多通道相关-自适应轴承故障诊断方法

提出了多通道相关-自适应共振解调(MCC-ARD)方法 ,该方法使用冗余信号源采集故障信息,并利用谱峭度(SK)优化经验模态分解(EMD)的分解效率,根据互相关系数更加合理地选择本征模态函数(IMF)分量完成重构,对重构IMF进行包络解调,实现对滚动轴承的故障诊断。通过对多通道相关-自适应共振解调方法的实测数据分析,结果表明:该方法不仅克服了单一信号源系统修正能力差的缺陷,而且相频谱辨识率为传统EMD结合谱峭度共振解调方法的2.7倍,对滚动轴承故障的诊断结果更加清晰、准确。     

基于Birge-Massart阈值降噪与EEMD及谱峭度的滚动轴承故障特征提取

针对传统共振解调方法易受噪声干扰导致故障特征提取效果不佳的问题,提出了一种基于Birge-Massart策略的阈值降噪与集成经验模态分解(EEMD)和快速谱峭度算法相结合的滚动轴承故障特征提取方法。对原始故障信号进行EEMD并采用峭度准则筛选出含有故障信息的本征模态函数(IMF)分量;采用Birge-Massart策略和快速谱峭度对故障信号进行滤波降噪;对滤波后信号进行Hilbert包络解调,提取轴承故障特征。采用该方法分别对仿真信号和实验信号进行特征提取,结果表明该方法可以有效提高故障信号信噪比,清晰准确地获取轴承内、外圈故障的频率特征。利用峭度因子准则筛选IMF分量能有效保留原始故障信号中的冲击特征，去除无关IMF分量的影响。      

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.      

基于ICA包络增强MEMD的滚动轴承故障诊断

针对多元经验模态分解(MEMD)存在模态混叠、带内噪声干扰导致轴承故障特征信息微弱难提取问题,提出了基于独立分量分析(ICA)包络增强MEMD的滚动轴承故障诊断。采用MEMD对多通道信号进行自适应分解,依据峭度和相关系数选取包含故障信息的本征模态函数(IMF);对所选取IMF分量的包络信号进行ICA分析,抑制模态混叠和削弱带内噪声;选取峭度最大的独立分量包络进行频谱分析,判断滚动轴承的运行状况。实测信号结果表明:ICA包络增强MEMD后包络谱中可以清楚地看到前6阶故障频率,故障特征频率误差小于1 Hz,其他方法只能看到2~3阶,且干扰频率成分较多。      

改进Hilbert-Huang变换在齿轮故障诊断中的应用

针对Hilbert-Huang变换中齿轮故障信号经验模式分解的第一阶固有模态函数通常为非单一信号分量以及经验模式分解产生虚假低频分量的问题, 提出一种改进Hilbert-Huang变换方法.首先在频谱中确定故障信息频率范围, 并依据该频率范围和二进小波分解的特点确定需提取的相应频带的二进小波系数, 然后采用相关系数筛选法剔除小波系数经验模式分解所产生的虚假分量, 最后通过局部瞬时能量提取故障特征, 实例表明改进的Hilbert-Huang变换可以有效的提取齿轮故障特征.      

基于EMD和SVM的滚动轴承故障诊断方法

将支持向量机(SupportVectorMachine,简称SVM)、经验模态分解(EmpiricalModeDecomposition,简称EMD)方法和AR(Auto-Regressive,简称AR)模型相结合应用于滚动轴承故障诊断中。该方法首先对滚动轴承振动信号进行经验模态分解,将其分解为多个内禀模态函数(IntrinsicModeFunction,简称IMF)之和,然后对每一个IMF分量建立AR模型,最后提取模型的自回归参数和残差的方差作为故障特征向量,并以此作为SVM分类器的输入参数来区分滚动轴承的工作状态和故障类型。实验结果表明,该方法在小样本情况下仍能准确、有效地对滚动轴承的工作状态和故障类型进行分类,从而实现了滚动轴承故障诊断的自动化。      

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。      

基于经验模态分解的机械故障欠定盲源分离方法

针对传统的机械故障源分离方法限于非高斯、平稳和相互独立的源信号, 且传感器的观测数多于源数, 机械故障源信号通常不易满足这些假设的局限性, 提出了一种基于经验模态分解的机械故障欠定盲源分离方法.该方法对混合观测信号进行经验模态分解, 然后重组本征模函数分量作为新的观测信号进行盲源分离, 仿真和实验结果表明, 该方法是有效的.      

基于小波熵的滚动轴承早期微弱故障信息提取

滚动轴承产生早期微弱故障时,故障信息会被淹没在强背景噪声和其他振动源信号中,还会受到低频效应影响,这使得传统的频谱分析很难找到这些被淹没的故障信息。针对这一问题,本文提出一种基于小波熵的故障信息提取技术,首先对测试到的振动信号进行连续小波变换(CWT),获得时间-尺度谱,再计算时频矩阵中每一个尺度下的信号的熵,最后选取熵最小的尺度进行频谱分析。运用该方法对设置了外环故障、内环故障、滚珠故障的三种滚动轴承的振动信号进行了分析,并与传统的傅里叶变换(FFT)和包络解调分析方法进行了对比。分析结果表明,基于小波熵的分析方法能更有效地提取出振动信号中的故障频率信息。最后把该方法应用到某型涡轴发动机的主轴承故障诊断中,成功提取出了故障频率信息,实现了对滚动轴承进行早期故障检测。     

齿轮故障诊断的时延相关解调法

为诊断齿轮与滚动轴承的故障,常常对其振动信号进行包络解调,以获取故障特征。但所测振动信号中,包含大量的噪声,严重地影响解调结果,使得齿轮或滚动轴承的故障特征难以凸现。为此,本文提出了时延相关解调法以实现降噪解调。该方法利用相关函数的降噪特性,首先对振动信号进行相关分析,得信号的自相关函数。然后对自相关函数适当延迟以尽量避开噪声影响,再进行Hilbert变换,以求得解调结果。本文进行了仿真信号验证和实验验证,证明时延相关解调法与直接解调法相比,噪声影响大幅减小,故障信息得以凸现。      

基于位势函数的欠定盲源分离识别诊断方法

对观测器数目小于源信号数目的欠定盲源分离进行了研究,提出了一种基于位势函数的稀疏信号欠定盲源分离方法,该方法从能量的观点出发,通过构造位势函数,将寻找混合信号在直线方向上的聚类问题转化为寻找累积位势函数的局部极大值问题,从而准确的估计出源信号数目和混合矩阵,克服了通常的基于k-means聚类的混合矩阵估计法需预先给定源信号数目的缺点.利用仿真信号检验了该方法的有效性.基于信号频域稀疏性假设,将该方法应用于欠定条件下的滚动轴承振动故障信号的盲分离,较好地分离出了故障信号.      

基于WPD-KVI-Hilbert变换相结合的滚动轴承早期故障特征精准识别

为了能够有效地从轴承早期故障激励的高频振动信号中提取出故障特征信息,基于最优小波包基选取方法和峭度值最大筛选原则,提出了一种改进的小波包分解（WPD）、峭度值指标（KVI）与Hilbert变换相结合的滚动轴承早期故障特征识别方法。计算选取最优小波包基,确定分解层数;采用WPD方法对轴承故障振动信号进行分解,获得若干个Node分量;基于峭度值指标最大原则筛选出有效的Node分量进行信号重构;对重构信号进行包络解调分析,提取出故障特征频率对轴承故障进行诊断。采用建立的方法对凯斯西储大学滚珠轴承外圈、内圈故障实验数据和自行开展的滚棒轴承外圈、滚动体故障实验数据进行了分析与诊断。研究结果表明：该方法能够有效提高故障信号高频分辨率、保留周期性冲击成分,并能准确有效提取出滚珠和滚棒轴承故障特征频率的1~7倍频及其与轴转频调制的系列边频带频率,实现对滚动轴承故障特征的精准识别与故障诊断。     

转子振动故障信号的盲分离

介绍了盲源信号分离基本原理。基于最小化互信息原理,建立了用独立分量分析方法估计分离矩阵的加速梯度法,并给出了实现步骤。利用所建立的方法进行振动信号盲源分离的数值仿真,分离后的信号波形与源信号一致。对具有故障的实际转子进行多传感器信号采集并进行盲分离,不同故障的特征被分离开来。分析实例体现了所建立的方法在盲源信号分离中的有效性和对转子故障分离的实用性。      

滚动轴承早期故障的特征提取与智能诊断

在基于小波变换的滚动轴承故障诊断研究中,目前普遍存在小波变换参数选取和故障特征计算无法自动完成的问题。基于此,提出了一种基于二进离散小波变换的滚动轴承故障特征自动提取技术,实现了小波函数参数的自动选取和故障特征的自动提取。同时,基于结构自适应神经网络方法建立了滚动轴承的集成神经网络智能诊断模型。最后,利用实际的滚动轴承实验数据验证了所提方法的有效性。     

自适应可调品质因子小波变换在轴承早期故障诊断中的应用

分析了可调品质因子小波变换(TQWT)的近似平移不变性,并通过模拟信号对该性质进行验证。提出了基于时频峭度指标优化的自适应可调品质因子小波变换(ATQWT)方法,用于解决滚动轴承早期故障诊断问题。首先利用时频峭度指标对TQWT的品质因子和冗余因子进行搜寻,确定最优影响参数后,根据所得结果设置好TQWT的参数并对原始信号进行处理,得到相应的信号分量并选定最佳信号分量,对最佳信号分量执行包络解调处理,最后分析包络谱中的频率成分来判定轴承的状态。实验信号分析结果表明:所得时频峭度指标更加可靠，鲁棒性更强。在低信噪比情况下,该方法可以准确分离出原始信号中的微弱特征,有效判定轴承的早期故障。      

基于机匣振动信号的滚动轴承故障协同诊断技术

针对基于机匣测点信号的航空发动机滚动轴承故障诊断问题,提出了一种滚动轴承故障的协同诊断技术。通过最小熵解卷积消除信号传递路径的影响以增强信号中的冲击性成分;通过小波变换提取共振频带;通过自相关分析抑制频带信号中的非周期性成分并进一步提升信噪比。依托带机匣的转子试验器分别对人工故障轴承和真实故障轴承进行了两组试验,试验结果表明:相比于其他典型方法,采用所提协同诊断法得到的包络谱中故障特征频率对应的谱峰更加清晰、明显。      

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%。      

基于冲击信号的滑动轴承摩擦故障监测方法

针对滑动轴承声发射（AE）信号干扰严重、故障信号难分离、轴承摩擦故障监测难的问题,从不同信号的激励源作用形式出发,根据冲击信号的工作脉冲特征,建立了分离相对容易的干扰信号与轴承摩擦故障的联系,提出一种基于干扰信号监测滑动轴承故障的方法。首先,依靠K均值奇异值分解（K SVD）字典对冲击特征的捕捉能力,确定冲击脉冲产生的时刻；为了锐化和增强冲击信号,通过Hilbert包络解调出冲击包络信号。其次,引入钟形脉冲参数,通过钟形脉冲拟合单个冲击包络信号,并进一步推导出冲击包络信号的强度简化计算公式,用于滑动轴承接触摩擦故障识别。最后通过实验模拟了滑动轴承切断供油后的轴瓦摩擦过程,与AE传统特征相比,所提特征更容易识别轴承的早期摩擦故障,能够完整描述轴承的摩擦的全过程,且计算效率更高,为滑动轴承接触摩擦故障诊断提供了一种新的途径。      

球轴承内圈剥落缺陷双冲击特征动力学建模

基于Hertz接触理论,以内圈滚道表面存在局部剥落的球轴承为研究对象,对球轴承局部剥落故障所激起的非线性激励机理进行研究,分析球轴承双冲击现象激励机理。将滚动体与球轴承内外圈非线性接触特性纳入考虑,提出时变位移激励与时变接触力激励相耦合的球轴承局部剥落双冲击现象动力学模型。研究中采用Runge-Kutta数值积分法求解该二阶非线性动力学微分方程,并对故障球轴承仿真信号进行双冲击时间间隔特征验证。在不同转速和内圈剥落尺寸条件下开展仿真与实验研究,通过仿真和实测信号的双冲击时间间隔与理论双冲击时间间隔对比分析,仿真信号的双冲击时间间隔与理论值对比的误差结果皆小于2%,与实测信号的双冲击时间间隔值对比的误差结果皆小于12%;同时,仿真信号与实测信号具有很好的相似性,从而验证了该动力学模型的有效性。