基于SVD和VMD的轴承微弱故障特征提取及分析

针对轴承微弱故障时冲击信号含有大量噪声且难以提取故障特征频率问题,提出了一种基于奇异值分解(SVD)和变分模态分解(VMD)的轴承故障特征提取方法.该方法先对原始信号进行SVD去噪;再对去噪信号进行VMD分解,得到各个本征模态函数(IMF),根据最大中心频率原则和各个本征模态与去噪信号的相关系数差值确定分解个数,通过加...     

自相关去噪和经验模态分解的轴承故障分析

为提取滚动轴承故障诊断中的信号,给出一种分离故障信号的新方法。该方法先对原始信号进行自相关去噪,再对去噪信号进行经验模态分解(EMD),得到各个本征模态函数(IMF),计算各个本征模态与去噪信号的相关系数。选择相关系数绝对值较大的本征模态进行重构,再对其去噪。最后对IMF重构信号进行包络谱分析,可以清晰地看到故障特征频率。通过仿真分析和两种不同轴承试验结果表明,所提出的方法可以有效地抑制噪声,并能得到反映实际故障信息的信号。     

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SVD-CEEMDAN和KLD的轴承故障分析

针对滚动轴承信号去噪及故障特征提取问题,提出一种基于SVD-CEEMDAN和KLD的滚动轴承故障诊断方法。该方法通过奇异值分解(SVD)对原始信号进行初步去噪,再利用完备集合经验模态分解(CEEMDAN)对去噪后的非平稳振动信号进行自适应分解,得到若干本征模态函数(IMF);然后通过KL散度法(KLD)筛选有效本征模态函数(IMF)重构,再对其进行自相关去噪;最后利用包络谱分析处理去噪信号,提取故障特征频率。通过对轴承实测信号进行分析,该方法可有效抑制噪声,并能清晰地得到反映实际故障信息的信号,证实所提出方法的实用性和有效性。     

基于改进滤波及峭度原则EEMD的转子故障特征识别方法

针对转子运转时的振动冲击和噪声较大从而容易掩盖振动信号中的故障特征的问题,提出了一种基于小波阈值去噪的EEMD故障特征识别方法。采用改进后小波阈值滤波方法对振动信号进行降噪预处理,对处理结果进行集合经验模态分解(EEMD),再依据峭度原则筛选分解得到的本征模态函数(IMF)。分析重构信号的频谱特征以识别故障。结果表明,该方法有效提高了信噪比且能提取到转子故障特征。     

基于CEEMDAN-MPE的滚动轴承故障识别

针对滚动轴承振动信号的非平稳特性,实际工况下难以采集大量的样本信号分析故障状态,提出基于自适应噪声的完备经验模态分解(CEEMDAN)与多尺度排列熵(MPE)相融合的故障识别方法。首先,对振动信号进行小波阈值去噪,利用CEEMDAN算法对去噪后的非平稳振动信号自适应分解,对分解后的若干个固有模式分量(IMF)计算互相关系数;然后,重构信号,计算其MPE并组成故障特征向量;最后,把特征向量输入到支持向量机(SVM)中,以识别滚动轴承的故障类型。通过对仿真信号以及实际实验数据的对比验证分析,有效证明了该方法的识别准确率比基于EMDMPE的故障识别方法提高5%,结果表明:基于CEEMDAN-MPE的滚动轴承SVM故障识别方法可以更准确地提取轴承的特征,并识别轴承的故障状态,有更强的实用性和有效性。     

基于CEEMD能量熵与SVM的低速轴承故障声发射诊断

针对低速轴承故障诊断难的问题,将互补总体平均经验模态分解(CEEMD)能量熵与支持向量机相结合对低速轴承故障进行了声发射诊断。采集不同缺陷状态的轴承声发射信号进行CEEMD分解,得到自适应的本征模态分量(IMF);结合IMF分量的方差贡献率和互相关系数对虚假分量进行剔除,筛选出有效IMF分量。对提取的有效IMF分量计算能量熵,作为不同故障轴承的特征向量。将该特征向量输入到支持向量机(SVM),对不同故障的低速轴承进行分类识别。试验结果表明,通过方差贡献率和互相关系数能够筛选出含主要故障信息的IMF分量,同时验证了SVM相比BP神经网络对低速轴承不同故障类型的识别效果更好。     

基于改进HHT和形态学分形维数的齿轮箱轴承故障特征提取方法

针对齿轮箱轴承特征难以提取的问题,提出一种基于改进希尔伯特-黄变换(HHT)和形态学分形维数的故障特征提取方法。首先采用自适应白噪声总体经验模态分解(CEEMDAN)方法将轴承振动信号分解为若干个固有模态函数(IMF),然后分别计算各IMF分量的相关系数和峭度值以滤除对信号特征不敏感的分量,最后计算包含敏感故障特征分量所组成的重构信号的形态学分形维数,以此作为特征参数对轴承的工作状态进行识别。通过对实测轴承信号的分析,结果表明,文章所提方法可有效识别轴承的工作状态和故障类型。     

基于CEEMDAN能量熵和马氏距离的齿轮箱轴承故障诊断方法

针对齿轮箱轴承信号非平稳性及其故障特征难以提取的问题,提出一种自适应白噪声平均总体经验模态分解（CEEMDAN）能量熵和马氏距离相结合的故障诊断方法。首先采用CEEMDAN方法对非平稳的轴承故障信号进行分解,获得若干阶表征信号特性的固有模态函数（IMF）分量;然后计算各IMF分量的自相关函数和相关系数,以滤除信号内的噪声干扰和对故障特征不敏感的IMF分量;最后计算各敏感故障特征分量的能量熵,将其作为特征参数形成状态特征向量,并使用马氏距离判别方法对轴承的工作状态和故障类型进行诊断。通过对实测不同工况以及不同故障程度的齿轮箱轴承信号的分析,证明了所提方法的有效性。     

基于CEEMD和WOA_LSSVM滚动轴承声信号故障诊断

针对强背景噪声下滚动轴承故障诊断问题,结合互补集合经验模态分解(CEEMD)与鲸鱼优化算法优化最小二乘支持向量机(WOA_LSSVM)进行滚动轴承的故障诊断研究。首先对声信号进行快速谱峭度分析并进行带通滤波预处理,提取故障冲击成分;其次,利用CEEMD算法将滤波信号进行分解运算,得到一系列模态分量(IMF);再利用相关系数法选取有效IMF分量进行信号重构;再提取重构信号的近似熵、峭度、峰峰值、峰值因子、波形因子作为特征值组成特征向量;最后,将归一化的特征向量输入WOA_LSSVM进行故障类别识别。将该方法用于滚动轴承试验数据,并进行对比试验分析,验证了该方法的有效性,提高了故障诊断的准确率。     

基于VMD混合域特征和SSA-SVM的滚动轴承故障诊断

滚动轴承早期故障信号易受噪声干扰,故障冲击成分难以提取,故障识别困难。为从多角度提取故障轴承振动信号特征参数,利用变分模态分解(VMD)将振动信号分解为若干本征模态分量(IMFs),基于包络熵、相关系数、峭度筛选IMF分量。提取所选IMF的时域和频域特征、信号VMD能量熵及各IMF能量比组成特征向量,从时域、频域和能量角度反映故障信息。使用麻雀搜索算法(SSA)优化SVM参数,确定最优参数,克服参数选择难题。将样本特征向量输入SSA-SVM中进行故障分类,轴承故障实验数据表明：该方法故障识别平均准确率在98.71%以上;与单一域特征相比,该方法对故障类型和损伤程度识别效果更佳。     

基于改进VMD形态谱和FCM的滚动轴承故障诊断方法

针对滚动轴承故障信号的非线性特性及不同故障类型信号具有不同形态特征的特点,提出一种基于改进变分模态分解（VMD）形态谱和模糊C均值聚类（FCM）算法相结合的故障诊断方法。采用VMD方法对滚动轴承振动信号进行分解,针对分解过程中关键参数的选取,提出相关参数选择方法,并计算各固有模态函数(IMF)的能量波动系数,以获得对信号特征信息敏感的模态分量进行重构。计算重构信号的形态谱以反映信号的形态特征。通过FCM算法实现滚动轴承工作状态和故障类型的诊断。运用该方法对实测滚动轴承振动信号进行分析,并将所提方法同基于原始振动信号、经验模态分解、总体经验模态分解形态谱的故障特征提取方法进行对比。结果表明：所提方法能够更加有效提取滚动轴承信号的故障特征,实现故障类型的准确诊断。     

非局部均值去噪和LMD综合的滚动轴承故障诊断

局域均值分解(Local Means decomposition,LMD)是一种分解效果明显的时频分析方法,在故障诊断中应用广泛。但噪声对其分解有较大影响。为克服噪声的干扰,提出了一种能够应用于轴承信号处理,由非局部均值去噪算法和LMD相结合的新方法,该方法首先采用NLM对信号进行降噪预处理,然后以去噪信号做为输入进行LMD分解,对分解产生的PF分量与降噪信号做相关度分析,甄选PF分量,然后对有用PF分量进行包络谱分析。并将该方法应用在故障滚动轴承信号的特征提取上,结果表明该方法能有效的提取滚动轴承的故障特征,实现滚动轴承的故障诊断。     

完备变分模态分解和多传感器卷积神经网络的轴承故障诊断方法

针对传统滚动轴承故障诊断方法难以提取和辨识故障特征等问题,提出一种完备变分模态分解（CVMD）和工业多传感器卷积神经网络（MSCNN）相结合的轴承故障识别模型。在采集到的滚动轴承故障振动数据中加入2对符号相反但幅值相等的白噪声,并使用变分模态分解将故障振动数据分解为若干本征模态分量（IMFs）并进行集成平均;利用综合指标选择合适的IMFs分量并重构;针对多传感器结构,在卷积神经网络的基础上,提出MSCNN网络,并将重构后的振动信号输入MSCNN进行自动特征学习与故障诊断。结果表明：所提出的CVMD-MSCNN模型的故障诊断准确率达99.76%,标准差为0.16,相比于其他深度学习方法,其诊断准确率和稳定性较优。     

基于全矢NA-MEMD的滚动轴承故障诊断方法

针对EMD分解多通道信号得到的IMF分量在数量和频率成分出现的不匹配现象和单通道分析方法存在信息利用不充分的问题,提出了一种基于噪声辅助多维经验模式分解(NA-MEMD)与全矢谱结合的滚动轴承故障诊断方法——全矢NA-MEMD。利用NA-MEMD对同源双通道信号和噪声辅助信号构成的多通道信息自适应分解成一系列IMF分量;根据相关系数从同源双通道中选取包含故障主要信息的IMF分量进行重构;将重构信号进行全矢信息融合来提取故障特征。通过仿真信号和实验信号分析验证该方法的有效性。     

多尺度加权CEEMD-1DCNN旋转机械故障诊断

旋转机械振动信号具有较强的非线性、非平稳性的特点，互补集合经验模态分解（CEEMD）克服了传统EEMD的缺陷，提供了对信号从粗到精不同尺度的刻画。针对不同尺度对故障特性描述的差异，提出一种基于多尺度加权CEEMD的一维卷积神经网络（1DCNN）故障诊断方法。利用互补集合经验模态将振动信号分解成一系列本征模态函数（IMFs），然后求取各个IMF分量的峭度值，计算各分量峭度所占权重，根据各个分量权重值对信号进行重构。将数据样本划分为训练集、验证集和测试集，将训练集输入到一维卷积神经网络中学习更新网络参数，然后用验证集进行验证得到最优诊断模型，最后利用测试集对诊断模型进行测试。通过电机轴承数据集和齿轮箱数据集两组实验进行了模型验证，诊断精度分别为99.98%和99.73%，表明所提方法能够快速准确地诊断出不同故障类型，并且具有较高的故障诊断准确率和鲁棒性。     

基于EEMD-增强因子自适应的液压泵微弱故障特征提取

针对斜盘式轴向柱塞泵微弱故障特征难以提取的问题,提出了一种基于EEMD-增强因子自适应的液压泵微弱故障特征提取方法。对故障信号EEMD分解得到一组IMFs,采用增强因子作为各IMF权值合成信号以突出故障特征并抑制不相关成分;对合成信号EEMD分解,用敏感因子筛选出最能够表征故障信息的IMFs分量重构信号;对重构信号做Hil-bert变换求得包络谱,分析包络谱诊断出具体故障。仿真信号和液压泵实测信号的分析结果均很好地验证了该方法的有效性和优越性。