噪声环境下滚动轴承故障特征提取

合集下载

广义s变换时频谱svd降噪的滚动轴承故障冲击特征提取方法

广义s变换时频谱svd降噪的滚动轴承故障冲击特征提取方法一、引言滚动轴承是工业中十分常见的机械元件，很多工业领域广泛应用。

滚动轴承的可靠性是其使用安全与寿命的两个重要指标。

然而，随着使用时间的推移，滚动轴承会出现故障，特别是冲击故障时会对机械的生产与运行带来很大的影响。

因此，准确地检测滚动轴承的故障，尤其是故障冲击特征的提取，对于延长滚动轴承的使用寿命，保障生产安全并提高生产效率至关重要。

近年来，越来越多的学者将传统的s变换引入到轴承故障特征提取中，以期提高特征提取的精度。

但是，由于信号受到噪声、干扰等多重因素的影响，传统s变换作为一种时频分析方法无法获得良好的效果。

为了解决这个问题，本文提出了一种基于广义s变换(svSVD)与降噪方法的滚动轴承故障冲击特征提取方法。

该方法在svSVD的基础上，采用降噪技术去除s变换结果中的噪音，提高特征提取的准确性与可靠性。

本文首先介绍了s变换的原理及其与svSVD的关系，然后通过实验验证了svSVD降噪方法对于滚动轴承冲击信号特征提取的有效性。

二、s变换与svSVDs变换，也叫尺度变换（scale transform），是一种时频分析方法，能够同时表示信号的时间域和频率域信息。

s变换将信号通过在时间和频率两个维度上的扩展分解成一组不同尺度的信号。

s变换的公式如下：$$S(a,b)=\int^{\infty}_{-\infty}X(t)\frac{1}{\sqrt{a}}\psi(\frac{t-b}{a})dt$$其中，a表示尺度因子，b表示平移因子，X(t)表示信号，$\psi$表示尺度因子为1的基本尺度函数。

然而，由于信号经常受到噪声、干扰等因素的影响，s变换结果产生了很多的毛刺和杂波。

为了去除这些噪音，一些学者提出了基于svSVD的s变换去噪方法。

svSVD是奇异值分解的一种变体形式。

与传统的奇异值分解仅进行矩阵的分解不同，svSVD在该过程中还将数据转换为时频域维度，并产生一组主成分。

轨边声学信息的高速列车滚动轴承故障特征提取及实验方法研究

轨边声学信息的高速列车滚动轴承故障特征提取及实验方法研究摘要随着高速列车的发展，滚动轴承在高速列车运行中扮演了重要的角色。

而滚动轴承的故障问题是制约大型机械运转的关键因素，对于高速列车来讲尤其如此。

本文针对高速列车滚动轴承故障问题，通过声学信息的研究，提取故障特征。

首先，对火车车轮轴承以及轨道各部分进行了声学测试，并对信号进行了预处理，然后使用小波包分解进行数据特征提取。

对于高速列车轮轴承故障而言，异常信号取决于多个因素，如轮径，轮廓，偏心率，轴向载荷，转速等。

因此，这种多因素会使得故障特征提取存在着一定复杂性和难度。

本文运用了PCA算法对提取的滚动轴承信号特征进行了降维处理和数据分类。

最后，本文提出了一种实验方法，对所研究的滚动轴承进行了实验检测，并得出了较为准确的故障诊断结果。

关键词：滚动轴承，高速列车，声学信息，小波包分解，故障特征提取，PCA算法，实验方法研究AbstractWith the development of high-speed trains, rolling bearings play an important role in their operation. However, the problem of rolling bearing failures is akey factor that restricts the operation of large-scale machinery, particularly in high-speed trains. This paper focuses on the problem of rolling bearingfailures in high-speed trains, and extracts failure characteristics through acoustic information. Firstly, acoustic tests were carried out on various parts ofthe train wheel bearings and rails, and the signals were pre-processed. Then, wavelet packet decomposition was used for data feature extraction. For the rolling bearing fault in high-speed trains, the abnormalsignal depends on multiple factors, such as the wheel diameter, contour, eccentricity, axial load, and speed. Therefore, the complexity and difficulty of fault feature extraction can be significant. In this paper, the PCA algorithm was used to perform dimensionality reduction and data classification on the extracted rolling bearing signal features. Finally, an experimental method was proposed to detect the rolling bearing under study, and an accurate fault diagnosis result was obtained.Keywords: Rolling bearing, high-speed train, acoustic information, wavelet packet decomposition, failure feature extraction, PCA algorithm, experimental methodRolling bearings are critical components in high-speed trains, and their failure can lead to serious safetyissues. Acoustic signals generated by the rolling bearings can provide valuable information for fault diagnosis. However, the signals are often complex and noisy, making it challenging to extract useful features for effective fault diagnosis.In this study, wavelet packet decomposition was used to decompose the acoustic signals into multiple frequency bands. The decomposed signals were then subjected to feature extraction using statistical features such as mean, standard deviation, and kurtosis. The extracted features were further processed using principal component analysis (PCA) for dimensionality reduction and data classification.The proposed experimental method involved collecting acoustic signals from a rolling bearing underdifferent operating conditions. The signals were processed using the aforementioned techniques, and fault diagnosis was performed based on the extracted features. The accuracy of the diagnosis was evaluated by comparing the results with those obtained using traditional diagnostic methods.The results showed that the proposed method was effective in detecting and diagnosing faults inrolling bearings. The PCA algorithm was able to reducethe dimensionality of the data while preserving the relevant information, leading to improvedclassification accuracy. The experimental method was also able to accurately detect the fault in therolling bearing under study.In conclusion, the proposed method based on wavelet packet decomposition, feature extraction, and PCA algorithm can be an effective approach for fault diagnosis of rolling bearings in high-speed trains. The method can aid in ensuring the safe and reliable operation of high-speed trainsMoreover, this method can be extended to other machinery fault diagnosis applications, such as gearboxes, turbines, and engines. This is because the proposed method is versatile and can be adapted tosuit the specific requirements of a given application. For instance, the method can be adjusted to accommodate different types of sensors, signal acquisition systems, and data processing algorithms.It is worth noting that this method may have some limitations. First, the quality of the fault diagnosis data largely depends on the accuracy of the sensors and signal acquisition system. Therefore, it iscrucial to ensure that these components are properlycalibrated and maintained. Second, the proposed method may be affected by noise and other forms of interference. Hence, it is essential to apply noise reduction techniques to ensure that the extracted features are accurate and reliable. Finally, the method may require some computational resources, especially when processing large datasets. Therefore, it is necessary to employ efficient algorithms and computer hardware.Despite the limitations, the proposed method has significant potential for enhancing fault diagnosis in rolling bearings and other machinery applications. It can enable early detection of faults, reduce maintenance costs, and improve the overall safety and reliability of high-speed trains and other critical systems. As such, further research is needed to explore the full potential of this method, including its application in other domains, such as aerospace, automotive, and manufacturing.In conclusion, machinery fault diagnosis is a critical task that requires accurate and reliable methods. The proposed method based on wavelet packet decomposition, feature extraction, and PCA algorithm can offer an effective approach for fault diagnosis of rolling bearings in high-speed trains. The method can enhancethe safety and reliability of high-speed train operations by enabling early detection and prevention of faults. It represents a significant contribution to the field of machinery fault diagnosis and warrants further research and developmentIn addition to its potential applications in the field of high-speed train operations, the proposed method based on wavelet packet decomposition, feature extraction, and PCA algorithm can also have broader implications for the diagnosis of faults in other types of machinery. Various industries such as aerospace, automotive, and manufacturing rely on the effective and efficient operation of machinery to maintain productivity and safety.Moreover, the proposed method has the potential to be applied to both rotating and non-rotating machinery systems. For instance, it can be used to detect faults in gearboxes, turbines, pumps, and compressors. Faults in these systems can have significant consequences such as reduced performance, increased energy consumption, and equipment failure, which can lead to safety hazards, costly repairs, and production losses.Furthermore, the proposed method can be enhanced by incorporating other diagnostic techniques such asvibration analysis and acoustic emission analysis. Combining multiple diagnostic methods can improve overall fault detection accuracy, reduce false alarms, and enhance the reliability of fault diagnostics. Additionally, the method can be used in conjunction with condition monitoring systems that continuously monitor machinery performance and health to provide real-time alerts and avoid unplanned downtime.In conclusion, the proposed method based on wavelet packet decomposition, feature extraction, and PCA algorithm offers a promising approach for fault diagnosis of rolling bearings in high-speed trains and other machinery systems. Its potential applications are wide-ranging and can have significant implications for machine performance, safety, and productivity. Further research and development are needed to refine and optimize the method for specific applications and improve its diagnostic accuracy and reliabilityIn conclusion, the method based on wavelet packet decomposition, feature extraction, and PCA algorithm shows promise for fault diagnosis of rolling bearings in high-speed trains and other machinery systems. The method has the potential to improve machine performance, safety, and productivity. However,further research and development are necessary tooptimize its diagnostic accuracy and reliability for specific applications。

基于小波降噪和希尔伯特黄变换的滚动轴承故障特征提取

● 车辆工程
ＶｅｈｉｃｌｅＥｎｇｉｎｅｅｒｉｎｇ
基于小波降噪和希尔伯特黄变换的
滚动轴承故障特征提取
苏涛，夏均忠，李树珉，白云川，张建生
（１．军事交通学院研究生管理大队，天津３００１６１；２．军事交通学院军用车辆系，天津３００１６１；
第ｌ６卷
第３期
军事交通
学院学报
Ｖ０１．１６Ｎｏ．３Ｍａｒｃｈ２０１４
２０１４年３月
ＪｏｕｍａｌｏｆＭｉｌｉｔａｒｙＴｒａｎｓｐｏｒｔａｔｉｏｎＵｎｉｖｅｒｓｉｔｙ
３．军事交通学院外训系，天津３００１６１）
摘要：希尔伯特黄变换（ＨＨＴ）是一种自适应时频处理方法，并运用到滚动轴承故障诊断中，但其
对噪声比较敏感。为消除噪声对诊断结果的影响，提出基于小波降噪和希尔伯特黄变换相结合的
Ａｂｓｔｒａｃｔ：Ｈｉｌｂｅｒｔ —ＨｕａｎｇＴｒａｎｓｆｏｒｍ（ＨＨＴ）ｉｓａｎａｄａｐｔｉｖｅｔｉｍｅ一￣ｅｑｕｅｎｃｙａｎａｌｙｓｉｓｍｅｔｈｏｄ；ｉｔｉｓｓｕｃｃｅｓｓｆｕｌｌｙａｐｐｌｉｅｄｉｎ
滚动轴承故障特征提取方法。首先利用小波变换去除振动信号中的随机噪声，然后对降噪后的振动信号进行希尔伯特黄变换，最终得到振动信号的希尔伯特边际谱，提取故障特征。通过仿真和滚

滚动轴承振动信号降噪及故障识别研究

滚动轴承振动信号降噪及故障识别研究滚动轴承振动信号降噪及故障识别研究随着现代工业的发展，滚动轴承作为一种常见的机械零件，在各种机械设备中广泛应用。

然而，由于长时间运转和不良工作环境的影响，滚动轴承往往容易出现故障，导致设备停机和生产线中断，给生产和产品质量带来严重影响。

因此，滚动轴承的及时故障诊断和预测成为了非常重要的研究领域。

振动信号分析是滚动轴承故障诊断的一种常用方法。

通过对滚动轴承振动信号进行采集和分析，可以判断轴承的工作状态和是否存在故障。

然而，由于机械系统本身的振动和其他干扰因素的存在，滚动轴承的振动信号往往呈现出多种噪声，并且这些噪声会对故障诊断的准确性造成不利影响。

为了降低滚动轴承振动信号的噪声，目前研究人员提出了各种降噪算法和方法。

其中，基于小波变换的降噪方法是较为常用的一种。

小波变换具有良好的时频局部性特性，可以有效地分析信号的不同频段和时间段特征。

通过对滚动轴承振动信号进行小波变换，可以将信号变换为时频图像，同时抑制不同尺度的噪声成分。

然后，利用小波域的低频系数重构信号，实现降噪效果。

此外，自适应滤波器也是一种常用的降噪方法。

自适应滤波器根据信号的特点自动调整滤波参数，以提取信号中的有用信息并抑制噪声。

通过对滚动轴承振动信号进行自适应滤波，可以降低噪声干扰，提高故障特征的提取效果。

同时，还可以根据自适应滤波器的输出结果，判断滚动轴承的工作状态和是否存在故障。

在滚动轴承振动信号降噪的基础上，故障识别是另一个重要的研究方向。

通过对滚动轴承振动信号中的特征参数进行提取和分析，可以识别轴承的不同故障类型，如滚珠损伤、内圈损伤、外圈损伤等。

常用的故障特征参数包括峭度、峰值因子、包络频谱等。

通过对这些特征参数的计算和比较，可以判断滚动轴承的工作状态和是否存在故障。

此外，还可以借助机器学习算法来实现滚动轴承故障识别。

将滚动轴承振动信号的特征参数作为输入，利用机器学习算法训练模型，可以实现对滚动轴承故障的自动识别。

基于噪声干扰的滚动轴承故障信号处理方法综述

基于有噪声干扰的滚动轴承故障诊断技术摘要：针对现有各种滚动轴承在故障诊断过程中由于轴承振动信号的幅值谱中, 往往在整个频带上都存在着一种均匀分布的噪声干扰, 这种噪声难于用一般滤波方法从时域去除, 它们形成的频率成分在各个频段上都大量存在, 对轴承实际振动频率的识别与判断有着极大的干扰与影响这一现象, 提出并了小波分析去噪，奇异值分解及形态滤波去噪，EEMD 振动信号降噪等几种方法。

简单分析了他们的降噪原理和过程。

关键词：小波分析；奇异值分解；形态滤波；集成经验模式分解；降噪一、引言轴承是旋转机械不可缺少的零部件，更是保证高速铁路、精密机床、风力发电机甚至是确保军用仪器仪表与动力装备正常运行等重大装备精度、性能、寿命和可靠性的核心零部件。

在实际工程测量中, 现场采集的振动数据往往被各种噪声污染, 在某些情况下噪声干扰甚至大于实际的真实信号因此，如何在噪声环境中提取轴承的微弱故障特征信息是轴承故障诊断的关键技术。

二、小波分析小波分析是在应用数学与工程应用领域中逐渐发展起来的一种时频局部化分析工具，能够同时提供信号在时域和频域的局部化信息。

它采用可变时频域窗函数对信号进行多尺度细化，克服了传统FFT(傅里叶分析)分析非平稳信号的局限性，去噪后的信号能够保持原始信号的主要特征，具有多分辨率、能够同时提供时频信息的特点。

1.小波去噪原理基于小波的信号去噪问题在数学上是一个函数逼近的问题，即如何在由小波基函数伸缩和平移所张成的函数空间中，根据某一个衡量准则，寻找对真实信号的最佳逼近，以达到将噪声从真实信号中去除的目的。

基于小波的信号去噪就是为了寻找从含噪信号到小波函数空间的最佳映射，以便得到真是信号的最佳恢复。

实际上，小波去噪就是特征提取和低通滤波的综合，其流程框图如图一所示。

图一小波去噪流程框图2.小波消噪过程一个含噪的一微信号模型可表示为如下形式：)()()(k e k f k S *+=ε，（k=0、1、2.......n-1）其中f(k)为有用信号，S（k）为含噪信号，e（k）为噪声ε为噪声系数的基本偏差。

滚动轴承振动相图的特征提取及在故障诊断中的应用

际的轴承试验数据验证了所提方法的有效性。关键词：滚动轴承；图分布密度；相特征值；能诊断智
中图分类号：Ｈ１３３Ｔ３．３文献标志码：Ｂ文章编号：００— ７２２１）２—０３０１０３６（００１０４— ４
！Ｑ二曼Ｚ
ＣＮ４１— １１８／ＴＨ４
Ｂｅａｎ０１Ｎｏ２ｉｒｇ２０，．１
轴承
２１年１期００２
３ —３４７
滚动轴承振动相图的特征提取及在故障诊断中的应用
肖强，李学仁，杜
（军工程大学工程学院，安空西
Ａｂｔａｔｎｔｅ￣ｅｕｎｙｓｅｔｍｎｌｓｓ—ｂｓｄｒｌｎｅｒｇｆｕｔｄａｎｓ，ｔｅｅａｅｄｆｃｌｅｎｆｕｔｅ－ｓｒｃ：Ｉｈｑｅｃｐｃｒｕａａｙｉａｅｏｌｇｂａｎｌｉｇｏｉｈｒｒｉｕｔｓｉａｌｒｃｉｉａｓｉｉｏｎｔｎｄｅｔｏｓｓａｄｃａａｔｒｓｉｅｕｎｙｓｐｒｏｉｏ．Ａｉｎｔｈｓｒｂｅ，ａｎｗｒｌｎｅｒｇｆｕｔｇｉｏｕｏｎｉｅｎｈｒｃｅｉｃ￣ｑｅｃｕｅｐｓｉｎｉｔｔｍｉｇａｅｅｐｏｌｍｓｅｏｌｇｂａｎａｌｔｉｉｄａｏｉｍｅｈｄｉｐｏｏｅａｅｎｖｂａｉｎｐａｅｄａｒｍｉｉｌｒｙＢｈｏｅｉａｌｎｌｚｎｈａｓｓｆｒｉｇｓｓｎｔｏｓｒｐｓｄｂｓｄｏｉｒｔｈｓｉｇａｄｓｍｉｉ．ｙｔｅｒｔｌｙａａｙｉｇｔｅｃｕｅｏｏｓａｔｃ

基于小波包降噪与VMD的滚动轴承故障特征提取方法

Keywords
Wavelet Packet, VMD, Rolling Bearing, Fault Diagnosis
基于小波包降噪与VMD的滚动轴承故障特征提取方法
袁燕红，白静国，王永帅
北京建筑材料检验研究院有限公司，北京
收稿日期：2019年4月3日；录用日期：2019年4月18日；发布日期：2019年4月25日
文章引用: 袁燕红, 白静国, 王永帅. 基于小波包降噪与 VMD 的滚动轴承故障特征提取方法[J]. 机工程与技术, 2019, 8(2): 118-124. DOI: 10.12677/met.2019.82015
袁燕红等
摘要
针对滚动轴承振动信号掺杂有大量随机噪声且自身的非线性非平稳性，致使振动信号中故障特征难以提取的问题，提出基于小波包降噪与VMD的滚动轴承故障特征提取方法。该方法首先将采集到的滚动轴承故障振动信号经过小波包降噪处理，滤除信号中的噪声成分；后利用VMD方法对降噪后信号进行分解，将信号中的故障成分与原有信号成分剥离；最后对分解后所得与原信号有最大相关性的分量进行Hilbert 解调，从而提取出故障特征。实验结果表明，基于小波包降噪与VMD的滚动轴承故障特征提取方法能够有效提取出故障的特征成分，实现滚动轴承的故障诊断。
Open Access
1. 引言
滚动轴承在机械设备中为旋转体提供可靠支撑并保证设备有序运行，且其作为重要零部件在各行各业中有着广泛的应用范围。然而，由于运行环境的恶劣与运转中应力集中等因素作用，滚动轴承也成为了一个易损零部件。若其发生故障，易造成设备运行不良，且故障的扩展甚至会导致整台设备及整条生产线的停产，从而造成重大经济损失。因此，对滚动轴承进行故障诊断，对保证设备正常运行有着重要的作用。

基于奇异值分解及形态滤波的滚动轴承故障特征提取方法

第２９卷第４期２１０２年４月
计算机应用研究
ＡｐｌａｉｎＲｅｅｒｈｏｍｐｔ￣ｐｉｔｓａｃｆＣｏｕｅｃｏ
Ｖ０．９Ｎｏ４１２．Ａｐ．２１ｒ０２
基于奇异值分解及形态滤波的方滚动轴承故障特征提取法术
ＬｈｏｆｉＣＩＺａ－，ＨＡＩＹｉＩＨｕ — ｎｅ，Ｌａｆｇｅ
（ｏｅｅｏｕｍｔｎｈｎｑｇＵｉｒｔ，Ｃｏｇｉｇ４０４ＣｌｇｌｆＡｔａｉ，Ｃｏｇｉｎｖｓｙｈｎｑｏｏｎｅｉｎ００４，Ｃｉａｈｎ）
信号和部分噪声，获取带噪声的冲击信号；然后利用形态滤波能有效滤除脉冲干扰噪声的特点，反其道而行之，
从而提取信号的冲击故障特征的方法，并将该方法应用于轴承的振动信号的故障特征提取。仿真与实例表明，
该方法能有效提取强背景信号及噪声中的弱冲击特征信号，是一种有效的弱信号特征提取方法。关键词：奇异值分解；形态滤波；滚动轴承；振动信号；故障特征提取
ｔｓｔｓｌｃｔｅａｃｎｔｃｏｇａｂｏｔｏｎａｒｆｃｎｎｕｒａｅ．ｈｓａｏｌｆｔｏｈｉｆｒｉｅｔｈｙｏｒｏｓｕｔｎｏｓｎｌｙｍｓｐｔｔｌｅｅｔｇｓｇｌｌｓＴｉｗｃｕｄｉｅｓｔｏ・ｃｏｅｗｆｅｒｉｆｉｅｉｌｉｉａｖｕｙｌｒｍｏｎ
ｐｌｅｆｕｔｅｔｒｎｓｇａｎｐｌｄｉｔｕｅｔｒｘｒｃｉｎｏｅｒｎｉｒｔｎｓｇａ．ｓｌｆｅｐｒｎｈｗｕｓａｌｆａｕｅｉｉｎａｄａｐｉｔｏｆｈｆａｕｅｅｔｔｆａｇｉｖｂａｉｉ１Ｒｅｕｔｏｘｅｍｅｔｓｏｌｅａａｏｂｉｎｏｕｓｉｔａｅｐｅｅｔｄｍｅｈｄｃｎｂｓｄｆｒｔｅａｓａｔｎｏｅｗａａｕｅｓｇａａ：ｘｄｉｅｓｏｇｂｃｇｏｎｏｓ，ｈｔｈｒｓｎｅｔｏａｅｕｅｏｂｔｃｉｆｈｅｋｆｔｒｉｎｌｈｔｅｎｔｔｎａｋｒｕｄｎｉｅｔｈｒｏｔｅｔｍｉｈｒ

基于CYCBD 和麻雀搜索算法的滚动轴承故障特征提取方法

装备环境工程第19卷第8期·36·EQUIPMENT ENVIRONMENTAL ENGINEERING2022年8月基于CYCBD和麻雀搜索算法的滚动轴承故障特征提取方法丛晓1，李根2（1.山东商务职业学院智能制造学院，山东烟台 264001；2.海军航空大学，山东烟台 264001）摘要：目的解决在较强的噪声环境下最大二阶循环平稳盲解卷积（Maximum Second Order Cyclostationary Blind Deconvolution，CYCBD）算法在滚动轴承故障特征提取时效果欠佳的问题，为滚转尾翼导弹的尾翼滚动轴承故障诊断提供方法参考。

方法提出一种利用麻雀搜索算法（Sparrow Search Algorithm，SSA）优化CYCBD算法的方法，将CYCBD算法解卷积的包络谱熵作为SSA寻优的适应度函数，利用SSA高效地寻找出合适的循环频率以及滤波器长度，选择自适应参数后，再使用CYCBD算法有效解卷得到周期脉冲特征。

结果同时对比SSA优化CYCBD前后进行故障特征提取的包络谱图，CYCBD的噪声幅值不超过0.13 m/s2，峰值不超过0.29 m/s2，用SSA优化CYCBD的噪声幅值不超过0.08 m/s2，峰值不超过0.32 m/s2，故障频率成分更加突显，无论是噪声幅度，还是峰值幅度特性，均较CYCBD有了较大改善。

结论仿真实验验证了SSA优化CYCBD方法能够更加清晰地辨识到故障特征频率及其倍频成分，其具有良好的工程应用前景。

关键词：滚动轴承；故障特征提取；麻雀搜索算法；CYCBD；滚转尾翼导弹；强噪声中图分类号：TP206 文献标识码：A 文章编号：1672-9242(2022)08-0036-06DOI：10.7643/ issn.1672-9242.2022.08.006Fault Feature Extraction Method of Rolling Bearing Based on CYCBD andSparrow Search AlgorithmCONG Xiao1, LI Gen2(1. Intelligent Manufacturing College, Shandong Business Institute, Shandong Yantai 264001, China;2. Naval Aeronautical University, Shandong Yantai 264001, China)ABSTRACT: The paper aims to solve the problem that the effect of maximum second-order cyclostationary blind deconvolu-tion (CYCBD) algorithm in rolling bearing fault feature extraction is not good in strong noise environment,and provide a method reference for rolling bearing fault diagnosis of rolling tail missile. A method using sparrow search algorithm (SSA) to optimize CYCBD algorithm is proposed. The envelope spectral entropy of deconvolution of CYCBD algorithm is taken as the fitness function of SSA optimization. The appropriate cycle frequency and filter length are efficiently found by SSA. After adap-收稿日期：2022–07–20；修订日期：2022–08–08Received：2022-07-20；Revised：2022-08-08基金项目：国家自然科学基金（51975580）Fund：The National Natural Science Foundation of China (51975580)作者简介：丛晓（1972—），女，副教授，主要研究方向为检测技术与自动化装置。

滚动轴承早期故障的特征提取与智能诊断

摘要 : 在基于小波变换的滚动轴承故障诊断研究中 ,目前普遍存在小波变换参数选取和故障特征计算无法自动完成的问题。基于此 ,提出了一种基波函数参数的自动选取和故障特征的自动提取。同时 ,基于结构自适应神经网络方法建立了滚动轴承的集成神经网络智能诊断模型。最后 ,利用实际的滚动轴承实验数据验证了所提方法的有效性。关键词 : 滚动轴承 ; 二进离散小波变换 ; 神经网络 ; 特征提取 ; 智能诊断中图分类号 : TB123 文献标识码 : A
∞
<( x ) =
k= - ∞
∑h ( k) <( 2 x x 1 < 2 2
k) , <( x - k) 〉。
完全确定。其中 , h ( k ) =〈相应地 ,小波函数由
∞
ψ( x ) =
k= - ∞
∑g ( k) <( 2 x -
k)
完全确定。其中 , g ( k) = ( - 1) k h ( 1 - k) 。离散信号 c0 经过尺度 1 , 2 , …, J 的分解 , 最终分解为 d1 , d2 , …, d J , cJ , 它们分别包含了从高频到低频的不同频带信息。重构表达式为

1 二进离散小波变换基本原理
多分辨率小波分析由 Mallat 算法 [ 10 ] 给出 ,其作用相当于快速傅里叶变换 ( FF T) 算法。设有信号 f ( t) 的离散序列 f ( n) , n = 1 , 2 , …, N , 若以 f ( n) 表示信号在尺度 j = 0 时的近似值 , 记为 c0 ( n) = f ( n) , 则 f ( t) 的离散二进小波变换由下式确定
目前 ,滚动轴承在旋转机械中应用极为广泛 , 其运行状态往往直接影响到整台机器的精度、可靠性及寿命。由于滚动轴承的寿命离散性很大 , 无法进行定时维修[ 1 ] ,因此 ,对滚动轴承的状态监测与故障诊断具有重要意义。目前 , 共振解调法在滚动轴承故障诊断中得到了普遍认可 ,其基本原理是通过传感器获取轴承故障冲击引起的共振响应 ,然后通过窄带滤波器得到合适的共振频带 ,再通过包络解调分析将轴承故障信息从复杂的调幅振动信号中分离出来。该方法的主要缺点是当由缺陷引起的共振频带较多时 ,不能有效地进行共振频带的选取。因此往往难以得到满意的识别效果。小波变换具有带通滤波特性 , 可通过选择合适的小波对信号进行分解 , 进而得到每一频带内振动信号的变化规律 , 因此可以从中提取出能够真实反映轴承冲击振动现象的特征频带信号 , 作

滚动轴承振动信号处理与故障特征提取新方法研究

滚动轴承振动信号处理与故障特征提取新方法研究滚动轴承是一种常见的旋转机械部件，其工作状态对设备运行的可靠性和性能具有重要影响。

因此，对滚动轴承的振动信号进行准确的处理和故障特征提取具有重要意义。

本文通过研究新的方法，旨在改进现有的滚动轴承振动信号处理技术，提高故障特征提取的准确性和可靠性：1. 传统的滚动轴承振动信号处理方法主要是基于时域和频域分析。

在时域分析中，通常使用峰值、平均值、标准差等统计特征进行故障诊断。

在频域分析中，通过对振动信号进行傅里叶变换，可以提取到频率谱信息，并利用峰值频率、能量密度等特征进行故障诊断。

然而，这些传统方法对于复杂故障模式的诊断效果有限，容易受到背景噪声和非线性干扰的影响。

2. 随着机器学习和模式识别技术的发展，越来越多的研究者开始应用这些方法来处理滚动轴承振动信号。

例如，使用支持向量机、神经网络、随机森林等机器学习算法进行滚动轴承故障诊断，可以更好地识别复杂的故障模式，并提高诊断的准确性。

此外，还有一些研究通过对振动信号进行小波变换、自适应滤波等信号处理方法，提取出更具辨识度的故障特征。

3. 近年来，深度学习技术在滚动轴承振动信号处理中的应用也取得了一定的突破。

深度学习模型如卷积神经网络（CNN）和循环神经网络（RNN）可以自动学习特征表示，能够更好地捕捉振动信号中的有用信息。

研究者们通过将振动信号转化为图像，利用CNN进行特征提取和故障诊断。

此外，还有一些基于RNN的方法可以对滚动轴承振动信号进行序列建模，更好地捕捉故障演变的动态过程。

4. 除了传统的信号处理和机器学习方法，还有一些研究者开始将滚动轴承的振动信号与其他传感器数据进行融合处理，例如温度、声音等。

通过对多源数据的联合分析，可以提高故障诊断的可靠性和鲁棒性。

此外，一些研究还尝试将虚拟仪器技术应用于滚动轴承振动信号处理，通过建立数学模型来模拟和分析振动信号，提高故障诊断的精度。

5. 未来的研究方向可以考虑进一步探索深度学习技术在滚动轴承振动信号处理中的应用，尤其是结合图神经网络、自注意力机制等新兴技术，提高故障诊断的性能。

浅析滚动轴承故障特征的提取技术

浅析滚动轴承故障特征的提取技术作者：黎文爵来源：《山东工业技术》2015年第05期摘要：在机械设备中滚动轴承是非常关键的一个零部件，为了避免在生产过程中造成重大的事故，要对滚动轴承进行定期的修检，一旦发生问题要及时做出处理。

研究滚动轴承的检测和诊断技术，对机械的安全运行具有重要的意义。

本文就滚动轴承的故障特征的提取技术做出简要分析。

关键词：滚动轴承；故障诊断；提取技术滚动轴承是旋转机械中重要的零部件，同时也是最容易损坏的零部件之一，在使用滚动轴承的旋转机械中，因为滚动轴承出现问题而产生的故障约占30%。

滚动轴承有一个很大的特点就是寿命的离散性很大，即使是同样的材料、同样的加工工艺同一批工人生产出来的滚动轴承寿命也是相差很大的。

所以对滚动轴承要定期进行检查，避免给整个机器带来严重的事故。

1 滚动轴承常见的故障滚动轴承通常会出现以下几个故障[1]：（1）磨损。

滚动轴承最常见的故障就是磨损，造成磨损的原因有很多，比如磨料的存在、轴承内进入异物或者是没有做好润滑工作等，都会造成轴承滚道、保持架、滚动体等发生磨损的现象。

（2）疲劳。

滚动体或者是滚道表面产生脱皮或者是剥落，就代表着滚动轴承的疲劳。

疲劳初期，只是在表面形成不规则的凹坑，然后逐渐延伸形成片。

造成疲劳的主要原因是疲劳应力。

但有时候装配不当或者是润滑不良也会引起剥落或者是脱皮现象。

（3）断裂。

引起断裂的原因有很多，比如热处理、负荷过大、转速太高、润滑不良等。

（4）腐蚀。

腐蚀分化学腐蚀、点腐蚀、威震腐蚀等，主要的表象都是出现凹坑、麻点、红色或者是黑色锈斑等。

（5）压痕。

由于过载、冲击或者异物落入滚道就会使滚道和滚动体表面产生局部变形而出现凹坑，这就是压痕。

（6）胶合。

胶合就是滚道和滚动体局部融合在一起现象，其主要原因是高速、高温和润滑不良。

2 轴承振动信号的提取方法2.1 有效值和峰值判断法滚动轴承在工作时，其振动的瞬时值会随着时间的变化不断地发生变化，有效值可以准确地表现振动变化的大小。

改进IESFOgram的滚动轴承故障特征提取

改进IESFOgram的滚动轴承故障特征提取作者：陈鑫郭瑜伍星来源：《振动工程学报》2021年第04期摘要：针对特征优化图改进包络谱（Improved Envelope Spectrum via Feature Optimization⁃gram， IESFOgram）算法在轴承随机滑动的条件下不能有效揭示故障特征的问题，提出了一种基于设置特征频率容差因子的改进IESFOgram算法。

该方法使用循环谱相关分析提取滚动轴承故障振动分量;基于轴承随机滑动特性设置特征频率容差，并计算特征频率各阶次谐波频率与边带积分比值之和，确定包含轴承故障信息最丰富的解调频带;包络谱分析辨识轴承故障特征。

仿真数据、西储大学部分数据和实验数据的结果分析表明，所提出方法可有效解决IESFOgram算法在轴承随机滑动的条件下失效的缺陷。

关键词：故障诊断; 滚动轴承; 快速谱峭度; 循环平稳; 特征包络谱引言滚动轴承是旋转机械中最容易损坏的基础部件之一。

当滚动轴承发生故障时，由于受到刚度非线性、摩擦力和外载荷等因素的影响，其振动信号往往表现出非平稳特征，如何从非平稳信号中提取故障特征信息，在滚动轴承故障诊断中显得尤为重要。

包絡分析是轴承故障诊断中广泛应用的有效方法之一，其可从复杂信号中提取故障调制信息，抑制干扰成分，并准确判断故障部位和类型[1]。

如何获取合适的解调频带一直是研究的热点之一，Antoni提出基于谱峭度自适应获取解调频带的快速谱峭度（Fast Kurtogram，FK）算法[2]，该算法近十年来得到广泛研究和应用。

然而，在信噪比非常低或存在较强非高斯噪声的工况下，FK算法确定的解调频带可能无法有效揭示故障特征[3]。

近20年来，循环平稳分析技术得到迅速发展，并应用于滚动轴承故障特征提取[4]，例如：Antoni等研究了基于循环谱相关分析（Cyclic Spectral Correlation， CSC）[5]的滚动轴承故障特征提取方法。

基于循环平稳和盲源分离的滚动轴承故障特征提取方法研究

基于循环平稳和盲源分离的滚动轴承故障特征提取方法研究一、本文概述随着工业技术的快速发展，滚动轴承作为旋转机械中的关键部件，其运行状态直接影响到整个设备的性能和安全。

然而，由于长期运行、恶劣环境及不当维护等原因，滚动轴承常常发生故障，给工业生产带来巨大损失。

因此，如何准确、快速地提取滚动轴承的故障特征，实现早期预警和故障诊断，已成为机械故障诊断领域的研究热点。

本文旨在研究基于循环平稳和盲源分离的滚动轴承故障特征提取方法。

介绍了滚动轴承故障类型、产生原因及其对设备性能的影响，阐述了故障特征提取的重要性和必要性。

详细阐述了循环平稳理论和盲源分离技术的基本原理，分析了它们在滚动轴承故障特征提取中的应用潜力和优势。

接着，本文提出了一种结合循环平稳和盲源分离的滚动轴承故障特征提取方法，并通过仿真实验和实际案例验证了该方法的有效性和可行性。

总结了本文的主要研究成果，并对未来研究方向进行了展望。

本文的研究不仅为滚动轴承故障特征提取提供了新的理论支持和实践指导，也为其他旋转机械故障诊断提供了有益的借鉴和参考。

二、滚动轴承故障机理及信号特性分析滚动轴承作为机械设备中的关键部件，其运行状态直接影响到整个设备的性能和寿命。

滚动轴承的故障主要源于制造缺陷、安装不当、过载、润滑不良以及疲劳磨损等因素。

这些故障通常表现为轴承表面的剥落、裂纹、磨损和塑性变形等，这些故障形式会改变轴承的动力学特性，进而在轴承振动信号中产生特定的故障特征。

当滚动轴承出现故障时，其振动信号中会包含多种频率成分，这些频率成分与轴承的几何尺寸、转速以及故障类型紧密相关。

例如，轴承内圈、外圈和滚动体的故障会在振动信号中产生特定的故障特征频率。

由于滚动轴承的非线性特性和故障引起的冲击，振动信号中还可能包含高次谐波和调制边频带等成分。

为了有效地提取滚动轴承的故障特征，需要对振动信号进行深入的分析和处理。

传统的信号处理方法，如傅里叶变换、短时傅里叶变换等，虽然能够在一定程度上揭示信号中的频率信息，但对于非平稳、非线性信号的处理效果并不理想。

强背景噪声振动信号中滚动轴承故障冲击特征提取

强背景噪声振动信号中滚动轴承故障冲击特征提取作者：刘湘楠赵学智上官文斌来源：《振动工程学报》2021年第01期摘要：針对机械早期故障引起的冲击特征微弱，易受强背景信号和噪声的干扰而难以提取的问题，提出一种奇异值分解（Singular Value Decomposition， SVD）差分谱与S变换相结合的微弱冲击特征提取方法。

将原始信号构造成Hankel矩阵，采用SVD对重构矩阵进行分解;利用奇异值差分谱确定降噪阶次进行降噪;采用S变换对降噪后的信号进行时频分析，提取信号中的微弱冲击特征信息。

通过数值仿真和实际轴承故障数据的对比，表明该方法可有效辨别轴承振动信号中故障引起的早期微弱冲击特征，为轴承故障诊断提供先验信息。

关键词：故障诊断; 滚动轴承; 冲击特征; 奇异值分解; S变换中图分类号： TH165+.3; TH133.33; TN911.7 文献标志码： A 文章编号： 1004-4523（2021）01-0202-09DOI：10.16385/ki.issn.1004-4523.2021.01.023引言滚动轴承是旋转机械设备中广泛使用的零部件之一，也是旋转机械最主要的故障来源之一[1]。

在实际运行过程中由于工况复杂、过载、安装精度差及润滑不良等原因，滚动轴承外圈、滚动体及内圈等部件容易发生故障，进而影响机械系统整体运行的安全性和可靠性[2]。

滚动轴承产生故障时，工作过程中会产生突变的冲击力，该冲击信号的频率即为损伤点撞击轴承元件的频率[3]。

滚动轴承振动信号蕴含了大量的运行状态信息，表现为非线性和非平稳性的调制信号，对振动信号进行分析，可有效获取振动信号中所包含的轴承故障引起的冲击特征信息。

但由于旋转机械设备结构复杂以及工作条件的多样性，各种激励源产生的信号相互耦合，导致滚动轴承故障引起的冲击特征常常淹没在强背景信号和噪声中，比较难以识别，特别是早期故障信号，在强噪声背景下轴承振动信号故障冲击特征信息微弱，更加难以提取[4‑5]。

简述滚动轴承故障特征信息提取与相关方法的应用

简述滚动轴承故障特征信息提取与相关方法的应用【摘要】本文根据滚动轴承故障的产生原因进行了一系列的分析和研究，提出了滚动轴承故障特征信息的提取方法。

研究表明，滚动轴承故障会导致轴承座或其他部件的共振现象，在对轴承振动信号进行了科学的FFT分析之后，完全可以自动的提取对于滚动轴承的故障特征信息。

通过对滚动轴承的振动信号加以分析之后，我们可以方便快捷的检查和诊断出滚动轴承是否存在故障问题。

【关键词】滚动轴承；故障；提取一、引言滚动轴承由于其自身的良好特点在旋转机械当中的应用非常普遍，但滚动轴承有时会产生一定的故障，会对整个机械的正常运行造成影响，所以我们应当通过一定的技术手段及时的发现和处理滚动轴承的故障。

振动诊断法可以有效的检测出滚动轴承的运行状况，使得对滚动轴承的故障检测更加简单方便。

小波包分析法也是一个新兴的强大分析方法，它的优点是可以同步的分析振动信号的时域和频域信息。

本文对如如何及时的发现滚动轴承的故障，保障机械的正常运行提出一些切实可行的诊断方法以供参考。

二、滚动轴承故障特征对于滚动轴承，当轴承的滚子、内圈、外圈存在局部不规则损伤，如剥落、点蚀、裂纹等时，在轴承运转过程中，轴承的其他零件必然会间断地撞击故障部位，产生冲击，从而激起轴承座或其他机械零部件产生共振，形成一系列冲击振动。

实测的轴承振动信号中，除了损伤引起的冲击振动，还包含大量的其他振动信号。

对于仅有早期故障的轴承，由损伤引起的冲击信号极其微弱，被正常的振动信号所淹没，直接对振动信号作频谱分析根本无法检测出来。

振动信号频谱还具有两个明显的特点，一个是就留存了所有强烈冲击之后的频率成分；另一个是在谱图当中清晰的显示了高频的共振峰群，因为轴承座与其它的机械零件同样有着相当高的固有频率，所以共振反应的图谱峰群都将会显现到高频区域。

一般情况下，振动信号里面都不含有高频成分，那么冲击产生的高频固有振动会受到正常振动信号对其造成的干扰较小。

所以对冲击产生的高频固有振动分析之后，将会是对故障特征信息进行提取的一种非常方便的有效手段。

基于变分模态分解改进方法的滚动轴承故障特征提取

基于变分模态分解改进方法的滚动轴承故障特征提取高红玮;张丽荣;侯少杰【摘要】In order to solve the problems that the fault feature of rolling bearing in early failure period is difficult to extract, a method for fault diagnosis of rolling bearings based on multi-correlation variational mode decomposition (MC-VMD) was presented. First, vibration signal is jointly acquired through multiple acceleration sensors and the multi-correlation process is made for the signal in order to prominent fault signal characteristics. Then VMD was used to decompose the fault signal into several intrinsic mode functions (IMFs), and then the IMF of biggest related kurtosis was analyzed by the spectral kurtosis and envelope demodulation. Finally identify the working status and fault type of rolling bearings through envelope spectrum. The proposed method was applied to actual signals. The results show that this method enables accurate diagnosis of rolling bearing fault, the analysis results demonstrated the effectiveness of the proposed method.%针对滚动轴承早期故障振动信号信噪比低、故障特征提取困难的问题，提出了基于多相关-变分模态分解(MC-VMD)的滚动轴承故障诊断方法。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

若干个内禀模态函数（ｉｎｔｒｉｎｓｉｃｍｏｄｅｆｕｎｃｉｔｏｎ，ＩＭＦ），并考虑分解的各模态函数的能量特征，将分
解后的ＩＭＦ分量与分解前信号的能量比作为判断标准，剔除附加低频成分，最后选取有效的ＩＭＦ集进行包络谱分析，提取故障特征。通过仿真分析和以真实滚动轴承为研究对象的故障诊断实验，表明该方法有效地去除了混杂在故障信号中的噪声，有效地提取旋转机械中的故障特征信息。关键词：滚动轴承；故障特征提取；经验模态分解；包络谱；小波降噪
Ａｂｓｔｒａｃｔ：Ｔｈｅｃｏｌｌｅｃｔｅｄｄｅｆｅｃｔｉｖｅｖｉｂｒａｔｉｏｎｓｉｇｎａｌｓｏｆｒｏｌｌｉｎｇｂｅａｒｉｎｇｕｓｕａｌｌｙｃｏｎｔａｉｎａｌｏｔｏｆｎｏｉｓｅｄｉｓｔｕｒｂａｎｃｅ．Ｉｎｏｒｄｅｒｔｏｅｘｔｒａｃｔｆａｕｌｔｆｅａｔｕｒｅｓｒｏｆｍｎｏｉｓｙｓｉｇｎａｌｓ，ｔｈｅｓｉｇｎａｌｓｗｅｒｅｉｒｆｓｔｄｅｎｏｉｓｅｄｗｉｔｈｗａｖｅｌｅｔ，ａｎｄｔｈｅｎ
ｒｅｄｕｎｄａｎｔｌｏｗ —ｆｒｅｑｕｅｎｃｙｃｏｍｐｏｎｅｎｔｓｗｅｒｅｅｌｉｍｉｎａｔｅｄ．Ｆｉｎａｌｌｙ，ｔｈｅｅｆｆｅｃｔｉｖｅＩＭＦｓｅｔｗａｓｓｅｌｅｃｔｅｄｔｏｃｏｎｄｕｃｔｔｈｅｅｎｖｅｌｏｐｅｓｐｅｃｔｒｕｍａｎａｌｙｓｉｓａｎｄｔｈｅｆａｕｌｔｆｅａｔｕｒｅｓｗｅｒｅｅｘｔｒａｃｔｅｄ．Ｔｈｅｓｉｍｕｌａｔｉｏｎａｎａｌｙｓｉｓａｎｄ
（ＩＭＦ）．ＡｌｓｏｔｈｅｅｎｅｒｇｙｆｅａｔｕｒｅｓｏｆｔｈｅＩＭＦｓｗｅｒｅｃｏｎｓｉｄｅｒｅｄａｎｄｔｈｅｅｎｅｒｇｙｒａｔｉｏｏｆｔｈｅＩＭＦｃｏｍｐｏ — ｎｅｎｔｓａｆｔｅｒｄｅｃｏｍｐｏｓｉｔｉｏｎａｎｄｔｈｅｓｉｇｎａｌｂｅｆｏｒｅｄｅｃｏｍｐｏｓｉｔｉｏｎｗａｓｕｓｅｄａｓｔｈｅｓｔａｎｄａｒｄｏｆｊｕｄｇｍｅｎｔ，ｔｈｅ
中图分类号：ＴＨ１３３．３：ＴＰ２０６＋．３文献标识码：Ａ
Ｆａｕｌｔｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎｏｆｒｏｌｌｉｎｇｂｅａｒｉｎｇｕｎｄｅｒｔｈｅｎｏｉｓｅｅｎｖｉｒｏｎｍｅｎｔ
噪声环境下滚动轴承故障特征提取水
边杰① ② 梅庆① ② 张春月① ②
（ ① 中航工业航空动力机械研究所，湖南株洲４１２００２； ② 航空发动机振动技术航空科技重点实验室，湖南株洲４１２００２）
＠ＡｖｉａｔｉｏｎＫｅｙＬａｂｏｒａｔｏｒｙｏｆＡｅｒｏ— ｅｎｇｉｎｅＶｉｂｒａｔｉｏｎＴｅｃｈｎｏｌｏｇｙ，Ｚｈｕｚｈｏｕ４１２００２，ＣＨＮ）
ｅｍｐｉｒｉｃａｌｍｏｄｅｄｅｃｏｍｐｏｓｉｔｉｏｎ（ＥＭＤ）ｍｅｔｈｏｄｗａｓｕｓｅｄｔｏｏｂｔａｉｎｓｅｖｅｒａｌｉｎｔｒｉｎｓｉｃｍｏｄｅｆｕｎｃｔｉｏｎｓ
ＢＩＡＮＪｉｅ ① ②
，ＭＥＩＱｉFra bibliotekｎｇ ① ②，ＺＨＡＮＧＣｈｕｎｙｕｅ（ｉｘ￣
（＠ＡＶＩＣＡｖｉａｔｉｏｎＰｏｗｅｒｐｌａｎｔＲｅｓｅａｒｃｈＩｎｓｔｉｔｕｔｅ，Ｚｈｕｚｈｏｕ４１２００２，ＣＨＮ；
摘要：滚动轴承故障振动信号采集中往往含有大量的噪声信号。为了从含噪信号中提取故障特征，首先对采集的信号进行小波降噪。然后利用经验模态分解（ｅｍｐｉｒｉｃａｌｍｏｄｅｄｅｃｏｍｐｏｓｉｔｉｏｎ，ＥＭＤ）得到