基于LMD的滚动轴承故障诊断

滚动轴承是发动机中重要的零部件之一,其发生故障时会导致整个机器无法运转。论文通过局域均值分解(LMD)方法将信号分解为若干个有物理意义的乘积函数分量(PF),然后对上述分量的包络谱进行分析,识别其特征频率,完成对滚动轴承具体故障位置的诊断。通过仿真分析和内圈模拟点蚀故障试验,证明了该方法能够用于准确识别滚动轴承故障特征。     

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。     

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。     

基于EMD和频谱校正的故障诊断方法

提出了一种基于短时间样本的故障诊断方法,通过频谱校正提高频谱精度.首先对原始信号进行小波降噪,提高信噪比;然后进行经验模态分解,获取信号的各阶本征模态函数;分别对各阶本征模态函数进行希尔伯特解调分析,获得包含系统故障特征信息的调制信号;接着采用校正算法对调制信号进行频谱校正,频谱变换后获得精确的频谱;最后根据校正结果进行系统故障判别.实践表明,此方法具有速度快、精度高的特点,适合于设备的在线快速诊断.     

基于内积延拓LMD的机床滚动轴承故障诊断方法研究

针对机床加工中常见的滚动轴承故障特性,提出了一种基于内积延拓LMD的故障诊断方法。该方法针对LMD方法本身的端点效应缺陷,采用内积延拓的方法对分析信号左右两端点进行匹配延拓以抑制端点效应。首先建立原始信号的特征波形和相似波形并计算其对应的积分值;其次通过计算相似波形和特征波形积分差值并从信号的左端开始迭代运算以寻找最优匹配波形;最后将最优匹配波形延拓到对应的信号左右两侧以完成极值点的端点延拓。该方法充分考虑了信号内部波形的特点以及内部趋势运行规律,使得延拓后的波形可以很好地保持信号左右两端原有的趋势。实验采用滚动轴承故障信号进行分析,实验结果表明该方法可以很好地抑制LMD端点效应,并可以有效地提取滚动轴承故障特征实现故障诊断,可以运用到机床轴承的故障诊断中。     

基于LMD多尺度熵和概率神经网络的滚动轴承故障诊断方法

研究了一种基于LMD多尺度熵和概率神经网络的滚动轴承故障诊断方法。该方法将故障信号自适应地分解为若干乘积函数分量,然后将各分量的多尺度熵作为故障特征向量输入概率神经网络进行模式识别,实现了对损伤位置和损伤程度的诊断。将该方法与基于LMD时域统计量和神经网络的滚动轴承故障诊断方法进行了对比。实验结果表明,基于LMD多尺度熵和概率神经网络的方法能对滚动轴承故障进行有效的识别与诊断。     

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。     

改进LMD和排列熵的滚动轴承故障诊断

针对滚动轴承故障振动信号的复杂特性和局部均值分解(Local Mean Decomposition,LMD)方法存在的端点效应问题,提出了基于振动信号自相似性对左右端点两侧延拓来抑制端点效应问题的改进LMD、排列熵(Permutation Entropy,PE)及优化K-均值聚类算法相结合的轴承故障诊断方法。首先通过改进LMD将非线性、非平稳的原始故障振动信号分解出一系列的乘积函数(Production Function,PF)分量,对包含主要故障信息的PF分量提取PE值作为故障特征分量,在提取特征量的基础上,最后采用优化后的K-均值聚类算法对故障类型进行识别分类。将该方法应用在滚动轴承实验数据,实验结果表明该方法可以准确、有效的实现滚动轴承的故障诊断。     

基于倒频谱的滚动轴承故障诊断

机械设备中齿轮、滚动轴承等出现故障时,信号的频谱上会出现难以识别的多簇调制边频带,采用倒频谱分析可以分解和识别故障频率、故障原因和部位。首先,介绍了倒频谱的定义,并通过实例说明倒频谱分析方法对周期性脉冲激励的敏感程度;然后,给出了滚动轴承各零部件产生故障的脉冲频率,从而可以通过倒频谱分析方法提取出的故障频率与理论计算出的故障频率相对比,来确定滚动轴承的故障。     

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。     

基于频谱分析法的滚动轴承故障诊断

滚动轴承的健康状况对于旋转机械的安全运行至关重要,如何准确把握其状态,一直以来众说纷纭,本文通过案例分析的方法提出了如何通过频谱分析来确定轴承故障所处的阶段,文中所提方法已在实践中得到检验,效果较好。     

基于LMD和MSEE的滚动轴承复合故障特征提取方法

针对滚动轴承复合故障特征相近、不易区分的问题,提出了一种基于局域均值分解和多尺度熵能量的滚动轴承复合故障特征提取方法。首先,将信号进行LMD处理,得到一系列PF分量;然后,通过相关系数选择合适的PF分量计算能量并获得新的时间序列;最后,计算新时间序列的多尺度熵,与能量结合构建MSEE进行故障特征提取。机械故障模拟试验台的结果表明:该方法不仅降低了噪声干扰,而且提升了特征提取的精度,可以定量表征滚动轴承复合故障信号的特征,在滚动轴承复合故障信号中有良好的特征提取效果,与单独使用MSE和能量的特征提取方法相比,故障诊断率分别提升了8. 33%和11. 29%。     

基于PCA和LMD分解的滚动轴承故障特征提取方法

局部均值分解(LMD)是一种自适应时频分析方法,并在轴承的故障诊断中成功应用,但是受噪声的影响比较大。为了最大程度地降低噪声的干扰,提出了主分量分析(PCA)与局部均值分解(LMD)相结合的故障诊断方法。该方法首先利用相空间重构将一维时间序列振动信号嵌入为等效的多维时间序列信号,然后利用主分量分析提取主要成分实现降噪,最后把降噪之后的信号进行LMD分解,分解成若干个乘积函数(PF)之和,对能量最高的PF1进行包络谱分析,提取出故障特征信息。通过仿真试验和轴承故障试验,结果表明该方法能够有效地提取出信号的故障特征,证明了该方法的有效性。     

基于LMD和灰色关联度的故障诊断方法研究

针对高压隔膜泵单向阀故障振动信号的非平稳特性,提出基于局部均值分解法(LMD)和灰色关联度理论相结合的故障诊断方法。首先,利用LMD将高压隔膜泵单向阀不同运行状态下的振动信号分解成多个乘积函数。然后,计算所有乘积函数的互相关系数,并从中选择互相关程度高的乘积函数来提取相应的特征向量。最后,引入灰色关联度理论,构建单向阀故障诊断识别模型,并与基于经验模态分解法(EMD)以及基于混合特征建模、单一特征建模得到的结果进行了对比分析。实验表明,所提出的方法可以较好地分解单向阀故障信号,并有效地识别了小样本条件下的单向阀故障信号。     

基于LMD和改进CNN的轴承故障诊断方法

针对传统轴承故障诊断方法在实际工况、嘈杂环境中对轴承故障识别准确率较低的问题,提出了基于局部均值分解(LMD)和改进的卷积神经网络(CNN)轴承故障诊断方法。对振动信号进行局部均值分解得到若干乘机函数分量,选择合适的分量生成重构信号作为网络输入,提出一种改进的卷积神经网络框架,提高多变量时间序列的诊断效率,选用凯斯西楚大学滚动轴承数据进行试验验证,运用k-折交叉验证来评估模型性能,并通过模拟工业环境的噪声验证了的抗噪性能。结果表明,相较与传统诊断模型在噪声环境下对滚动轴承故障诊断有更好的识别效果。     

改进形态滤波与LMD结合的滚动轴承故障诊断方法研究

为了消除噪声对滚动轴承故障诊断结果的影响,提出了一种改进形态滤波与局域均值分解(Local mean decomposition,LMD)结合的滚动轴承故障诊断方法,该方法首先利用LMD对滚动轴承的故障信号进行分解,采用峭度和相关系数准则剔除多余的低频分量,再用改进的形态滤波对选出来的PF分量进行滤波解调。最后,对滤波后的信号进行Hilbert包络谱分析,并且与LMD-Hilbert包络谱和直接Hilbert包络谱的结果进行对比分析。实验结果表明:该方法能够有效地提取滚动轴承故障的特征,诊断轴承故障位置。     

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。     

基于LMD和灰色相似关联度的轴承故障诊断方法

针对轴承故障振动信号的非线性、非平稳特点及振动信号的强噪声背景,提出一种基于局部均值分解(Local Mean Decomposition,LMD)和灰色相似关联度的轴承故障诊断方法。首先对信号进行局部均值分解,得到若干个PF(Product function,简称PF)分量,再选取包含主要故障信息的PF分量进一步分析,并提取特征向量,然后通过计算标准故障模式与待识别样本的灰色相似关联度对轴承故障类型进行判断。利用该方法对试验轴承故障振动信号进行了分析,结果表明,基于LMD和灰色相似关联度方法能够有效地识别轴承运行状态,实现对轴承的故障诊断。