基于ELMD-MCKD在滚动轴承故障诊断中的应用

针对在强噪声环境下,滚动轴承故障特征信息微弱、特征频率难以识别的问题,提出基于总体局部均值分解(Ensemble Local Mean Decomposition,ELMD)与最大相关峭度卷积(Maximum Correlated Kurtosis Deconvolution,MCKD)的轴承故障诊断方法,用于处理轴承故障振动信号。首先,使用ELMD将原始数据分解为1组乘积函数(PF);然后,利用MCKD对每一个PF分量进行降噪处理;最后,对各降噪的PF分量求取包络谱,从而在包络谱中寻找轴承的故障特征频率。为了验证ELMD-MCKD在检测故障中的有效性,进行了一系列轴承故障模拟实验分析。结果表明,提出的ELMD-MCKD方法提高了轴承故障识别的准确性,可用于实际应用中的故障诊断。     

基于MCKD降噪和改进EWT信号分解的轴承故障识别

为了提高在传动系统振动信号识别过程中经验小波变换(Empirical wavelet transform, EWT)微弱故障识别能力,设计了一种通过MCKD降噪与IEWT相结合得到的新算法。先以MCKD算法完成轴承故障信号的消噪过程;接着通过IEWT算法完成降噪数据的频谱分类,生成多个分量信号的情况下再对信号进行平方包络谱处理;最后再对故障特征开展识别确定故障特征。研究结果表明：轴承外圈和内圈信号冲击特征获得显著增强的效果。根据平方包络谱确定外圈故障特征频率与倍频,由此准确检测轴承的外圈和内圈故障。以MCKD-IEWT算法处理包含强噪声的信号时,可以实现Fourier频谱的准确分段,也可根据峭度指标从中确定最佳信号分量,满足强噪声条件下的故障识别要求。该研究适用于其它的机械传动系统,具有很好的理论支撑价值。     

基于经验小波变换和峭度值的滚动轴承故障检测方法

机械故障信号大多具有复杂多分量和调幅-调频的特点,但目前已有的方法在实际分析中多存在缺陷。为了有效识别故障特征频率,该文提出了一种基于EWT和峭度值的轴承故障检测方法。这种方法通过EWT对滚动轴承的振动信号进行分解,得到多个调频分量(AM-FM),并用文中提出的计算方法得到的各个调频分量的特征指标后进行筛选,得到包含敏感故障信息的分量。将该方法应用于轴承故障信号的解调分析,提高了分析的针对性。将改进方法应用于轴承故障实测信号分析,验证了该方法的准确性。     

EWT分解和SVD消噪在轴承故障诊断中的应用

针对经验模态分解在轴承的故障诊断中存在着固有模态函数频谱繁多杂乱的问题,提出了一种基于经验小波变换(empirical wavelet transform(EWT))和奇异值分解(singular value decomposition,SVD)相结合的轴承故障诊断方法。该方法首先利用EWT分解的自适应性特点,对故障信号进行分解,得到各分量信号,从而有效地减少模态混叠现象;再对各分量信号进行SVD分解重构,减少噪声的影响以消除随机干扰,最后对经过SVD重构后得到的各分量信号进行Hilbert变换,得到轴承的故障特征频率。通过仿真和实验验证,EWT和SVD相结合的新算法可以准确地提取出轴承故障特征频率的基频和倍频成分,有效地确定轴承故障。     

基于MODWPT和MCKD的滚动轴承早期故障诊断

针对齿轮啮合强振动干扰下滚动轴承微弱故障特征提取难的问题，提出一种最大重叠离散小波包变换(MODWPT)和最大相关峭度解卷积(MCKD)相结合的滚动轴承早期故障诊断方法。首先采用MODWPT方法将复杂的轴承故障振动信号分解为若干分量，然后依据峭度准则，选取峭度较大的分量进行MCKD滤波，最后对滤波后所得信号做Hilbert包络分析，将包络谱呈现的频率特征与理论故障特征频率相比较，识别故障特征，实现故障诊断。通过轴承故障的仿真及实验研究，并对比单一MCKD方法和EMD-MED方法的提取效果，说明该方法可以在一定程度上抑制齿轮啮合强振动及噪声的干扰，增强并有效提取出滚动轴承早期低频微弱故障特征。     

基于CEEMD与MCKD的滚动轴承早期故障诊断

针对滚动轴承早期故障信号中冲击成分能量低,背景噪声干扰严重的问题,提出了基于CEEMD与MCKD的故障诊断方法。首先,应用CEEMD方法对故障振动信号进行分解,依据相关系数准则从分解结果中选取敏感分量;然后,采用MCKD算法对所选取分量信号进行降噪并应用Hilbert算法对降噪后信号进行解调处理,从包络谱中提取故障特征信息;最后,通过仿真信号和轴承试验数据进行诊断分析验证了该方法的有效性。     

基于DT-CWT和MCKD的滚动轴承早期故障诊断方法

滚动轴承早期故障信号具有非平稳、能量低等特征,为了能够准确、有效地检测出轴承故障,提出了双树复小波(dual-tree complex wavelet transform,DTCWT)和最大相关峭度反褶积(maximum correlated kurtosis deconvolution,MCKD)相结合的诊断方法。首先运用双树复小波对采集到的振动信号进行分解,再重构单支信号,由于噪声的干扰,从重构后分量的频谱中很难对故障做出正确的判断。然后对包含故障特征的分量进行最大相关峭度反褶积处理以消除噪声成分,凸现故障特征信息。最后对降噪信号求取Hilbert包络谱,便能准确获得故障特征频率。通过信号仿真和实验数据分析验证了该方法的有效性。     

ELMD和MCKD在滚动轴承早期故障诊断中的应用

针对滚动轴承早期故障特征信号微弱且受环境噪声影响严重,故障特征信息难以识别的问题,提出了基于总体局部均值分解(Ensemble local mean decomposition,ELMD)和最大相关峭度反褶积(Maximum correlated kurtosis deconvolution,MCKD)的早期故障诊断方法。该方法首先运用ELMD对采集到的振动信号进行分解,得到有限个乘积函数(Product function,PF),由于噪声的干扰,从PF分量的频谱中很难对故障做出正确的判断。然后对包含故障特征的PF分量进行最大相关峭度反褶积处理以消除噪声影响,凸现故障特征信息。最后对降噪信号进行Hilbert包络谱分析,即可从中准确地识别出轴承的故障特征频率。通过轴承故障模拟实验和工程应用实例验证了该方法的有效性与优越性。     

基于LMD和MCKD的滚动轴承早期故障诊断

滚动轴承故障产生的初期,信号中的冲击成分受到严重的噪声干扰,导致故障信号的周期特征难以提取。针对这一问题,提出基于局部均值分解(LMD)算法和最大相关峭度反褶积(MCKD)算法结合的滚动轴承早期故障诊断方法。首先应用LMD算法对轴承早期故障信号进行自适应分解,选取与原始信号相关系数较大的乘积函数(PF)分量进行重构;然后应用MCKD算法对重构信号进行降噪,突出周期冲击成分;最后对消噪后的信号进行Hilbert包络处理,从包络谱中即可准确地获取故障特征频率。通过对仿真信号和内圈故障实验信号的分析,证明了该方法的有效性。     

感应电机轴承故障检测方法研究

分析了感应电机轴承发生故障时的振动信号的特性,利用带通滤波器和希尔伯特变换,对感应电机轴承振动信号进行处理,然后采用高分辨率谱估计算法--MUSIC（Multiple Signal Classification）算法对包络信号作谱分析,再从包络信号的MUSIC谱中提取故障特征频率分量.研究结果表明,该方法频率分辨率更高,故障检测更为准确.将该方法应用于电机轴承故障诊断,可准确提取轴承故障特征分量.     

基于PPCA-EWT的滚动轴承轻微故障诊断

针对经验小波变换(empirical wavelet transform,简称EWT)在强背景噪声下对轴承的轻微故障特征提取不足的问题,提出了概率主成分分析(probabilistic principal component analysis,简称PPCA)结合EWT的滚动轴承轻微故障诊断方法。首先,对信号做PPCA预处理,提取信号主要故障特征成分,去除强背景噪声干扰;然后,采用EWT方法分解轴承故障信号,按相关系数-峭度准则选出故障特征较为明显的分量,并将所选分量重构故障信号;最后,对信号采取包络分析,提取出轴承故障特征。仿真和实验结果表明,该方法能够有效地诊断出轴承故障且效果优于对信号进行EWT包络分析。     

相关系数包络谱联合指标CeK的轴承故障诊断方法

针对轴承故障冲击特征提取时存在噪声和转频等成分的干扰问题,提出一种相关系数包络谱联合综合指标C_eK的轴承故障诊断方法。在信号预处理阶段采用新的综合指标C_eK从总体平均经验模态分解(Ensemble empirical mode decomposition,EEMD)得到的多个本征模态分量(Intrinsic mode function,IMF)中选取最优分量,进一步使用最大相关峭度反褶积(Maximum correlated kurtosis deconvolution,MCKD)对最优分量进行滤波降噪处理,最后使用Laplace小波相关滤波法提取故障冲击相关系数的峰值,做相关系数的包络谱图。通过仿真信号的分析结果,验证了本文方法的可行性。借助于南昌铁路局采集的真实故障信号,并以峭度指标代替本文提出的综合指标进行后续处理以及自适应Morlet小波滤波提取故障特征的分析结果,突出了利用综合指标C_eK和相关系数包络谱提取故障特征频率的优越性。     

最优共振频带提取的高速列车轴承故障诊断

在非高斯噪声与周期振动信号的干扰下,高速列车轴承的故障特征提取较为困难,针对这一问题,提出了一种新的最优故障频带的判别方法,并通过经验小波变换（Empirical Wavelet Transform,EWT）对故障频带进行提取,从而实现高速列车轴承故障的有效诊断。该方法首先提供了完整的频域分割框架,得到不同中心频率、不同带宽的频带分布;为了得到各频带所包含的故障信息含量,提出了新的故障特征指标HSIB,根据HSIB的变化趋势识别最优频带;最后进行经验小波变换,将选取的故障频带通过正交滤波器组,对得到的分量信号进行Hilbert变换,得到轴承的故障特征频率。通过仿真和实验数据验证,选取的最优频带包含了丰富的故障信息,可以准确地提取出轴承故障特征频率的基频和倍频成分,有效确定轴承故障。     

基于VMD-LPP融合的轴承故障特征频率提取

为提高轴承故障特征频率的提取效果,提出了变分模态分解(VMD)和局部保持投影(LPP)相融合的轴承故障特征频率提取方法.该方法主要有三个步骤:一是利用VMD对信号进行分解,得到若干个本征模态分量(IMF),并将各分量组成高维信号矩阵;二是利用LPP对高维信号矩阵进行降维得到低维信号矩阵,而后进行信号重构,得到重构信号;三是对重构信号进行包络分析,根据包络谱中突出的频率成分判断轴承故障类型.轴承故障诊断实例验证了方法的有效性.     

基于经验小波变换的轴承故障诊断研究

针对经验模态分解(EMD)易产生模态混叠、受噪声影响大的难题,提出了一种基于经验小波变换(EWT)的轴承故障诊断方法。EWT综合利用了经验模态分解和小波变换的优点,通过构建自适应的小波滤波器组,提取信号中包含的不同固有模态分量,能有效消除模态混叠现象,提高信噪比。首先利用EWT将振动信号分解成不同特征时间尺度的单分量固有模态函数,然后计算各固有模态函数的包络谱和时频谱。通过仿真信号和齿轮箱轴承故障振动信号的研究表明:EWT能有效提取强背景噪声中的微弱信号,提取轴承故障特征,其性能优于EMD和总体平均经验模态分解(EEMD)。     

DTCWPT-TV在高速列车齿轮箱轴承故障诊断中的应用

齿轮箱轴承作为高速列车转向架上的关键部件,其故障特征主要体现在其振动信号中,但是列车运行过程中存在强电磁噪声。针对强背景噪声下信号中故障特征频率的提取,提出双树复小波包变换(Dual Tree Complex Wavelet Package Transform,DTCWPT)和全变差(Total Variation,TV)结合的算法。该算法利用DTCWPT将齿轮箱轴承振动信号分解为不同尺度的信号分量,通过峭度指标选择冲击特征最显著的一个信号分量;针对含噪声的冲击特征,通过对该信号分量的全变差进行稀疏追踪从而得到信号的稀疏优化表示,使得振动信号中的冲击特征得到显著增强。通过构造一仿真信号对稀疏追踪算法的有效性进行了验证,并将该方法与DTCWPT结合并应用于齿轮箱轴承故障诊断中,结果表明:该方法能够很好地提取出信号中的冲击特征,并且频谱中的故障表征明显,能够有效地指导故障诊断。     

基于MCKD-EEMD的滚动轴承微故障特征提取

在强噪声环境下滚动轴承故障信号非常微弱,特征信息难以识别,为了能够准确、有效地检测出轴承故障,提出了最大相关峭度反褶积(maximum correlated kurtosis deconvolution,MCKD)和总体平均经验模态分解(ensemble empirical mode decomposition,EEMD)相结合的诊断方法。信噪比较低时EEMD不能很好地提取微弱的信号特征,故先运用MCKD对含有强噪声的轴承振动信号进行降噪预处理。然后对降噪后的信号进行EEMD分解,选取与降噪信号相关系数较大的IMF分量进行信号重构。最后对重构信号进行能量算子解调分析,从包络谱中便能准确获得故障特征频率。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。     

双树复小波和MED在齿轮箱早期故障诊断中的应用

针对齿轮箱轴承早期故障特征信号微弱且受环境噪声影响严重,故障特征信息难以识别的问题,提出了双树复小波变换(dual-tree complex wavelet transform,DT-CWT)和最小熵反褶积(minimum entropy deconvolution,MED)的故障诊断方法。首先对采集到的振动信号进行双树复小波分解,得到几个不同频段的分量,由于噪声的干扰,从各个分量的频谱中很难对故障做出正确的判断。然后对包含故障特征的分量进行最小熵反褶积滤波处理以消除噪声影响,凸显故障特征信息。最后对滤波后的信号进行Hilbert包络谱分析,即可从中准确地识别出轴承的故障特征频率。通过齿轮箱轴承故障模拟实验和工程应用实例分析验证了该方法的有效性与优越性。     

拟合故障振动信号模型实现滚动轴承故障诊断

针对传统故障诊断流程的缺点,提出通过拟合故障振动信号模型实现滚动轴承故障诊断,并在风力发电机组齿轮箱故障诊断中验证了有效性和实用性。首先根据滚动轴承发生故障时振动信号的特点,提出故障振动信号模型,然后通过遗传算法对该模型做数据拟合,拟合数据来自EMD(Empirical Mode Decomposition)方法对原始振动信号分解所得IMF(Intrinsic Mode Function)分量,最后将拟合结果和轴承各部件的故障特征频率作对比,可知损伤点所在部位。通过仿真、实验和现场信号的分析,验证了可通过拟合故障振动信号模型实现故障部位的准确诊断。     

基于SWT-MCKD的滚动轴承故障特征提取方法

针对在强噪声背景下轴承早期微弱故障特征难以提取问题.提出了一种基于同步压缩小波变换(Synchrosqueezing Wavelet Transform,SWT)和最大相关峭度反卷积(Maximum correlation kurtosis deconvolution,MCKD)相结合的滚动轴承故障诊断方法.首先采用SWT方法将多分量振动信号分解为若干内禀模态分量(IMT),然后选取合适IMT重构信号,对重构信号进行MCKD滤波,突出故障冲击成分,最后对滤波后信号包络解调,提取故障特征,实现滚动轴承的更准确诊断.