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。     

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。     

基于双树复小波包变换的滚动轴承故障诊断

针对滚动轴承故障的振动信号具有非平稳特性,存在强烈噪声干扰,难以提取故障特征频率的情况,提出了基于双树复小波包变换阈值降噪的故障诊断方法.首先将非平稳的故障振动信号进行双树复小波包分解,得到不同频带的分量;然后对每个分量求其峭度值和相关系数并进行比较;最后选取峭度值和相关系数较大的分量进行软阈值降噪和双树复小波包重构,即可有效地消除振动信号中噪声的干扰,同时保留信号中的有效信息即实现了故障特征信息的提取.本文对轴承外圈故障试验和实际工程数据进行了相关分析,并对比传统离散小波包降噪的效果,本文方法处理后的信号冲击周期性更好,较理想地去除了噪声的影响,验证了该方法可以有效地去除噪声并提取滚动轴承故障的特征信息.     

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。     

基于改进移频变尺度随机共振的齿轮故障诊断

为了解决传统的移频变尺度随机共振只对单一参数进行优化,忽略各个参数之间交互作用的不足,提出了一种改进移频变尺度随机共振的算法。首先利用移频变尺度对大参数信号进行预处理;其次以最大信噪比为优化目标,采用改进鱼群算法对系统参数进行同步优化;最终实现齿轮故障微弱特征信号的最优提取。研究结果表明,该算法可以将噪声能量转移到微弱特征信号上,提高信噪比,并对齿轮进行故障诊断,且相对于传统的移频变尺度随机共振以及小波阈值降噪而言更加优越。该文提出的算法可用于强噪声环境下的齿轮故障诊断,为农业机械中齿轮故障诊断研究提供了参考。     

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。     

基于双树复小波包变换能量泄漏特性分析的齿轮故障诊断

为有效利用双树复小波包变换提取齿轮故障特征信息,提出基于双树复小波包能量泄漏特性分析的故障诊断方法。首先根据高斯白噪声频率充满整个频带的特性,通过双树复小波包变换对高斯白噪声进行分解,利用频带能量泄漏的定量分析方法,验证了双树复小波包变换具有较低的频带能量泄漏特性;其次利用双树复小波包变换逐层分解信号,对每层分解所得分量求其FFT谱的峭度,得到基于双树复小波包变换的谱峭度图,根据图中峭度最大的原则,可以自动准确的选择信号分解最佳层数和最佳分量;最后将基于双树复小波包变换的谱峭度图的故障诊断方法应用于实际工程中,对齿轮故障振动信号进行分析,选择最佳分解层数和分量后利用希尔伯特包络解调,有效准确地提取了故障特征信息,验证了方法的可行性和有效性。该研究可为旋转机械设备中齿轮箱故障诊断的故障特征提取提供参考。     

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。     

基于EMD多尺度特征熵的水轮机尾水管涡带信息提取

水电机组故障诊断的关键是从状态信号中提取故障特征,因此采用经验模态分解和指标能量相结合的方法,进行水轮机尾水管动态特征信息提取。首先,对信号进行经验模态分解,然后,根据得到的本征模式分量函数计算指标能量,最后,建立基于指标能量的多尺度特征熵,并以此熵值作为故障模式识别的特征向量。以原型水轮机尾水管压力脉动信号为例,进行了应用检验。结果表明,该方法准确性高,并具有良好的水轮机特征向量提取能力,适合分析复杂而特殊的水轮机动态特征信息。     

基于改进HHT的泵站管道工作模态辨识

为提高管道工作模态辨识精度,在希尔伯特-黄变换(Hilbert-Huang Transform,HHT)辨识基础上,发展奇异值分解(singular value decomposition,SVD)和经验模态分解(empirical mode decomposition,EMD)联合滤波技术与HHT时频域辨识结合的模态辨识方法。SVD-EMD联合滤除结构振动信号中的强噪声,凸显结构振动特性,有效避免了后期HHT参数辨识过程中虚假模态干扰,提高辨识精度和准确性。将该方法应用于景泰二期工程3泵站2管道的模态参数辨识问题中,建立该管道有限元模型并计算其结构动力特性。对比该文方法辨识结果、随机子空间辨识结果与有限元计算结果,该文方法辨识结果稍小于随机子空间辨识结果,与有限元计算结果更接近,其最大辨识误差为3.6%。研究表明,该方法能准确辨识管道频率,且有效降低管道结构背景强噪声。该研究可为管道安全运行和在线健康监测提供参考。     

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。     

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。     

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。     

基于经验模态分解和形态学的风电并网电压故障检测

针对风电场并网点电压故障引起的风机大规模脱网问题,提出了基于柔性形态算子和经验模态分解(empirical mode decomposition,EMD)去噪技术的电网电压故障检测方法。首先,利用EMD对采样信号进行时频自适应预处理,从而确定噪声主导模态;然后,通过柔性形态学变换加阈值输出,有效放大信号奇异点,避免了因电网电压信号周期性变化和噪声引起的背景梯度对检测结果的影响,实现故障定位检测。通过对不同噪声强度的电压暂降故障信号进行检测对比分析发现,随着信号信噪比下降,标准形态学方法的检测误差进一步增大,当信噪比达到25db时,甚至出现了误检现象,而柔性形态EMD检测方法仍然可以有效检测故障扰动的起止时间,表明该方法与标准形态学和小波阈值方法相比,在简化运算过程的同时可以获得更高的检测精度。最后,对某风电场并网点故障电压的分析结果与实测数据的一致性,验证了该方法可以有效检测电网电压的瞬态故障信息,从而为风电场无功补偿装置的投切控制提供了依据。