自适应小波分析和多层卷积极限学习码器的轴承故障识别研究

针对滚动轴承振动信号由于强时变和强噪声等特性导致其故障难以辨识的问题,提出一种基于自适应小波分析(AWA)和多层卷积极限学习自编码器(MLCELAE)的滚动轴承故障识别模型.首先,提出一种新的轴承振动信号频谱边界检测方法,对信号频谱进行自适应分割,进而将信号分解为若干本征模态分量;然后选择较能反映轴承故障特征的模态分量并重构;最后构造卷积极限学习自编码器,并逐层堆叠建立深层网络MLCELAE,将信号样本输入MLCELAE进行自动特征学习与故障识别.试验结果表明:提出方法的平均故障识别准确率达到了98.48％,标准差仅为0.17,相比于其他方法在轴承故障识别准确率方面更具优势,适用于滚动轴承故障的自动识别.     

基于多小波包排列熵和流形学习的故障特征提取方法

针对振动信号非线性、非平稳性导致的故障特征难以准确提取的问题,提出了一种基于多小波包排列熵和流形学习的故障特征提取方法。首先,利用多小波包分解方法得到故障信号的多维多小波系数,通过计算排列熵初步提取了各个小波系数中的故障特征信息;然后利用局部切空间排列(LTSA)流形学习方法对多维特征信息进行处理,在有效降低信息冗余度的同时,提取了其中主要的故障特征;最后利用支持向量机(SVM)对滚动轴承正常、外圈、内圈和滚动体故障实测信号进行故障模式识别试验。结果表明,该方法可以准确地识别出轴承不同的故障类型,并且在提取故障特征准确性方面要优于传统的单小波包方法和主成分分析(PCA)方法。     

基于自适应STFT的货车滚动轴承故障诊断

带故障的铁路货车滚动轴承振动信号表现为低频平稳信号与高频的周期性冲击信号的叠加。采用以三阶B样条函数作为窗函数的自适应短时傅立叶变换(STFT)对货车滚动轴承振动信号进行时频分析和故障信息提取。与传统的固定带宽的STFT相比,自适应STFT在不同频段自适应选取窗长,大大提高了振动信号的时频分辨率。应用该方法对197726型货车滚动轴承在内圈剥离、外圈剥离两种故障状态下的振动信号做了分析,求得故障频率分别为61.32 Hz和46.36 Hz,与内外圈的理论故障频率相符,可以有效地诊断出铁路货车滚动轴承内外圈故障。     

轨道交通车辆转向架牵引电机滚动轴承可靠性研究

为保障轨道交通车辆转向架牵引电机滚动轴承安全、平稳、可靠地运行,提出一种基于IMF-PCA(本征模态分量-主成份分析)和WPHM(威布尔比例故障模型)相结合的轨道车辆转向架牵引电机滚动轴承(以下简称"电机轴承")可靠性评估方法。将实测采集的振动信号利用自相关系数对IMF中起主导的信息成分进行辨别,对于不同信息成分占主导的IMF分量,利用PCA将其分解为有用信息和虚假分量或噪声组成的一系列主分量。采取不同的筛选剔除方法对IMF进行筛选,将筛选保留的IMF进行重构,得到纯净、敏感的振动信号,并从中提取出能反映电机轴承状态的特征指标,将优选出的特征指标进行特征信息的加权融合。将这个融合后的特征指标作为WPHM的协变量,建立可靠性评估模型,从而实现电机轴承运行可靠性的有效评估。     

基于EEMD和RBFNN的列车滚动轴承故障诊断研究

针对列车滚动轴承振动信号的非高斯、非平稳性特征,提出一种基于集合经验模式分解(Ensemble Empirical Mode Decomposition,EEMD)和径向基函数神经网络(Radial Basis Function Neural Network,RBFNN)相结合的滚动轴承故障诊断方法,利用EEMD方法对振动信号进行分解,得到前8个本征模态函数(Intrinsic Mode Functions,IMF)分量,将归一后的IMF能量特征向量作为RBF神经网络的输入向量构建故障诊断模型,从而实现滚动轴承的故障识别。将RBF神经网络方法和BP(Back Propagation)神经网络进行对比,本文提出的方法能精确识别正常轴承、滚动体故障、外圈故障和内圈故障等4种轴承状态,为提高列车滚动轴承故障诊断的准确性和实时性提供了新思路。     

基于EWT-SVD方法的高速列车滚动轴承故障诊断

针对高速列车齿轮箱滚动轴承早期故障特征提取困难的情况,提出了基于经验小波变换(Empirical Wavelet Transform,EWT)和奇异值分解(Singular value decomposition,SVD)的轴承故障诊断方法。首先对信号进行EWT变换得到各阶固有模态分量,然后计算各阶固有模态分量的峭度值并选取较大峭度值对应的分量。将选取的分量构造矩阵进行正交化奇异值分解,选择合适的阶数重构信号,最后对重构信号进行Hilbert包络解调分析。分别对仿真信号和滚动轴承发生外环故障进行分析,可以较为清晰地看到滚动轴承故障特征。研究结果表明,结合EWT、峭度系数和SVD的诊断方法可以准确、快速地提取轴承故障信息,从而可以对滚动轴承进行有效诊断。     

基于谐波小波的轴承故障诊断方法的研究

提出了一种基于谐波小波的轴承故障诊断方法,并就滚动轴承内圈损伤、外圈损伤和滚动体损伤三类常见的运行故障,运用谐波小波变换提取了它们的故障特征。在武昌南机务段轴承检测的应用表明,该方法能有效提取滚动轴承振动信号的故障特征频率,具有良好的应用前景。     

基于EWT-MCKD的机车轮对轴承故障诊断

针对机车轮对轴承在实际运行过程中故障特征难以提取的问题,提出经验小波变换(Empirical Wavelet Transform,EWT)和最大相关峭度解卷积(Maximum Correlated Kurtosis Deconvolution,MCKD)相结合的滚动轴承故障特征提取方法.对原始信号进行傅里叶变换得到Fourier频谱图,根据频谱中的极大值将Fourier频谱图进行分段得到若干模态分量,以无量纲的裕度指标作为评价指标,再采用最大相关峭度解卷积对裕度因子最大的模态分量进行降噪处理.通过分析其包络谱中的频率成分来实现故障诊断.研究结果表明:所提方法对不同故障类型的轮对轴承进行诊断,可以准确有效的识别轮对轴承故障类型,具有一定的工程实用价值.     

一种改进的EEMD算法及其在滚动轴承故障诊断中的应用

总体经验模式分解(Ensemble Empirical Mode Decomposition,EEMD)方法由于其自适应性和抗混叠的特性,在轴承故障诊断领域得到广泛应用。针对总体经验模式分解(Ensemble Empirical Mode Decomposition,EEMD)方法中参数难以准确获取的问题,提出了基于改进的EEMD分解和Teager能量算子的滚动轴承故障诊断方法。首先对故障信号进行预处理,自动获取EEMD方法中的加入白噪声大小和总体平均次数两个重要参数。之后对信号进行EEMD分解,得到若干个本征模态分量(Intrinsic Mode Function,IMF),利用峭度准则选取其中峭度最大的分量并进行Teager能量算子解调,最后通过能量谱识别出滚动轴承的工作状态和故障类型。将该方法应用到滚动轴承仿真故障数据和实际数据中,实验结果表明,该方法可有效提取滚动轴承故障特征频率信息,验证了所提方法的可行性。     

改进经验小波变换在滚动轴承故障特征提取中的应用

针对高速列车齿轮箱滚动轴承故障特征提取困难的情况,提出了基于改进经验小波变换(Empirical Wavelet Transform,EWT)的轴承故障诊断方法。首先,对轴承振动信号进行EWT变换得到多阶固有模态分量,通过计算峭度值筛选出包含故障信息的固有模态分量,采用经验小波逆变换的方式对筛选分量进行重构,最后计算Hilbert包络解调谱对重构信号进行分析。研究表明,结合EWT,峭度系数和经验小波逆变换的方法可以准确的提取轴承的故障特征,为轴承监测和维修提供准确信息。     

高速轴承典型故障分析与故障预防措施

分析了滚动轴承的结构和基本参数,从振动角度描述了典型故障的振动机理和特征计算方法.以某1.5MW发电机为载体,分别分析了轴承正常、内圈和保持架故障、外圈故障、滚子故障下的振动信号,梳理了频谱和包络谱结构,验证了故障特点,并提出了滚动轴承的故障预防措施.     

基于三阶Teager能量算子的轴承诊断技术研究

周期性的冲击信号是诊断滚动轴承缺陷的关键指标,有效地提取缺陷的冲量对精确检测轴承故障非常重要。受到噪声的影响,滚动轴承故障信号的冲击特征始终处于被淹没状况。为了将周期性冲击信号自低信噪比信号内提取出来,可通过一类三阶Teager能量算子对滚动轴承故障进行诊断。通过三阶Teager能量算子对故障振动信号的瞬时总能量进行求解,借助傅里叶变换开展频谱分析,自三阶Teager能量算子谱内进行故障特征的提取。结果表明,三阶Teager能量算子谱能够突出地显示出故障特征,效果明显优于传统的频谱分析法、包络谱分析法与二阶Teager能量算子谱法。     

模态特征分量(IMF)在轴承故障诊断中的选用原则综述

经验模态分解(Empirical Mode Decomposition, EMD)及其衍生算法近年来在轴承故障领域得到了广泛应用。该类算法可以基于振动信号自身的特点对其进行自适应分解，得到一组蕴含不同频率成分的固有模态函数(Intrinsic Mode Function, IMF)。但是该类算法由于自身分解规则的缺陷不可避免地存在端点效应与模态混叠现象，从而产生了一些虚假IMF分量，影响轴承故障诊断的准确性。此外，EMD类算法分解得到的IMF通常是噪声或干扰信号，只有少数分量能够反映轴承故障特征。因此，如何筛选含有丰富故障信息的敏感IMF是该类算法的关键。文章首先介绍了EMD及其衍生算法，然后总结了目前在滚动轴承故障诊断领域中选取敏感IMF的主要准则，并阐述了其优缺点。     

变分模态分解和形态学滤波在滚动轴承故障诊断中的应用

针对滚动轴承早期故障信号易被强烈的背景噪声淹没及故障特征难以提取的特点,提出了基于变分模态分解(VMD)和形态学滤波相结合的滚动轴承早期故障诊断方法。首先利用VMD将早期故障信号自适应地分解为一系列IMF分量,然后选择峭度值最大的前两个IMF分量重构,并对重构信号进行形态学滤波,最后通过Teager能量算子计算重构分量的能量谱来提取滚动轴承的故障频率,判断故障类型。将该方法应用于滚动轴承仿真信号与实际故障数据中,分析结果表明该方法能够更加有效提取故障特征频率信息,实现了滚动轴承故障的精确诊断。     

基于共振解调的铁路货车轴承故障诊断

以铁路货车轴箱双列圆锥滚子轴承为研究对象,基于共振解调技术研究了早期故障精密诊断方法。首先在轮对跑合实验台上,采用压电加速度传感器、信号调理器和INV36DF型信号采集处理仪等搭建轴承故障测试系统,测量该类型轴承外圈和滚子存在轻微故障时的振动信号,然后通过带通滤波、包络解调和频谱分析等方法,准确提取出了轴承外圈和滚子的故障特征频率。研究结果表明,利用这种方法可以消除系统噪声干扰,能有效诊断出轴承外圈和滚子的轻微损伤。该方法对于铁路货车轴承的早期故障诊断具有较好的理论意义和实际应用价值。     

基于改进LMD和MED的滚动轴承故障诊断研究

针对轨边声学轴承信号有用特征微弱、易被强噪声掩盖的问题,设计实现了一种将最小熵解卷积与改进局域均值分解相结合的方法,达到信号降噪与故障诊断目的。利用三次Hermite插值改善LMD并提高LMD分解精度。将采集到的强噪信号进行MED降噪,再利用改进LMD算法进行分解,使多分量信号分解成单分量信号,并计算各分量的峭度值,挑选出峭度值最大的分量,最后利用包络谱分析,提取滚动轴承的故障特征。计算信号的峰值信噪比(PSNR,Peak Signal to Noise Ratio),将其作为降噪指标,体现方法的降噪性能。实验结果表明,设计的方法应用于轴承故障诊断,能将信号信噪比提高5.13 dB,能精准定位并提取轴承缺陷位置和信号特征,具有较好降噪和信息分辨能力。     

基于自适应Morlet小波变换滚动轴承声学故障诊断的研究

基于声音信号的测试与分析是滚动轴承故障检测与诊断的一种新方法,提出了基于自适应Morlet小波变换诊断轴承声学信号故障的新方法。首先利用最小Shannon熵对Morlet小波的形状参数进行优化,找到与所测声音信号特征成份最匹配的小波,再对小波系数矩阵进行奇异值分解,通过奇异值与变化尺度的关系曲线得到最佳小波变换尺度,最后对滚动轴承故障信号进行Morlet小波变换进行故障特征提取。结果表明:该方法能有效地从强噪声背景下提取出轴承声学信号的故障。     

基于小波包变换和BP网络的铁道车辆滚动轴承故障诊断方法

针对铁道车辆滚动轴承故障诊断,提出1种改进的小波包与BP神经网络相结合的故障诊断方法,并开发出基于该方法的铁道车辆滚动轴承故障诊断系统。用压电加速度传感器采集轴承试验台的模拟故障轴承振动信号,对采集到的信号先进行小波降噪,再通过小波包分解,构造特征向量,以此作为故障样本对改进的BP网络进行训练,实现智能化故障诊断。实验结果表明,基于该方法的故障诊断系统能够很好地诊断出铁道车辆滚动轴承内圈、外圈及滚动体表面出现的疲劳、剥落、磨损和裂纹等故障,具有实际工程应用价值。     

基于形态分量分析的高速列车轴箱轴承故障诊断方法

高速列车在运行过程中,由于车轮不圆、钢轨波磨、轨道焊缝等激扰的影响,很容易激起轮轨之间的高频振动。当高速列车轴箱轴承同时出现故障和冲击激扰的情况下,现有的高速列车轴箱轴承故障诊断方法很难从中提取出轴承故障脉冲信号。针对这种情况,文中将形态分量分析应用到轴箱轴承故障特征提取,为了便于将其进一步用于在线监测,对该方法中稀疏表示的字典进行了改进。仿真和试验表明,该方法明显优于经验模态分解方法,能够有效地分离出轴承故障周期性脉冲信号,并能将其他随机冲击剔除。     

基于振动的高速列车轴承状态监测技术研究

为了消除高速列车滚动轴承传统人工检测手段的局限性,文章提出了一种基于振动信号的静态监测流程,谱峭度图算法被用于降低轴承振动信号的噪声干扰,利用包络分析可以提取滚动轴承的故障振动特征。通过实践测试验证了本文提出的高速列车轴箱轴承状态监测方法的有效性。