ITD结合参数优化MOMEDA的滚动轴承故障特征提取 被引量：1

1

作者 刘沛 彭珍瑞 何泽人 《机械科学与技术》 CSCD 北大核心 2024年第6期967-974,共8页

针对固有时间尺度分解(Intrinsic time scale decomposition,ITD)方法在强背景噪声影响下难以提取轴承故障特征的问题,提出了一种ITD与参数优化的多点最优最小熵解卷积(Multipoint optimal minimum entropy deconvolution adjusted,MOME... 针对固有时间尺度分解(Intrinsic time scale decomposition,ITD)方法在强背景噪声影响下难以提取轴承故障特征的问题,提出了一种ITD与参数优化的多点最优最小熵解卷积(Multipoint optimal minimum entropy deconvolution adjusted,MOMEDA)相结合的滚动轴承故障特征提取方法。首先根据包络谱峰值因子最大原则提取包含丰富故障信息的ITD分量,其次对该分量进行MOMEDA降噪处理。对影响MOMEDA滤波效果的两个参数——故障周期T与滤波器长度L分别以多点峭度和平方包络谱的基尼指数进行优化,最后进行包络谱分析提取故障特征频率。通过仿真信号与实测信号分析表明该方法能在强噪声干扰下有效提取故障特征。 展开更多

关键词 固有时间尺度分解 多点最优最小熵解卷积 滚动轴承 包络谱峰值因子 基尼指数

在线阅读 下载PDF 职称材料

RSK-MOMEDA与PF在滚动轴承故障预测中的应用

2

作者 赵英杰 傅子霞 沈建 《机械设计与制造》 北大核心 2025年第6期40-45,共6页

针对滚动轴承故障预测起始点确定困难以及故障预测结果不科学的问题,深入开展滚动轴承故障预测方法研究,提出了基于快速谱峭度-多点最优最小熵解卷积(Rapid Spectral Kurtosis and Multipoint Optimal Minimum Entropy Deconvolution Ad... 针对滚动轴承故障预测起始点确定困难以及故障预测结果不科学的问题,深入开展滚动轴承故障预测方法研究,提出了基于快速谱峭度-多点最优最小熵解卷积(Rapid Spectral Kurtosis and Multipoint Optimal Minimum Entropy Deconvolution Adjusted,简称RSK-MOMEDA)与粒子滤波(Particle Filter,简称PF)的滚动轴承故障预测方法。通过RSK-MOMEDA方法实现轴承早期故障特征增强,进而挖掘出滚动轴承全寿命退化数据中的早期故障发生节点,从而为后续故障预测起始点的确定提供科学依据;基于PF方法的概率统计特性,开展滚动轴承故障预测并给出置信区间下的故障预测结果,有效提升滚动轴承故障预测的置信度,为工程实际提供一种有益故障预测参考方法。 展开更多

关键词 滚动轴承 早期故障诊断 快速谱峭度-多点最优最小熵解卷积 粒子滤波 故障预测

在线阅读 下载PDF 职称材料

联合CEF-MOMEDA的风机高速端轴承潜隐性故障敏感信息提取方法

3

作者 蔡敏 张强 +2 位作者 秦波 张海平 罗权毅 《机电工程》 北大核心 2025年第8期1428-1439,共12页

在大数据驱动的MW级半直驱风电机组滚动轴承服役期的状态智能辨识中,针对输入样本“质量差”致使所构建模型识别率低这一问题,提出了一种联合相关能量波动(CEF)评价准则与多点最优最小熵解卷积(MOMEDA)的潜隐性故障敏感信息提取方法。首... 在大数据驱动的MW级半直驱风电机组滚动轴承服役期的状态智能辨识中,针对输入样本“质量差”致使所构建模型识别率低这一问题,提出了一种联合相关能量波动(CEF)评价准则与多点最优最小熵解卷积(MOMEDA)的潜隐性故障敏感信息提取方法。首先,将拾取的振动数据由变分模态分解为若干个表征原数据不同成分的本征模分量;然后,根据上述分量能量的变化,量化、评估所包含的潜隐性故障占比,筛选并提取敏感成分后对故障信号进行了重构;接着,利用多点最优最小熵解卷积对重构后的数据进行了有效成分增强提取;最后,将上述能量波动评价准则与多点最优最小熵解卷积联合提取的敏感信息数据作为深度置信网络(DBN)的输入,构建了滚动轴承状态智能辨识模型,采用现场实验与凯斯西储大学(CWRU)数据集对CEF-MOMEDA的方法进行了验证。研究结果表明:基于CEF-MOMEDA-DBN的模型在风机滚动轴承诊断中的故障识别率更高;在凯斯西储大学数据集上,与集合经验模态分解(EEMD)、局部均值分解(LMD)相比,CEF-MOMEDA方法联合能量波动准则提取敏感信息数据并作为智能辨识模型的输入后,故障识别率分别提高了2.5%和1.25%。该方法能够有效提高故障识别的准确率,具有更强的实用性和泛化性。 展开更多

关键词 MW级半直驱风电机组 滚动轴承故障诊断 敏感成分联合提取 相关能量波动 多点最优最小熵解卷积 深度置信网络 集合经验模态分解 局部均值分解

在线阅读 下载PDF 职称材料

应用CEEMD降噪与自适应MOMEDA的轴承故障特征提取方法 被引量：3

4

作者 宋宇博 张宇飞 《中国测试》 CAS 北大核心 2024年第2期180-188,共9页

针对滚动轴承早期故障信号中冲击成分能量低且易被强烈的背景噪声所淹没的问题,该文提出一种基于互补集合经验模态分解(complete ensemble empirical mode decomposition,CEEMD)-小波阈值降噪和参数自适应多点最优最小熵解卷积(multipoi... 针对滚动轴承早期故障信号中冲击成分能量低且易被强烈的背景噪声所淹没的问题,该文提出一种基于互补集合经验模态分解(complete ensemble empirical mode decomposition,CEEMD)-小波阈值降噪和参数自适应多点最优最小熵解卷积(multipoint optimal minimum entropy deconvolution adjusted,MOMEDA)的滚动轴承故障特征提取方法。将CEEMD与小波阈值降噪结合对原始信号进行降噪;提出一种新的复合指标:峭度-包络波形因子,并以其为适应度函数设计变步长搜索法,对MOMEDA算法的滤波器长度进行寻优;基于寻优的滤波器长度对降噪的信号进行MOMEDA解卷积,并通过包络谱分析识别滚动轴承的故障特征频率。对比实验结果表明:以该文寻找的最优滤波器长度作为MOMEDA的参数,解卷积后包络谱故障频率更加清晰;且相较于传统的MOMEDA算法和小波阈值降噪-MOMEDA方法,该文提出的方法能够更有效地提取强噪声背景下微弱的故障特征信息。 展开更多

关键词 滚动轴承 故障诊断 多点最优最小熵解卷积 互补集合经验模态分解 小波阈值降噪

在线阅读 下载PDF 职称材料

基于ASMVMD和MOMEDA的齿轮特征提取方法 被引量：1

5

作者 唐贵基 曾鹏飞 朱爽 《机电工程》 CAS 北大核心 2024年第12期2174-2184,共11页

针对齿轮信号易被强噪声干扰,导致损伤特征难以提取的问题,提出了一种基于自适应逐次多元变分模态分解(ASMVMD)和多点最优最小熵解卷积(MOMEDA)的齿轮故障特征提取方法。首先,采用加权黑猩猩优化算法对SMVMD分解参数进行了自适应寻优,以... 针对齿轮信号易被强噪声干扰,导致损伤特征难以提取的问题,提出了一种基于自适应逐次多元变分模态分解(ASMVMD)和多点最优最小熵解卷积(MOMEDA)的齿轮故障特征提取方法。首先,采用加权黑猩猩优化算法对SMVMD分解参数进行了自适应寻优,以SMVMD分解后各个通道的所有分量的平均包络谱峰值因子(Ec)之和的相反数作为寻优的适应度函数,确定了最大惩罚因子α和最大分解模态数k的最优值;然后,采用ASMVMD方法对齿轮多通道故障数据进行了自适应分解,根据Ec指标提取了各通道特定分量,并将这些分量相加,进行了信号重构;最后,采用MOMEDA解卷积处理了重构信号,进一步强化了齿轮故障的冲击特性,并利用包络谱分析解卷积信号,提取了齿轮的故障特征频率。研究结果表明:通过仿真信号和模拟实验信号的分析,可知利用ASMVMD-MOMEDA相结合的方法处理得到的信号降噪效果显著,能有效抑制无关干扰成分的影响,从包络谱中可以清晰地看到故障频率的前几阶倍频;与多元经验模态分解(MEMD)-MOMEDA相结合的方法进行对比,发现采用ASMVMD-MOMEDA方法得到的包络谱较MEMD-MOMEDA方法的谱线更加干净,各阶倍频更加明显,进一步证明ASMVMD-MOMEDA方法可以准确提取齿轮故障特征。 展开更多

关键词 齿轮损伤特征 故障特征提取 自适应逐次多元变分模态分解 多点最优最小熵解卷积 多通道 解卷积 包络谱峰值因子 信号重构

在线阅读 下载PDF 职称材料

基于迭代SGMD与改进MOMEDA的滚动轴承微弱故障诊断

6

作者 王富珂 高丙朋 蔡鑫 《组合机床与自动化加工技术》 北大核心 2024年第12期145-150,157,共7页

针对强背景噪声下滚动轴承故障特征微弱的问题,提出一种基于迭代辛几何模态分解(ISGMD)与改进多点最优最小熵解卷积调整(IMOMEDA)相结合的故障诊断方法。首先,利用ISGMD对故障信号进行分解并基于综合指标选取最优分量;其次,根据多点峭... 针对强背景噪声下滚动轴承故障特征微弱的问题,提出一种基于迭代辛几何模态分解(ISGMD)与改进多点最优最小熵解卷积调整(IMOMEDA)相结合的故障诊断方法。首先,利用ISGMD对故障信号进行分解并基于综合指标选取最优分量;其次,根据多点峭度谱确定MOMEDA的故障周期,利用白鹭群优化算法(ESOA)对滤波器长度进行自适应寻优,通过IMOMEDA对最优分量进行解卷积处理;最后,对解卷积处理后的信号进行包络谱分析,提取故障特征频率完成故障诊断。仿真及实验分析结果表明,所提方法能有效提取强背景噪声下的滚动轴承微弱故障特征信息。 展开更多

关键词 滚动轴承 迭代辛几何模态分解 改进多点最优最小熵解卷积调整 综合指标 白鹭群优化算法 故障诊断

在线阅读 下载PDF 职称材料

基于IEWT-MOMEDA-FSC的滚动轴承故障诊断 被引量：2

7

作者 吴振雄 王林军 +2 位作者 邹腾枭 陈梦华 陈保家 《三峡大学学报（自然科学版）》 北大核心 2024年第1期92-98,共7页

针对滚动轴承故障信号常伴有噪声干扰且故障特征难以提取的问题,本文提出一种基于改进经验小波变换(IEWT)、多点优化最小熵解卷积(MOMEDA)和快速谱相关(FSC)的滚动轴承故障诊断方法.首先,将原始信号进行快速谱相关分析得到增强包络谱,... 针对滚动轴承故障信号常伴有噪声干扰且故障特征难以提取的问题,本文提出一种基于改进经验小波变换(IEWT)、多点优化最小熵解卷积(MOMEDA)和快速谱相关(FSC)的滚动轴承故障诊断方法.首先,将原始信号进行快速谱相关分析得到增强包络谱,通过增强包络谱的极值点来自适应地划分频谱,以分割的频谱为边界构建小波滤波器组将信号分解为多个IMF分量,利用相关峭度准则筛选出有效的分量进行叠加;其次,用MOMEDA对其进行降噪处理,将降噪后的信号进行快速谱相关分析,得到增强包络谱图;最后,将增强包络谱图中幅值较高的频率与故障频率对比,判定其失效形式,用所提出的方法对实测轴承故障信号进行分析验证.结果表明,所提出的方法能有效降低噪音干扰且增强信号故障冲击特性,在噪声环境下具有较强的故障特征提取能力. 展开更多

关键词 改进经验小波变换 多点最优最小熵解卷积 快速谱相关 峭度 互相关

在线阅读 下载PDF 职称材料

基于MOMEDA与LMD的往复压缩机活塞杆沉降信号故障特征提取方法研究 被引量：1

8

作者 何明 方燚 +5 位作者 孙瑞亮 李豪 刘世成 范文俊 闫慧敏 舒悦 《流体机械》 CSCD 北大核心 2024年第11期72-78,共7页

针对传统经验模态分解(EMD)等方法在当前往复压缩机活塞杆故障诊断中故障特征提取能力不足的问题,本文通过电涡流传感器获得往复压缩机活塞杆的沉降信号,利用多点最优最小熵解卷积算法(MOMEDA)对信号周期进行自适应调整去干扰处理,再对... 针对传统经验模态分解(EMD)等方法在当前往复压缩机活塞杆故障诊断中故障特征提取能力不足的问题,本文通过电涡流传感器获得往复压缩机活塞杆的沉降信号,利用多点最优最小熵解卷积算法(MOMEDA)对信号周期进行自适应调整去干扰处理,再对其进行局部均值分解(LMD),得到信号所对应的多个乘积函数(PF)分量的特征参数因子,包括偏度系数gi、峭度系数qi和总能量比Ei/E。对比活塞杆正常和故障状态(支撑环磨损、紧固元件松动和早期裂纹)下的特征参数变化,结果显示:在活塞杆支撑环磨损情况下,g1和q3的值将分别达到-0.02和1.60,与正常值相差3~5倍;活塞杆紧固原件松动情况下,g1,g3,q1,q3均会出现大幅度偏差,甚至呈现出超过正常值10倍以上的差距;活塞杆早期裂纹情况下,低阶分量g4和q4会出现一些变化,分别达到-1.30和1.60;MOMEDA与LMD相结合的方法,能够准确、有效地对往复压缩机活塞杆沉降信号进行判断,相比于传统的EMD信号分析方法,该方法在活塞杆故障诊断领域展现出更高的实用性。 展开更多

关键词 多点最优最小熵解卷积算法 局部均值分解 经验模态分解 故障诊断 往复压缩机 活塞杆

在线阅读 下载PDF 职称材料

基于EHNR与PSO-MOMEDA的轴承故障诊断 被引量：1

9

作者 张蓝宁 马金奎 陈淑江 《组合机床与自动化加工技术》 北大核心 2022年第3期76-79,共4页

针对多点最优最小熵反卷积调整(MOMEDA)在提取故障脉冲时无法自适应地识别故障脉冲周期和滤波器长度的不足,提出包络谐噪比(EHNR)与PSO-MOMEDA相结合的滚动轴承故障特征提取方法。首先,计算原始信号的EHNR函数图,自适应计算脉冲周期;其... 针对多点最优最小熵反卷积调整(MOMEDA)在提取故障脉冲时无法自适应地识别故障脉冲周期和滤波器长度的不足,提出包络谐噪比(EHNR)与PSO-MOMEDA相结合的滚动轴承故障特征提取方法。首先,计算原始信号的EHNR函数图,自适应计算脉冲周期;其次,以脉冲信号EHNR值为优化目标,使用PSO-MOMEDA搜索最优滤波器长度;然后,应用所提取参数对信号进行反卷积,增强故障脉冲;最后,对增强后的信号进行包络谱分析,检测故障类型。仿真信号与实验数据的结果分析表明,该方法可以有效提取轴承内、外圈故障特征频率。 展开更多

关键词 滚动轴承 故障诊断 包络谐噪比 粒子群算法 多点最优最小熵反卷积调整

在线阅读 下载PDF 职称材料

基于SK‑MOMEDA的风电机组轴承复合故障特征分离提取 被引量：7

10

作者 向玲 李京蓄 +1 位作者 胡爱军 李营 《振动．测试与诊断》 EI CSCD 北大核心 2021年第4期644-651,826,共9页

针对在实际工况中风电机组滚动轴承发生复合故障时,多个故障间相互作用,彼此干扰,造成复合故障特征难以分离问题,提出了基于谱峭度(spectral kurtosis,简称SK)与多点最优调整的最小熵解卷积(multipoint optimal minimum entropy deconvo... 针对在实际工况中风电机组滚动轴承发生复合故障时,多个故障间相互作用,彼此干扰,造成复合故障特征难以分离问题,提出了基于谱峭度(spectral kurtosis,简称SK)与多点最优调整的最小熵解卷积(multipoint optimal minimum entropy deconvolution adjusted,简称MOMEDA)的风电机组滚动轴承复合故障特征分离提取方法。首先,对复合故障信号进行谱峭度分析,选出能量较大的共振频带,并通过构建带通滤波器对相应的共振频带进行滤波,对滤波信号进行包络谱分析,对单一故障特征进行分离提取;其次,对未能实现单一故障特征提取的滤波信号进行多点峭度谱分析并确定故障周期,应用MOMEDA完成后续分离提取过程。仿真信号和工程应用分析结果表明,该方法能够准确且有效地实现轴承复合故障特征的分离提取。 展开更多

关键词 风电机组 轴承 复合故障 分离提取 谱峭度 多点最优调整的最小熵解卷积

在线阅读 下载PDF 职称材料

改进的共振稀疏分解方法及其在滚动轴承复合故障诊断中的应用 被引量：14

11

作者 张守京 慎明俊 +1 位作者 杨静雯 吴芮 《中国机械工程》 EI CAS CSCD 北大核心 2022年第14期1697-1706,共10页

滚动轴承复合故障信号中各故障特征受到传输路径和其他干扰源的影响,在多缺陷共存条件下提取单个缺陷诱发的故障特征存在困难。提出一种基于双参数优化、子带重构改进的共振稀疏分解(RSSD)滚动轴承复合故障诊断方法:首先利用人工鱼群算... 滚动轴承复合故障信号中各故障特征受到传输路径和其他干扰源的影响,在多缺陷共存条件下提取单个缺陷诱发的故障特征存在困难。提出一种基于双参数优化、子带重构改进的共振稀疏分解(RSSD)滚动轴承复合故障诊断方法:首先利用人工鱼群算法自适应选择RSSD的品质因子和分解层数以构造与故障特征匹配的最优小波基,获得包含瞬态冲击的低共振分量;然后依据提出的子带筛选准则选择并重构低共振分量中包含瞬态冲击成分的最佳子带;最后通过多点最优最小熵反卷积(MOMEDA)方法识别并提取重构信号中周期性故障冲击。仿真信号和轴承全寿命周期复合故障信号分析结果表明,与RSSD-MCKD方法相比,所提出方法能有效提取复合故障信号中各故障特征,精确实现轴承复合故障诊断。 展开更多

关键词 共振稀疏分解 品质因子 子带重构 多点最优最小熵反卷积

在线阅读 下载PDF 职称材料

基于MOMEDA和增强倒频谱的风电机组齿轮箱多故障诊断方法 被引量：24

12

作者 胡爱军 严家祥 白泽瑞 《振动与冲击》 EI CSCD 北大核心 2021年第7期268-273,共6页

风电机组齿轮箱结构复杂,当齿轮、轴承存在多故障时,由于各故障强弱不同、故障间相互耦合及噪声干扰,造成故障诊断准确率低及漏诊问题。提出了一种基于多点最优最小熵解卷积(multipoint optimal minimum entropy deconvolution adjusted... 风电机组齿轮箱结构复杂,当齿轮、轴承存在多故障时,由于各故障强弱不同、故障间相互耦合及噪声干扰,造成故障诊断准确率低及漏诊问题。提出了一种基于多点最优最小熵解卷积(multipoint optimal minimum entropy deconvolution adjusted,MOMEDA)和增强倒频谱的风电机组齿轮箱多故障诊断方法。依据齿轮和轴承不同部位的故障特征频率设置合理的解卷积周期,利用MOMEDA对原始信号进行预处理;再通过增强倒频谱进一步抑制噪声干扰和增强故障特征;将增强倒频谱中的突出成分与齿轮箱故障特征频率对比,判断故障类型。实际风电机组齿轮箱多故障振动试验数据分析结果表明,该方法可以有效地提取出齿轮箱多故障特征信息。 展开更多

关键词 齿轮箱 多故障诊断 特征提取 多点最优最小熵解卷积(MOMEDA) 增强倒频谱

在线阅读 下载PDF 职称材料

基于ACMD与改进MOMEDA的滚动轴承故障诊断 被引量：7

13

作者 石佳 黄宇峰 王锋 《振动与冲击》 EI CSCD 北大核心 2023年第16期218-226,261,共10页

针对强背景噪声下滚动轴承故障特征难以提取的问题,提出基于自适应非线性调频分量分解(adaptive chirp mode decomposition,ACMD)与改进多点优化最小熵解卷积(improved multipoint optimal minimum entropy deconvolution adjusted,IMOM... 针对强背景噪声下滚动轴承故障特征难以提取的问题,提出基于自适应非线性调频分量分解(adaptive chirp mode decomposition,ACMD)与改进多点优化最小熵解卷积(improved multipoint optimal minimum entropy deconvolution adjusted,IMOMEDA)的故障诊断方法。(1)为提高信号信噪比,采用基于基尼系数指标的ACMD,进行信号重构预处理;(2)为提高参数设定的准确性,提出改进的MOMEDA方法——利用天鹰优化算法,以多点峭度最大为目标,寻优确定滤波器周期参数;(3)对信号进行包络谱分析,通过对比包络谱的主导频率成分与理论故障特征频率,判断故障类型。仿真及实测数据分析结果表明,该方法能有效提取强背景噪声下的滚动轴承故障信号的特征信息,具备一定的优越性与实用性。 展开更多

关键词 自适应非线性调频分量分解(ACMD) 基尼系数 天鹰优化算法 多点最优调整最小熵解卷积 滚动轴承 故障诊断

在线阅读 下载PDF 职称材料

改进MOMEDA方法及其在滚动轴承故障特征增强中的应用 被引量：5

14

作者 陈丙炎 宋冬利 +1 位作者 张卫华 程尧 《机械强度》 CAS CSCD 北大核心 2021年第1期1-8,共8页

针对多点最优最小熵解卷积调整(Multipoint Optimal Minimum Entropy Deconvolution Adjusted,MOMEDA)方法在增强轴承故障特征时无法自动识别故障脉冲周期及解卷积信号长度减少的不足,提出一种改进的MOMEDA(Improved MOMEDA,IMOMEDA)方... 针对多点最优最小熵解卷积调整(Multipoint Optimal Minimum Entropy Deconvolution Adjusted,MOMEDA)方法在增强轴承故障特征时无法自动识别故障脉冲周期及解卷积信号长度减少的不足,提出一种改进的MOMEDA(Improved MOMEDA,IMOMEDA)方法。采用振动信号的平方包络的自相关谱自适应地识别故障脉冲周期,根据识别的脉冲周期对振动信号解卷积以增强周期性脉冲特征;然后利用信号波形延拓方法对解卷积信号延拓使其长度与原始信号保持一致;最后对已获得的解卷积信号再进行一定次数的解卷积以有效增强原始信号中的周期性特征。轴承故障仿真信号和铁路轴承实验信号的分析结果及与Kurtogram方法的对比结果表明:改进的MOMEDA方法能够自动识别故障脉冲周期并有效增强滚动轴承的故障特征。 展开更多

关键词 特征增强 故障诊断 铁路轴承 多点最优最小熵解卷积调整 自相关函数

在线阅读 下载PDF 职称材料

基于MKurt-MOMEDA和Teager能量算子的柔性薄壁轴承的故障特征提取方法 被引量：7

15

作者 严嵩 李伟光 +2 位作者 赵学智 陈儒 万好 《机床与液压》 北大核心 2021年第6期156-162,共7页

与普通滚动轴承相比,柔性薄壁轴承存在背景冲击载荷,使得故障特征提取难度大。针对这一问题,提出基于MKurt-MOMEDA和Teager能量算子的柔性薄壁轴承故障特征提取方法。利用多点峭度谱(MKurt)对原始故障信号进行分析,确定柔性薄壁轴承故... 与普通滚动轴承相比,柔性薄壁轴承存在背景冲击载荷,使得故障特征提取难度大。针对这一问题,提出基于MKurt-MOMEDA和Teager能量算子的柔性薄壁轴承故障特征提取方法。利用多点峭度谱(MKurt)对原始故障信号进行分析,确定柔性薄壁轴承故障周期,然后通过多点最优最小熵解卷积(MOMEDA)处理,再经Teager能量算子增强,最终提取柔性薄壁轴承外圈与内圈的故障特征频率,并与单一的MOMEDA算法、基于MKurt-MCKD与Teager能量算子故障特征提取方法进行了对比,证明了该方法明显增强了故障特征频率的幅值,为柔性薄壁轴承故障特征提取提供了参考。 展开更多

关键词 柔性薄壁轴承 故障特征提取 多点峭度谱 多点最优最小熵解卷积 TEAGER能量算子

在线阅读 下载PDF 职称材料

基于改进SSD和MOMEDA的滚动轴承复合故障诊断 被引量：2

16

作者 刘尚坤 张伟 +2 位作者 范壮壮 孔德刚 张秀花 《组合机床与自动化加工技术》 北大核心 2022年第6期138-141,145,共5页

针对滚动轴承复合故障特征存在交叉影响又受环境噪声干扰、分离诊断困难问题,提出一种基于改进奇异谱分解(SSD)和多点最优最小熵解卷积调整(MOMEDA)的滚动轴承复合故障分离诊断方法。首先,为了克服SSD分解层数需要凭经验设定而难以选到... 针对滚动轴承复合故障特征存在交叉影响又受环境噪声干扰、分离诊断困难问题,提出一种基于改进奇异谱分解(SSD)和多点最优最小熵解卷积调整(MOMEDA)的滚动轴承复合故障分离诊断方法。首先,为了克服SSD分解层数需要凭经验设定而难以选到最优分量的缺点,提出相关峭度图方式优选复合故障中不同故障各自最优分解层数的改进SSD方法;其次,对选出的各最优分量,利用MOMEDA能够降噪、增强冲击特征的优点,进一步削弱其中残存的交叉及干扰成分;最后,由包络分析诊断出复合故障。实验信号分析结果表明:改进SSD方法能准确确定复合故障中不同故障的各自最优分解层数,经MOMEDA处理后的故障特征更明确、诊断更可靠,实现了轴承复合故障的有效分离和故障类型的准确诊断,为轴承复合故障的分离诊断提供了一条途径。 展开更多

关键词 改进奇异谱分解 相关峭度 多点最优最小熵解卷积调整 滚动轴承 复合故障

在线阅读 下载PDF 职称材料

基于SVD和MOMEDA的薄壁轴承故障诊断 被引量：3

17

作者 郑嘉伟 刘其洪 +1 位作者 李伟光 严嵩 《润滑与密封》 CAS CSCD 北大核心 2020年第12期91-96,共6页

当柔性薄壁轴承工作时,受长短轴交替产生的冲击成分以及背景噪声的影响,很难从振动信号频谱中提取出故障频率。针对这问题,提出奇异值分解(SVD)与多点最优调整的最小熵解卷积(MOMEDA)相结合的柔性薄壁轴承故障特征提取方法。该方法用SV... 当柔性薄壁轴承工作时,受长短轴交替产生的冲击成分以及背景噪声的影响,很难从振动信号频谱中提取出故障频率。针对这问题,提出奇异值分解(SVD)与多点最优调整的最小熵解卷积(MOMEDA)相结合的柔性薄壁轴承故障特征提取方法。该方法用SVD算法对原始信号作降噪处理,获得重构信号,应用MOMEDA对重构信号进行增强,突出周期性故障脉冲,通过对处理后的信号进行频谱分析,从而提取出相应的故障频率。通过频谱中的主导频率与柔性薄壁轴承的故障特征频率的对比,可以判断故障位置,实现轴承的故障诊断。试验数据分析结果表明,该方法可以有效提取轴承内、外圈的故障频率。 展开更多

关键词 柔性薄壁轴承 奇异值分解 多点最优调整的最小熵解卷积 故障特征提取

在线阅读 下载PDF 职称材料

列车牵引电机轴承故障特征稀疏在线监测方法 被引量：2

18

作者 彭乐乐 陈谢祺 +2 位作者 郑树彬 林建辉 钟倩文 《电子测量与仪器学报》 CSCD 北大核心 2023年第11期109-118,共10页

列车牵引电机轴承状态多传感数据无线感知及在线监测技术是确保轨道车辆可靠运行的关键技术之一,现有的方法存在数据量大传输困难及特征小数据监测可视化不明显的问题。为此,提出一种列车牵引电机轴承故障特征稀疏在线监测方法,利用粒... 列车牵引电机轴承状态多传感数据无线感知及在线监测技术是确保轨道车辆可靠运行的关键技术之一,现有的方法存在数据量大传输困难及特征小数据监测可视化不明显的问题。为此,提出一种列车牵引电机轴承故障特征稀疏在线监测方法,利用粒子群优化多点最优调整的最小熵解卷积的方法(PSO-MOMED)提取了背景噪声下电机轴承故障特征信号,采用离散余弦变换的压缩感知方法实现电机轴承特征的小数量多传感器采集,基于高阶频率加权能量算子(HFWEO)增强轴承故障特征稀疏可视化,并通过搭建试验台及某线路现场实测验证了所提方法的有效性。实验结果表明,信噪比为-10 dB时,相比传统方法,粒子群优化多点最优调整的最小熵解卷积方法可以更加有效的提取故障特征信号;在压缩率90%的情况下,从牵引电机轴承故障特征稀疏感知信号中能清晰表征轴承故障特征频率成分,有效解决了列车牵引电机轴承状态多传感数据无线感知及在线监测技术难题。 展开更多

关键词 轨道车辆 多传感无线监测 粒子群多点最优调整的最小熵解卷积 压缩感知 高阶频率加权能量算子

在线阅读 下载PDF 职称材料

基于OSSD-EMOMEDA的轮毂电机轴承故障特征提取方法 被引量：5

19

作者 丁殿勇 薛红涛 刘炳晨 《中国电机工程学报》 EI CSCD 北大核心 2023年第24期9721-9732,共12页

为了解决轮毂电机轴承早期微弱故障特征难以提取的问题,提出一种基于优化奇异谱分解(optimized singular spectrum decomposition,OSSD)和增强多点最优调整最小熵解卷积(enhance multipoint optimal minimum entropy deconvolution adju... 为了解决轮毂电机轴承早期微弱故障特征难以提取的问题,提出一种基于优化奇异谱分解(optimized singular spectrum decomposition,OSSD)和增强多点最优调整最小熵解卷积(enhance multipoint optimal minimum entropy deconvolution adjusted,EMOMEDA)的特征提取方法,以实现故障特征的检测与提取,及时掌握轮毂电机的运行安全。首先,提出由新的时频综合指标(time-frequency composite index,TCI)自适应优化分量个数的OSSD方法,并对原始信号进行前处理,通过包络谱峰值指标选择敏感的奇异谱分量。然后,提出EMOMEDA方法,设计一种改进的波形延拓策略恢复解卷积信号长度,克服MOMEDA算法的边缘效应,并通过二次解卷积运算获得最优解卷积信号。最后,对最优解卷积信号进行包络分析,实现故障特征的增强提取。分别采用仿真和试验信号验证所提方法的可行性,并将其与多种故障特征提取方法进行对比,证明了其优越性。结果表明,所提方法能够有效提取微弱故障特征,在特征增强方面具有可观的优势。 展开更多

关键词 轮毂电机 轴承故障 特征提取 奇异谱分解 多点最优调整最小熵解卷积

在线阅读 下载PDF 职称材料

基于ITD-MOMEDA联合降噪的滚动轴承故障诊断研究 被引量：8

20

作者 朱紫悦 张金萍 《机电工程》 CAS 北大核心 2022年第2期217-223,共7页

在滚动轴承的实际运行过程中,其故障信号往往容易淹没于强背景噪声中,使其故障的类型难以得到识别,针对这一问题,提出了一种基于固有时间尺度分析(ITD)和多点最优调整的最小熵解卷积(MOMEDA)相结合的联合降噪方法,并将其应用于滚动轴承... 在滚动轴承的实际运行过程中,其故障信号往往容易淹没于强背景噪声中,使其故障的类型难以得到识别,针对这一问题,提出了一种基于固有时间尺度分析(ITD)和多点最优调整的最小熵解卷积(MOMEDA)相结合的联合降噪方法,并将其应用于滚动轴承的故障诊断中。首先,用ITD算法对滚动轴承故障原始信号进行了分解,得到了多个固有旋转分量(PRC);其次,依据相关系数和峭度原则,挑选出了与原信号相关度较大的PRC分量,并对其进行了重构;然后,采用MOMEDA算法对重构信号进行了进一步降噪处理,完成了有用信号与噪声信号的分离;最后,对降噪后的信号进行了包络解调分析,提取出了故障特征频率,诊断出了轴承故障具体位置;此外,为了验证该方法的有效性,通过ITD与局域均值分解(LMD)、MOMEDA与最大相关峭度解卷积(MCKD)算法对仿真信号进行了对比分析,并对轴承外圈进行了实例分析。研究结果表明:相比于ITD-MCKD方法,基于ITD-MOMEDA联合降噪方法的故障诊断准确率提高4.3%,能更有效地去除强噪声,并成功地检测出轴承的故障类型。 展开更多

关键词 滚动轴承 轴承故障 固有时间尺度分析 多点最优调整的最小熵解卷积 固有旋转分量 包络解调分析

在线阅读 下载PDF 职称材料