基于CEEMD和奇异值差分谱的滚动轴承故障特征提取

针对滚动轴承故障信号非线性、非平稳特征导致的故障频率难以提取的问题,提出一种基于补充总体平均经验模态分解(Complementary EEMD,CEEMD)和奇异值差分谱结合的滚动轴承故障诊断方法。CEEMD分解向原信号成对地添加符号相反的白噪声,几乎消除残留白噪声的影响。首先,对故障信号利用CEEMD算法进行分解,得到若干IMF(Intrinsic Mode Function)分量,然后运用相关系数—峭度准则对IMF分量进行筛选并重构,再对重构信号进行奇异值分解,并求出奇异值差分谱,根据奇异值差分谱理论进行消噪和重构,最后对重构信号进行Hilbert包络谱分析,提取故障频率。实验结果表明,提出的方法,能精确地提取滚动轴承的故障频率。     

基于CEEMD和FastICA的滚动轴承故障诊断研究

由于滚动轴承振动信号易受噪声干扰的影响、故障特征提取较为困难。为此,提出了一种基于互补集合经验模态分解(CEEMD)和快速独立分量分析(Fast ICA)的轴承故障特征提取方法。该方法首先利用CEEMD算法将原故障振动信号进行分解运算,得到一系列模态分量(IMF);然后依据峭度准则选取一些模态分量来完成观测信号的重构,剩余其他的模态分量完成虚拟噪声通道信号的重构;再利用Fast ICA方法对重构信号进行降噪;引入Teager能量算子(TKEO)对降噪后的信号进行解调处理;最后对解调后的信号进行快速傅里叶变换(FFT)运算,分析变换后信号的频谱特征,提取出原信号的故障特征频率。将该方法应用到滚动轴承故障实际数据中,实验结果表明,该方法可以有效提取出滚动轴承故障的基频和倍频特征信息。     

基于 SVD-VMD 和 SVM 滚动轴承故障诊断方法

针对故障滚动轴承振动信号中含有干扰信号,难以准确提取出故障信息,提出了一种基于奇异值分解(SVD)、变分模态分解(VMD)、和支持向量机(SVM)的滚动轴承故障诊断方法。首先利用奇异值分解对信号进行处理,根据奇异值峰度差分谱来确定分解后重构矩阵的有效阶数,然后根据该有效阶数重构信号,对重构后的信号进行VMD分解,根据上述有效阶数确定分解的本征模态函数(IMF)分量的个数,从分解后的IMF分量中提取故障特征参数,将其作为支持向量机的输入参数进行故障诊断。最后采用合肥工业大学轴承试验机进行验证,并与直接进VMD分解及基于带通滤波器信号去噪的故障诊断方法进行对比,结果表明该方法能有效识别滚动轴承的故障类型,可用于滚动轴承故障诊断。     

小波包分析和BP神经网络在滚动轴承故障模式识别中的应用

根据滚动轴承振动信号的不同故障模式在频域能量分布中的差异性,提出了基于小波包分解与重构和BP神经网络的轴承故障模式识别技术。论文首先对轴承振动信号进行小波包三层分解,完成了振动信号在空间的完整拆分,同时得到了第三层由低频到高频的小波包分解系数,再依据小波包分解系数分别重构各频段的信号,并提取信号各频段的能量。然后利用信号各频段的能量组成的特征矢量作为BP神经网络的输入样本,对BP神经网络进行训练,获得不同故障模式识别网络模型,最后利用测试数据对建立起来的BP神经网络模型进行检验,通过BP神经网络判别滚动轴承的故障类型。实验结果证明,采用小波包分解与重构和BP神经网络相结合的方法可以比较准确地识别滚动轴承的故障。     

基于CEEMD和MOMEDA的滚动轴承故障提取

当滚动轴承发生故障时,故障特征信号会夹杂在振动信号中,造成故障特征信号提取效果不理想.针对这一问题,提出了一种互补集成经验模态分解与多点最优最小熵(CEEMD-MOMEDA)的滚动轴承故障提取方法.首先通过CEEMD算法对采集到的振动信号进行处理,然后通过峭度准则对非故障冲击成分进行筛除,最后利用MOMEDA算法对重组后的信号进行处理从而抑制噪声的影响,从中提取出故障特征.并与单一的MOMEDA算法进行对比.结果 表明,提出的CEEMD-MOMEDA算法故障提取能力、抗干扰能力有较大提升.     

基于 QH-ITD 和 AMCKD 的滚动轴承故障诊断研究

由于滚动轴承早期微弱故障易受噪声影响导致难以对故障进行诊断。针对原固有时间尺度(ITD)和三次样条插值改进ITD算法的不足以及最大相关峭度解卷积(MCKD)算法的滤波器长度参数选取困难的问题,提出基于四次Hermite插值改进的ITD(QH-ITD)算法和利用变步长网络搜索参数寻优改进MCKD(AMCKD)算法。该方法首先利用QH-ITD算法对原滚动轴承故障信号进行分解运算,然后利用峭度指标和互相关系数筛选相应的分量信号进行重构,再利用AMCKD算法中对重构信号进行降噪处理,最后利用Teager-Kaiser能量算子进行解调处理,提取出故障特征信息并判断故障类型。通过人工模拟的滚动轴承损伤故障诊断实验和全寿命周期的轴承早期微弱故障诊断实验,验证了所提方法可以有效地对滚动轴承的早期微弱故障进行诊断识别。     

基于MHHO-BP算法的DC-DC电路软故障诊断

针对DC-DC电路软故障诊断中特征提取困难和分类准确率低的问题,提出了一种基于多策略改进哈里斯优化算法-反向传播MHHO-BP)神经网络的故障诊断方法。该方法通过VMD对故障信号进行处理,提取其时域和频域特征作为故障向量,采用MHHO算法优化BP神经网络的权值和阈值,建立DC-DC电路的VMD-MHHO-BP软故障诊断模型。实验结果表明,对于DC-DC电路软故障,该方法相较于鲸鱼优化算法(WOA)和蝴蝶优化算法(BOA)优化BP神经网络,其诊断效果好,准确率高。     

EMD融合多重分形的故障诊断研究

本文建立了以EMD分解为基础,将分解信号再多重分形然后用改进BP神经网络训练的水轮发电机组故障诊断模型。该模型先利用EMD分解对振动信号进行识别,得到故障信号的EMD近似系数,再通过多重分形谱算法提取振动故障的特征向量,最后将该特征向量输入BP神经网络进行分类识别。故障信号频谱特性的提取差异很大,不能反应故障特征。该模型直接通过波形提取信号特征,避免频谱提取的提示还结合了多重分形谱进行诊断识别,为水轮发电机组故障诊断提供了一种新的思路。经过现场试验,该方法能够准确识别故障,结果令人满意。     

基于CMSE的随钻脉冲信号提取算法研究

为了更加准确高效地提取原始随钻钻井液脉冲信号,提出了一种基于互补集合经验模态分解(CEEMD)与平波整形算法的提取算法。采用基于固定"筛"数量停止准则的CEEMD对含噪信号进行分解,以连续均方误差(CMSE)指标为理论判据,重构信号的低频分量;提出平波预处理策略改进现行的脉冲整形算法,对重构后的信号进行整形处理,即可获得准确的钻井液脉冲信号。进行了仿真分析和实验研究,结果表明,该算法可以准确提取原始脉冲信号,提高了系统的实时性,且更加符合工程实际使用要求。     

基于Hilbert模量与改进BP神经网络的电机转子断条故障诊断

为了更加快速准确识别感应电机转子断条故障,文中提出一种基于定子电流Hilbert模量与混沌粒子群算法(Chaos Particle Swarm Optimization,CPSO)优化BP神经网络的感应电机转子断条故障诊断方法。该方法首先通过定子电流Hilbert模量进行故障特征提取,然后采用CPSO-BP神经网络进行故障状态的自动识别。Hilbert模量可以将定子电流中的基波信号转化为直流分量,降低其对特征提取的干扰,从而凸显故障特征。而CPSO-BP神经网络方法相比BP神经网络具有更好的权值系数,可以进一步提高故障识别率。经实例验证,基于Hilbert模量与改进BP神经网络的电机故障诊断方法性能良好。     

基于随机共振和VMD分解的风电机组滚动轴承故障特征提取

以风电机组滚动轴承为研究对象,针对其故障诊断中强噪声背景下信号信噪比低、故障特征难以提取的问题,提出一种基于随机共振(SR)和变分模态分解(VMD)的故障特征提取方法。该方法首先利用随机共振对滚动轴承的振动信号进行降噪处理,提高信号的信噪比;然后对降噪后的振动信号进行VMD分解,通过求取固有模态函数(IMF)的幅值谱,从而发现滚动轴承的故障特征频率。将该方法应用于风电机组滚动轴承的实际数据中,分析结果表明,该方法能够提高信号的信噪比,实现风电机组滚动轴承的精确诊断。     

基于经验模态分解的风电轴承早期故障诊断研究

介绍了采用基于经验模态分解EMD包络谱的滚动轴承早期故障诊断方法。该方法先用EMD将原始时域信号分解为若干个平稳的固有模态函数IMF之和,然后求出包含主要故障信息的多个IMF分量的包络谱,通过包络谱频率来判断滚动轴承的故障类型。对滚动轴承内圈故障振动信号的分析结果表明,基于经验模态分解包络谱的故障诊断方法能够比传统的FFT频谱更加及时准确的提取滚动轴承的故障特征,利于提早发现故障隐患。     

矿用带式输送机减速器故障诊断方法研究

针对煤矿带式输送机减速器故障诊断这一难题,提出了一种基于小波包变换和BP神经网络的带式输送机减速器故障诊断方法,通过采集驱动装置中减速器的振动信号,对信号进行小波包降噪与分解,构造故障样本对BP神经网络进行训练,达到对故障诊断的目的。实验表明该方法能诊断出驱动装置的减速器内部齿轮和轴承表面均匀磨损、局部磨损、点蚀疲劳和剥落等故障,适合于输送机驱动装置实时工况在线检测,具有实际应用价值。     

基于EEMD的声阵列滚动轴承故障诊断

研究针对滚动轴承故障诊断中的类型和位置分析问题,提出了一种基于集合经验模态分解(EEMD)的声阵列滚动轴承故障诊断分析方法。以EEMD分解信号的峭度和能量作为评价指标,提取包含故障信息的IMF分解信号,根据滚动轴承理论故障频率及其倍频分析对分解信号进行窄带滤波后通过Hilbert包络谱实现故障类型判断,通过对窄带滤波后的分解信号使用声阵列技术进行声像分析实现滚动轴承故障定位分析。最后通过试验进行了方法验证,结果表明过使用基于EEMD分解的阵列分析方法,可更为直观确定故障位置和故障类型,有利于有轨机车等多轴承驱动系统轴承故障的快速和实时诊断,对于确定检修、制定合理维修决策、改进维修质量具有十分重要指导意义。     

基于EMD-神经网络的电动机转子故障诊断方法研究

在电动机运行过程中,转子断条故障将导致电动机出力降低,性能恶化。因此研究更高效的电动机故障诊断方法来对其进行检测迫在眉睫。针对电动机转子出现断条故障时定子电流信号的非平稳特征,提出了一种基于经验模态分解(EMD)和神经网络相结合的转子故障诊断方法。该方法首先将原始信号分解为突出了原信号不同时间尺度的局部特征信息的内在模函数(IMF)分量,然后将各IMF分量输入到BP网络中进行训练学习和故障诊断。将此方法应用于电动机转子断条故障的识别,实验结果表明,该方法能快速准确地识别转子断条故障。     

基于粒子群算法的模拟电路故障诊断方法

提出一种基于小波包分解、主元分析、归一化处理、粒子群算法与神经网络相结合的模拟电路故障诊断新方法。该方法使用小波包分解来对信号进行消噪和小波多尺度分解,再进行正交主元分析和归一化处理来提取故障特征信息,作为神经网络的输入样本。在充分考虑传统BP算法中采用梯度下降法所固有的极易陷入局部极小等缺陷的基础上,提出了采用粒子群算法来优化传统BP网络的方法。文中研究了故障特征信息的提取、样本选择及诊断系统,并通过电路诊断实例,阐述了该方法的具体实现,验证了所提方法的有效性。     

基于一维盲源分离的滚动轴承故障诊断

盲源分离较之传统的信号处理方法在处理弱信号问题上更具优势。针对轴承故障诊断中因条件限制仅能进行单通道信号采集的情况,提出了一种基于总体经验模式分解的一维盲源分离算法。算法先通过总体经验模式分解将信号分解为多个本征模态函数,再根据本征模态函数之间的相关系数重组观测矩阵,最后利用近似联合对角化对矩阵进行盲源分离。通过数据仿真将该方法与小波分析和Hilbert-Huang变换作对比,说明该方法更适于处理低信噪比的轴承故障信号。对滚动轴承进行了故障诊断实验,成功找到了表征内圈故障和外圈故障的特征信息。     

采用最优小波树和改进BP神经网络的感应电动机定子故障诊断

为了准确及时地识别并排除感应电动机定子匝间短路故障,保障电动机设备的安全运行,提出了一种基于最优小波树和捕食搜索遗传算法优化神经网络的新型故障诊断方法。结合故障电流的特征,采用最优小波树,将滤除基波分量后的定子残余电流信号进行分解,提取表征信号内在规律最强的分解节点能量成分,作为BP神经网络的输入特征向量。采用BP神经网络进行分类,通过捕食搜索策略优化的遗传算法选择神经网络训练的初始权值和阈值,提升网络训练的速度和准确度。实验结果表明,该方法不但可以提取优于小波包方法的最优特征向量,同时可以准确识别三种故障下的电动机定子匝间短路故障。     

BP神经网络在异步电机转子故障诊断中的应用

为了解决工农业生产中最常用的异步电动机故障频发且复杂多样,难以维修诊断的问题,通过对异步电动机常见的机械故障和故障机理的分析,探究了信号处理技术及智能诊断技术,旨将BP神经网络技术应用到电机的故障诊断中。系统对采集的电机振动信号进行分析处理后,以BP神经网络作为故障诊断分类器,利用模式识别来对电动机进行故障诊断,以LabVIEW软件完成BP神经网络程序的编写,验证实验结果显示该故障诊断方法简单可靠,且适合现场实际开发。     

基于多尺度排列熵和IWOA-SVM的滚动轴承故障诊断

针对滚动轴承信号表现出的非线性和非平稳性特征问题，合理的特征选择可提高故障诊断率，提出基于多尺度排列熵(MPE)与改进鲸鱼算法(IWOA)优化支持向量机(SVM)的故障诊断模型。首先，通过变分模态分解(VMD)进行信号降噪预处理，计算多尺度排列熵进行信号特征重构；其次，引入惯性动态权重对鲸鱼算法进行改进，通过训练SVM参数，建立IWOA-SVM故障诊断模型；最后用美国凯斯西储大学轴承数据集进行仿真。结果表明，相较于多尺度熵，MPE可表征的故障特征信息更加丰富，故障识别率提高了2.1%;与同类优化算法相比，采用IWOA对SVM进行优化的故障诊断模型，收敛速度快、训练时间短、故障识别精度高，可对滚动轴承进行有效诊断。