基于EEMD-FSK的滚动轴承故障诊断

为了解决轴承故障特征提取中经验模态分解(EMD)出现的模态混叠现象,提出一种集合经验模态分解(EEMD)、快速谱峭度选频和共振解调技术相结合的滚动轴承故障诊断方法。对原始振动信号进行EEMD处理,分解为多个本征模态函数(IMF);将符合峭度准则的IMF分量筛选出来,对其进行信号重构,对重构信号进行快速谱峭度计算得出快速谱峭度图,从图中选出最优频带中心和带宽,确定FIR带通滤波器设计参数;最后通过共振解调技术对滤波信号进行包络分析,得出包络谱确定滚动轴承故障特征信息。通过滚动轴承实验分析,验证了此方法的可行性。     

改进EWT降噪与快速谱相关的滚动轴承早期故障诊断

针对非线性、强背景噪声下滚动轴承振动信号早期故障特征微弱,难以识别的问题,提出一种改进经验小波变换（EWT）降噪和快速谱相关相结合的滚动轴承早期微弱故障诊断方法。针对EWT频带划分方式受噪声影响较大,存在划分不合理的问题,提出极大值包络处理的划分方式;采用改进的EWT进行自适应信号分解,获得不同的固有模态分量,采用峭度准则筛选出有用模态分量,并进行重构得到降噪后的信号;为增强早期故障信号中的故障冲击周期成分,对降噪后的信号采用快速谱相关（Fast-SC）进行分析,获得平方增强包络谱;对平方包络谱中幅值突出的成分与故障频率进行对比分析,实现早期故障诊断。结果表明：与快速谱分析、改进EWT降噪结合快速谱峭度图相比,所提方法能有效增强早期故障特征频率,实现早期故障的准确诊断。     

基于改进HFHA EMD和双相关系数准则的液压泵特征提取方法研究

为了更有效地提取液压泵振动信号的特征,提出基于改进高频谐波加入-经验模态分解(High Frequency Harmonic Added-Empirical Mode Decomposition,HFHA-EMD)和双相关系数准则的液压泵特征提取方法。该方法首先采用幅值更大的高频谐波加入到振动信号进行EMD分解,得到一组本征模函数(Intrinsic Mode Function,IMF);然后计算各IMF分别与高频谐波和振动信号的相关系数,选取符合条件的IMF重构振动信号;再对重构信号进行包络解调,得到包络谱;最后,以包络谱各频带能量占总能量的百分比构造液压泵振动信号的特征向量,结合支持向量机判断液压泵的运行状态.实验结果表明,改进HFHA-EMD有效抑制了模态混叠现象;同时,双相关系数准则准确去除了与故障无关而保留了与故障相关的IMF,为液压泵特征提取打下坚实的基础。     

基于改进EEMD的滚动轴承故障特征提取技术

在对集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)进行研究之后,提出了一种利用改进的EEMD进行滚动轴承故障特征提取的方法。该方法根据EEMD的分解过程中信号和加入的白噪声的特点来选择EEMD的参数,并且对分解后所得到的的固有模态函数(IMF)分量进行阈值处理后再重构,以降低噪声的干扰。对重构后的信号进行包络谱分析,提取其故障特征,最后将该方法与通用的EEMD方法进行对比,研究结果表明EEMD是一种很有效的滚动轴承故障特征提取方法。     

基于改进的共振稀疏分解的滚动轴承故障诊断

针对滚动轴承早期微弱故障湮没在高强背景噪声中、造成故障特征信息提取困难的特点,提出一种改进的共振稀疏分解方法。首先采用变分模态对信号去噪,根据峭度-相关系数准则选取包含故障特征信息量多的分量进行信号重构;然后对重构后的信号进行粒子群优化的共振稀疏分解;最后对分解得到的低共振分量进行包络分析,提取故障特征频率。实验结果证明了该方法比传统共振稀疏分解更能有效地提取故障特征频率,有效地减少了干扰成分。     

基于包络谱分析的滚动轴承内圈故障声发射诊断研究

滚动轴承的早期故障信号很微弱,常规的振动法很难检测。声发射检测法具有采集较宽频率范围信号的特点,采用声发射法对内圈缺陷滚动轴承进行检测,采集宽频的声发射信号,利用小波分析方法把信号分解在不同频带,对低频信号进行重构,将重构后的包络谱特征频带与内圈故障理论特征频率相比较,结果表明:在包络谱图上可以找到理论的故障特征频率范围,这说明包络谱分析法对滚动轴承内圈故障声发射诊断是有效的。     

基于FOA随机共振和LCD_FSK的轴承故障特征提取

针对滚动轴承故障振动信号的非平稳性、受噪声干扰和传统的共振解调不易确定滤波器参数的问题,提出了一种基于果蝇优化算法(Fruit Fly Optimization Algorithm, FOA)的自适应随机共振和快速谱峭度(FSK)的方法。该方法首先利用FOA优化共振参数,使信号达到最优共振,时频增强。再经过局部特征尺度分解(Local Characteristic Decomposition,LCD),选取合适ISC分量进行重构,然后对重构信号进行快速谱峭度和Hilbert包络解调分析,从包络谱中得到故障特征。最后,将该方法运用于仿真信号和美国凯斯西储大学轴承数据中心的轴承故障信号,并将利用该方法得到的包络谱信号和未经过随机共振、未经过谱峭度的两种处理结果进行对比,进一步证明了该方法可有效地提取轴承故障特征。     

基于共振稀疏分解与谱峭度的滚动轴承故障诊断

针对滚动轴承微弱故障特征提取困难,提出了基于共振稀疏分解与谱峭度的滚动轴承故障特征提取方法,根据滚动轴承故障振动信号中转频及谐波成分与周期性冲击成分的品质因子不同进行共振稀疏分解,得到包含转频及谐波等成分的高共振分量和包含故障特征的低共振分量,对低共振分量进行快速峭度图分析,得到包含故障特征的周期性冲击成分的频带范围,利用带通滤波器进行滤波,最后对滤波信号进行希尔伯特包络谱分析,提取出滚动轴承故障特征频率。实验结果表明该方法能有效地提取出表征滚动轴承故障特征的周期性冲击成分,剔除干扰成分,突出故障特征频率谱线,正确识别出滚动轴承的故障状态。     

基于声发射信号的转子碰摩故障诊断方法

利用声发射信号的高频特性采集转子碰摩故障信息，采用小波分析技术把所得声发射信号分解在不同频带，对信号进行重构，从而消除背景噪声，并用小波包络谱分析方法识别故障信息。分析结果证明，基于声发射信号的小波包络分析可以检测出微弱的转子碰摩故障，是一种有效的早期故障诊断方法。     

自适应VMD-FSK对低速重载下的转轴裂纹诊断

为了能更好的提取出低速重载下转轴裂纹的微弱故障特征,在充分考虑到微弱故障信号的周期性后,对变分模态分解(Variational Mode Decomposition, VMD)的影响参数使用粒子群算法进行优化。信号经自适应VMD算法分解后,得到若干本征模函数(Intrinsic Mode Function, IMF),由相关系数法获得最优分量,结合快速谱峭度法(Fast Spectral Kurtosis, FSK)对最优分量进行带通滤波,对滤波信号包络谱中的故障特征进行分析。仿真与实验结果表明,包络谱中转频及其2、3倍频突出,与低速重载下转轴裂纹故障机理分析一致。     

Chatter identification in end milling process based on EEMD and nonlinear dimensionless indicators

Vibration analysis is widely used to reveal the fundamental cutting mechanics in machining condition monitoring. In this work, vibration signals generated in different chatter conditions as well as stable cutting are studied to understand chatter characteristics. Considering the nonlinear and non-stationary properties of chatter vibration in milling process, a self-adaptive analysis method named ensemble empirical mode decomposition (EEMD) is adopted to analyze vibration signals and two nonlinear indices are extracted as chatter indicators. Firstly, the vibration signal is preprocessed with a comb filter to eliminate the interference of rotation frequency, tooth passing frequency and their harmonics. Secondly, EEMD is applied to decompose the filtered signal into a set of intrinsic mode functions (IMFs). Sensitive IMFs containing rich chatter information are selected. With the development of chatter, an accumulation phenomenon appears in the spectrum of sensitive IMFs and chatter frequencies are modulated by the rotation frequency and tooth passing frequency. Finally, two nonlinear dimensionless indices within the range of [0, 1], i.e., C₀ complexity and power spectral entropy, are extracted from the sensitive IMFs in both time domain and frequency domain. The proposed method is verified with well-designed cutting tests. It is found that, the stochastic noise dominates in the sensitive IMFs of stable cutting and both the C₀ complexity value and power spectral entropy are the largest; with the increase of chatter severity level, the periodic chatter components dominate gradually and the proportion of stochastic noise decreases, and thus these two indicators decrease.     

基于EEMD的ICA算法在轴承-丝杠复合故障诊断中的应用

提出了一种基于EEMD的ICA算法,旨在解决单通道轴承-丝杠复合故障的信号分离。首先通过EEMD分解,将复合信号分解在不同的通道中,得到一系列IMF分量;再计算各IMF的峭度值和相关系数值,选取数值较大的几个IMF分量,与原始信号重新组成一组观测信号,作为ICA的输入,得到一系列IC分量;最后选取含有冲击成分较大的IC分量,进行包络分析,对故障类型进行诊断识别。通过实验成功分离并识别出两种故障类型,证明了该方法的有效性。     

基于EEMD与GWO-MCKD的门座起重机回转支承故障诊断

低速重载的门座起重机回转支承信号易受环境噪声影响,难以提取故障特征。为解决此问题,提出一种集合经验模态分解（EEMD）与灰狼优化（GWO）算法优化的最大相关峭度解卷积（MCKD）相结合的故障诊断方法。对回转支承信号进行EEMD分解,得到一系列本征模态函数（IMF）,选择峭度最大的IMF作为最优分量;以相关峭度为目标函数,利用GWO寻找在最优分量上的MCKD的最佳参数组合;使用最佳参数组合的MCKD对最优分量进行降噪,突出故障冲击成分;对降噪后的信号进行包络谱分析,完成故障诊断。结果表明：所提方法能自适应增强故障冲击成分,有效提取故障特征。     

基于多域空间状态矩阵奇异值与局部保持投影的滚动轴承故障特征提取方法

针对滚动轴承振动信号复杂且难以从中提取有效故障特征的问题,提出了一种总体经验模态分解(EEMD)、奇异值分解(SVD)和局部保持投影(LPP)相结合的故障特征提取方法。首先,对振动信号进行EEMD分解,利用EEMD分解后的固有模态分量(IMF)分别构造时域、频域和时频域空间状态矩阵;其次,利用SVD提炼时域、频域和时频域空间状态矩阵中的故障信息,筛选其中累加百分比大于90%的奇异值组成多域有效奇异值数组,构造多域奇异值特征矩阵;然后,利用LPP约简多域奇异值特征矩阵,提取低维、高区分度的故障特征;最后,利用支持向量机(SVM)对提出的故障特征提取方法进行评估。实验结果证明了该方法提取的故障特征可有效反映滚动轴承的故障状态。     

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WOA-VMD及综合评价指标的轴承故障诊断北大核心

针对轴承振动信号的冗余信息过多、故障特征提取率较低的问题,提出一种基于鲸鱼算法及综合评价指标优化变分模态分解(VMD)参数的轴承故障特征提取方法。首先构建了一种模糊熵与峭度倒数和的综合评价指标,作为鲸鱼优化算法(WOA)的适应度函数;其次对VMD的相关参数进行寻优;然后使用优化的参数对原始信号进行VMD分解,得到固有模态函数(IMFs),选取模糊熵与峭度倒数和最小的IMF作为目标模态;最后对目标分量进行希尔伯特包络谱分析来提取故障特征。在仿真信号实验和实测数据实验中与传统方法对比,结果表明,鲸鱼算法与综合指标的结合能选取最优VMD分解参数,故障频率提取率较传统方法有所提高。     

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WTD和CEEMD的轴承故障特征提取方法

针对轴承故障信号常混有噪声干扰且故障特征难以准确提取问题,提出一种基于小波阈值去噪(WTD)和互补集合经验模态分解(CEEMD)的轴承故障特征提取方法。采用WTD对原始信号进行降噪预处理;对去噪信号进行CEEMD分解得到一系列本征模态函数(IMF);然后计算各个IMF和去噪信号的互相关系数,通过设定互相关系数阈值筛选有用IMF;最后将有用IMF重构并利用包络谱对重构信号提取故障特征频率。实测信号表明：所提出的方法能降低噪声干扰并有效提取故障特征信息,证明该方法在噪声环境下具有较高的可行性和较强的实用性。     

VMD复合熵值法在齿轮故障诊断中的应用

针对齿轮实际工况复杂、故障特征难以提取的问题,提出一种基于变分模态分解(Variational Mode Decomposition,VMD)复合熵值法的故障诊断方法。首先,采用VMD方法对不同工况下齿轮振动信号进行分解,并对分解过程中关键参数的选择进行了研究;其次,根据频域互相关系数准则筛选出可有效表征齿轮状态特征的固有模态函数(Intrinsic Mode Function,IMF)进行信号重构,为反映齿轮信号在不同尺度上的时-频细节复杂度特征,计算重构信号的样本熵、奇异值熵、功率谱熵和能量熵,形成高维状态特征向量;最后,将高维状态特征向量作为最小二乘支持向量机(Least Square Support Vector Machine,LS-SVM)的输入,对齿轮的工作状态和故障类型进行识别分类。通过实测齿轮信号的分析,结果表明,该方法能够有效实现齿轮故障的诊断。