基于FDM和MED的滚动轴承故障诊断方法

针对滚动轴承早期微弱故障特征难以提取的问题,提出最小熵反褶积(MED)与傅里叶分解(FDM)联合降噪的方法。利用MED对采集到的滚动轴承振动信号进行处理以消除噪声影响,将降噪后的信号经过FDM得到若干傅里叶固有频带函数(FIBFs)。依据相关系数准则,选取故障特征信息较丰富的前3个分量进行重构,用包络谱对重构信号进行分析。实验结果表明,MEDFDM包络谱中特征频率及其倍频的幅值明显增大,噪声幅值减小,能有效地提取滚动轴承的早期微弱故障特征,且效果优于FDM。     

基于小波降噪和CEEMD的轴承故障诊断

针对滚动轴承故障振动信号难以提取出准确的故障特征的问题,提出了一种基于小波新阈值降噪与互补集合经验模态分解(CEEMD)的轴承故障诊断方法。该方法充分结合了以上2种方法的优点,有效地解决了故障特征提取难的问题。首先构建出新的小波阈值函数,再用此小波阈值降噪,可以有效地消除背景噪声的影响;将降噪后的故障信号用CEEMD方法进行处理,然后重构根据信号的相关系数挑选出的相关性较大的分量;最后将重构信号进行Hilbert变换包络,从包络图中提取故障特征。运用此方法对轴承进行试验分析,结果证实了该方法的有效性和实用性。     

基于全矢与ITD-MCKD的滚动轴承故障诊断

在滚动轴承故障诊断中,单通道信号可能存在不完整、不准确等问题,提出了一种基于全矢、本征时间尺度分解(ITD)和最大相关峭度解卷积(MCKD)相结合的方法。首先使用ITD与MCKD相结合对故障信号进行降噪处理,然后采用全矢谱技术对降噪后的双通道有效分量信号进行全矢信息融合,提取故障特征。通过滚动轴承实验证明,与传统的单通道处理方法相比,经全矢信息融合后包络谱的频谱结构更加清晰、准确。     

基于IITD和奇异值差分谱的滚动轴承故障诊断

基于ITD方法的线性变换和Akima插值,提出了一种改进的固有时间尺度分解方法 (Improve Intrinsic Time-scale Decomposition,简称IITD),将该方法与奇异值差分谱相结合,实现了滚动轴承故障的精确诊断。首先通过IITD方法将非平稳的原始加速度振动信号分解成若干个平稳的固有旋转分量(Proper Rotation Component,简称PRC);然后挑选包含故障特征信息最丰富的PR分量作为主PR分量;构造主PR分量的Hankel矩阵并进行奇异值分解,得到相应的奇异值差分谱,选择奇异值差分谱中的最大突变点来确定重构信号的奇异值个数,进而得到降噪后的主PR分量;最后对降噪后的主PR分量进行包络解调分析,提取滚动轴承的故障特征。实例分析表明,相比传统包络谱分析和基于经验模态分解和奇异值差分谱的方法,该方法能更有效地提取出滚动轴承的故障特征。     

基于ITD信息熵与PNN的轴承故障诊断

滚动轴承是机械传动系统的重要组成部分,针对其故障率高、故障情况复杂的问题,提出一种基于固有时间尺度分解(ITD)信息熵与概率神经网络(PNN)的故障诊断方法。首先使用ITD方法对信号进行分解,对分解的分量进行相关系数计算,然后选取与原始信号相关系数大的前4层分量进行重构,提取前4层分量的样本熵与能量熵,最后将提取的熵值用PNN进行故障诊断,并与支持向量机(SVM)的诊断结果进行对比,结果表明:PNN相对于SVM可以提高故障诊断的正确率,正确率高达91.25%。     

基于变分模态分解及能量熵的微震信号降噪方法

为了从含噪微震监测数据中提取有效的微震信号,提出了一种基于变分模态分解(Variational Mode Decomposition,VMD)和能量熵的自适应微震信号降噪方法。采用变分模态分解法对含噪微震信号进行自适应分解,得到一系列按频率从高到低的变分模态分量;计算每个变分模态分量的能量熵,搜索并辨识出噪声与信号的分界;剔除高频噪声,将剩余分量进行重构,得到降噪后的微震信号。通过与基于经验模态分解(Empirical Mode Decomposition,EMD)的微震信号降噪方法对比,从信噪比、降噪后信号占原信号的能量百分比和原信号与降噪后信号的均方根误差3个评价指标上定量说明该方法在微震信号降噪中表现出更好的降噪效果。     

基于EMD-SVM的刚性罐道故障诊断研究

探讨了基于经验模态分解(EMD)和支持向量机(SVM)的提升机刚性罐道故障诊断方法。首先利用EMD对采集的振动信号进行分解以获得内蕴模态函数(IMF),并结合小波降噪对其高频分量进行降噪。然后,提取降噪后IMF分量中的典型信息作为故障特征向量,使用SVM进行故障模式识别。     

利用经验模态分解及小波变换压制微震信号中的随机噪声

随机噪声的压制是微震信号分析过程中的重要环节,目前大多数降噪技术都不同程度的存在去噪效果差、易损伤有效信号等问题。针对微震信号的随机非平稳特征,提出一种联合经验模态分解(EMD)及小波阈值的降噪方法,压制微震信号中的随机噪声。该法首先使用EMD对微震信号进行自适应分解,得到有限个本征模态函数(IMF)。考虑到随机噪声主要集中在高频IMF分量中,基于噪声能量突变原则找出低频IMF分量与高频IMF分量的分界后,利用小波阈值方法对高频IMF进行降噪处理,最后将降噪后的高频IMF分量与剩余的低频IMF分量重构即可实现微震信号降噪。仿真分析及实验结果表明,该方法能充分保留微震信号的随机非平稳特征,较对比方法具有更好的降噪效果。     

基于MED-AMMF的提升机天轮轴承故障诊断

针对矿井提升机天轮轴承故障信号微弱、背景噪声强、故障特征难以提取问题,提出了将最小熵反褶积(Minimum Entropy Deconvolution,MED)和自适应多尺度形态滤波(Adaptive Multi-scale Morphological Filtering,AMMF)相结合进行微弱故障特征提取的方法。MED作为前置滤波器,可以突出信号中较大的脉冲,弥补强噪声背景下AMMF对微弱故障信号提取的局限性。然后再对预处理后的信号进行AMMF处理,可以克服MED无法将微弱信号突显出来的不足。2种方法相互作用,充分利用了各自的优点,补偿了彼此在强噪声环境下的不足,最终得到了良好的降噪效果。仿真和实验结果表明,该方法能有效提取强噪声环境下低速重载轴承的微弱故障特征。     

基于EMD阈值降噪的轴承故障诊断研究

针对滚动轴承故障诊断提出了EMD阈值降噪法。通过振动传感器获得的轴承振动信号,利用经验模态方法将信号分解为多个IMF分量。因振动信号中含有的噪声主要表现在高频段,所以对IMF分量中的高频分量进行小波阈值降噪,并与IMF分量中低频分量进行重构,实现了振动信号的降噪,有利于轴承故障的判断。     

基于EEMD_Hankel_SVD的矿山微震信号降噪方法

针对矿山微震信号降噪,提出了一种基于EEMD_Hankel_SVD(集合经验模态分解_Hankel矩阵_奇异值分解)的微震信号降噪方法。首先采用EEMD获得多层模态分量,计算各模态分量与原始信号的相关系数,剔除第一个相关系数差值局部最大值前的模态分量。对剩余各模态分量分别构建Hankel矩阵,再计算各Hankel矩阵的奇异值矩阵。根据奇异值曲线划分信号空间和噪声空间,实现剩余各模态分量的降噪,进而对降噪后的模态分量相加得到降噪信号。仿真试验表明该方法能有效保留信号的局部特征,提高了信噪比;矿山微震信号应用表明该方法有效地提高了STA/LTA,PAI-K和AIC法P波初至拾取效果;仿真试验和矿山微震信号P波拾取均表明该方法降噪效果优于小波重构、EMD重构和Hankel_SVD降噪,且该方法与AIC法结合拾取效果最佳。     

基于ITD与排列熵的齿轮故障特征提取方法研究

针对齿轮故障信号的非线性、非平稳特征,采用本征时间尺度分解(ITD)结合排列熵的方法进行故障特征提取。采用ITD分解方法将原始信号分解得到一系列的PR旋转分量。通过剔出无意义的PR旋转分量,筛选出反映真实状态信息的分量,然后计算筛选出的PR旋转分量的排列熵。不同故障信号的PR旋转分量的排列熵大小不一,规律可寻,据此可以将排列熵的值作为元素构造故障特征向量。通过实验模拟齿轮正常、齿根裂纹、断齿和缺齿这4种状态,证明ITD-排列熵有很好的分类效果。     

基于改进的HHT边际谱齿轮箱故障诊断

针对信号经验模态分解(EMD)过程中存在波形混叠现象,提出一种基于聚合经验模态分解(EEMD)和Hilbert边际谱相结合的方法对齿轮箱故障进行故障诊断。首先使用小波阈值分析对背景噪声较大的齿轮箱振动信号进行预处理,提高EEMD分解的精确度;其次对预处理信号进行分解,得到IMF分量,对比正常信号与故障信号的区别;最后对2种工况信号进行Hilbert变换并计算得到边际谱,确定故障信号的故障频率。研究表明该方法在避免EMD分解带来的模态混叠现象方面具有可行性,能提高齿轮箱故障诊断的准确率。     

基于包络谱分析的滚动轴承故障诊断方法研究

分别用小波分解、小波包分解和EMD分解处理滚动轴承故障数据,并结合Hilbert变换进行包络谱分析实现滚动轴承故障诊断。对滚动轴承故障数据进行小波阈值降噪。小波阈值降噪后分别进行小波分解、小波包分解和EMD分解。分别求出小波分解、小波包分解和EMD分解后各个频带的能量谱。再根据能量谱确定故障频带范围并对其进行信号重构。采用Hilbert变换对重构信号进行包络谱分析实现滚动轴承故障诊断。通过对滚动轴承内圈故障信号的分析验证了小波分解、小波包分解和EMD分解结合Hilbert变换进行包络谱分析的滚动轴承故障诊断方法的有效性。     

基于MED与小波包熵的矿用排水泵轴承故障特征提取方法研究

煤矿排水泵运行的可靠性关系到煤矿工人生命和生产的安全。为了提高煤矿排水泵轴承故障诊断的精度,提出一种基于最小熵反褶积(MED)和小波包熵相结合的故障特征提取方法。该方法在MED降噪基础上利用小波包进行分解重构,再结合信息熵理论求取小波包熵值,突出了信号中有效冲击成分,克服了小波能量特征提取的局限性。通过对水泵轴承振动200组数据进行分析验证,该方法准确率达到100%,具有较高的应用价值。     

基于ITD能量特征与K-ELM的滚动轴承故障诊断方法研究

针对滚动轴承故障诊断中故障特征难提取与极限学习机稳定性、泛化能力差,致使故障辨识精度差的问题,提出了一种基于ITD(Intrinsic Time-scale Decomposition)能量特征与KELM的滚动轴承故障诊断方法。首先将采集到的滚动轴承故障信号进行ITD分析得到一系列蕴含有信号瞬时频率的固有旋转分量;然后,提取分解后与原信号相关程度较大固有旋转分量的能量特征;最后,建立核极限学习机的滚动轴承故障分类模型,并将所得能量特征向量矩阵作为K-ELM模型的输入进行故障模式辨识。试验结果表明:与基于ITD-SVM,ITD-ELM,EMD-K-ELM的故障诊断方法相比,ITD-K-ELM方法具有更高的分类精度,能更好地应用于滚动轴承的故障诊断。     

钢绳芯输送带的磁记忆信号特征提取方法研究

利用金属磁记忆(MMM)技术进行故障检测时,较弱的故障信号提取成为检测准确度高低的关键。采用小波分析和奇异值分解相结合的方法,对金属磁记忆信号经行故障特征提取。通过小波分析将故障信号分解为不同尺度的分量,以形成初始向量特征矩阵,并对该矩阵进行奇异值分解,选择代表特征信号的奇异值分量重构,从而实现对故障信号的特征提取。经过实验证明该方法有效。     

基于经验模态分解的井架变形信号自适应降噪研究

 在进行建筑物高精度动态监测时,真实位移信号往往淹没在强噪声之中,利用经验模态分解对监测信号进行多尺度分解,根据尺度标准化模量累积均值指标,确定噪声分离层次,对有效尺度分量重构得到降噪后的变形信号,建立了变形监测信号的自适应降噪模型。工程实例表明该方法具有优越性。     

基于樽海鞘群优化VMD和FCF的旋转机械信号分析方法

针对旋转机械振动信号分析困难的问题,提出一种基于樽海鞘群优化变分模态分解(SSO-VMD)和FCF的旋转机械信号分析方法。利用樽海鞘群优化变分模态分解,确定其参数,对信号进行分解,通过故障相关因子(FCF)筛选合适的IMF分量完成信号重构。经实验验证,该方法可有效去除干扰信息,实现信号的分解与重构。     

基于小波包分解和EMD的滚动轴承故障诊断方法研究

提出了一种基于小波包分解与EMD的故障诊断特征提取方法。对故障振动信号进行小波包分解,并将其高频部分节点信号进行重构,对2个节点的重构信号分别进行EMD分解,得到一系列的IMF分量;提取每个节点的各个IMF分量的能量值并归一化后作为轴承的故障特征量输入神经网络进行诊断。通过实验证明2种方法的结合具有良好的局部分析能力及自适应分解的特点,可以提取更加有效的特征值,因此在进行诊断时,具有更快的速度与更高的准确率。