改进的经验小波变换在滚动轴承故障诊断中的应用

经验小波变换是一种基于Fourier 频谱特性,通过构建自适应小波滤波器组来分析复杂多分量信号的方法。该方法能够有效识别信号中的不同模态分量,但由于其Fourier 频谱分割问题,在处理噪声及不稳定信号方面有所欠缺。针对这一问题,采用改进的经验小波变换方法,将信号分解为具有物理意义的经验模态。改进的经验小波变换主要考虑被处理信号的频谱形状,通过采用基于顺序统计滤波器（OSF）的包络方法以及遵循三个准则来获取有效峰值的方法,改进Fourier 频谱分割过程。将改进的方法应用于滚动轴承故障诊断中,由于改进的经验小波变换能够将振动信号分解为一系列单分量成分,因此在轴承振动信号包络谱中能够清晰的发现故障特征。通过对滚动轴承振动模拟信号和实验信号的分析验证了该方法的有效性。     

基于FVMD的滚动轴承故障特征提取方法EI北大核心CSCD

针对变分模态分解(variational mode decomposition,VMD)中模态数K和惩罚因子α无法自适应确定的问题,提出了基于快速变分模态分解(fast VMD,FVMD)的滚动轴承故障特征提取方法。首先,利用频谱趋势分割方法对滚动轴承振动信号进行分析,确定频谱趋势分割边界,进而自适应确定VMD的分解模态数K和惩罚因子α、模态初始中心频率ω;其次,根据参数K、α、ω,完成原始振动信号的自适应分解,并基于有效权重峭度准则提取有效本征模态函数(intrinsic mode function,IMF)分量;最后,利用希尔伯特包络解调计算有效IMF分量重构信号的包络频谱图,完成滚动轴承故障特征的提取。使用仿真信号、美国凯斯西储大学(Case Western Reserve University,CWRU)和美国航空航天局(National Aeronautics and Space Administration,NASA)的滚动轴承数据完成所提方法与传统VMD方法的对比试验。结果表明,所提方法能够自适应确定VMD的分解模态数K和惩罚因子α,提高VMD的计算效率,同时有效提取到滚动轴承的故障特征频率,证明了所提方法的有效性和可行性。     

基于改进的自适应无参经验小波变换的滚动轴承故障诊断

为实现滚动轴承故障周期冲击特征的有效提取,解决经验小波变换Fourier谱分割存在的问题,提出了一种改进的自适应无参经验小波变换方法。首先,利用自适应无参经验小波变换对信号Fourier谱进行自适应分割;然后,利用峭度指标对谱边界进行合并,并重构滤波器组对信号进行分解;最后,选取峭度值最大的分量进行包络解调提取故障特征。仿真和工程应用验证了所提方法的有效性,分析结果表明该方法的性能优于集合经验模态分解和经典经验小波变换。     

基于复包络谱的滚动轴承故障特征提取方法研究

提出一种基于复包络谱的滚动轴承故障特征提取方法。采用正交采样技术获取滚动轴承同一支撑处互相垂直方向上的振动信号,并将其组成一个复数信号;运用二元经验模态分解(bivariate empirical mode decomposition,BEMD)将复数信号分解成若干复固有模态函数(complex intrinsic mode function, CIMF)之和,应用Hilbert变换解调出CIMFs的实部和虚部包络信号,将实部和虚部的包络信号组成复数形式的包络信号,并用复傅里叶变换求其频谱。依据复数形式的包络信号的傅里叶谱提取滚动轴承的复合故障特征频率,并与全矢谱做了对比分析。复合故障试验案例证明了该方法的可有性和有效性;XJTU-SY滚动轴承数据集的复合故障分析进一步验证了该方法提取的故障特征更为全面。     

基于EWT和包络谱分析的轴承故障诊断研究

针对轴承故障早期信号非常微弱难以提取的特点,提出一种经验小波变换(EWT)和包络谱分析相结合的故障诊断方法。该方法应用EWT对信号进行自适应的分解处理,通过选取表征轴承故障的模态分量进行包络谱分析,对轴承故障进行判断,并在LabVIEW开发环境下实现,有效拓宽其适用环境。其中EWT是通过结合小波变换和经验模态分解各自的优点,建立自适应的小波滤波器来提取信号的模态函数。通过仿真信号和轴承故障实验信号的研究结果表明,LabVIEW开发环境下的EWT能够有效地对信号进行自适应分解,在与包络谱分析相结合后能够更为有效地提取并识别轴承故障类型。     

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。     

基于改进奇异值分解和经验模式分解的滚动轴承早期微弱故障特征提取

针对滚动轴承早期微弱故障特征难以提取的问题,提出了改进奇异值分解(SVD)和经验模式分解(EMD)的滚动轴承早期微弱故障特征提取方法。首先用多分辨奇异值分解将信号分成具有不同分辨率的近似和细节信号,然后对近似信号用奇异值差分谱进行消噪,对消噪后的信号进行经验模态分解,将得到的各本征模函数分量进行希尔伯特包络解调,从而获得滚动轴承故障特征信息,最后通过对滚动轴承早期内圈故障的诊断实验证明了该方法的有效性     

改进经验小波变换与最小熵解卷积在铁路轴承故障诊断中的应用

经验小波变换是一种小波框架下的自适应信号分解方法,对旋转机械的非线性、非平稳振动信号有很好的分解作用。针对传统经验小波变换过程中频谱划分过多的问题,提出根据互信息值对频谱进行重新划分与合并的方法,能有效减少频带数量;选择峭度值最大的分量进行信号重构,再使用最小熵解卷积对重构信号进行降噪;对降噪后的信号进行包络分析,能够有效地诊断出滚动轴承的微弱故障。通过仿真信号与铁路货车轮对轴承实验信号验证了该方法的有效性,为下一步工程应用奠定了基础。     

变分模态分解和改进的自适应共振技术在轴承故障特征提取中的应用

针对滚动轴承早期故障特征提取困难的问题,提出了基于变分模态分解(Variational Mode Decomposition,VMD)和改进的自适应共振技术的滚动轴承故障特征提取方法。针对轴承故障信号所在频带难以选择的问题,提出了基于改进的自适应共振技术(Improved Adaptive Resonance Technology,IART)的IMF选取方法。首先,确定模态数,提出了峭度最大值的模态数确定方法;然后,对原始振动信号进行VMD分解,获得既定数目的本征模态分量(Intrinsic Mode Function,IMF);其次,利用IART选取包含丰富故障信息的IMF分量;最后,(如有需要)对选取的IMF分量进行基于IART的带通滤波,并进行包络解调分析提取故障特征频率。将该方法应用到轴承仿真数据和实际数据中,能够实现轴承故障特征的精确诊断,证明了该方法的有效性。     

EMD样本熵在滚动轴承信号复杂性度量中的应用

针对常用的傅里叶变换、小波变换等在分析滚动轴承信号时存在难以度量复杂性的局限,采用经验模态分解(EMD)结合样本熵来改进。通过对不同故障程度的滚动轴承信号应用样本熵和EMD样本熵的实际效果进行比较,同时对EMD样本熵大的分量进行包络谱分析。结果发现:样本熵值过于接近不易区分,而EMD样本熵值差别明显准确性更高,并且其变化趋势与信号随故障变化的趋势一致,包络谱中存在故障频率及其倍频。该方法可用于轴承运行状态监测和预判。