自适应最大相关峭度反褶积方法诊断齿轮轴承复合故障

为了解决传统最大相关峭度反褶积(maximum correlated kurtosis deconvolution,MCKD)在故障诊断中容易出现因参数选择不当而影响诊断效果的问题,该文提出了一种基于量子遗传算法(quantum genetic algorithm,QGA)的自适应最大相关峭度反褶积方法(maximum correlated kurtosis deconvolution with quantum genetic algorithm,QMCKD)用于齿轮和轴承复合故障诊断。通过量子遗传算法自适应选择最大相关峭度反褶积的2个关键参数滤波器长度(L)和反褶积周期(T)。使用QMCKD处理原始振动信号,提取复合故障信号中的所有单个故障信号,分别对单个故障信号进行频谱分析从而识别故障特征。在对齿面磨损-滚动轴承外圈损伤复合故障诊断中,QMCKD能够识别齿轮故障频率及其2~4倍频,识别轴承故障频率及其2~6倍频,且主要频率成分周围干扰谱线很少,故障类型容易识别。与直接频谱分析和变分模态分解(variational mode decomposition,VMD)相比,该方法在诊断效果上具有优越性。在对齿根裂纹-轴承滚动体损伤复合故障诊断中,QMCKD能够突出齿轮故障频率及其2~5倍频,突出轴承故障频率及其2~8倍频,齿轮和轴承故障特征明显,验证了方法的稳定性。试验结果表明QMCKD能够有效识别复合故障中齿轮和轴承的故障特征,可用于齿轮箱的齿轮、轴承复合故障诊断。     

轴承故障诊断的最优化随机共振方法分析

现代机械设备正朝着大型、复杂和高速方向发展,导致其长期在强噪声环境下运行,使得通过振动分析检测微弱故障变得极为困难。因此,从强噪声背景中提取微弱故障信号成为机械故障诊断的关键问题。随机共振利用噪声能量来加强特征信号能量,特别适合于现代机械设备微弱故障诊断,然而,共振系统结构参数对其输出结果影响较大。针对这一实际情况,为了更好地对故障轴承进行精确诊断,以随机共振理论为依据,提出了基于人工蜂群算法的自适应随机共振新方法。以随机共振输出信噪比作为算法的目标函数,利用人工蜂群算法搜索全局最优解,实现双稳系统参数的自适应调节,获得信噪比最大时的系统参数,最终实现从强噪声环境中检测出微弱信号。数值仿真和轴承故障诊断试验表明:该方法得到的输出频率谱故障频率峰值比经典随机共振方法得到的峰值高20%,可用于强噪声环境下轴承故障识别和诊断。     

排列熵优化改进变模态分解算法诊断齿轮箱故障

为了准确提取齿轮箱中复合故障特征,该文选用变模态分解(variational mode decomposition,VMD)对振动信号进行处理,它能够将信号分解为多个固有模态函数(intrinsic mode function,IMF),但需预设分解层数k和惩罚因子;因此,为了能够自适应地确定分解层数k,该文提出了排列熵优化算法(permutation entroy optimization,PEO),该算法可以根据待分解信号的特点自适应的确定分解层数k;同时,为了解决VMD算法对噪声的敏感性,该文根据噪声辅助数据分析的思想,提出了改进VMD算法(modified variable modal decomposition,MVMD),该算法首先添加成对符号相反的高斯白噪声到原始信号,再利用VMD算法对其进行分解,经过多次循环,原始信号中的噪声相互抵消,而后将每次循环得到的每层IMF分别进行集成平均。利用该算法分别对含有多故障特征的齿轮箱仿真信号及实测信号进行处理,均提取出了故障特征。该文所提方法对封闭式功率流试验台进行复合故障提取,160和360 Hz的故障频率分别被提取出。该方法为齿轮箱复合故障诊断提供新思路。     

采用HHT算法与卷积神经网络诊断轴承复合故障

针对农业机械装备中滚动轴承复合故障特征提取与智能诊断问题,该文提出了一种将希尔伯特-黄变换的改进算法(improved hilbert-huang transform,IHHT)与卷积神经网络(convolution neural network,CNN)相结合的诊断方法。首先,通过多种群差分进化改进的集合经验模式分解(multiple population differential evolution-ensemble empirical mode decomposition,MPDE-EEMD)和敏感固有模态函数筛选方法来改进HHT,提取出故障信号时频特征。然后,在AlexNet网络模型基础上遍历所有可能的CNN模型组合,构建出适应于滚动轴承故障诊断的CNN网络模型。再将训练集生成的IHHT时频图输入CNN中进行学习,不断更新网络参数;并将该模型应用于测试集,输出故障识别结果。最后,通过滚动轴承单一故障和复合故障2种试验,将所提出的IHHT+CNN方法分别与传统的BP神经网络、DWT+CNN和STFT+CNN方法进行比较。研究表明,该文的IHHT+CNN方法对单一与复合故障的正确率分别达到100%和99.74%,均高于其他3种方法,实现了不同工况下端到端的轴承复合故障智能诊断,并具有较好的泛化能力和鲁棒性。     

采用HHT算法与卷积神经网络诊断轴承复合故障

针对农业机械装备中滚动轴承复合故障特征提取与智能诊断问题,该文提出了一种将希尔伯特-黄变换的改进算法(improved hilbert-huang transform,IHHT)与卷积神经网络(convolution neural network,CNN)相结合的诊断方法。首先,通过多种群差分进化改进的集合经验模式分解(multiple population differential evolution-ensemble empirical mode decomposition,MPDE-EEMD)和敏感固有模态函数筛选方法来改进HHT,提取出故障信号时频特征。然后,在AlexNet网络模型基础上遍历所有可能的CNN模型组合,构建出适应于滚动轴承故障诊断的CNN网络模型。再将训练集生成的IHHT时频图输入CNN中进行学习,不断更新网络参数;并将该模型应用于测试集,输出故障识别结果。最后,通过滚动轴承单一故障和复合故障2种试验,将所提出的IHHT+CNN方法分别与传统的BP神经网络、DWT+CNN和STFT+CNN方法进行比较。研究表明,该文的IHHT+CNN方法对单一与复合故障的正确率分别达到100%和99.74%,均高于其他3种方法,实现了不同工况下端到端的轴承复合故障智能诊断,并具有较好的泛化能力和鲁棒性。     

自适应奇异值分解的随机共振提取微弱故障特征

针对农业机械设备在强背景噪声下微弱故障特征难以提取的问题,提出一种基于自适应奇异值分解的随机共振微弱故障特征提取方法。首先,将原始信号奇异值分解并重构得到分量信号,构建互信息差分谱,权衡各分量信号对原始信号的贡献率,自适应选取有效奇异值个数,以克服已有方法人为主观选择或仅考虑奇异值大小等不足;其次,对选取的有效奇异值对应的分量信号自适应随机共振,使其微弱故障特征增强;最后,对增强的分量信号统计学平均以提取微弱故障特征。仿真和轴承外圈故障试验结果表明,该方法不仅克服了强背景噪声下有效奇异值的选取困难,而且结合自适应随机共振,有效提取出仿真信号100 Hz和轴承外圈155.5 Hz的故障特征频率,因此,所提方法不仅能够更好的增强微弱故障特征,而且分析结果优于单纯的奇异值分解和随机共振方法。该文提出的方法不仅可适用于强噪声背景下轴承的故障诊断,同时为农业机械设备的轴承故障诊断提供参考。     

基于非凸惩罚融合套索模型的电机轴承复合故障诊断

针对非凸全变分去噪（non-convex total variation denoising，NCTVD）在提取电机轴承复合微弱故障时存在稀疏性能欠佳和无法准确识别故障的问题，该研究提出一种基于非凸惩罚融合套索模型（non-convex fused lasso model，NCFLM）的复合故障诊断方法。基于反正切惩罚因子的NCTVD模型引入广义极小极大凹函数（generalized minimax concave，GMC），将其拓展成融合套索模型的形式并得到NCFLM，利用前向后向算法(forward-backward algorithm，FBA)对该模型进行求解，再引入遍历方法寻找相关峭度最大时正则化参数的最优取值并将求解结果与其他非凸惩罚模型进行对比。最后，利用采集到的电机轴承复合故障信号进行NCFLM处理，提取复合故障特征，试验结果表明，NCFLM的原子压缩数目、收敛速度、重构准确度、稀疏度、L₀范数逼近程度分别比原始arctan-NCTVD模型提高了9.2%、6.6%、10%、46.2%和15%，可实现电机轴承复合故障的准确诊断。     

基于时频脊线提取与改进稀疏分量分析的RV减速器复合故障盲分离

针对农业机器人的核心传动部件旋转矢量（rotate vector，RV）减速器的故障特征提取问题，该研究提出一种基于时频图像脊线提取与改进稀疏分量分析相结合的RV减速器复合故障盲提取方法。首先利用提出的时频图像脊线提取（ridge extraction from time-frequency images，RETF）方法同步截取机械臂恒速时段的观测振动信号，然后利用提出的sinC函数改进形态滤波（sinC-morphological filtering，SMF）算法、密度峰值聚类（density peak clustering，DPC）算法和正交匹配追踪（orthogonal matching pursuit，OMP）算法相结合的盲源分离方法（SMF-DPC-OMP）实现平稳信号复合故障的分离提取。以sinC函数作为新的结构元素构造平均组合形态滤波器，对恒速时段的振动信号进行形态滤波处理，以提升信号的冲击特性以及稀疏性；利用DPC估计稀疏信号的混合矩阵，进而构建传感矩阵，并结合OMP在频域完成分离源信号重构，最后对重构的时域信号进行快速傅里叶变换完成故障识别。试验台采集的RV减速器的太阳轮和行星轮磨损复合故障信号的分析结果显示，该算法能有效实现RV减速器复合故障的盲分离。RETE算法能够在变转速工况导致时频图较为模糊的情况下，识别出RV减速器的运动状态；SMF-DPC-OMP算法能够在故障源数目未知的情况下，有效完成复合故障的盲分离。与已有方法相比，SMF-DPC-OMP方法能够节省约75%的时间成本，频谱更为简洁，能够抑制精细侧频和干扰分量，适用于关节型农业机器人RV减速器复合故障盲分离，对生产实际中的故障特征提取具有一定的参考意义。     

基于经验小波变换的复杂强噪声背景下弱故障检测方法

针对复杂强噪声背景下的非平稳振动信号的弱故障和复合故障检测的难题,引入经验小波变换(empirical wavelet transform,EWT)以提高故障确诊率,并提出一种基于EWT的复杂强噪声背景下弱故障的检测方法。EWT能够通过完全自适应小波基提取信号的固有模式,与经典小波变换一样具有完备的理论基础。通过对含有复杂强噪声的仿真信号和实际信号进行EWT分析,并对比经验模态分解,验证了基于EWT的复杂强噪声背景下弱故障检测的可行性和有效性。该研究可为复杂工况下机械设备的弱故障和复合故障检测以及故障特征提取提供参考。     

基于LMD和MED的滚动轴承故障特征提取方法

机械系统所拾取的振动信号包含着许多复杂的信息成分,微弱故障信号的提取往往会受到这些成分的影响,故障识别非常困难,尤其是滚动体故障识别,往往比内圈和外圈故障识别更困难。提出局域均值分解(local mean decomposition,LMD)与最小熵反褶积(minimum entropy deconvolution,MED)结合的方式,提取强噪声、强确定性成分下微弱故障信号的特征。先用LMD对信号做预处理,自适应地分解为若干个乘积函数(product function,PF)分量,再对前4个PF分量做MED处理以放大故障脉冲特征,最后对MED处理后的信号进行包络分析。通过对强噪声背景下滚动轴承滚动体的故障实例分析,该方法得到的输出频谱故障特征频率处峰值与200 Hz内所有峰值均值的比值较原信号的增加了96.4%,同时信噪比提高了18.3%,成功地提取了故障特征,取得了良好的效果,该研究可为强噪声环境下轴承故障识别和诊断提供参考。     

基于自适应频率切片小波变换的滚动轴承故障诊断

频率切片小波变换(frequency slice wavelet transform, FSWT)在汲取短时傅里叶变换和小波变换优势的基础上引入了频率切片函数,使传统的傅里叶变换实现了时频分析功能。FSWT通过对比不同频带处理的结果以确定最合适的中心频率及最佳带宽,实现了对信号任意频带及局部特征的重构及描述,但这种方法效率很低、无自适应性且无法保证手动筛选出的频段中包含所需要的故障信息。针对这个问题,该文提出一种自适应频率切片小波变换(adaptive frequency slice wavelet transform, AFSWT)。首先,连续分割信号的频谱,频谱分割覆盖了全频带且避免了手动选取频谱边界的过程,均分的方式可提高计算效率。其次,引入谱负熵作为评价依据,计算每一个频段内信号的复杂程度以筛选可能包含周期性冲击的循环平稳信息。最后,选取其中谱负熵最大的频段并将其定义为最佳的中心频率和带宽,重构该频段信号分量并包络解调分析,实现故障诊断。该方法均匀分割频谱并依据谱负熵筛选信号分量可以提高计算效率且提高筛选准确率。通过模拟信号及实验信号证明了该方法可应用于滚动轴承圈故障诊断。     

基于层次多尺度散布熵的滚动轴承智能故障诊断

针对全寿命周期内滚动轴承振动信号的特征提取与智能诊断问题,该研究提出一种基于层次多尺度散布熵的滚动轴承智能故障诊断方法。首先,在散布熵的基础上,结合层次分解和多尺度分析的理论思想,提出一种信号复杂性度量方法——层次多尺度散布熵(Hierarchical Multiscale Dispersion Entropy, HMDE);其次,为了避免HMDE按经验性选取参数的缺陷,借助鸟群优化算法(Bird Swarm Algorithm, BSA)自适应地确定其重要参数,并采用参数优化的HMDE提取原轴承振动信号中的多层次、多尺度故障特征;最后,将构建的多维度故障特征矩阵输入到支持矩阵机(Support Matrix Machine,SMM)中进行模型训练并完成轴承故障模式及程度的自动判别。通过2组轴承加速寿命试验对所提方法进行了有效性验证。通过与精细复合多尺度散布熵(RefinedCompositeMultiscaleDispersionEntropy,RCMDE)、广义复合多尺度排列熵(GeneralizedCompositeMultiscalePermutationEntropy,GCMPE)、广义精细复合多尺度样本熵(GeneralizedRefined Composite Multiscale Sample Entropy, GRCMSE)、层次模糊熵(Hierarchical Fuzzy Entropy, HFE)、层次样本熵(Hierarchical Sample Entropy, HSE)、修改的层次多尺度散布熵(Modified Hierarchical Multiscale Dispersion Entropy, MHMDE)和层次多尺度排列熵(Hierarchical Multiscale Permutation Entropy, HMPE)方法的识别精度对比,对于XJTU-SY轴承加速寿命试验,本文方法的平均识别精度分别提高了3.89、12.34、6.63、9.15、7.09、0.81和2.63个百分点。对于ABLT-1A轴承加速寿命试验,本文方法的平均识别精度分别提高了2.17、3.51、6.17、9.51、11.51、1.17和3.01个百分点。本文方法实现了全寿命周期内滚动轴承不同故障模式及程度的识别,与传统的基于多尺度熵或层次熵的故障诊断方法相比,能够获取更全面、更丰富的轴承故障特征信息,识别精度得到了较大的提升。本文研究可为全寿命周期内滚动轴承故障诊断提供参考。     

基于MED-EEMD的滚动轴承微弱故障特征提取

针对滚动轴承在强噪声环境下故障信号微弱、故障特征难以提取等问题,提出了基于最小熵反褶积(minimum entropy deconvolution,MED)和总体平均经验模态分解(ensemble empirical mode decomposition,EEMD)两者相结合的方法来提取滚动轴承微弱故障特征。通过对仿真信号和风电齿轮箱的振动信号分析,结果表明:为了弥补在强背景噪声下EEMD对微弱信号特征提取的局限性,该文选取MED作为EEMD的前置滤波器,最后对敏感的本征模态函数进行循环自相关函数解调分析,得出了风电齿轮箱的故障来自于高速轴的微小弯曲和高速轴输出端#10轴承外圈点蚀。同时与EEMD进行对比分析,表明了这种方法对微弱故障特征提取有较好的适用性。该文为多故障共存并处于强背景噪声下的微弱特征提取提供了参考。     

基于奇异值分解和支持向量机的滚动轴承故障模式识别

提出了基于奇异值分解和支持向量机进行滚动轴承故障诊断的新方法。对故障轴承的状态特征提取和故障特征准确分类是解决该问题的两个关键。奇异值分解可以将高维相关变量压缩为低维独立的主特征矢量，而支持向量机可以完成模式识别和非线性回归。利用上述原理根据轴承振动信号的变化特征，采用奇异值分解对其提取状态主特征矢量，然后利用建立的支持向量机多故障分类器完成滚动轴承故障模式的识别。试验结果表明，奇异值分解后的主特征矢量与支持向量机相结合可以很好的分辨出轴承的正常和故障状态，并且对未知故障有良好的识别能力。与常用的人工神经网络方法相比，该诊断方法具有更好的有效性、鲁棒性和精确性。     

多特征融合的滚动轴承故障诊断

针对滚动轴承变工况条件下卷积神经网络在特征提取过程中无法充分提取全局特征信息的问题,该研究提出一种MSCNN-Swin滚动轴承故障诊断方法。首先,在数据处理模块中利用连续小波变换(continuous wavelet transform, CWT)将一维振动信号转化为二维时频图像,以保留原始信号的时频特性;然后,在局部感知模块中利用多尺度卷积神经网络(multiscale convolutional neural networks, MSCNN)对故障信息的局部特征进行提取,并使用卷积块注意模块(convolutional block attention module, CBAM)提取关键信息;进一步构建特征提取模块,引入残差连接提高前后特征信息的利用效率,通过SwinT网络(swin transformer)学习故障信息的全局特征;最后使用全局平均池化代替全连接层进行故障识别。使用美国凯斯西储大学轴承数据集与自制数据集进行试验验证,试验结果表明,本文方法在可视化试验中的故障识别准确率为99.67%,在变工况试验中的故障识别准确率为95.01%～99.66%,不同编码方式试验中的故障识别准确率为100%。在自制数据集中,故障诊断准确率达到99.18%。与CWT-LeNet5、CWT-VGG16、CWT-ResNet18和CWT-Swin相比,本文方法在变工况条件下的平均故障识别准确率分别提高8.79、8.64、3.49和3.18个百分点,在自制数据集中分别提高5.23、2.74、1.40和1.26个百分点。本文方法实现了变工况等复杂条件下滚动轴承不同故障状态的识别,能够充分提取轴承故障的全局特征信息,具有较高的故障诊断准确率和良好的泛化能力,可为变工况条件下的滚动轴承故障诊断提供参考。