally applicable to most hybrid estimation problems and is easily implementable. It uses a set of models that are not unlikely to match the system mode in effect at any given time. Different versions of the algorithm are discussed. The model set is made adaptive in the simplest version by deleting all unlikely models and activating all models to which a principal model may jump so as to anticipate the possible system mode transitions. The generality, simplicity, and ease in the design and implementation of the LMS estimator are illustrated via an example of tracking a maneuvering target and an example of fault detection and identification. Comparison of its cost-effectiveness with other fixed- and variable-structure MM estimators is given     

Adaptive array transient sidelobe levels and remedies

The transient sidelobe level of a sidelobe canceler (SLC) is a function of the external noise environment, the number of adaptive auxiliary antennas, the adaptive algorithm used, auxiliary antenna gain margins, and the number of samples used to calculate the adaptive weights. An analytical result for the adaptive sidelobe level is formulated for the case when the adaptive algorithm is the open-loop, sampled matrix inversion (SMI) algorithm. The result is independent of whether concurrent or nonconcurrent data processing is used in the SMI algorithm's implementation. It is shown that the transient sidelobe level is eigenvalue dependent and increases proportionally to the gain margin of the auxiliary antenna elements with respect to the quiescent main antenna sidelobe level. Techniques that reduce this transient sidelobe level are discussed, and it is theoretically shown that injection independent noise into the auxiliary channels significantly reduces the transient sidelobe level. It is demonstrated that using this same technique reduces the SMI noise power residue settling time     

基于IHT的共振解调技术的滚动轴承故障诊断方法

针对传统解调方法在滚动轴承振动信号故障特征提取中的局限性,在迭代Hilbert变换和共振解调技术基础上,提出了一种新的基于迭代希尔伯特变换(iterated Hilbert transform,简称IHT)的共振解调技术的滚动轴承故障诊断方法.采用IHT将原始振动信号分解为若干个含有故障特征信息的包络幅值分量,然后用共振解调法去除残余的高频干扰噪声并求得各个包络分量的倍频谱,利用轴承理论故障频率与共振解调得到的各倍频进行对比分析,诊断出滚动轴承相应的故障类型.轴承故障实例诊断分析结果表明该方法能有效地提取轴承故障特征.