欢迎来到本博客❤️❤️博主优势博客内容尽量做到思维缜密逻辑清晰为了方便读者。⛳️座右铭行百里者半于九十。完整资源、论文复现、期刊合作、论文辅导及科研仿真定制事宜点击本文完整资源下载1 概述摘要从振动信号中提取周期性脉冲滚动轴承故障的重要指标对于故障诊断具有重要意义。由最小熵反卷积 MED 发展而来的最大相关峰度反卷积 MCKD 已被证明是增强滚动轴承和齿轮箱诊断周期性脉冲的有效工具。然而当 MCKD 应用于在恶劣工作条件下运行的轴承时仍然存在挑战。难点主要来自于对多输入参数的严格要求和复杂的重采样过程。为了克服这些局限性本文提出了一种改进的MCKDIMCKD。新方法通过计算包络信号的自相关来估计迭代周期而不是依赖于提供的先前周期。此外迭代周期将通过在每一步迭代后更新迭代周期逐渐接近真正的故障周期。由于IMCKD不受高峰度值脉冲信号的影响因此新方法从分配的迭代计数中选择最大峰度滤波信号作为最终选择。与MCKD相比IMCKD有三个优点。首先在不考虑前期和班次顺序选择的情况下IMCKD效率更高鲁棒性更高。其次IMCKD不需要重采样过程这对于后续的频谱分析和包络频谱分析非常方便无需重置采样率。第三IMCKD在轴承复合故障诊断方面具有显著的性能优势扩大了应用范围。最后通过大量模拟轴承故障信号验证了IMCKD的有效性和优越性并应用于机车轴承的复合故障和单故障诊断。最大相关峰度反卷积MCKD改进的MCKD 滚动体轴承 故障诊断 复合故障 自相关最大二阶循环平稳盲反卷积CYCBD在滚动体轴承故障诊断中的应用研究一、CYCBD的基本原理与技术特点最大二阶循环平稳盲反卷积CYCBD是一种基于循环平稳性理论的信号处理方法旨在从含噪观测信号中提取具有周期性冲击特征的故障信号。其核心是通过最大化二阶循环平稳性指标ICS2设计逆滤波器以增强故障脉冲的周期性成分。技术特点循环平稳性优化CYCBD通过最大化目标信号的二阶循环平稳性ICS2利用广义Rayleigh熵的特征值分解算法迭代优化逆滤波器从而分离出与故障相关的周期性冲击信号。噪声鲁棒性相较于最小熵解卷积MED和最大相关峭度解卷积MCKDCYCBD在强噪声环境下表现出更高的鲁棒性尤其在变转速工况下仍能有效提取故障特征。参数敏感性滤波器长度N和循环频率α是算法的关键参数。文献建议α初始化为故障特征频率的理论值N通常设置为100但在复杂工况下需结合自适应优化方法如麻雀搜索算法、布谷鸟算法调整参数以提高适应性。非平稳信号处理能力CYCBD适用于非平稳信号能够处理因转速波动引起的信号调制现象。二、CYCBD在滚动轴承故障诊断中的应用案例单一故障特征提取案例1梁士通等2022提出结合CYCBD与CEEMDAN的方法首先通过CYCBD滤波增强周期性冲击成分再利用CEEMDAN分解信号并筛选高峭度模态分量最终通过包络谱分析成功提取微小故障特征频率。案例2刘桂敏等2022采用改进的CYCBD方法结合RCC-NPH融合指标自适应选择循环频率成功分离滚动轴承内圈和外圈的复合故障信号包络谱中清晰呈现故障频率的1~6次谐波。复合故障诊断案例3项伟等2024利用麻雀搜索算法SSA优化CYCBD参数实现滤波器长度N和循环频率α的自适应选择。实验结果显示该方法在强噪声背景下分离出内圈故障的1~4倍频及外圈故障的1~6次谐波诊断效果显著优于传统方法。案例4黄包裕等2021采用布谷鸟搜索算法CSA优化CYCBD参数以改进最大谐波显著性指标IHSI为优化依据解决了参数依赖人工经验的问题验证了CYCBD在复合故障中的高效解卷积能力。与其他信号处理方法的联合应用案例5褚惟等2024提出基于FWECS-CYCBD的方法通过频率加权能量相关谱FWECS估计循环频率集结合等步长搜索策略自适应选择滤波器长度在低信噪比条件下有效提取故障特征。案例6刘晖等2024将共振稀疏分解RSSD与CYCBD结合利用大猩猩优化算法GTO自适应选择参数成功从机车轴承实测数据中提取出107.5 Hz的故障特征频率。三、技术难点与解决方案滚动轴承故障诊断的共性挑战信号复杂性振动信号通常具有多分量调制、非平稳性和强背景噪声。早期故障特征微弱故障初期冲击能量低易被噪声掩盖。复合故障分离困难多故障耦合导致信号成分重叠传统方法难以区分。CYCBD的针对性解决方案参数自适应优化采用智能算法如SSA、CSA、GTO优化N和α避免人工经验误差。结合包络谐波乘积谱EHPS估计循环频率提升参数设置的准确性。联合降噪与分解方法与CEEMDAN结合先通过CYCBD增强周期性冲击再分解信号以提取多尺度特征。集成共振稀疏分解RSSD预处理分离信号中的共振成分再以CYCBD增强故障脉冲。复合故障特征分离利用RCC-NPH融合指标综合评估故障成分的谐波显著性抑制干扰频率并独立提取多故障特征。四、效果评估与对比分析评估指标信噪比SNR衡量去噪后信号的清晰度CYCBD在低SNR如-9 dB下仍能有效提取故障特征。包络谱峰值显著性通过包络谱中故障频率及其谐波的幅值对比验证特征增强效果。谐波成分完整性统计包络谱中提取的故障谐波次数如内圈1~4倍频、外圈1~6次谐波评估算法对微弱特征的敏感性。与传统方法的对比MED与MCKDCYCBD在变转速和强噪声条件下的包络谱清晰度更高且能提取更多谐波成分。OMEDA与MOMEDACYCBD在处理非等间距脉冲和多重周期性源时表现更优例如齿轮箱复合故障的诊断。实验验证合成信号测试模拟轴承内圈、外圈及滚珠故障CYCBD处理后包络谱的故障频率误差小于1%。实测数据验证基于凯斯西储大学和XJTU-SY轴承数据集CYCBD的诊断准确率比传统方法提升约9.89%。五、未来研究方向参数自适应的智能化探索深度学习与CYCBD的结合利用神经网络自动学习最优滤波器参数。多物理场融合诊断集成声发射、温度监测等多源数据提升复杂工况下的诊断鲁棒性。实时性与计算效率优化开发快速迭代算法如FIF-CYCBD降低计算复杂度以满足在线监测需求。2 运行结果2.1 稀疏最大谐波噪声比反卷积2.2 最大相关峰度反卷积2.3 最大二阶环平稳盲反卷积部分代码%%load sig3x x - mean(x);addpath(..\00 subfunction\)%%fs 20000;N length(x);t (0:N - 1) / fs;t t(:);BPFI 38;%% Raw datafigure;plot(t, x, b);xlabel(Time [s])ylabel(Amplitude)title(Raw data)legend([Kurtosis, num2str(kurtosis(x))])setfontsize(20);set(gcf, position, [100, 100, 800, 400])axis tightylim([-2 2.5])envelope_x abs(hilbert(x)) - mean(abs(hilbert(x)));ff 0:fs / N:fs - fs / N;amp_envelope_x abs(fft(envelope_x, N)) * 2 / fs;figure;plot(ff, amp_envelope_x, b)xlabel(Frequency [Hz])ylabel(Amplitude)setfontsize(20);set(gcf, position, [100, 100, 800, 400])axis tightxlim([0, 200]);ylim([0 0.025])%% SMHD[y_final, f_final, kurtIter] smhd(fs, x, 100, 30, 1.5 * rms(x), [], 0);%% Filtered signalfigure;plot(t, y_final, b);xlabel(Time [s])ylabel(Amplitude)title(Filtered signal by SMHD)legend([Kurtosis, num2str(kurtosis(y_final))])setfontsize(20);set(gcf, position, [100, 100, 800, 400])axis tightylim([-3.5 4.5])envelope_y abs(hilbert(y_final)) - mean(abs(hilbert(y_final)));amp_envelope_y abs(fft(envelope_y, N)) * 2 / fs;figure;plot(ff, amp_envelope_y, b)xlabel(Frequency [Hz])ylabel(Amplitude)setfontsize(20);set(gcf, position, [100, 100, 800, 400])axis tightxlim([0, 200]);ylim([0 0.3])3参考文献文章中一些内容引自网络会注明出处或引用为参考文献难免有未尽之处如有不妥请随时联系删除。4 Matlab代码、数据下载完整资源、论文复现、期刊合作、论文辅导及科研仿真定制事宜点击本文完整资源下载
【故障诊断】最大二阶循环平稳盲反卷积（CYCBD）在滚动体轴承故障诊断中的应用（Matlab代码实现）
欢迎来到本博客❤️❤️博主优势博客内容尽量做到思维缜密逻辑清晰为了方便读者。⛳️座右铭行百里者半于九十。完整资源、论文复现、期刊合作、论文辅导及科研仿真定制事宜点击本文完整资源下载1 概述摘要从振动信号中提取周期性脉冲滚动轴承故障的重要指标对于故障诊断具有重要意义。由最小熵反卷积 MED 发展而来的最大相关峰度反卷积 MCKD 已被证明是增强滚动轴承和齿轮箱诊断周期性脉冲的有效工具。然而当 MCKD 应用于在恶劣工作条件下运行的轴承时仍然存在挑战。难点主要来自于对多输入参数的严格要求和复杂的重采样过程。为了克服这些局限性本文提出了一种改进的MCKDIMCKD。新方法通过计算包络信号的自相关来估计迭代周期而不是依赖于提供的先前周期。此外迭代周期将通过在每一步迭代后更新迭代周期逐渐接近真正的故障周期。由于IMCKD不受高峰度值脉冲信号的影响因此新方法从分配的迭代计数中选择最大峰度滤波信号作为最终选择。与MCKD相比IMCKD有三个优点。首先在不考虑前期和班次顺序选择的情况下IMCKD效率更高鲁棒性更高。其次IMCKD不需要重采样过程这对于后续的频谱分析和包络频谱分析非常方便无需重置采样率。第三IMCKD在轴承复合故障诊断方面具有显著的性能优势扩大了应用范围。最后通过大量模拟轴承故障信号验证了IMCKD的有效性和优越性并应用于机车轴承的复合故障和单故障诊断。最大相关峰度反卷积MCKD改进的MCKD 滚动体轴承 故障诊断 复合故障 自相关最大二阶循环平稳盲反卷积CYCBD在滚动体轴承故障诊断中的应用研究一、CYCBD的基本原理与技术特点最大二阶循环平稳盲反卷积CYCBD是一种基于循环平稳性理论的信号处理方法旨在从含噪观测信号中提取具有周期性冲击特征的故障信号。其核心是通过最大化二阶循环平稳性指标ICS2设计逆滤波器以增强故障脉冲的周期性成分。技术特点循环平稳性优化CYCBD通过最大化目标信号的二阶循环平稳性ICS2利用广义Rayleigh熵的特征值分解算法迭代优化逆滤波器从而分离出与故障相关的周期性冲击信号。噪声鲁棒性相较于最小熵解卷积MED和最大相关峭度解卷积MCKDCYCBD在强噪声环境下表现出更高的鲁棒性尤其在变转速工况下仍能有效提取故障特征。参数敏感性滤波器长度N和循环频率α是算法的关键参数。文献建议α初始化为故障特征频率的理论值N通常设置为100但在复杂工况下需结合自适应优化方法如麻雀搜索算法、布谷鸟算法调整参数以提高适应性。非平稳信号处理能力CYCBD适用于非平稳信号能够处理因转速波动引起的信号调制现象。二、CYCBD在滚动轴承故障诊断中的应用案例单一故障特征提取案例1梁士通等2022提出结合CYCBD与CEEMDAN的方法首先通过CYCBD滤波增强周期性冲击成分再利用CEEMDAN分解信号并筛选高峭度模态分量最终通过包络谱分析成功提取微小故障特征频率。案例2刘桂敏等2022采用改进的CYCBD方法结合RCC-NPH融合指标自适应选择循环频率成功分离滚动轴承内圈和外圈的复合故障信号包络谱中清晰呈现故障频率的1~6次谐波。复合故障诊断案例3项伟等2024利用麻雀搜索算法SSA优化CYCBD参数实现滤波器长度N和循环频率α的自适应选择。实验结果显示该方法在强噪声背景下分离出内圈故障的1~4倍频及外圈故障的1~6次谐波诊断效果显著优于传统方法。案例4黄包裕等2021采用布谷鸟搜索算法CSA优化CYCBD参数以改进最大谐波显著性指标IHSI为优化依据解决了参数依赖人工经验的问题验证了CYCBD在复合故障中的高效解卷积能力。与其他信号处理方法的联合应用案例5褚惟等2024提出基于FWECS-CYCBD的方法通过频率加权能量相关谱FWECS估计循环频率集结合等步长搜索策略自适应选择滤波器长度在低信噪比条件下有效提取故障特征。案例6刘晖等2024将共振稀疏分解RSSD与CYCBD结合利用大猩猩优化算法GTO自适应选择参数成功从机车轴承实测数据中提取出107.5 Hz的故障特征频率。三、技术难点与解决方案滚动轴承故障诊断的共性挑战信号复杂性振动信号通常具有多分量调制、非平稳性和强背景噪声。早期故障特征微弱故障初期冲击能量低易被噪声掩盖。复合故障分离困难多故障耦合导致信号成分重叠传统方法难以区分。CYCBD的针对性解决方案参数自适应优化采用智能算法如SSA、CSA、GTO优化N和α避免人工经验误差。结合包络谐波乘积谱EHPS估计循环频率提升参数设置的准确性。联合降噪与分解方法与CEEMDAN结合先通过CYCBD增强周期性冲击再分解信号以提取多尺度特征。集成共振稀疏分解RSSD预处理分离信号中的共振成分再以CYCBD增强故障脉冲。复合故障特征分离利用RCC-NPH融合指标综合评估故障成分的谐波显著性抑制干扰频率并独立提取多故障特征。四、效果评估与对比分析评估指标信噪比SNR衡量去噪后信号的清晰度CYCBD在低SNR如-9 dB下仍能有效提取故障特征。包络谱峰值显著性通过包络谱中故障频率及其谐波的幅值对比验证特征增强效果。谐波成分完整性统计包络谱中提取的故障谐波次数如内圈1~4倍频、外圈1~6次谐波评估算法对微弱特征的敏感性。与传统方法的对比MED与MCKDCYCBD在变转速和强噪声条件下的包络谱清晰度更高且能提取更多谐波成分。OMEDA与MOMEDACYCBD在处理非等间距脉冲和多重周期性源时表现更优例如齿轮箱复合故障的诊断。实验验证合成信号测试模拟轴承内圈、外圈及滚珠故障CYCBD处理后包络谱的故障频率误差小于1%。实测数据验证基于凯斯西储大学和XJTU-SY轴承数据集CYCBD的诊断准确率比传统方法提升约9.89%。五、未来研究方向参数自适应的智能化探索深度学习与CYCBD的结合利用神经网络自动学习最优滤波器参数。多物理场融合诊断集成声发射、温度监测等多源数据提升复杂工况下的诊断鲁棒性。实时性与计算效率优化开发快速迭代算法如FIF-CYCBD降低计算复杂度以满足在线监测需求。2 运行结果2.1 稀疏最大谐波噪声比反卷积2.2 最大相关峰度反卷积2.3 最大二阶环平稳盲反卷积部分代码%%load sig3x x - mean(x);addpath(..\00 subfunction\)%%fs 20000;N length(x);t (0:N - 1) / fs;t t(:);BPFI 38;%% Raw datafigure;plot(t, x, b);xlabel(Time [s])ylabel(Amplitude)title(Raw data)legend([Kurtosis, num2str(kurtosis(x))])setfontsize(20);set(gcf, position, [100, 100, 800, 400])axis tightylim([-2 2.5])envelope_x abs(hilbert(x)) - mean(abs(hilbert(x)));ff 0:fs / N:fs - fs / N;amp_envelope_x abs(fft(envelope_x, N)) * 2 / fs;figure;plot(ff, amp_envelope_x, b)xlabel(Frequency [Hz])ylabel(Amplitude)setfontsize(20);set(gcf, position, [100, 100, 800, 400])axis tightxlim([0, 200]);ylim([0 0.025])%% SMHD[y_final, f_final, kurtIter] smhd(fs, x, 100, 30, 1.5 * rms(x), [], 0);%% Filtered signalfigure;plot(t, y_final, b);xlabel(Time [s])ylabel(Amplitude)title(Filtered signal by SMHD)legend([Kurtosis, num2str(kurtosis(y_final))])setfontsize(20);set(gcf, position, [100, 100, 800, 400])axis tightylim([-3.5 4.5])envelope_y abs(hilbert(y_final)) - mean(abs(hilbert(y_final)));amp_envelope_y abs(fft(envelope_y, N)) * 2 / fs;figure;plot(ff, amp_envelope_y, b)xlabel(Frequency [Hz])ylabel(Amplitude)setfontsize(20);set(gcf, position, [100, 100, 800, 400])axis tightxlim([0, 200]);ylim([0 0.3])3参考文献文章中一些内容引自网络会注明出处或引用为参考文献难免有未尽之处如有不妥请随时联系删除。4 Matlab代码、数据下载完整资源、论文复现、期刊合作、论文辅导及科研仿真定制事宜点击本文完整资源下载
