基于MCKD和LMD的滚动轴承早期故障诊断方法

针对局部均值分解(Local mean decomposition,简称LMD)方法难以提取滚动轴承早期微弱故障的问题,提出了基于最大相关峭度解卷积(Maximum Correlated Kurtosis Deconvolution,简称MCKD)和LMD的滚动轴承早期故障诊断方法。首先采用MCKD方法对故障信号进行降噪处理,同时增强信号中的周期成分,然后进行LMD分解,将得到的PF分量与分解前信号的相关系数作为判断标准,剔除多余低频PF分量,最后,选取有效PF集进行频谱分析,提取故障特征。通过仿真数据和真实滚动轴承故障诊断实验数据表明,该方法可有效提取早期故障特征频率信息,具有一定可靠性。     

LMD能量熵和SVM相结合的滚动轴承故障诊断

为实现小样本情况下对滚动轴承进行故障检测和分析,提出了基于局部均值分解(LMD)的能量熵和支持向量机(SVM)相结合的滚动轴承故障诊断方法。利用LMD信号处理方法将滚动轴承振动信号分解成有限个乘积函数(PF)分量,通过计算PF分量的能量熵进行故障特征提取,然后将提取的特征输入到SVM分类器中进行训练及测试,最终实现对滚动轴承的故障诊断。实验数据显示,在仅有少量样本条件下,LMD能量熵和SVM相结合的方法能够精确地对滚动轴承的故障类型进行识别和分类,这表明该方法对滚动轴承故障诊断的有效性。     

基于DLMD样本熵和模糊聚类的滚动轴承故障诊断

针对传统的局部均值分解(LMD)方法不能有效提取微弱高频信号成分的问题,提出了一种基于微分的微分局部均值分解(DLMD)方法,在此基础上,将DLMD、样本熵和模糊聚类分析相结合,提出了一种基于DLMD样本熵和模糊聚类的滚动轴承故障诊断方法。该方法首先对滚动轴承振动信号进行微分局部均值分解,得到若干具有物理意义的乘积函数(PF)分量,然后求取各PF分量的样本熵并将其作为特征向量,最后通过模糊聚类对特征向量进行识别分类。实验结果表明,基于DLMD样本熵和模糊聚类相结合的方法能够准确、有效地对滚动轴承故障信号进行识别分类。     

基于LMD和ICA的滚动轴承故障诊断

针对局部均值分解(Local Mean Decomposition,LMD)在提取故障特征时易受到噪声干扰的问题,提出了一种基于局部均值分解和独立分量分析(Independent Component Analysis,ICA)的滚动轴承故障诊断方法。该方法首先采用LMD方法提取信号PF分量;其次,对PF分量进行ICA盲源分离,得到PF分量的估计信号,有效去除了分量中的噪声成分;然后,提取估计信号的互信息、相关系数和近似熵作为特征向量;最后,采用SVM对特征向量进行故障分类,通过特征提取和故障诊断实验,结果表明LMD-ICA方法的故障识别率明显高于传统LMD方法。     

基于LMD能量特征的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的多载波多调制特性,提出一种基于局域均值分解(local mean decomposition,简称LMD)能量特征的特征向量提取方法,并与支持向量机相结合用于滚动轴承的故障诊断。首先,采用LMD方法将复杂调制振动信号分解为若干单分量信号乘积函数(production function,简称PF);然后,对反映信号主要特征的PF基于时间轴积分,得到各PF分量能量矩并构造特征向量;最后,将其输入多分类支持向量机中,用于区分滚动轴承的故障类型与故障程度。对滚动轴承内圈故障、外圈故障及滚动体故障振动信号的分析结果表明,该方法能有效提取滚动轴承各工作状态信号的故障特征,能准确识别故障类型,同时对故障程度的判断表现出较高的识别率。     

基于PF能量特征和优化神经网络的轴承诊断

内圈点蚀、外圈压痕和滚动体磨损是滚动轴承常见典型故障,为实现其快速、准确诊断,提出基于振动信号局部均值分解(local mean decomposition,简称LMD)的PF分量能量特征和神经网络相结合的滚动轴承诊断方法.对振动信号进行局部均值分解,将其分解为若干个乘积函数(product function,简称PF)分量之和,以获得的PF分量能量特征作为神经网络输入进行滚动轴承的故障类型的识别,同时引入遗传算法对神经网络结构参数进行优化,提高故障识别诊断速度和准确率.结果表明,该方法用于轴承典型故障诊断有较高的诊断速率和故障识别率.     

基于LMD能量熵的滚动轴承故障特征提取

为了对滚动轴承运行状态进行有效的判断,利用局部均值分解(LMD)对滚动轴承振动信号进行分解,将复杂的多分量信号分解成多个单分量信号;针对分解后的单分量信号在各频域范围分布不均匀特点,利用LMD能量熵提取出滚动轴承振动信号的故障特征。实验结果表明,LMD能量熵具有较强的信号表征能力,可以有效提取出滚动轴承故障特征。     

基于LMD和阶次跟踪分析的滚动轴承故障诊断

变转速工况下的滚动轴承故障振动信号具有多分量调制以及故障特征频率受到转频调制的特点,从而导致故障特征提取困难。对此,将局部均值分解(local mean decomposition,简称LMD)与阶次跟踪分析相结合,提出了一种变转速工况下的滚动轴承故障诊断方法。首先,采用阶次跟踪采样将时域滚动轴承故障振动信号转换到角域;然后,对角域信号进行LMD分解得到若干个乘积函数(product function,简称PF)分量;最后,对各个PF分量的瞬时幅值进行频谱分析,判断滚动轴承的故障部位和类型。通过对滚动轴承实验故障振动信号的分析,结果表明该方法能有效地应用于变转速工况下的滚动轴承故障诊断。     

LMD及马氏距离敏感阈值的滚动轴承故障诊断

针对滚动轴承非平稳性的振动信号,提出了基于局部均值分解(Local Mean Decomposition,LMD)及马氏距离敏感阈值的滚动轴承故障诊断方法。首先,对振动信号进行LMD分解,获得一系列乘积函数(Production Function,PF),有的PF分量包含的故障信息多,有的包含的少,为此采用K-L散度法提取出主要PF分量;计算主要PF分量的时域参数指标,将其组合成特征向量,根据马氏距离提出马氏距离敏感阈值来表征不同的故障状态,取多组正常信号的特征向量均值作为标准特征向量,计算未知特征向量与标准特征向量的马氏距离敏感阈值,从而对其故障状态进行识别。试验结果表明,在不同转速下,该方法能够有效的对滚动轴承故障进行识别,且效果较EMD方法好。     

局部切空间排列和改进模糊C-均值聚类的滚动轴承故障诊断模型

针对滚动轴承故障振动信号具有非平稳特征以及故障特征难以准确提取,提出一种局部切空间排列(LTSA)和改进模糊C-均值聚类的滚动轴承故障诊断模型。首先,基于滚动轴承振动信号分别在时域与频域提取特征参数构建高维特征矩阵,利用局部切空间排列非线性流形学习算法提取高维矩阵的低维故障特征向量;然后,利用改进模糊C-均值聚类算法构造多类故障分类器,实现滚动轴承不同故障类型的识别。经实验验证,该模型能够有效提取滚动轴承故障特征,并能够获得较高的故障诊断准确率。