💥💥💞💞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。
📋📋📋本文目录如下：🎁🎁🎁
目录
💥1 概述
最小熵反卷积（MED）、最大相关峰度反卷积（MCKD）和最大二阶环平稳盲反卷积（CYCBD）等盲反卷积方法在机械故障诊断中得到了广泛的应用。同时考虑周期性和脉冲性，MCKD，CYCBD可以解决MED偏向于随机脉冲而不是周期性故障脉冲的问题。然而，MCKD和CYCBD的优越性在很大程度上取决于先前的故障周期。在工业应用中，由于转速波动和测量问题，很难准确获得故障周期。
因此，我们首先提出利用迭代算法估计迭代周期，以解决盲反卷积方法中前期的问题。根据自相关原理，即当时延满足周期或其倍数时，将显示较高的值，在MCKD中选择具有局部最大值的位置作为迭代周期。包络谐波积谱（EHPS）最初是为估计CYCBD中的特征频率而定制的。基于BDM迭代算法的周期估计可以帮助MCKD和CYCBD在无需先验知识的情况下应用于机械故障诊断。
基于盲反卷积方法在机械故障诊断中的应用研究
摘要
本文探讨了在机械故障诊断中，如何通过迭代算法估计故障周期以优化最小熵反卷积(MED)、最大相关峰度反卷积(MCKD)和最大二阶环平稳盲反卷积(CYCBD)等盲反卷积方法。这些方法可以抵消信号传输路径的影响，广泛应用于机械故障诊断领域。针对MED偏向于随机脉冲而非周期性故障脉冲的问题，MCKD和CYCBD方法提供了更好的解决方案。然而，MCKD和CYCBD的优越性在很大程度上取决于前期的故障周期估计。本文提出了利用迭代算法和包络谐波积谱(EHPS)来估计故障周期，以解决盲反卷积方法中的先验周期问题。
1. 概述
在机械故障诊断中，盲反卷积方法，如MED、MCKD和CYCBD，已显示出显著的优势。这些方法不仅可以解决传输路径的影响，还可以考虑信号的周期性和脉冲性。然而，由于工业应用中转速波动和测量误差的影响，很难准确获取故障周期，这限制了MCKD和CYCBD方法的应用效果。
1.1 盲反卷积方法简介
- 最小熵反卷积(MED): 主要关注随机脉冲的提取，对周期性故障脉冲的识别能力较弱。
- 最大相关峰度反卷积(MCKD): 解决了MED的局限性，更好地处理周期性故障脉冲。
- 最大二阶环平稳盲反卷积(CYCBD): 同样适用于周期性故障脉冲，但在实际应用中依赖于准确的故障周期。
1.2 迭代算法与周期估计
为了克服盲反卷积方法中的先验周期问题，本文提出了基于迭代算法的周期估计方法。该方法利用自相关原理，通过迭代算法估计信号的周期，为MCKD和CYCBD方法提供准确的先验周期信息。
2. 运行结果
2.1 稀疏最大谐波噪声比反卷积
此部分展示了稀疏最大谐波噪声比反卷积（SMHD）方法的应用效果。通过Matlab代码实现，该方法在去除噪声和增强信号特征方面表现出色。
2.2 最大相关峰度反卷积
在MCKD方法中，通过迭代算法估计的故障周期被用作先验信息。结果显示，该方法能够有效提取周期性故障脉冲，提高故障诊断的准确性。
2.3 最大二阶环平稳盲反卷积
CYCBD方法依赖于准确的故障周期和滤波器长度。通过迭代算法和包络谐波积谱(EHPS)方法，可以准确估计这些参数，从而提高CYCBD的故障特征提取能力。
3. 迭代算法与周期估计的具体实现
3.1 迭代算法原理
基于自相关原理，当时间延迟满足信号周期或其倍数时，自相关函数将显示更高的值。因此，在迭代算法中，选择具有局部最大值的位置作为信号的迭代周期。
3.2 包络谐波积谱(EHPS)
EHPS方法用于估算信号的特征频率，为CYCBD方法提供先验频率信息。通过对信号的包络谐波进行乘积谱分析，可以进一步提高盲反卷积的效果。
4. 案例分析
以滚动轴承故障诊断为例，利用MCKD和CYCBD方法结合迭代算法和EHPS，可以准确估计故障周期和特征频率，提高故障诊断的准确性和可靠性。
5. 结论与展望
通过引入迭代算法和包络谐波乘积谱分析，本文成功解决了盲反卷积方法中的先验周期问题，并提高了机械故障诊断的准确性和可靠性。未来的研究可以进一步优化迭代算法和包络谐波乘积谱分析方法，以提高解卷积周期估计的性能和效果。
📚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 sig3
x = x - mean(x);
addpath('..\00 subfunction\')
%%
fs = 20000;
N = length(x);
t = (0:N - 1) / fs;
t = t(:);
BPFI = 38;
%% Raw data
figure;
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 tight
ylim([-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 tight
xlim([0, 200]);
ylim([0 0.025])
%% SMHD
[y_final, f_final, kurtIter] = smhd(fs, x, 100, 30, 1.5 * rms(x), [], 0);
%% Filtered signal
figure;
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 tight
ylim([-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 tight
xlim([0, 200]);
ylim([0 0.3])
🎉3 参考文献
部分理论来源于网络，如有侵权请联系删除。
[1] 苗彦， 赵明， 林建军， 雷尹， 改进的最大相关峰度反卷积方法在滚动体轴承故障诊断中的应用， 机械系统与信号处理， 92 （2017） 173-195.
[2] 苗彦， 赵明， 梁国强， 林建军， 改进MCKDA在基于编码器信号的风力发电机齿轮故障检测中的应用， 可再生能源， 151 （2020） 192-203.
[3] 张斌， 苗彦， 林建军， 易玲玲， 自适应最大二阶环平稳性盲反卷积及其在机车轴承故障诊断中的应用， 机械系统与信号处理， 158 （2021） 107736.
[4] 苗彦， 张斌， 林建军， 赵明， 刘海， 刘忠， 李海， 盲反卷积在机械故障诊断中的应用研究进展， 机械系统与信号处理， 163 （2022） 108202.
[5] 苗彦， 赵明， 林建， 徐晓， 用于轴承弱故障特征检测的稀疏最大谐波噪声比反卷积， 测量科学与技术， 27 （2016） 105004.
[6] 苗彦， 张斌， 林建军， 赵明， 刘海， 刘忠， 李海， 盲反卷积在机械故障诊断中的应用研究进展， 机械系统与信号处理， 163 （2022） 108202.
[1] Y. Miao, M. Zhao, J. Lin, Y. Lei, Application of an improved maximum correlated kurtosis deconvolution method for fault diagnosis of rolling element bearings, Mechanical Systems and Signal Processing, 92 (2017) 173-195.
[2] Y. Miao, M. Zhao, K. Liang, J. Lin, Application of an improved MCKDA for fault detection of wind turbine gear based on encoder signal, Renewable Energy, 151 (2020) 192-203.
The matlab codes of period estimation using EHPS permit to reproduce some results in the papers:
[1] B. Zhang, Y. Miao, J. Lin, Y. Yi, Adaptive maximum second-order cyclostationarity blind deconvolution and its application for locomotive bearing fault diagnosis, Mechanical Systems and Signal Processing, 158 (2021) 107736.
[2] Y. Miao, B. Zhang, J. Lin, M. Zhao, H. Liu, Z. Liu, H. Li, A review on the application of blind deconvolution in machinery fault diagnosis, Mechanical Systems and Signal Processing, 163 (2022) 108202.
In addition, the matlab codes of the deconvolution method, Sparse maximum harmonics-to-noise-ratio deconvolution (SMHD), permit to reproduce some results in the papers:
[1] Y. Miao, M. Zhao, J. Lin, X. Xu, Sparse maximum harmonics-to-noise-ratio deconvolution for weak fault signature detection in bearings, Measurement Science and Technology, 27 (2016) 105004.
[2] Y. Miao, B. Zhang, J. Lin, M. Zhao, H. Liu, Z. Liu, H. Li, A review on the application of blind deconvolution in machinery fault diagnosis, Mechanical Systems and Signal Processing, 163 (2022) 108202.
扫一扫
1168
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
