变分模态分解和改进的自适应共振技术在轴承故障特征提取中的应用

针对滚动轴承早期故障特征提取困难的问题,提出了基于变分模态分解(Variational Mode Decomposition,VMD)和改进的自适应共振技术的滚动轴承故障特征提取方法。针对轴承故障信号所在频带难以选择的问题,提出了基于改进的自适应共振技术(Improved Adaptive Resonance Technology,IART)的IMF选取方法。首先,确定模态数,提出了峭度最大值的模态数确定方法;然后,对原始振动信号进行VMD分解,获得既定数目的本征模态分量(Intrinsic Mode Function,IMF);其次,利用IART选取包含丰富故障信息的IMF分量;最后,(如有需要)对选取的IMF分量进行基于IART的带通滤波,并进行包络解调分析提取故障特征频率。将该方法应用到轴承仿真数据和实际数据中,能够实现轴承故障特征的精确诊断,证明了该方法的有效性。     

基于VMD和Infogram的滚动轴承故障特征提取

带通滤波器参数(中心频率和带宽)选取是共振解调的关键,针对快速峭度图找寻的中心频率偏大、带宽过宽的问题,提出Infogram(信息图)用于确定滤波器参数;并利用变分模态分解(Variational Mode Decomoposition,VMD)预先对信号进行重构,以减少噪声对信息图的影响,增强其应用效果。对轴承故障振动信号进行变分模态分解得到有限个模态分量,根据模态选取准则确定包含故障信息较多的模态分量进行信号重构,再应用信息图确定最佳共振频带的中心频率和带宽,并对重构信号进行带通滤波和包络谱分析,识别轴承故障特征频率。仿真分析和轴承外圈模拟故障试验验证了该方法的有效性。     

基于VMD和Infogram的滚动轴承故障特征提取EI北大核心CSCD

带通滤波器参数(中心频率和带宽)选取是共振解调的关键,针对快速峭度图找寻的中心频率偏大、带宽过宽的问题,提出Infogram(信息图)用于确定滤波器参数;并利用变分模态分解(Variational Mode Decomoposition,VMD)预先对信号进行重构,以减少噪声对信息图的影响,增强其应用效果。对轴承故障振动信号进行变分模态分解得到有限个模态分量,根据模态选取准则确定包含故障信息较多的模态分量进行信号重构,再应用信息图确定最佳共振频带的中心频率和带宽,并对重构信号进行带通滤波和包络谱分析,识别轴承故障特征频率。仿真分析和轴承外圈模拟故障试验验证了该方法的有效性。     

基于全矢包络融合双层降噪处理的轴承故障特征提取

针对轴承故障信号受背景噪声影响,而难以准确提取故障冲击特征的问题,提出一种噪声辅助多元经验模态分解（Noise-assisted Multivariate Empirical Mode Decomposition,NA-MEMD）与全矢包络快速独立分量分析（Fast Independent Component Analysis,FastICA）相结合的轴承故障特征提取方法。该方法将同源双通道信号进行NAMEMD分解,根据相关性系数选取包含故障特征的固有模态函数(Intrinsic Mode Function,IMF)进行重构;对重构信号进行快速独立分量分析,最后进行全矢包络融合,提取轴承故障特征。对实际轴承信号的分析验证该方法能有效提取完整高阶故障频率,同时降低包络谱特征统计参数的冗余。     

基于EMD和MKD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,提出基于经验模态分解(Empirical Mode Decomposition,EMD)与最大峭度解卷积(Maximum Kurtosis Deconvolution, MKD)的滚动轴承故障特征提取方法。利用EMD方法分解振动信号得到一组固有模态分量(Intrinsic Mode Function,IMF),然后根据时域峭度和包络谱峭度,筛选出敏感IMF分量进行信号重构。然后对重构信号进行最大峭度解卷积处理以增强故障信息,最后得到包络功率谱,从而获得轴承故障特征频率信息。通过实验台信号验证了所述方法的有效性及优点。     

EEMD联合SOM的电机滚动轴承故障诊断

针对电机轴承振动信号的非平稳性、提取的信号不精确的特点,提出一种集合经验模态分解(Ensemble Empirical Mode Decomposition, EEMD)、能量矩的特征提取方法与自组织特征映射网络(Self-organizing Maps, SOM)相结合的故障诊断方法。首先利用EEMD处理原始振动信号,将其分解成一系列具有不同特征时间尺度的固有模态分量(Intrinsic Mode Function, IMF)。由于轴承状态变化,在不同频带下IMF的特征随时间尺度和能量分布的不同而不同,由于能量矩能准确得到IMF的变化能量,故计算出各阶IMF的能量矩构造故障特征向量。其次,利用故障特征向量作为输入来构建SOM网络进行故障识别。最后通过轴承实验验证该方法的正确性。结果表明,该方法采用有限的训练样本就可以快速、准确地诊断滚动轴承故障。     

基于EMD与谱峭度的滚动轴承故障检测改进包络谱分析

针对滚动轴承故障振动信号的调制特征和传统包络分析法的缺陷,提出一种基于经验模式分解(Empirical Mode Decomposition,简称EMD)和谱峭度(Spectrum Kurtosis,简称SK)的改进包络谱滚动轴承故障诊断方法。该方法首先对滚动轴承故障振动信号进行经验模式分解,将其分解为多个固有模式函数(Intrinsic Mode Function,简称IMF)之和,然后对各IMF分量傅里叶变换后取其绝对值,并计算其谱绝对值平方包络,在此基础上再计算不同频带IMF分量谱平方包络的峭度,最后利用谱峭度的滤波器作用,选取由轴承缺陷所引起的共振频率所在频带的IMF分量,自动构建最佳包络来进行故障诊断。将该方法应用到滚动轴承内圈缺陷的仿真故障数据和实际数据中,分析结果表明了该方法的有效性。     

基于EEMD和自相关函数峰态系数的轴承故障诊断方法

针对滚动轴承故障冲击信号周期性强且易被强烈的背景噪声所淹没的特点,提出了基于EEMD和自相关函数峰态系数的轴承故障诊断方法。首先,对采集到的复杂振动信号进行EEMD分解,根据自相关函数峰态系数和峭度准则重构IMF分量以突出故障特征信息;然后,利用谱峭度自动确定带通滤波器的最佳中心频率和带宽;最后,将滤波后的信号进行包络解调分析并与理论故障特征频率对比。通过轴承故障的仿真和实验研究,验证了该方法的有效性和可行性。     

基于信息熵优化变分模态分解的滚动轴承故障特征提取EI北大核心CSCD

针对变分模态分解(Variational Mode Decomposition,VMD)的参数需事先人为确定的问题以及如何选取包含故障特征信息的本征模态分量(Intrinsic Mode Function,IMF)的问题,提出了基于信息熵的参数确定方法和基于信息熵的IMF选取方法。该方法首先对原始故障信号进行变分模态分解,通过信息熵最小值原则对其参数进行优化,获得既定的若干IMF分量;在优化参数时获得信息熵最小值所在的IMF,选取其为有效IMF分量进行包络解调分析,提取轴承故障特征频率。通过轴承仿真信号和实际数据分析,表明该方法能够提取滚动轴承早期故障信号的微弱特征,并实现故障的准确判别。     

基于信息熵优化变分模态分解的滚动轴承故障特征提取

针对变分模态分解(Variational Mode Decomposition,VMD)的参数需事先人为确定的问题以及如何选取包含故障特征信息的本征模态分量(Intrinsic Mode Function,IMF)的问题,提出了基于信息熵的参数确定方法和基于信息熵的IMF选取方法。该方法首先对原始故障信号进行变分模态分解,通过信息熵最小值原则对其参数进行优化,获得既定的若干IMF分量;在优化参数时获得信息熵最小值所在的IMF,选取其为有效IMF分量进行包络解调分析,提取轴承故障特征频率。通过轴承仿真信号和实际数据分析,表明该方法能够提取滚动轴承早期故障信号的微弱特征,并实现故障的准确判别。     

EEMD-ICA联合降噪的旋转机械故障信号检测方法

针对旋转机械前期故障信号微弱、易被噪声淹没、故障特征难以提取的问题,提出一种聚合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）和独立成分分析（Independent Component Analysis,ICA）相结合的故障特征提取方法。首先,运用EEMD理论将振动信号分解为一系列的固有模态函数（Intrinsic Mode Function,IMF）,然后根据相关系数和均方根准则选取含有原始信号多的IMF分量构造观测信号,引入虚拟噪声通道;最后,通过FastICA算法将噪声与故障特征信号进行分离,并对分离出的有用信号进行频谱分析,突显故障频率。通过仿真信号验证所提出方法的有效性,并将其应用于轴承的内外圈故障识别,与传统的EEMD-WTD降噪方法对比,结果表明：所提出的方法能提取出清晰微弱故障特征信号,对低频噪声的抑制效果明显优于EEMD-WTD方法。     

信号相关性和EEMD-Hilbert包络在滚动轴承故障诊断中的应用

针对传统信号包络的带通滤波器的中心频率和带宽的选择不确定性和经验模式分解(EMD)在非线性非平稳信号处理中存在的模态混叠问题,提出了一种以信号的相关性为判据,获取总体经验模式分解（EEMD）的最佳IMF分量,并对其进行Hilbert包络解调获取故障特征频率,实现滚动轴承早期故障的诊断的新方法。实验分析结果表明：该方法能够准确地识别和诊断出滚动轴承的早期故障类型,适合滚动轴承早期故障的精确诊断,具有一定实用价值。     

基于噪声辅助多元经验模态分解和多尺度形态学的滚动轴承故障诊断方法

为了从强噪背景中提取滚动轴承微弱故障特征,提出一种基于噪声辅助多元经验模态分解 (Noise Assisted Multivariate Empirical Mode Decomposition,NAMEMD)和数学形态学的滚动轴承故障诊断方法。NAMEMD是新提出的一种基于噪声辅助数据分析方法,其克服了集成经验模态分解的模态混淆和运算量大等问题。本文将NAMEMD与多尺度形态学相结合应用于滚动轴承故障诊断。该方法首先利用NAMEMD将多分量调频调幅故障信号自适应分解为一系列IMF分量;其次,选取能量高的IMF分量求和重构;最后利用多尺度形态学差值滤波器提取信号的故障特征频率。为了验证理论的正确性,进行了仿真试验和轴承故障试验,并与EEMD和包络解调进行了比较,结果表明本文方法在进一步降低模态混叠效应的同时,明显提高了运算速度,对滚动轴承外圈、内圈和滚子故障的检测精度更高,能够清晰地提取出故障信号的故障特征频率。     

基于MPA-VMD的滚动轴承故障诊断方法

针对变分模态分解方法（Variation mode decomposition, VMD）在提取滚动轴承振动信号的故障特征频率时受参数设置影响及敏感模态分量的选取问题,构建一种基于海洋捕食者算法（Marine Predator Algorithm,MPA）优化变分模态分解的滚动轴承故障诊断方法。首先,利用以包络熵为适应度函数的海洋捕食者算法对变分模态分解算法的模态个数K和二次惩罚因子α进行自适应选定;其次,使用获得的最佳参数组合对故障振动信号进行变分模态分解,得到多个本征模态分量（Intrinsic Mode Function,IMF）;最后,计算各模态分量的平方包络基尼系数（Squared Envelope Gini Index,SEGI）,选择系数最大的模态作为最优IMF并进行包络分析,提取相应的故障特征频率。通过公开数据集和实验数据验证表明该方法可解决VMD受参数设置影响的问题,成功诊断轴承故障。且相比于峭度和相关系数指标,平方包络基尼系数指标在筛选最优IMF具备更佳的准确性和鲁棒性。     

基于改进变分模态分解和快速谱峭度图的滚动轴承检测方法

针对滚动轴承早期故障信号微弱、复杂且提取困难的问题,提出一种基于改进变分模态分解(Variational Mode Decomposition,简称VMD)和快速谱峭度图的滚动轴承检测方法。首先利用粒子群算法对VMD最佳影响参数组合进行搜索,采用多尺度模糊熵(Multiscal Enproty,简称MSE)作为适应度函数,并利用优化参数的VMD对原始信号进行分解,得到多个本征模态分量(Intrinsic Mode Function,简称IMF);其次计算原始信号和各模态分量的快速峭度图;再次找出原始信号和各个IMF谱峭度最大值所处的频带区间;然后通过比较原始信号和IMF谱峭度最大值所处频带区间的从属关系来选择最佳IMF;最后,重组最佳IMF并通过共振解调技术求其包络谱图。实验结果表明基于改进变分模态分解和快速谱峭度图的滚动轴承检测方法能更有效诊断出滚动轴承的早期故障。     

基于改进EMD和滑动峰态算法的滚动轴承故障特征提取

针对滚动轴承故障特征往往被强背景噪声淹没的特点,提出一种基于改进经验模态分解(Empirical Mode Decomposition,EMD)与滑动峰态算法的滚动轴承故障特征提取方法。首先利用EMD方法分解原故障信号得到一组平稳固有模态分量(Intrinsic Mode Function,IMF)。然后采用互信息和广义相关系数筛选法消除传统EMD分解结果中虚假分量,并运用滑动峰态算法对真实IMF分量处理得到滑动峰态时间序列。最后计算滑动峰态序列频谱提取故障特征频率。滚动轴承的实例研究结果表明：该方法能够有效提取滚动轴承故障特征,可以取得比直接滑动峰态算法和传统包络解调分析更好的效果。     

解相关多频率经验模态分解的故障诊断性能优化方法

针对故障诊断中采用EMD方法存在模态混叠现象,引起故障特征提取精度低的问题。提出了一种解相关多频率经验模态分解(Decorrelation Multiple-Frequency Empirical Mode Decomposition,DMFEMD)方法,首先对初始信号添加多个频率的掩蔽信号,初步分解其中不同频率比的信号分量得到多个IMF分量;其次计算相邻IMF之间的相关系数并对其解耦,进一步分离IMF中存在混叠的部分,得到最优IMF;最终,从原始信号中减去最优IMF,然后重复上述步骤,直到残余分量为常数或单调。由于保证了IMF之间互不相关且互不干扰,因此模态混叠现象显著减弱,有效提高故障特征提取精度。利用排列熵算法对一系列最优IMF构造特征样本集,引入SVM建立故障分类模型,实现设备故障诊断。通过试验证明,DMFEMD与传统的方法相比,能有效分离不同频率比混合信号,提高分解效果。同时以轴承振动信号为例,DMFEMD可以更好的提取轴承的故障特征,结合PE与SVM能够实现不同故障类型的高效精确的诊断。     

基于EEMD能量熵的激光超声微缺陷信号特征提取

激光超声技术具有非接触、频带宽和高时间空间分辨率等优势,被广泛应用于材料的微缺陷检测.基于总体经验模态分解(EEMD)解决模态混叠问题算法的特点,将其应用于激光超声信号的消噪处理;针对EEMD降噪时IMF分量选取的问题,设计提出了自适应选取IMF分量重构信号的算法,获取基于EEMD的激光超声微缺陷信号的自适应降噪方法,取得了较好的去噪效果;提出了基于EEMD能量熵的激光超声微缺陷信号特征提取分析方法,并计算各阶能量,成功地探测缺陷的大小.     

小波变换和EEMD-马氏距离的轴承故障诊断

机械故障的声发射信号中往往掺杂着各种干扰和噪声,为解决这一问题,提出了小波变换、集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)和马氏距离相结合的滚动轴承故障诊断方法;首次将马氏距离引入到轴承声发射信号的故障诊断中。该方法首先对故障轴承的声发射信号进行小波去噪处理,再对去噪后的信号进行EEMD分解,将其分解为多个固有模式函数(简称IMF)。其次采用马氏距离的方法消除EEMD分解结果中的虚假分量,提取能够反映轴承故障特征的IMF分量,突出高频共振成分。最后,通过瞬时Teager能量的Fourier频谱识别轴承故障的特征频率。仿真信号和滚动轴承外圈声发射信号的实例分析表明:此方法能很好地去除混杂在轴承声发射信号中的噪声,准确地识别出轴承故障的部位。     

基于局域均值分解的自适应滤波滚动轴承故障特征提取

依据小波变换带通滤波特性和相关分析提出一种滚动轴承故障特征提取新方法。针对带通滤波器参数难以快速自适应选取的问题,提出利用局域均值分解(Local Mean Decomposition,LMD)所得乘积函数(Production Function,PF)的统计特征快速设定滤波器中心频率,通过分析滤波信号小波系数谱改进香农熵(Shannon熵)与滤波器带宽参数间的关系给出滤波器带宽参数优化策略。对仿真信号和内外圈故障轴承信号的分析结果表明,该方法能自适应优化小波滤波器参数,有效提取滚动轴承冲击性故障特征。