基于改进VMD与包络导数能量算子的滚动轴承早期故障诊断EI北大核心CSCD

针对滚动轴承早期故障比较微弱,特征信息难以提取且变分模态分解(VMD)中分解层数k的大小需要使用者反复尝试而不能有效确定的问题,提出了改进的VMD方法,以能量差作为评价参数自适应地确定分解层数k。在此基础上,将改进的VMD与包络导数能量算子结合,提出了VMD与包络导数能量算子的轴承早期故障诊断方法。采用VMD对轴承故障振动信号进行分解,根据能量差曲线确定最佳的分解层数k;依据峭度准则,从分解得到的k个本征模态分量中选取敏感分量进行重构;并用包络导数能量算子对重构信号进行解调分析,从其能量谱中便可准确地提取轴承的故障特征信息。通过仿真信号和实验数据的分析,验证了该方法的有效性与可行性。     

基于改进VMD与包络导数能量算子的滚动轴承早期故障诊断

针对滚动轴承早期故障比较微弱,特征信息难以提取且变分模态分解(VMD)中分解层数k的大小需要使用者反复尝试而不能有效确定的问题,提出了改进的VMD方法,以能量差作为评价参数自适应地确定分解层数k。在此基础上,将改进的VMD与包络导数能量算子结合,提出了VMD与包络导数能量算子的轴承早期故障诊断方法。采用VMD对轴承故障振动信号进行分解,根据能量差曲线确定最佳的分解层数k;依据峭度准则,从分解得到的k个本征模态分量中选取敏感分量进行重构;并用包络导数能量算子对重构信号进行解调分析,从其能量谱中便可准确地提取轴承的故障特征信息。通过仿真信号和实验数据的分析,验证了该方法的有效性与可行性。     

基于VMD-SVD能量标准谱-Teager能量算子的轴承故障诊断方法

对难以提取处于微弱故障状态的滚动轴承非线性、非平稳时变特性振动信号中故障特征频率的问题,提出基于VMD-SVD能量标准谱-Teager能量算子联合诊断方法。首先,对预处理后轴承微弱故障信号进行VMD分解,根据各模态分量(IMF)中心频率确定最优模态数K,再由各IMF分量峭度和相关系数指标确定包含故障信号的敏感IMF。然后,对选取模态分量的Hankel矩阵进行SVD分解,由奇异值能量标准谱确定有效奇异值数量,实现对信号的降噪重构。最后,利用瞬时Teager能量算子及其频谱分析识别微弱故障产生的周期性冲击特征频率。运用该方法处理滚动轴承微弱故障信号,能准确提取故障特征频率及倍频,文中证明了其准确性和有效性。     

基于EMD和Teager能量算子的轴承故障诊断研究

提出了一种基于EMD和Teager能量算子的齿轮箱轴承故障诊断的新方法,该方法综合利用了经验模态分解和Teager能量算子分析技术.首先利用经验模态分解方法,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,然后用Teager能量算子计算各固有模态函数的瞬时幅值,最后对感兴趣固有模态函数瞬时幅值的包络谱进行分析,就可识别齿轮箱轴承的故障部位和类型.齿轮箱轴承故障振动实验信号的研究结果表明:该方法能有效地识别轴承的故障.     

基于CEEMD-MED和Teager能量算子的滚动轴承微弱故障特征提取

滚动轴承故障产生的早期阶段,故障信号中的周期冲击成分微弱,并且环境噪声干扰严重,导致轴承故障难以识别。针对这一问题,提出基于CEEMD-MED和Teager能量算子的轴承故障特征方法。首先应用互补集合经验模态分解(CEEMD)对故障信号进行分解,依据相关系数原则,选取相关系数最大的分量作为分析对象;然后应用最小熵反褶积(MED)对选出的分量进行降噪;最后应用Teager能量算子对降噪后的信号进行解调处理,从其能量谱中便可准确地获取故障特征信息。通过对仿真信号和实验数据进行诊断分析,结果证明该文方法有效。     

基于VMD和1.5维Teager能量谱的滚动轴承故障特征提取

为准确提取非线性、非平稳的滚动轴承故障信号中的故障特征,提出基于变分模式分解(Variational Mode Decomposition,VMD)和1.5维Teager能量谱的滚动轴承故障特征提取方法;变分模式分解(VMD)是一种新的信号自适应分解方法,1.5维Teager能量谱具有1.5维谱良好的降噪效果和Teager能量算子强化信号瞬态冲击的优点。故障特征提取过程:首先,对滚动轴承故障信号进行VMD分解得到一组分量,根据峭度-相关系数准则筛选出2个冲击特征明显分量进行信号重构;再次,对重构信号进行1.5维Teager能量谱分析;最后根据能量谱图的分析,提取出滚动轴承的内圈和滚动体故障特征。仿真信号和试验信号的分析都验证了提出方法的有效性;通过与EEMD分解比较,采用VMD变分模式分解和1.5维Teager能量谱的分析方法更具有区分性,可以有效识别滚动轴承的故障特征。     

基于自相关与能量算子增强的滚动轴承微弱故障特征提取

针对滚动轴承(rolling element bearings, REBs)早期故障振动信号冲击成分微弱,受噪声影响故障特征难以提取,提出了基于自相关和Teager能量算子增强的滚动轴承微弱故障特征提取法。利用自相关计算和经验模态分解(empirical mode decomposition, EMD),分别实现轴承振动信号整个频带随机噪声和低频噪声的抑制,突出故障冲击周期。同时,提出基于内禀模态函数(intrinsic mode function, IMF)能量比加权的互相关系数-峭度指标用于筛选最优IMF进行信号重构,强化重构信号中的故障信息。对重构信号作用Teager能量算子(Teager energy operator, TEO),得到故障冲击特征增强的瞬时能量序列,通过功率谱分析提取轴承故障特征频率。内圈故障仿真信号和滚动体故障实测信号分析表明,该方法能够有效抑制轴承振动信号噪声,对早期故障的微弱特征有显著增强作用。     

基于角域四阶累积量切片谱的柴油机连杆轴承故障特征提取

提出了一种角域四阶累积量切片谱方法,应用于提取连杆轴承微弱故障特征。首先,对升速过程振动信号进行阶比重采样得到角域平稳信号,再计算其四阶累积量对角切片谱,构成角域四阶累积量切片谱,用于分析不同转速区间、不同测试位置下的非稳态信号,提取连杆轴承微弱故障特征。试验结果表明:角域重采样与四阶累积量对角切片谱相结合,既能分析非稳态信号,又能抑制噪声干扰;特定阶比带内的角域四阶累积量对角切片谱的能量和峰值,能有效识别连杆轴承各种技术状态,可以作为连杆轴承磨损故障的特征参数;并得出了敏感测试位置、敏感转速区间和特征阶比带。     

基于EEMD降噪和1.5维能量谱的滚动轴承故障诊断研究

将1.5维谱分析和Teager能量算子相结合,提出了1.5维能量谱的分析方法,并针对滚动轴承故障诊断问题,从提高故障信号信噪比的角度出发,提出基于EEMD降噪和1.5维能量谱的故障诊断新方法。该方法首先对故障信号进行聚合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)运算,得到一组本征模态函数(Intrinsic Mode Function,IMF)分量后运用相关系数-峭度准则对其进行筛选,并利用筛选出的IMF分量重构信号,最后计算重构信号的1.5维能量谱,从而获得轴承故障特征频率信息。利用该方法对滚动轴承内圈故障的模拟数据以及实测数据分别进行分析,诊断结果令人满意。     

强噪声背景下频率加权能量算子和变分模态分解在轴承故障提取中的应用

从机械系统中传出的信号通常包含着不同的叠加振动成分,包括有用信息以及不可避免的背景噪声和其他频率干扰,因此波形较为复杂,并且其幅值和频率会随着时间发生变化。当背景环境较为复杂或噪声较大时,从混合信号中提取出的轴承故障特征信号更是如此。对于此类信号,模态分解算法不仅可以去除大量的高频噪声,而且还能将振动信号分解成一系列具有单一成分的模态分量,从而更好地发现振动信号的物理意义。引入一种新的轴承故障特征提取方法,首先利用变分模态分解算法先将故障信号分解为若干个成分单一的模态分量;然后利用一种新的能量算子——频率加权能量算子对含有故障频率的模态分量进行处理,得到其能量谱从而提取出轴承故障特征频率;最后以一种常见的振动筛分设备振动筛为实际案例,对其轴承故障特征进行提取,并通过对比,说明了该算法的优越性和实用性。     

基于VMD的行星齿轮箱故障特征提取新方法

针对行星齿轮箱振动信号故障特征提取困难的问题,提出一种基于变分模态分解的行星齿轮箱故障特征提取方法。首先利用变分模态分解(VMD)算法对样本信号进行分解,得到若干本征模态函数(imf)。然后,计算各分量与样本信号之间的相关系数和欧氏距离,筛选出表征样本信号特征的有效分量,并计算其Teager能量算子,将计算结果进行重构。最后,针对多尺度模糊熵对信号局部差异不够敏感,提取重构信号的多尺度模糊熵和多尺度能量作为基本参数,进行参数融合构成新指标。将其应用于行星齿轮箱太阳轮和行星轴承故障分析,结果表明:新方法既可以区分行星齿轮箱太阳轮不同故障类型,又能有效识别行星轴承不同位置故障。另外,与现有方法对比,新方法区分效果更好。     

基于改进自适应变分模态分解的滚动轴承微弱故障诊断

滚动轴承早期故障信息微弱,且混有大量背景噪声,难以提取其故障特征。提出了一种改进的自适应变分模态分解(AVMD)与Teager能量谱的微弱故障诊断方法。将最小平均包络熵(MMEE)作为目标函数,自动搜寻影响参数最佳值,确保变分模态分解(VMD)实现最优分解,并提出加权峭度指标(WK)用于选择有效模态分量进行信号重构,对重构信号进行Teager能量谱分析,从而识别故障特征频率。对轴承微弱故障振动信号的研究表明,所提方法改进了传统VMD算法分解精度受参数影响较大,导致信号出现过分解或欠分解的问题;与集合经验模态分解和局部均值分解算法相比所提方法具有更强的噪声鲁棒性和故障信息提取能力。     

基于循环谱分析的鲁棒性滚动轴承故障特征提取方法EI北大核心CSCD

循环平稳分析是滚动轴承故障特征提取的重要方法之一,但在用于滚动轴承故障特征提取时,存在因干扰成分较强而不能有效提取轴承故障特征的问题。为能在干扰环境中有效提取滚动轴承故障信息,基于循环谱分析提出一种鲁棒性滚动轴承故障特征提取方法。首先通过离散随机分离(discrete random separation,DRS)分析分离信号中的周期分量,提取其随机分量;随后用Teager能量算子(Teager energy operator,TEO)提取随机分量的振动能量序列;再对该序列进行快速谱相关(fast spectral correlation,Fast-SC)分析,采用基于能量熵的能量差异系数评价各循环频率(阶次)切片的能量强度;最终经熵加权降低无关干扰成分影响以有效提取故障特征。通过传统的快速谱峭度、快速谱相关和基于总变差去噪的快速谱相关分析方法与该方法对美国智能维护系统中心的滚动轴承振动数据以及实测齿轮箱复合故障试验信号进行对比分析,验证了该方法在滚动轴承故障诊断应用中的优势。     

基于VMD和谱峭度的滚动轴承早期故障诊断方法

针对滚动轴承故障信号为多分量非平稳振动信号、故障早期特征微弱诊断困难的问题,该文提出变分模态分解(VMD)结合谱峭度的滚动轴承早期故障诊断方法。首先对振动信号进行VMD分解得到若干分量信号,选择峭度最大分量作为最优分量,然后对最优分量进行快速谱峭度计算并进行带通滤波、凸显故障冲击成分,通过分析滤波信号包络谱中故障频率成分实现故障诊断。实验数据分析结果表明该方法能有效诊断轴承早期故障,有一定的工程应用价值。     

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。     

基于SVD-MEEMD与Teager能量谱的滚动轴承微弱故障特征提取

针对滚动轴承早期微弱故障特征难以提取的问题,提出一种基于奇异值分解(Singular Value Decomposition,SVD)、改进的集总经验模态分解(Modified Ensemble EMD,MEEMD)和Teager能量谱的滚动轴承微弱故障特征提取方法。该方法首先采用Hankel矩阵理论对滚动轴承的故障信号进行相空间重构得到重构矩阵,并根据奇异值差分谱理论对重构矩阵进行SVD处理,实现信号的初步降噪;其次,对降噪后的信号进行MEEMD分解得到一组本征模态分量(Intrinsic Mode Function,IMF)和一个余量,依据峭度-相关系数规则选取出一个冲击特征敏感的IMF分量,计算其Teager能量算子;最后,通过分析能量谱图实现对滚动轴承微弱故障的模式辨识。采用美国西储大学的滚动轴承故障数据对所提方法进行验证,并与其它模式的组合方法进行比较。结果表明,该方法具有良好的降噪效果和敏感特征筛选能力,从而能更准确提取出滚动轴承早期故障频率,实现故障类型的准确辨识。     

基于ITD与稀疏编码收缩的滚动轴承故障特征提取方法

针对滚动轴承早期故障信号具有周期性冲击的特点和被强噪声淹没而难以提取的问题,提出了一种基于固有时间尺度分解(Intrinsic Time Scale Decomposition,ITD)与稀疏编码收缩(Sparse Coding Shrinkage,SCS)集成的轴承故障特征提取方法(命名为ITD-SCS)。ITD能自适应地将振动信号分解成若干固有旋转分量(Proper Rotation,PR),选择有效的PR分量突显信号的冲击特征。进一步采用奇异值分解(Singular Value Decomposition,SVD)对每一有效PR实施滤噪作为SCS的前置滤噪单元以提高信号的稀疏性。最后,通过SCS利用极大似然估计方法提取合成信号中的冲击特征。将ITD-SCS应用于轴承内圈故障仿真信号和外圈实际故障振动信号的实验结果表明,ITD-SCS能有效提取强背景噪声下的轴承故障信号的冲击特征。     

基于SSWD优化LMD的高速电梯滚动导靴振动信号特征提取

针对奇异值分解(SVD)优化局部均值分解(LMD)方法提取高速电梯滚动导靴振动信号故障特征分量的模态混淆现象,提出一种基于自适应增强小波分解(SSWD)优化LMD的高速电梯滚动导靴振动信号特征提取方法。该方法构建低通滤波器、高通滤波器、小波基函数、尺度函数,利用小波分解(WD)的多分辨率滤波特性将原始信号分解为高频细节特征信号和低频近似信号;对高频细节特征信号进行信号增强、将增强后的高频细节特征信号与低频近似信号进行重构;采用LMD从重构信号中提取能够表征滚动导靴故障特征PF分量,求取PF分量的瞬时Teager能量波形进行对比分析。通过对实际工况信号处理、分析,实验结果表明,相比于SVD优化LMD方法,该方法完整地提取了滚动导靴振动信号的故障特征分量,避免了模态混淆现象出现。     

基于调制增强切片MSB的滚动轴承故障特征提取方法

针对快速谱峭度图和传统切片MSB(modulation signal bispectrum)算法在强干扰条件下提取轴承故障特征不佳的问题,提出一种基于调制增强切片MSB的滚动轴承故障特征提取方法。首先利用MSB算法计算得到原始振动信号的调制信号双谱,对主维度进行切片叠加得到载波谱;然后基于MSB凸显滚动轴承故障信号调制特征的性质,通过粒子群寻优算法对切片范围进行择优;最后,对故障特征所在切片的双谱相干函数与调制信号双谱进行组合处理,进行增强性重构得到调制谱,去除了大部分噪声分量,直接提取出故障特征。通过仿真、实验验证了调制增强切片MSB算法能够实现长传递路径、强噪声干扰条件下的滚动轴承故障特征提取,所得结果比快速谱峭度图更加直观、清晰。     

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。