基于LCD降噪与LS-SVM的滚动轴承故障诊断方法

在实际工况下滚动轴承较易发生故障,为了保障机械运行可靠性,对其进行故障诊断研究显得非常重要,提出一种基于局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)降噪与最小二乘支持向量机(Least Squares Support Veotor Machine,LS-SVM)的滚动轴承故障诊断方法。首先,利用LCD对轴承信号进行自适应性分解,得到一系列内禀尺度分量(Intrinsic Scale Component,ISC),然后结合峭度准则筛选出包含主要特征信息的分量,完成信号降噪预处理,并与经验模态分解(Empirical Mode Decomposition,EMD)进行对比,研究LCD算法的优越性;最后提取ISC模糊熵作为信号的敏感特征集,输入到训练好的LS-SVM分类器中进行轴承状态识别。实验研究表明,提出的基于LCD降噪与LS-SVM的轴承故障诊断方法能有效地识别出多种轴承类型,识别率高达84%,是一种行之有效的轴承诊断算法。     

LCD模糊熵和SOM神经网络在液压泵故障诊断中的应用

针对液压泵故障诊断问题,提出了一种基于局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)、模糊熵和SOM神经网络三者相结合的故障诊断方法。对液压泵振动信号进行LCD分解,得到若干个内禀尺度分量(Intrinsic Scale Component,ISC);将ISC分量分别与原信号进行相关分析,筛选出包含主要故障信息的前几个ISC分量,计算其模糊熵并组成特征矩阵;将特征矩阵输入SOM神经网络进行分类识别。液压泵故障诊断实例表明,该方法能够准确识别液压泵典型故障,具有一定优势。通过与BP神经网络分类结果相对比,显示了SOM神经网络在特征分类方面的优越性。     

基于FOA随机共振和LCD_FSK的轴承故障特征提取

针对滚动轴承故障振动信号的非平稳性、受噪声干扰和传统的共振解调不易确定滤波器参数的问题,提出了一种基于果蝇优化算法(Fruit Fly Optimization Algorithm, FOA)的自适应随机共振和快速谱峭度(FSK)的方法。该方法首先利用FOA优化共振参数,使信号达到最优共振,时频增强。再经过局部特征尺度分解(Local Characteristic Decomposition,LCD),选取合适ISC分量进行重构,然后对重构信号进行快速谱峭度和Hilbert包络解调分析,从包络谱中得到故障特征。最后,将该方法运用于仿真信号和美国凯斯西储大学轴承数据中心的轴承故障信号,并将利用该方法得到的包络谱信号和未经过随机共振、未经过谱峭度的两种处理结果进行对比,进一步证明了该方法可有效地提取轴承故障特征。     

基于多尺度1DCNN的滚动轴承故障诊断北大核心

针对滚动轴承振动信号典型非平稳性、非线性的特点,提出一种基于小波变换(WT)和一维卷积神经网络(1DCNN)的轴承故障诊断多尺度卷积神经网络方法。通过小波变换对信号进行多尺度分解,然后对每个尺度成分进行重构,将重构后的信号进行傅里叶变换得到频谱表示,并将各尺度幅值数据构造成一维特征向量作为一维卷积神经网络的输入。最后利用一维卷积神经网络对输入数据进行特征学习,得到轴承故障诊断模型。利用滚动轴承的10个状态数据集验证其性能。结果表明:该方法可以避免人工提取特征,获得99.94%的诊断准确率。     

基于小波去噪与HHT变换的轴承故障特征信号提取方法研究

针对轴承故障诊断问题,提出一种融合小波去噪与HHT变换的故障特征信号提取方法。对圆柱滚子轴承的内圈故障和滚子故障进行了跑合检测试验。对采集的时域信号通过小波去噪方法进行去噪处理;采用HHT变换进行时频分析,得到一系列的本征模态函数分量;根据分析的试验结果判定轴承故障情况。试验结果表明:内圈故障和滚子故障轴承的特征信号提取值与理论计算值基本一致。     

基于MCKD与小波包熵的齿轮箱轴承微弱故障信号提取

针对齿轮箱轴承故障信号含有大量噪声而特征难以提取的问题。文章提出一种基于MCKD(最大相关峭度解卷积)和小波包熵值相结合的齿轮箱微弱故障信号提取方法。首先根据MCKD对故障信号进行降噪,突出信号中的有效冲击成分。然后进行小波包分解得到包含故障特征成分的末层节点信号,并以互相关系数-小波包熵值为准则对最后一层节点信号进行筛选并获取敏感节点信号,最后通过对敏感节点信号进行重构从而获得降噪后的轴承故障信号。实验结果表明该方法能够很好的滤除信号中的噪声并且准确地提取故障信号中的冲击成分,是对齿轮箱微弱故障特征提取的一种新方法。     

基于DT-LMD机床轴承故障信号提取研究

为了准确得到机床故障轴承的运行状态,结合双树复小波变换(Daul-Tree Complex Wavelet Transform,DT-CWT)和局域均值方法 (LMD)分解的方法提出了一种新的方法 (DT-LMD),对轴承故障振动信号提取,首先利用双树复小波变换对信号进行降噪和重构,其次通过局域均值方法分解,再次利用该方法对机床轴承实际振动信号进行分解,提取其能量特征值并将特征值进行归一化处理,得到各个分量的能量值;最后判断轴承的故障类型。     

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DT-CWT和能量算子解调的滚动轴承故障诊断研究

滚动轴承出现局部损伤时会产生周期性冲击,振动信号往往具有调制特征,为了能够准确、有效地检测出轴承故障,提出了双树复小波和能量算子解调的诊断方法。首先运用双树复小波对采集到的轴承振动信号进行分解,得到若干个不同频带的分量,提取信号中能量集中的高频调制频带进行信号重构。然后采用能量算子的方法对重构信号进行解调。最后对解调得到的瞬时幅值进行频谱分析便能准确提取故障特征频率。通过信号仿真和实验数据处理结果证明了该方法的有效性。     

基于CEEMDAN-FastICA的滚动轴承故障特征提取

针对轴承早期故障信号微弱、故障特征难以提取的问题,提出一种将完备集合经验模态分解(CEEMDAN)与快速独立分量分析(FastICA)相结合的故障特征提取方法。该方法首先利用CEEMDAN将轴承故障信号进行分解,得到一系列模态分量(IMF);然后依据峭度准则选取相应分量进行重构,引入虚拟噪声通道;最后利用FastICA对重构信号进行解混去噪,分离出源信号的最佳估计信号后进行包络谱分析进而提取故障特征频率。该方法通过LabVIEW软件平台进行编程实现。仿真信号和轴承故障实验信号的研究结果均表明该方法可明显降低噪声和调制成分干扰,突出故障特征频率成分。     

基于小波包能量和层次熵的D-S证据理论的轴承故障诊断技术

针对齿轮箱轴承故障识别率低、故障信号不平稳的问题,提出层次熵与小波包能量多源数据融合轴承故障诊断方法。采用小波包对轴承正常、内圈、外圈、滚动体故障等4种振动信号进行三层小波包分解并重构,计算各频段样本熵（即层次熵）和小波包能量作为故障特征向量集;应用归一化方法对2种特征向量处理后分别建立BP神经网络模型实现轴承不同故障模式的诊断;最后应用D-S证据理论,通过小波包能量和层次熵以及两者融合信息的故障诊断结果比较,表明基于神经网络和D-S证据理论相结合方法用于复杂机械的故障诊断是可行和有效的。     

基于最优熵与EEMD的滚动轴承微故障诊断方法

滚动轴承是易损件,为了更好并及时检测出在信噪比低的情况下的轴承早期微故障振动信号,提出了小波包最优熵和EEMD相结合的方法。运用小波包最优熵对采集信号实现信噪分离,突出了小波包降噪效果明显;通过EEMD将信号分解成多个分量;最后以互相关、峭度准则提取故障信号分量以避免分量选择的盲目性。结果表明:该方法对轴承初期故障具有良好的降噪效果,可以准确快速地检测出轴承故障,从而表明该方法是有效且可行的。     

基于小波包和支持向量机的滚动轴承故障模式识别

为了解决对故障轴承的特征提取和故障特征准确分类问题,提出了应用小波包变换和支持向量机相结合进行滚动轴承故障诊断的方法.小波包变换具有良好的时-频局部化特征,非常适于对瞬态或时变信号进行特征提取.而支持向量机可完成模式识别和非线性回归.利用上述原理根据轴承振动信号的频域变化特征,采用小波包变换对其提取频域能量特征向量,然后利用建立的支持向量机多故障分类器完成滚动轴承故障模式的识别.试验结果表明,支持向量机可以有效、准确地识别轴承的故障模式,为轴承故障诊断向智能化发展提供了新的途径.     

基于参数优化VMD和MDE的往复压缩机轴承故障诊断方法

针对往复压缩机轴承振动信号的复杂多分量耦合特性,提出了一种基于参数优化VMD和MDE的往复压缩机轴承故障诊断方法。利用遗传算法搜索VMD算法的最佳影响参数组合,确定VMD算法需要设定的带宽参数和分量个数对故障信号分解。计算分解后各BLIMF分量的峭度值,筛选出最佳BLIMF分量并重构故障信号,然后对重构后故障信号进行MDE分析形成故障特征向量,输入到极限学习机中进行分类识别。对往复压缩机轴承故障实测信号进行分析,实验结果表明,该方法可有效提取出往复压缩机轴承故障特征,特征向量具有较好可分性,实现了往复压缩机轴承故障特征的有效识别。     

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。     

基于多层降噪处理的轴承故障特征提取方法

针对滚动轴承振动信号的故障信息难以准确获取问题,提出一种新的基于多层降噪处理的轴承故障特征提取方法。所提方法首先依据小波包变换原理处理原始轴承信号,消除噪声干扰;变换后的振动信号用经验模态分解方法处理可得若干个IMF分量,计算所得分量与变换所得信号间的互相关系数,并依据相关系数准则筛选有用分量完成振动信号的重构;再通过自相关方法剔除重构信号中的混叠干扰信号,实现振动信号的多层降噪;最后对去噪后的重构信号解调处理,获取信号包络谱图并分析,得到所需故障特征。试验结果表明该方法能够有效地消除原始信号中的干扰和噪声,分离出清晰的故障振动信号并获取有用的故障特征。     

基于EWT和ICA联合降噪的轴承故障诊断方法

针对轴承早期故障信号易被淹没于噪声中、故障特征难以提取的问题,提出一种经验小波变换(Empirical Wavelet Transform, EWT)与独立分量分析(Independent Component Analysis, ICA)的联合降噪方法。该方法依据峭度准则将经EWT分解得到的固有模态分量(Intrinsic Mode Function, IMF)重构后利用ICA进行盲源分离,有效抑制了振动信号中的噪声,使故障特征频率的能量幅值最大,从而识别故障特征。通过仿真分析和实际轴承早期故障的实验研究,表明该方法可明显削弱噪声干扰,突出故障频率成分。与EWT和包络谱结合的方法对比,信噪比提高了24.45%,能更清晰准确地提取故障特征信息,满足对轴承故障的诊断要求,为滚动轴承早期故障提取提供了一种方法。     

基于CEEMDAN和RCMDE的往复压缩机轴承故障诊断方法

针对往复压缩机振动加速度信号的非线性、非平稳等特性,提出一种基于自适应噪声完备集合经验模态分解(CEEMDAN)和精细复合多尺度散布熵(RCMDE)的往复压缩机轴承故障特征提取方法。采用CEEMDAN方法对信号进行分解时,通过不同的参数组合,可得到不同的IMF分量;计算不同参数条件下重构后的信号的峭度值,选用峭度值最大的一组参数重新对信号进行CEEMDAN分解,并进行信号重构。对重构后的信号进行RCMDE分析,提取故障特征向量,并利用支持向量机(SVM)进行分类识别。将优选参数的CEEMDAN分解方法和原CEEMDAN分解方法进行对比,结果表明:优选参数的CEEMDAN分解方法能更好地提取往复压缩机周期冲击性信号,有利于提高故障诊断的精确度。     

基于优化多尺度形态学的滚动轴承失效研究

针对普通多尺度形态学在滚动轴承微弱故障识别时的结构元素尺度优化问题,提出了自适应多尺度形态学的滚动轴承故障诊断方法。首先,以基本形态算子为基础,构建了具有双向脉冲特征提取能力的差分形态算子;为了在结构元素尺度范围定义出敏感于轴承故障的尺度,将以峭度作为其选取依据,并将得到最优尺度下的形态处理结果平均处理来重构故障信号,最终实现故障信号的综合分析和故障特征解调。通过对实际滚动轴承内、外圈故障振动信号的分析,结果表明：优化算法能够提取出强噪声背景下的滚动轴承微弱故障特征;且相比于普通多尺度形态学,该方法所提取的轴承故障特征频率幅值提升近1倍,适合处理弱信噪比的滚动轴承内、外圈故障识别。     

基于小波改进阈值去噪与LMD的滚动轴承故障诊断研究

为从含有强烈噪声干扰的滚动轴承振动信号中提取故障特征信息,提出了一种小波改进阈值去噪与局部均值分解(LMD)相结合的故障诊断方法。首先,根据构造小波改进阈值函数需满足的必要条件以及滚动轴承振动信号特征,提出了适应于滚动轴承振动信号的抛物线平滑阈值函数,利用其对振动信号进行去噪预处理;然后,对去噪后的振动信号进行LMD分解得到若干乘积函数分量(PF);最后,根据相关系数筛选出有效PF分量,并对其进行包络解调,提取故障特征频率。仿真分析和应用实例结果表明,该方法能有效提取滚动轴承故障特征信息,实现滚动轴承的故障诊断。