针对强背景噪声干扰下轮对轴承故障特征微弱、难以准确检测的问题,提出了一种自适应改进高斯拉普拉斯(improved Laplacian of Gaussian,简称ILoG)算子的微弱故障检测方法。ILoG算子滤波器具有优良的信号突变特征检测能力,将其用于轮对...针对强背景噪声干扰下轮对轴承故障特征微弱、难以准确检测的问题,提出了一种自适应改进高斯拉普拉斯(improved Laplacian of Gaussian,简称ILoG)算子的微弱故障检测方法。ILoG算子滤波器具有优良的信号突变特征检测能力,将其用于轮对轴承故障信号的冲击特征检测,同时利用水循环算法(water cycle algorithm,简称WCA)的寻优特性,并行搜寻筛选最佳的ILoG算子影响参数,通过对参数优化后ILoG算子滤波后信号做进一步包络解调分析,提取出轮对轴承微弱的故障特征信息。对实际轮对轴承外圈和内圈故障信号分析的结果表明,该方法可以有效检测出轴承微弱故障特征频率,故障检测效果优于小波阈值和多尺度形态学差值滤波方法。展开更多
为了有效提取轴承的故障特征,避免轴承损伤引起的冲击成分受到离散频率分量和强背景噪声的干扰,该文提出了一种新的基于倒谱编辑(cepstrum editing procedure,cep)信号预白化和奇异值分解(singular value decomposition,SVD)的轴承故障...为了有效提取轴承的故障特征,避免轴承损伤引起的冲击成分受到离散频率分量和强背景噪声的干扰,该文提出了一种新的基于倒谱编辑(cepstrum editing procedure,cep)信号预白化和奇异值分解(singular value decomposition,SVD)的轴承故障特征提取方法。通过CEP预白化处理增强了轴承故障的冲击特性,去除复杂振动信号中的周期性频率成分,产生了只包含背景噪声和碰撞损伤引起的非平稳冲击成分的白化信号。构造预白化信号的Hankel矩阵,进行奇异值分解,通过差分谱理论选择表征故障冲击成分的奇异值进行矩阵重构恢复信号,去除强背景噪声的干扰,实现对故障特征的提取。试验结果表明,该方法较为理想地提取了轴承滚动体和内圈的故障特征,并且在提取效果和运算效率方面要优于基于小波-SVD差分谱故障特征提取方法。展开更多
文摘高速列车在实际运营中的轴箱轴承故障数据及样本标签稀缺,极大限制了轴箱轴承故障诊断水平的提升。为此,本文提出了一种融合IFormer(inception transformer)与残差网络(ResNet)的多源域深度迁移学习方法ITRNet(inception transformer and ResNet)用于高速列车轴箱轴承故障诊断研究。该方法选择多种工况下的有监督标签数据作为多源域,首先采用连续小波变换获取轴承一维振动信号的时频谱图作为模型输入,在ITR-Net中构建IFormer网络和ResNet分别作为通用特征提取器和特定特征提取器,充分学习多源域与目标域数据的特征信息;同时,在迁移模型不同节点位置嵌入多核最大均值差异(MK-MMD)、局部最大均值差异(LMMD)与均方误差(MSE)损失函数,构建了一种新的多源域自适应迁移策略,有效减小多源域间及源域与目标域间的特征分布差异并增强多领域对齐程度。最后,通过分析不同载荷及不同转速下6类轴承故障迁移学习任务,对本文方法进行实验验证。结果表明,本文方法可以有效用于不同工况下轴承迁移学习故障诊断,多源域迁移故障诊断准确率显著高于单源域迁移,并且相比现有的深度适应网络(DAN)、联合适应网络(JAN)、相关对齐损伤(CORAL)网络、域对抗神经网络(DANN)、多特征空间适应网络(MFSAN),本文方法迁移学习诊断结果更为优异。研究结果将为迁移学习应用于轴箱轴承故障诊断提供一条新的途径。
文摘为了有效提取轴承的故障特征,避免轴承损伤引起的冲击成分受到离散频率分量和强背景噪声的干扰,该文提出了一种新的基于倒谱编辑(cepstrum editing procedure,cep)信号预白化和奇异值分解(singular value decomposition,SVD)的轴承故障特征提取方法。通过CEP预白化处理增强了轴承故障的冲击特性,去除复杂振动信号中的周期性频率成分,产生了只包含背景噪声和碰撞损伤引起的非平稳冲击成分的白化信号。构造预白化信号的Hankel矩阵,进行奇异值分解,通过差分谱理论选择表征故障冲击成分的奇异值进行矩阵重构恢复信号,去除强背景噪声的干扰,实现对故障特征的提取。试验结果表明,该方法较为理想地提取了轴承滚动体和内圈的故障特征,并且在提取效果和运算效率方面要优于基于小波-SVD差分谱故障特征提取方法。
