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。     

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。     

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。     

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。     

改进烟花算法和概率神经网络智能诊断齿轮箱故障

针对复杂环境下农机设备的齿轮箱系统在故障诊断时存在易受现场噪声干扰和故障识别率低等问题,提出了一种基于改进的烟花算法和概率神经网络的齿轮箱智能故障诊断方法。为提高现有概率神经网络模式分类方法的性能,定义了一项样本相似度衡量指标以提高建模过程中训练样本的质量。将烟花算法与概率神经网络技术有机融合提出了一种改进的烟花算法-概率神经网络模式分类方法,利用烟花算法优化概率神经网络的平滑参数以确定网络参数的最优值,提高模式分类与识别精度。将改进的烟花算法-概率神经网络模式分类方法用于噪声环境下齿轮箱的故障诊断建模,构建故障特征参量与齿轮箱工作状况间的复杂非线性映射关系。应用结果表明,与基于BP神经网络、GABP(genetic algorithm back propagation)神经网络和概率神经网络的故障诊断模型相比,在不同程度噪声影响下烟花算法-概率神经网络模型均具有最高故障识别率。当噪声控制系数为0.01、0.02、0.04和0.06时,模型的故障识别率分别为100%、95.83%、93.33%和88.33%。该研究可为非线性复杂系统的故障诊断提供了一种可行的解决方案。     

变速箱齿轮磨损故障的极坐标角-频表示与诊断

变速箱齿轮磨损将导致振动信号中出现冲击响应成分,通过对每转内冲击响应成分的监测,可实现变速箱齿轮磨损故障诊断。为了提高变速箱齿轮磨损故障可视化监测与诊断效果,该文提出了一种极坐标角频分布方法。将采集的变速箱振动信号通过连续小波变换进行消噪处理并转变为极坐标角频分布,充分表现变速箱齿轮不同磨损工况时冲击成分的变化。以每种磨损工况时6转内的能量作为齿轮磨损特征向量,并将特征向量输入给BP神经网络进行分类训练和模式识别,有效地识别了变速箱的4种磨损状态。该研究结果为极坐标角频分布方法在变速箱状态监测与故障诊断的工程应用提供了参考。     

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。     

变分模态分解结合深度迁移学习诊断机械故障

针对机械故障振动信号在变工况条件下的特征提取与智能诊断问题,该研究提出了一种将变分模态分解(Variational Mode Decomposition,VMD)的优化算法与深度迁移学习(Deep Transfer Learning,DTL)模型相结合的故障诊断方法。首先,通过多种群差分进化(Multiple Population Differential Evolution,MPDE)算法和包络熵适应度函数来优化VMD,以解决VMD中本征模态函数分解个数k和惩罚因子α难以自适应确定的问题,再将VMD分解后的本征模态函数根据平均峭度准则进行重构,重构信号经过连续小波变换后获取信号时频特征。然后在深度残差网络(Deep Residual Network,ResNet)的基础上,将ResNet网络与迁移学习(Transfer Learning,TL)模型进行结合,采用边缘分布自适应方法缩小机械故障信号源域数据集与目标域数据集之间的差异,构建出适合于变工况条件下的机械故障诊断深度迁移学习模型。最后,在4个不同工况条件下的滚动轴承试验数据集中,将所提出的MPDE-VMD+DTL的故障诊断方法与传统BP神经网络、ResNet卷积神经网络和迁移成分分析进行对比。结果表明,该研究的MPDE-VMD+DTL方法诊断精度达到84.36%,BP、ResNet和迁移成分分析方法的诊断精度分别为23.60%、71.63%和19.68%,均低于该研究方法。MPDE-VMD+DTL方法实现了在不同工况下的端到端机械故障智能诊断,同时具有较好的泛化能力和鲁棒性。     

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。     

连续小波变换在齿轮磨损估计中应用研究

通过对连续小波变换的分析研究,提出了一种提取信号在小波尺度上的能量谱的信号分析方法。该方法能有效地对不同磨损状况下的齿轮振动信号进行分析,分析结果说明信号在小波尺度上的能量谱与齿轮的磨损程度有密切的关系。求出不同磨损状况下齿轮振动信号的能量谱对尺度的积分值,并根据这些值拟合得到的曲线与齿轮磨损过程曲线非常相似,这说明可以用连续小波变换的能量谱估计齿轮磨损状况。最后提出了一种连续小波变换的齿轮磨损特征量提取方法,用于提取齿轮磨损程度的特征向量,特征量间的欧氏距离说明这些特征向量能很好地表征齿轮的磨损状况     

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。     

齿轮箱振动与输入能量信号的频域相干分析与关系识别

为了提高旋转设备诊断效率、发展基于设备输入能量信号分析的故障诊断技术,该文提出并论述了输入能量信号分析方法在设备故障诊断技术研究中的有效性。首先从齿轮箱振动机理角度分析了传动能量与振动信号之间的关系,指出轴系扭矩及输入功率是齿轮静态传递误差的激励,进而导致振动信号的产生;其次通过建立齿轮传动能量与振动关系模型,利用相干函数以概率统计的形式揭示了输入能量与振动信号响应之间的关系;最后通过正常与断齿齿轮的对比试验,验证了功率信号的频谱特征与传统的齿轮故障振动频谱相一致,亦具有表征齿轮箱工况的明显作用,同时分析了振动和功率信号的自功率谱和互功率谱,利用相干分析方法,从经典控制理论角度验证了二者所呈现出的强相关性。该文为以能量信号分析为核心的旋转设备故障诊断技术的研究提供参考。     

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。     

基于粒子群算法的电动汽车DCT升档动力协调控制

该文建立了纯电动汽车双离合器自动变速器(DCT,double clutch transmission)升档过程动力学模型,以滑摩功与冲击度为评价因素,建立两者加权和形式的评价指标。针对纯电动汽车动力协调换挡优化对象强非线性,在基于梯度寻优的传统优化算法难以奏效情况下,利用粒子群优化算法对电机参与下的双离合器升档过程进行优化。优化过程中,使用傅里叶基向量分解方法将离合器转矩轨线、电机转矩轨线分解为基向量的线性组合,使用粒子群优化算法优化基向量系数,实现对双离合器传递转矩轨线与电机输出转矩轨线的规划,藉此提出了电动汽车双离合器变速器升档过程中离合器和电机转矩协调控制方法。最后,经过实车试验进行验证,结果表明该方法能够有效减少9%的滑摩功,使冲击度控制在国家标准之内,并缩短换档时间,改善换档品质。     

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。     

联合收割机清选损失传感器谷粒冲击信号的混沌检测

该文利用混沌算法来实现联合收割机清选损失谷粒冲击信号的检测,以达到降低清选损失检测系统成本、提高系统可靠性的目的。应用LS-DYNA仿真谷粒冲击传感器的过程,得到谷粒以3 m/s的速度冲击传感器时的位移信号;建立了单Duffing振子检测系统和双耦合Duffing检测系统的simulink仿真模型;得到2个检测系统对正弦信号幅值的检测下限;利用周期图像法检测白噪声的功率谱密度,得到2个检测系统白噪声的临界功率谱密度;同时加入信号和白噪声,检测出两个检测系统的信噪比,双耦合Duffing振子检测系统可以检测出单颗谷粒的冲击,可以发现Duffing振子检测系统在微弱信号检测方面比传统时域检测方法有更大的优越性。该研究可以应用于联合收割机谷物清选损失的检测。