基于共振稀疏分解与谱峭度的滚动轴承故障诊断

针对滚动轴承微弱故障特征提取困难,提出了基于共振稀疏分解与谱峭度的滚动轴承故障特征提取方法,根据滚动轴承故障振动信号中转频及谐波成分与周期性冲击成分的品质因子不同进行共振稀疏分解,得到包含转频及谐波等成分的高共振分量和包含故障特征的低共振分量,对低共振分量进行快速峭度图分析,得到包含故障特征的周期性冲击成分的频带范围,利用带通滤波器进行滤波,最后对滤波信号进行希尔伯特包络谱分析,提取出滚动轴承故障特征频率。实验结果表明该方法能有效地提取出表征滚动轴承故障特征的周期性冲击成分,剔除干扰成分,突出故障特征频率谱线,正确识别出滚动轴承的故障状态。     

基于改进的共振稀疏分解的滚动轴承故障诊断

针对滚动轴承早期微弱故障湮没在高强背景噪声中、造成故障特征信息提取困难的特点,提出一种改进的共振稀疏分解方法。首先采用变分模态对信号去噪,根据峭度-相关系数准则选取包含故障特征信息量多的分量进行信号重构;然后对重构后的信号进行粒子群优化的共振稀疏分解;最后对分解得到的低共振分量进行包络分析,提取故障特征频率。实验结果证明了该方法比传统共振稀疏分解更能有效地提取故障特征频率,有效地减少了干扰成分。     

基于信号共振稀疏分解的自动换刀装置故障诊断

针对刀库中刀柄拉钉可产生松动的故障,研究一种基于信号共振稀疏分解的自动换刀装置故障诊断方法。以链式刀库为例,采集刀柄拉钉在不同旋转角度时自动换刀装置在自动换刀过程中所产生的振动信号,利用双可调品质因子小波变换的共振稀疏分解将所采集的振动信号分解成包含故障信息的周期瞬态低共振分量和自身运动的振荡谐波高共振分量。在此基础上,通过比对分析不同条件下的周期瞬态低共振分量信号,得到链式刀库自动换刀装置振动冲击成分与拉钉旋转角度的关系,并据此诊断自动换刀装置的故障。诊断结果显示,刀柄拉钉松动旋转角度为360°时,振动较大,该自动换刀装置需要进行维修,以增加其可靠性。研究结果可用于自动换刀装置的故障诊断,对于促进自动换刀装置健康状态监测方法的发展具有重大意义。     

基于优化VMD的齿轮箱轴承保持架故障特征提取

针对炼铁厂复杂生产环境,齿轮箱轴承保持架故障特征信息提取困难的问题,提出了一种基于优化变分模态分解参数的故障特征提取方法。首先,采用改进的遗传算法(GA)对变分模态分解(VMD)算法的模态分量个数K与惩罚因子α两个参数进行优化选取,提高分解效果;其次,利用参数优化后的变分模态分解处理信号数据,获得K个模态分量,依据最大相关系数值作为判定模态分量品质指标,选取模态分量中与原信号之间相关系数最大的模态分量作为最佳分量;最后,对最佳分量进行包络谱分析,提取故障特征。通过对仿真故障信号以及采集自某炼铁厂高炉上料传动系统,稳定工况下的齿轮箱轴承保持架故障的现场数据进行分析,二者均成功提取出故障特征信息,验证了该方法的有效性,以及对齿轮箱轴承保持架故障的特征提取具有一定的可靠性。     

基于VMD-样本熵和SSAE的齿轮故障诊断

针对旋转机械中齿轮故障非线性、非平稳并伴有一定的噪声干扰的特点,文章提出一种基于变分模态分解(Variational mode decomposition, VMD)和堆叠稀疏自编码(Stack sparse auto encoder, SSAE)的齿轮故障诊断方法。将原始齿轮振动信号由一维转化为二维信号,对二维信号每一行进行VMD分解得到若干有限带宽的内禀模态分量(Bandwidth limited intrinsic mode function, BLIMF),比较各模态分量的样本熵,选择样本熵最大的模态分量构成特征向量。将特征向量作为SSAE的输入进行模式识别,最终实现齿轮故障的分类。通过实例验证及对比实验,结果表明该方法具有较高的分类精度和诊断效率。     

基于参数优化VMD和峭度准则的齿轮故障诊断

针对盾构主减速机齿轮故障特征难以提取的问题，提出了一种基于参数优化变分模态分解(variational mode decomposition, VMD)和峭度准则的故障诊断方法。利用粒子群算法(particle swarm optimization, PSO),以最小平均包络熵为适应度函数来确定VMD算法的模态分量个数K及惩罚因子α的最佳组合；将原始振动信号利用[K,α]参数组合通过VMD分解成若干本征模态(intrinsic mode function, IMF)分量，根据峭度准则筛选出最佳和次最佳IMF分量进行重构，降低噪声干扰；最后，提取重构信号的时域和熵理论特征，利用粒子群优化支持向量机(PSO-SVM)和轻量级梯度提升机(LightGBM)进行故障识别分类。通过使用DDS试验台实测信号数据验证表明，该方法能够有效地提取齿轮故障特征，实现对齿轮故障类型的准确判定，验证了该方法的可行性和有效性。     

基于全矢局部均值分解的齿轮故障诊断方法研究

针对齿轮故障信号大多数是难分解的多分量的调幅-调频信号的问题,提出一种新的信号处理方法——全矢局部均值分解(FVLMD)方法。局部均值分解(LMD)可将多分量信号自适应地分解为多个单分量信号;全矢谱技术可以解决单通道信号不完整的问题。运用信息融合技术,将信号LMD分解得到的PF(Product Function)分量进行全矢谱融合分析,这样既可以将信号彻底分解,又可以保证其完整性。齿轮故障信号验证了该方法的有效可行性。     

基于多指标优化TQWT和TEO的轴承声发射故障诊断

针对滚动轴承早期故障声发射信号存在信噪比低、调制成分复杂导致故障特征难以识别的问题,提出一种利用多特征指标优化的可调Q因子小波变换(TQWT)和Teager能量算子(TEO)结合的故障诊断方法。以峭度-波形信息熵指标对TQWT参数(主要是品质因子Q)进行自适应选择,分解得到一系列子频带;然后,结合峭度、峰度、稀疏值组成融合指标对子频带进行筛选,对选出的子频带降噪后重构信号;最后求得重构信号Teager能量算子解调谱,通过对解调谱分析得到轴承故障特征信息。仿真和实验数据表明：该方法能在低转速强噪声背景下提取出轴承故障声发射信号中的冲击特征并进行故障诊断。     

基于EMD降噪的递归图分析方法在齿轮故障诊断中的应用

为从齿轮振动信号中提取包含故障信息的特征量,提出了一种基于经验模态分解(EMD)降噪的递归图分析方法。该方法用EMD方法将振动信号分解为有限个固有模式函数(IMF)分量,选取包含故障信息的IMF分量建立递归图,从递归图中提取特征向量,运用高斯混合模型进行模式识别。将该方法运用于故障齿轮振动信号的识别,结果表明该方法具有较高的识别率,对齿轮故障能够有效地进行分类与诊断。     

基于随机共振与CEEMD的滚动轴承微弱故障诊断

针对滚动轴承早期故障信号微弱且不易检测，导致故障诊断准确率低的问题，提出一种天鹰算法优化随机共振参数与互补集合经验模态分解(CEEMD)相结合的滚动轴承微弱故障诊断方法。首先，以信噪比为适应度函数，采用天鹰算法对随机共振参数进行自适应优化；其次，利用CEEMD将随机共振系统输出信号分解成一系列的本征模态分量(IMF),根据相关系数准则挑选最优的IMF,并对其进行包络谱分析，提取故障特征频率，实现故障诊断。试验结果表明，该方法避免了单纯使用随机共振检测准确率低的问题，故障诊断精确度更高，可靠性更好。     

基于小波包的齿轮故障检测与分析

在齿轮故障的监测诊断中,利用小波包对信号的高分辨率把信号分解到不同频段,然后选择有效频段来提取齿轮传动的故障信息特征.实验表明,该方法能对齿轮的故障特征进行有效的监测.     

基于EEMD和低相干K-SVD的齿轮故障诊断方法研究

针对传统K-SVD算法在训练字典过程中,容易受到噪声干扰以及字典原子间相干性较大不足以表示信号内部结构的问题,文章提出了基于集合经验模态分解(EEMD)和低相干K-SVD相结合进行齿轮故障特征提取的方法。该方法利用EEMD对原始信号进行分解,通过峭度准则选取最优模态分量作为训练样本,以降低噪声的干扰;采用低相干K-SVD算法对训练样本进行学习,构造出低相干字典;最后,采用正交匹配追踪(OMP)算法求解稀疏系数,重构得到稀疏信号;通过仿真及实验数据进行验证,结果表明,EEMD和低相干K-SVD相结合的方法可以准确构建出匹配信号特征成分的字典,提高了信号重构性能。     

EMD分解与多特征融合的齿轮故障诊断方法

为解决齿轮振动信号在现实中难以获取大量典型故障样本和分类的精确度低的问题,提出基于EMD分解与多特征融合的齿轮故障诊断方法。首先,提取反映信号特征的各项参数指标作为特征向量;其次,利用经验模式分解(EMD)对原始信号进行分解,进而提取分解后各本征模式分量(IMF)的能量指标组成特征向量;然后,将其与信号特征各项参数融合成特征向量组合,并将其作为SVM多故障分类器的训练样本进行训练,实现齿轮的智能诊断。通过实验室轴承的故障诊断研究表明:该方法对于齿轮的各种状态具有很好的分类精确度,更加有效地识别齿轮故障类型。     

基于最佳小波包分解和HMM的齿轮故障模式识别

齿轮故障模式识别的关键问题在于对故障振动信号的特征提取。为了快速准确识别齿轮故障模式,提出了一种基于最佳小波包分解(OWPD)和隐马尔可夫模型(HMM)的识别方法。该方法对采集的振动信号进行小波包分解,再利用OWPD自动选择提取最佳小波包能量构造特征向量,输入HMM中进行训练与测试,实现了齿轮故障模式识别。实验结果表明该方法在齿轮故障模式识别方面的有效性和准确性。     

基于EEMD与GWO-MCKD的门座起重机回转支承故障诊断

低速重载的门座起重机回转支承信号易受环境噪声影响,难以提取故障特征。为解决此问题,提出一种集合经验模态分解（EEMD）与灰狼优化（GWO）算法优化的最大相关峭度解卷积（MCKD）相结合的故障诊断方法。对回转支承信号进行EEMD分解,得到一系列本征模态函数（IMF）,选择峭度最大的IMF作为最优分量;以相关峭度为目标函数,利用GWO寻找在最优分量上的MCKD的最佳参数组合;使用最佳参数组合的MCKD对最优分量进行降噪,突出故障冲击成分;对降噪后的信号进行包络谱分析,完成故障诊断。结果表明：所提方法能自适应增强故障冲击成分,有效提取故障特征。     

多尺度特征组合优化的航空液压管路故障诊断

为根据管路振动信号准确识别故障类型,提出一种多尺度特征组合优化的航空液压管路故障诊断方法。利用能量比值法确定变分模态分解参数,实现管路振动信号的优化分解,选取最佳模态分量信号进行重构,重构后的信号作为分析信号。选择重构信号的优化多尺度散布熵作为特征指标,构建具有代表性的特征向量集并输入到利用麻雀搜索算法优化的极限学习机网络进行训练,以实现航空液压管路的故障诊断。结果表明：利用所提方法能够准确识别航空液压管路故障类型,为区分航空液压管路故障提供了一种可行的思路。     

基于FOA的自适应随机共振滚动轴承故障检测

针对传统随机共振只能单参数优化,且随机共振(Stochastic Resonance,SR)只能处理小参数的故障信号,提出了一种基于果蝇优化算法(Fruit Fly Optimization Algorithm,FOA)的自适应随机共振提取滚动轴承故障特征的方法。首先利用FOA优化双稳系统结构参数,进行自适应随机共振,达到最佳随机共振,实现时频增强的目的,再经过变分模式分解(Variational Mode Decomposition,VMD)分解,选取合适IMF分量进行重构;最后对重构信号进行倒频谱,可明显观察到故障特征频率。仿真与实际数据的分析验证了该方法的有效性和优越性。     

基于MRSVD与LMD的工业机器人交叉滚子轴承故障特征提取

针对奇异值分解(SVD)优化局部均值分解(LMD)方法提取工业机器人交叉滚子轴承振动信号微弱故障特征分量时出现的模态混淆现象,提出一种基于最大分辨率SVD与LMD的工业机器人交叉滚子轴承故障特征提取方法。以最大奇异值分辨率原则将一维振动信号构造成Hankel矩阵,采用SVD对Hankel矩阵进行分解得到奇异值序列;按照奇异值曲率谱原则及非目标值抑制原则对奇异值序列进行重构,将包含故障突变信息的重构奇异值序列进行SVD逆运算得到重构振动信号;最后利用LMD方法对重构振动信号进行故障特征提取,得到能够表征原始振动信号振动特征的故障特征分量。通过与SVD优化LMD方法对比可知,该方法完整地提取了工业机器人交叉滚子轴承振动信号的微弱故障特征分量,改善了模态混淆现象。     

基于优化变分模态分解和卷积神经网络的齿轮故障诊断

针对齿轮振动信号具有非稳定特性、为了实现减速机齿轮箱的智能诊断且变分模态分解(VMD)参数组合[K,α]的大小需要使用者反复尝试而不能有效确定的问题,提出了一种改进的遗传算法(MGA)对变分模态分解参数优化选取方法,在此基础上将优化的VMD与深度卷积神经网络(DCNN)结合。提出了优化VMD与DCNN齿轮智能故障诊断方法,首先用优化后的VMD对信号进行分解,其次采用DCNN进行故障模式识别。最后,将该方法应用于实例中,结果表明,该方法不仅有效地对信号进行分解和对齿轮故障类型可达到精准识别,同时还可诊断齿轮轻度磨损的早期故障。     

基于EEMD和PSO-SVM的电机气隙偏心故障诊断

针对电机气隙偏心故障如何通过振动信号进行有效诊断、如何选取合适故障特征等系列问题,提出了基于集合经验模态分解(EEMD)的Hilbert时频谱能量特征表达和粒子群参数优化的支持向量机(PSO-SVM)的故障诊断方法。首先对振动信号进行EEMD分解,并通过相关系数法选择有效的IMF分量;其次,对有效的IMF分量提取Hilbert时频谱能量作为特征向量;最后,利用PSO-SVM对提取的特征进行故障的识别。实验结果表明:利用该方法可以对电机偏心故障进行准确诊断。通过与其他传统故障特征在PSO-SVM下进行的比较,验证了Hilbert时频谱能量特征可以获得更高的诊断准确率。