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。     

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ESMD和快速谱峭度的电机轴承故障诊断

针对复杂工况下电机轴承故障特征不明显的问题,提出了一种基于极点对称模态分解算法(Extreme-pointSymmetric Mode Decomposition,ESMD)与快速谱峭度联合分析的电机轴承故障诊断方法。首先将复杂故障信号进行ESMD分解得到若干模态分量(Intrinsic Mode Function,IMF)分量,利用信息熵与相关性选取有效IMF并由其信息熵确定信号重构的权重;利用快速峭度图自适应的确定带通滤波器的最佳滤波频带,对重构信号进行带通滤波;然后解调滤波信号分析,从平方包络谱中提取出相应故障的特征频率。最后通过试验分析表明,该方法可对故障信号进行有效降噪并提取出电机轴承故障特征,诊断出故障类型。     

基于变分模态分解和谱峭度的风电机组轴承故障诊断方法

针对风电机组轴承故障特征提取困难的问题,将谱峭度(Spectrum Kurtosis,SK)和变分模态分解(Variational Mode Decomposition,VMD)相结合,提出一种基于VMD-SK的故障诊断新方法。首先,对采集的轴承振动信号进行VMD分解,得到若干个固有模态函数(Intrinsic Mode Function,IMF);其次,对每一个IMF分量进行傅里叶变换,并计算其平方包络;再次,利用SK的滤波特性,选取故障特征频带所在的IMF分量来构建最优包络谱;最后,通过对包络谱分析可以诊断出风力发电机轴承故障。实验结果表明,VDM-SK法可以成功地提取风电机组轴承故障的特征频率,有效区分风电机组轴承的故障类型。     

基于变分模态分解和1.5维谱的轴承早期故障诊断方法

提出了基于变分模态分解(VMD)和1.5维谱的滚动轴承早期故障诊断方法。利用VMD方法处理故障信号时,需要预先设置分解所得本征模态函数(IMF)分量的个数,且为了便于后续分析,需要从所得结果中筛选出最佳信号分量,为此提出一种分量峭度图方法来同时解决这2个问题。首先,设置IMF分量个数最大值,计算相应的分量峭度图;接着,根据分量峭度图对原故障信号进行VMD处理,并选定最佳IMF分量;然后,对最佳IMF分量做进一步包络解调运算,并计算包络信号的1.5维谱;最后,通过分析1.5维谱中幅值突出的频率成分可实现故障类型的准确判定。模拟信号及实测信号分析结果表明,所提的基于VMD和1.5维谱的诊断方法能够有效提取出轴承早期故障信号中的微弱特征信息,实现轴承早期故障的准确判别。     

基于变分模态分解和谱峭度法的滚动轴承故障特征提取

针对共振解调中带通滤波器参数的选取通常比较困难,以及滚动轴承早期微弱故障信号通常被强烈的背景噪声淹没,为此,提出了使变分模态分解(variational mode decomposition,VMD)和谱峭度法共同作用来处理故障信号的方法。首先要重构故障信号,利用VMD分解得到故障信号的本征模态分量(intrinsic mode function,IMF),再计算各分量对应的峭度值对其自适应重构。然后,对重构信号进行快速谱峭度分析,并据此设计带通滤波器。最后,根据重构信号共振解调后的谱线即可准确判断轴承故障。通过处理实测数据进行诊断,结果表明了该方法较传统共振解调法诊断结果更精确。由此可见,谱峭度法在滤波器参数选择上具有可靠性,以及VMD与谱峭度结合能够降低噪声干扰提取微弱故障信号。     

采用奇异能量谱与改进ELM的轴承故障诊断方法

针对滚动轴承故障特征不易提取,进而影响诊断精度的问题,研究一种将信号处理与智能算法相结合的轴承故障诊断方法.首先,利用粒子群算法对变分模态分解(VMD)法进行优化,以确定VMD法的最优输入参数,并利用优化VMD算法对振动信号进行分解得到若干本征模态函数进而建立特征矩阵.然后,对特征矩阵进行奇异值分解,根据不同故障下奇异能量谱的差异构造故障特征向量,并采用改进的极限学习机(ELM)进行故障识别.针对传统ELM输入层权值与隐含层阈值随机选取对分类效果的影响,采用自适应差分进化极限学习机对其进行优化,以保证故障诊断性能.最后,利用实验结果验证所研究故障诊断方法的可行性.     

基于VMD与自相关分析的滚动轴承故障特征提取

滚动轴承故障信号多呈现非平稳、多分量调制特性,早期故障信号调制特性微弱、易受周围设备噪声干扰,导致轴承早期故障特征淹没在噪声信号中,故障特征难以提取。为此,提出一种变分模态分解(variational mode decomposition,VMD)与自相关分析相结合的轴承故障特征提取方法。首先利用自相关分析消除故障信号中噪声干扰,提取周期成分;然后再用VMD算法将消噪信号分解成若干本征模态分量(intrinsic mode function,IMF),运用能量算子对相关系数及峭度值较大分量进行解调分析;最后通过能量解调谱来判别滚动轴承故障类型。将该方法应用到滚动轴承仿真故障数据和实测数据中,结果表明,该方法可降低了噪声的干扰,有效提取故障特征频率,能够实现滚动轴承故障的精确诊断。     

基于EEMD和CICA的风电机组轴承故障特征提取

针对风电机组轴承故障振动信号具有高噪声、非线性、非平稳的特性,提出一种集成经验模态分解(ensemble empirical mode decomposition,EEMD)和约束独立分量分析(constrained independent component analysis,CICA)的故障特征提取方法(EEMD-CICA)。首先对采集的轴承振动信号进行预处理,消除噪声信号的影响,并利用EEMD进行分解,得到一系列本征模态函数(intrinsic mode function,IMF);然后利用邻近奇异值插值法估计源信号个数,并根据互信息准则选取IMF分量作为参考信号;最后根据选取的参考信号,利用CICA方法提取轴承故障中包含的信号特征,并进行包络解调得到包络谱。算例分析表明,此方法能有效提取轴承故障特征。     

多维度能量熵提取的不同负载下电机轴承故障诊断

为了提高电机轴承故障诊断的准确率,针对电机轴承故障不稳定的振动信号及故障特征提取困难问题,提出了一种基于变分模态分解（VMD）能量熵与卷积神经网络（CNN）相结合的电机轴承故障诊断方法。为了使故障的特征更精确地体现出来,采取三维度的能量熵提取办法,将轴承故障分为内圈磨损、外圈磨损和保持架断裂三类,然后每个类别再细分为负载为0%、25%和50%三种情况,共9种情况。利用VMD方法将故障信号分解得到内禀模态函数(IMF)的分量并提取各个维度IMF的能量熵值从而构成特征向量。结果表明该方法可以有效提高故障诊断正确率。     

基于VMD与快速谱峭度的滚动轴承故障诊断

针对滚动轴承故障信号易受环境噪声干扰,故障特征信息获取相对困难的问题,提出了基于变分模态分解(VMD)与快速谱峭度的滚动轴承故障特征提取方法。首先将轴承信号分解为若干个固有模态分量(IMF),然后利用最大相关峭度解卷积算法对各阶模态分量进行计算,选取相关峭度值相对较大的几个IMF分量作为故障信息最突出的研究对象,并对其进行快速谱峭度分析;最后根据快速谱峭度图结果设置滤波频率,对滤波信号进行平方包络谱分析得到轴承的故障特征信息。通过公开数据和实验分析表明了该方法可以成功诊断轴承故障。     

变工况特性下的风电轴承早期故障诊断方法

针对风电机组运行环境极端恶劣和运行工况复杂多变造成的故障特征无法准确、及时捕捉的特点,提出基于IMF(Intrinsic Mode Function)分量优化选取和Hilbert谱分析的风电轴承早期故障诊断方法。首先利用阶比重采样技术将时域非平稳信号转换为角域平稳或准平稳信号;然后对角域信号进行EMD(Empirical Mode Decomposition)分解,利用互相关准则和峭度准则选取IMF分量,重构角域信号;最后,采用希尔伯特变换对重构信号进行处理,得到边际谱。通过试验仿真验证了该方法的有效性。     

基于CEEMDAN的配电变压器放电故障噪声诊断方法

研究配电变压器本体和放电故障噪声的声学特征以及识别方法,是实现配电变压器放电故障可靠识别和诊断的关键。为此,提出了基于自适应白噪声完备集成经验模态分解(CEEMDAN)的配电变压器放电故障诊断方法。该方法首先采用CEEMDAN对所采集的声信号进行分解,得到若干个本征模态函数(IMF),求取各IMF的峭度值,并选取合适的IMF分量进行信号重构,从中提取放电故障声信号;其次对放电故障声信号进行CEEMDAN分解,获取其边际谱熵、重心频率、频带能量熵及奇异谱熵这4个特征量,并构成特征向量;最后利用支持向量描述(SVDD)对典型放电故障进行分类与识别。实验结果表明:所提方法在考虑配电变压器本体噪声的条件下,放电故障的识别率达到90%以上,可用于配电变压器放电故障的识别和诊断。     

基于改进EMD和双谱分析的电机轴承故障诊断实现

轴承是电机设备极重要的部件。轴承故障检测是非常必要的。通过将改进的经验模态分解和双谱分析相结合的故障检测方法来有效诊断电机轴承的早期故障。首先,针对EMD分解无法得到严格单分量IMF的问题,利用小波包分解将轴承振动信号分解为窄带信号并选取能量最集中的频带进行重构,从而降低故障信号的复杂性,抑制模态混叠问题;然后利用经验模态分解方法根据信号的固有波动模式将其分解为一系列IMF分量;再通过方差贡献率检验去除其中的虚假分量;最后,利用双谱分析信号的调制关系进行解耦,得到故障特征频率。验证结果表明,所提出的分析方法能有效诊断轴承故障。     

基于ENEMD与Teager能量算子的轴承早期微弱故障特征提取研究

针对经验模态分解(EMD)和集合经验模态分解(EEMD)方法存在模态混叠、噪声残留以及对滚动轴承早期微弱故障特征提取效果不理想的问题,提出一种基于集成噪声重构经验模态分解(ensemble noise-reconstructed empirical mode decomposition, ENEMD)与Teager能量算子的轴承早期微弱故障特征提取方法。首先,使用ENEMD对采集信号进行分解,基于固有噪声分量处理方法实现信号降噪;其次,基于峭度与相关系数的联合准则,提取ENEMD分解的峭度值及相关系数较大的imf分量进行重构;再次,利用Teager能量算子对重构信号进行分析,从而提取到滚动轴承的早期微弱故障特征;最后,基于滚动轴承内、外圈的故障振动信号,开展所提方法与基于EMD和Teager能量算子(EMD-Teager)及基于EEMD和Teager能量算子(EEMD-Teager)方法对比实验。实验结果表明,本方法能有效提取滚动轴承早期微弱故障特征,并取得略优于EMD-Teager和EEMD-Teager能量算子的效果。     

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VMD共振稀疏分解的滚动轴承故障诊断

针对滚动轴承早期故障信息难以提取且信号呈现非平稳、非线性的特点。提出了一种基于变分模态分解和共振稀疏分解相结合的滚动轴承故障诊断方法。首先利用VMD将信号分解为一系列模态分量;然后根据峭度准则对包含故障信息最多的模态分量进行双Q因子的共振稀疏分解;最后对包含故障信息量丰富的低共振分量进行能量幅值谱分析从而得到轴承故障特征频率。其次将基于EMD共振稀疏分解应用于仿真信号作对比分析,证明VMD共振稀疏分解方法的有效性。基于此,将VMD共振稀疏分解方法应用于轴承内、外圈故障诊断中,成功提取出故障特征频率,验证了此方法的有效性。     

基于MCKD-EMD的风电机组轴承早期故障诊断方法

风电机组轴承处于早期故障阶段时,特征信号往往比较微弱,并且受环境噪声及信号衰减的影响严重,因此轴承早期故障特征一直难以提取。经验模态分解(EMD)在轴承的故障特征提取中已经得到了广泛的应用,但其在强背景噪声干扰下对轴承早期故障特征的提取具有一定的局限性。针对这一问题,考虑到最大相关峭度解卷积(MCKD)算法可凸显出轴承振动信号中被噪声所掩盖的故障冲击脉冲,非常适用于轴承早期故障信号的降噪处理,因此将MCKD与EMD相结合用于轴承早期故障诊断。用MCKD对强噪声轴承信号进行降噪,然后对降噪后的信号进行EMD,选取敏感本征模态函数(IMF)并计算其包络谱,通过分析包络谱中幅值凸出的频率成分判断故障类型。仿真和试验分析结果验证了所提方法的有效性和准确性。     

基于 KL-VMD 和综合特征指标的 滚动轴承性能退化评估

针对滚动轴承早期性能退化点难以检测的问题,提出一种结合改进变分模态分解(VMD)和综合特征指标的滚动轴承性能退化评估方法。首先使用K-L散度优化VMD的参数,用优化后的VMD对轴承振动信号进行分解,通过Wasserstein距离筛选对退化特征较为敏感的模态分量,对其奇异值分解得到奇异值特征;结合信号的熵能比和置信值组成滚动轴承退化综合特征指标,最后构建支持向量数据描述模型计算性能退化指标,实现滚动轴承的早期微弱故障检测及性能退化评估。利用轴承全寿命实验数据验证方法的有效性,对早期性能退化点的检测结果相较于其他退化评估方法有所提前,为滚动轴承性能退化评估提供新思路。     

基于经验模态分解和散度指标的风力发电机滚动轴承故障诊断方法

提出了一种基于经验模态分解（Empirical Mode Decomposition, EMD）和散度指标的滚动轴承故障诊断方法。该方法首先对原始振动信号进行经验模态分解,再以峭度为准则,选取包含故障信息的特征模态函数（Intrinsic Mode Function, IMF）进行信号重构,并对重构后的信号进行Hilbert包络谱分析,然后提取故障特征量,最后通过计算故障特征量的J-散度(J-divergence)和KL-散度(Kullback–Leibler divergence)来判断故障类型和描述故障程度。通过从试验台采集的无故障和具有内环故障、外环故障和滚动体故障样本,以及从某风电场风力发电机齿轮箱高速输出端采集的近一年的监测数据分析结果,证明了所选故障特征量的准确性,同时也验证了所提出的基于经验模态分解和散度指标的滚动轴承故障诊断方法的有效性和准确性。