基于ASMVMD和MOMEDA的齿轮特征提取方法

1

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

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

2

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

下载PDF 职称材料

基于编码器信号自适应MOMEDA的太阳轮故障检测

3

作者 田田 郭瑜 +2 位作者 樊家伟 徐万通 朱云贵 《振动．测试与诊断》 EI CSCD 北大核心 2024年第6期1173-1180,1249,共9页

针对行星减速器太阳轮故障检测问题,提出了一种基于改进自适应多点最优最小熵反褶积(multipoint optimal minimum entropy deconvolution adjusted,简称MOMEDA)的太阳轮故障检测方法。首先,基于编码器信号传递路径短、与动力学直接相关... 针对行星减速器太阳轮故障检测问题,提出了一种基于改进自适应多点最优最小熵反褶积(multipoint optimal minimum entropy deconvolution adjusted,简称MOMEDA)的太阳轮故障检测方法。首先,基于编码器信号传递路径短、与动力学直接相关的优势,结合传动参数,计算得到故障特征周期,确定故障周期搜索区间及步长;其次,利用谱负熵最大化原则自适应确定优化滤波器长度,并得到解卷积后的信号;最后,采用包络谱分析揭示太阳轮齿根裂纹故障特征。通过仿真和实测数据分析,验证了所提方法的有效性。 展开更多

关键词 多点最优最小熵反褶积 瞬时角速度 谱负熵 太阳轮齿根裂纹 特征提取

下载PDF 职称材料

ITD结合参数优化MOMEDA的滚动轴承故障特征提取

4

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

下载PDF 职称材料

基于IEWT-MOMEDA-FSC的滚动轴承故障诊断

5

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

下载PDF 职称材料

基于MKurt-MOMEDA的齿轮箱复合故障特征提取 被引量：20

6

作者 王志坚 王俊元 +3 位作者 赵志芳 吴文轩 张纪平 寇彦飞 《振动．测试与诊断》 EI CSCD 北大核心 2017年第4期830-834,共5页

针对齿轮箱中旋转零部件的故障信号是周期性的冲击信号这一特性,提出了一种基于多点峭度(multipoint kurtosis,简称MKurt)和多点最优最小熵反褶积(multipoint optimal minimum entropy deconvolution adjusted,简称MOMEDA)的齿轮箱复合... 针对齿轮箱中旋转零部件的故障信号是周期性的冲击信号这一特性,提出了一种基于多点峭度(multipoint kurtosis,简称MKurt)和多点最优最小熵反褶积(multipoint optimal minimum entropy deconvolution adjusted,简称MOMEDA)的齿轮箱复合故障特征提取方法。利用MKurt可以有效提取齿轮箱中被噪声淹没的冲击性振动信号的周期,实现对振动信号振动源的追踪。根据故障的周期设置合理的周期区间,通过MOMEDA对原信号进行降噪,进一步提取原信号的周期性冲击。通过仿真信号和实测数据的分析和验证,证明了MKurt-MOMEDA方法可以准确有效地诊断齿轮箱复合故障故障特征。 展开更多

关键词 多点峭度 最优最小熵反褶积 复合故障 特征提取

下载PDF 职称材料

基于自适应MOMEDA与VMD的滚动轴承早期故障特征提取 被引量：16

7

作者 刘岩 伍星 +1 位作者 刘韬 陈庆 《振动与冲击》 EI CSCD 北大核心 2019年第23期219-229,共11页

轴承故障衍生早期,由于故障尺寸较小且易受环境噪声和信号衰减的影响,因此故障冲击信号往往非常微弱。变分模态分解(Variational Mode Decomposition,VMD)已经在轴承的故障特征提取中有一定的应用,但对于背景噪声较强时的滚动轴承的微... 轴承故障衍生早期,由于故障尺寸较小且易受环境噪声和信号衰减的影响,因此故障冲击信号往往非常微弱。变分模态分解(Variational Mode Decomposition,VMD)已经在轴承的故障特征提取中有一定的应用,但对于背景噪声较强时的滚动轴承的微弱故障提取效果并不理想。针对这一问题,将改进多点优化最小熵解卷积(Multipoint Optimal Minimum Entropy Deconvolution Adjusted,MOMEDA)与VMD相结合,研究了滤波器长度对MOMEDA效果的影响,提出基于进退法确定最优滤波器长度的自适应MOMEDA方法。利用自适应MOMEDA对信号降噪并避免传统MED迭代以及滤波后可能出现的虚假峰值。将自适应MOMEDA降噪后的信号使用VMD进行分解,然后依据谱峭度大小进行重构,对重构之后的信号进行故障特征提取,取得了较好的效果。最后通过实验验证了方法的可行性及有效性。 展开更多

关键词 多点优化最小熵解卷积 变分模态分解 谱峭度 滚动轴承早期故障 进退法

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

8

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

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：23

9

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

下载PDF 职称材料

基于ASSD-MOMEDA-FWEO相结合的滚动轴承故障诊断 被引量：3

10

作者 唐贵基 丁傲 +1 位作者 王晓龙 张晔 《自动化仪表》 CAS 2021年第12期8-14,共7页

针对滚动轴承微弱故障信号的非线性、非平稳、易被强背景噪声掩盖的特点,提出一种自适应奇异谱分解(ASSD)、多点优化最小熵解卷积(MOMEDA)与频率加权能量算子(FWEO)相融合的微弱故障诊断方法。首先,利用ASSD算法对原始信号进行处理,采... 针对滚动轴承微弱故障信号的非线性、非平稳、易被强背景噪声掩盖的特点,提出一种自适应奇异谱分解(ASSD)、多点优化最小熵解卷积(MOMEDA)与频率加权能量算子(FWEO)相融合的微弱故障诊断方法。首先,利用ASSD算法对原始信号进行处理,采用合成峭度与斯皮尔曼等级相关系数(SRCC)作为联合判据,自适应确定奇异谱分量个数后,根据合成峭度最大原则筛选出最佳奇异谱分量。然后,利用MOMEDA算法对最佳奇异谱分量作进一步解卷积处理,实现故障特征强化放大。最后,通过FWEO算法获取解卷积信号的瞬时能量信号,并通过傅里叶变换(FFT)得到瞬时能量谱,从中拾取出故障特征信息。仿真和试验信号分析结果表明,所述方法可有效提取强噪声下微弱故障特征,实现轴承故障精确诊断。 展开更多

关键词 滚动轴承 故障诊断 自适应奇异谱分解 多点优化最小熵解卷积 频率加权能量算子

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：6

11

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

下载PDF 职称材料

基于改进MOMEDA的齿轮箱复合故障诊断 被引量：7

12

作者 王志坚 王俊元 +2 位作者 张纪平 赵志芳 寇彦飞 《振动．测试与诊断》 EI CSCD 北大核心 2018年第1期176-181,共6页

总体经验模态分解(ensemble empirical mode decomposition,简称EEMD)对信号分解时由于白噪声选取不当,常造成能量泄露;通过计算多点峭度可以提取冲击性故障周期,但在强噪声环境下其追踪效果并不理想;考虑到多点最优最小熵反褶积(multip... 总体经验模态分解(ensemble empirical mode decomposition,简称EEMD)对信号分解时由于白噪声选取不当,常造成能量泄露;通过计算多点峭度可以提取冲击性故障周期,但在强噪声环境下其追踪效果并不理想;考虑到多点最优最小熵反褶积(multipoint optimal minimum entropy deconvolution adjuste,简称MOMEDA)提取故障时准确度受到故障周期区间范围的影响,提出了基于组合模态函数-多点最优最小熵反褶积(combined mode function-multipoint optimal minimum entropy deconvolution adjuste,简称CMF-MOMEDA)的自适应齿轮箱复合故障特征提取方法。首先,通过EEMD对信号分解,将信号按高低频依次分开;其次,取与原信号相关性强的本征模态函数,通过组合模态函数(combined mode function,简称CMF)将原信号分解为高低两个频带C_h和C_L,分别求其多点峭度谱图,提取故障周期成分;然后,设定合适的周期范围,通过MOMEDA提取故障特征;最后,将该方法应用于齿轮箱故障特征提取,以验证其可行性。 展开更多

关键词 复合故障 特征提取 强噪声环境 多点最优最小熵反褶积 组合模态函数

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：4

13

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

下载PDF 职称材料

AVMD-IMOMEDA在滚动轴承声学复合故障诊断的应用 被引量：3

14

作者 周文杰 周俊 +1 位作者 柳小勤 刘韬 《振动与冲击》 EI CSCD 北大核心 2023年第24期152-159,共8页

针对滚动轴承声信号存在较强的背景噪声干扰,微弱故障特征信息难以有效提取等问题,并考虑到声信号非接触式测量的优势。提出一种参数自适应变分模式分解结合改进多点最优最小熵反褶积(improve multipoint optimal minimum entropy decon... 针对滚动轴承声信号存在较强的背景噪声干扰,微弱故障特征信息难以有效提取等问题,并考虑到声信号非接触式测量的优势。提出一种参数自适应变分模式分解结合改进多点最优最小熵反褶积(improve multipoint optimal minimum entropy deconvolution adjusted, MOMEDA)的复合故障声学诊断方法;采用综合指标解决变分模态分解(variational mode decomposition, VMD)参数自适应选择问题,利用最大加权峭度识别最优分量并重构信号,增强与故障特征相关的脉冲特征信息;结合IMOMEDA方法从重构信号中分离提取周期性的脉冲信号,通过包络解调获取故障特征频率。仿真信号和试验信号验证了该方法的有效性,与传统VMD、MOMEDA、VMD-MCKD(maximum correlation kurtosis deconvolution)方法进行比较,凸显了方法的优越性。 展开更多

关键词 自适应变分模式分解 改进多点最优最小熵反褶积(Imomeda) 加权峭度 复合故障 声学诊断

下载PDF 职称材料

基于LMD和MOMEDA的滚动轴承早期故障特征提取研究 被引量：7

15

作者 金京 刘畅 +1 位作者 兰雨涛 王衍学 《机电工程》 CAS 北大核心 2021年第3期276-285,共10页

采用局域均值分解(LMD)提取强噪声背景下的滚动轴承的故障特征效果并不理想,针对该问题,将多点优化最小熵解卷积(MOMEDA)与局域均值分解(LMD)相结合,进行了滚动轴承微弱故障信号处理研究。首先,利用局域均值分解(LMD)对外圈故障轴承的... 采用局域均值分解(LMD)提取强噪声背景下的滚动轴承的故障特征效果并不理想,针对该问题,将多点优化最小熵解卷积(MOMEDA)与局域均值分解(LMD)相结合,进行了滚动轴承微弱故障信号处理研究。首先,利用局域均值分解(LMD)对外圈故障轴承的振动信号进行了信号重构;其次,利用多点优化最小熵解卷积(MOMEDA)滤波,进行了包络分析来提取故障特征;最后,将所提出的方法与局域均值分解(LMD)重构后,用最小熵解卷积(MED)滤波故障特征提取方法进行了对比;此外,采用所提方法分析了内圈故障。研究结果表明:所提出的方法对微弱故障特征提取有更好的适用性,能在包络谱中看到多倍频峰值,且峰值附近干扰很少;仿真与试验结果验证了方法的有效性。 展开更多

关键词 局域均值分解 多点优化最小熵解卷积 最小熵解卷积 滚动轴承 故障诊断

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

下载PDF 职称材料

基于信息图与MK-MOMEDA的齿轮箱复合故障诊断 被引量：1

17

作者 单成成 齐咏生 +2 位作者 高胜利 李永亭 董朝轶 《控制工程》 CSCD 北大核心 2022年第10期1907-1915,共9页

针对齿轮箱复合故障振动信号传递路径复杂多变,早期微弱故障信号易受到背景噪声的严重干扰,使得传统方法对复合故障冲击特征难以准确分离的问题,提出一种信息图和多点峭度最优最小熵解卷积修正(MK-MOMEDA)的复合故障诊断方法。首先,利... 针对齿轮箱复合故障振动信号传递路径复杂多变,早期微弱故障信号易受到背景噪声的严重干扰,使得传统方法对复合故障冲击特征难以准确分离的问题,提出一种信息图和多点峭度最优最小熵解卷积修正(MK-MOMEDA)的复合故障诊断方法。首先,利用平均谱负熵所得的信息图选择最佳的带宽和中心频率对复合故障信号进行带通滤波,降低噪声成分的影响;然后,计算滤波信号的多点峭度谱,识别谱图中包含的故障冲击周期成分,并设定适当的故障周期区间,进行MOMEDA运算,提取不同的故障特征;最后,通过1.5维能量谱进行特征增强,分析谱图中突出的故障特征频率,从而判别故障类型。实验平台模拟齿轮箱两种故障的复合情况,结果表明该方法能实现复合故障的准确分离。 展开更多

关键词 齿轮箱 复合故障 信息图 最优最小熵解卷积修正 1.5维能量谱

原文传递

基于SVD和MOMEDA的薄壁轴承故障诊断 被引量：3

18

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

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

19

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

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：4

20

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

原文传递