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。     

ITT变换在风电机组滚动轴承故障诊断中的应用

为实现风电机组滚动轴承微弱故障诊断,提出了基于改进的时时(ITT)变换的风电机组滚动轴承故障诊断方法。由时时(TT)变换可得到一维轴承故障振动信号的TT变换矩阵,实现滚动轴承振动信号的二维TT表示。提取该TT变换矩阵的对角线元素可滤除低频干扰信号,起到增强故障特征的效果。鉴于噪声对TT变换分析效果具有重要影响,提出基于能量熵准则的奇异值分解降噪方法改进TT变换,以提高TT变换的抗噪能力,实现强背景噪声条件下轴承微弱故障特征提取。仿真、实验及工程应用实例结果均表明所提方法可以有效诊断出风电机组滚动轴承的故障类型。     

基于EEMD和Hilbert分析的滚动轴承故障诊断方法研究

滚动轴承在风电机组中广泛应用,其运行状态直接影响整台风机的性能。提出EEMD(总体平均经验模态分解)和Hilbert包络分析相结合的方法对滚动轴承进行故障诊断。经验模态分解具有自适应性,但存在一些不足,易产生虚假分量和模态混叠现象。针对EMD分解方法的不足,引入改进型算法EEMD。首先将振动加速度信号进行EEMD分解,计算各阶IMF峭度值的大小,选择峭度值较大的IMF分量,利用Hilbert变换对其进行包络谱分析,提取故障特征频率,辨识滚动轴承故障。通过对实验采集的滚动轴承振动信号进行分析,证明了该方法的有效性和准确性。     

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和奇异值能量差分谱的风机滚动轴承故障特征提取方法

风电机组轴承处于早期故障阶段时,故障特征信号微弱,受环境噪声及信号衰减的影响较大,因此轴承早期故障特征的提取一直是个难点。为了有效提取风机滚动轴承的故障特征,提出了基于变分模态分解(Variational Mode Decomposition,VMD)和奇异值能量差分谱的特征提取方法。首先对轴承信号进行VMD分解得到一系列固有模态函数(Intrinsic Mode Function,IMF),然后选取敏感IMF进行奇异值分解,并利用奇异值能量差分谱选取有效奇异值进行信号重构,最后对重构信号进行包络谱分析,进而提取故障特征。实验分析结果验证了所述方法的有效性。     

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。     

基于VMD去噪及多尺度模糊熵的管道小泄漏研究

针对天然气管道微小泄漏信号的特征在单一尺度上难以全面提取的问题,提出一种基于变分模态分解(VMD)与多尺度模糊熵(MFE)结合的管道小泄漏信号识别方法.首先使用VMD算法对管道负压波信号进行降噪处理,通过欧氏距离(ED)法评估确定VMD分解的有效模态并对其进行重构,以重构信号信噪比最高原则确定VMD分解的模态个数;将多尺度模糊熵作为故障特征值向量,最后用支持向量机对特征值向量进行分类识别.实验结果表明:该方法对管道信号状态整体识别率达99.33％,证明了该方法总体识别效果较好,可实现对管道小泄漏信号的准确识别.     

基于SR-VMD的微弱故障行波检测方法

为解决配电网行波波头检测困难的问题,提出一种基于随机共振-变分模态分解(SR-VMD)的行波信号检测方法。利用粒子群优化的变尺度SR对行波信号进行预处理,有效提高输出信号的信噪比。利用VMD算法将输出信号进行自适应分解,应用到故障定位中。用Teager能量算子(TEO)对行波波头进行标定,代入测距公式得到故障距离。仿真结果表明,该方法能在噪声背景下实现故障信息的提取,有效提高了故障测距的精度,尤其是高阻接地和电压过零附近接地的精度。     

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。     

基于改进卷积神经网络的风电轴承故障诊断策略

针对风电机组滚动轴承故障特征微弱、提取困难、诊断效率低下等问题,提出一种基于改进卷积神经网络(Convolution Neural Network,CNN)的故障诊断算法。改进CNN模型结构,在全连接层前增加新的卷积层,挖掘信号的深层特征以提高模型的泛化能力。对卷积层数据进行批归一化处理,采用带有动量的随机梯度下降训练算法来加速训练速度。详细介绍了改进CNN的工作原理,给出了采用改进CNN进行故障诊断的流程。最后利用凯斯西储大学滚动轴承数据库的数据进行验证。证明该方法不需要预先提取信号的故障特征,可直接实现对轴承的故障特征提取以及故障识别,诊断率高。     

旋转机械状态非线性特征提取及状态分类

为提取淹没于环境和结构噪声下风力机轴承故障信号,基于能量追踪法,提出改进变分模态分解法(improved variational mode decomposition, IVMD),并采用粒子群算法求解最优约束因子,获取准确模态分量;摒弃传统对故障特征频分量的提取,基于非线性分形理论提出多重分形谱特征因子(multi-fractal spectrum,MFC)以选取最具非线性特征的模态分量,以不同故障程度及状态的轴承加速度信号为对象,采用优化递归变分模态分解获取多分量,通过多重分形谱特征因子最大值选取有效信息分量,通过支持向量机进行故障分类。结果表明优化递归变分模态分解可准确分解振动信号至不同频段,以便故障信息提取;多重分形谱特征因子与信噪比呈正相关,以其最大值选取的分量具备更多有效信息;对IVMD-MFC所选取非线性分量,通过8种非线性特征值构建特征矩阵,通过BP神经网络实现故障分类,诊断准确度达97.5%。表明所提出方法可对不同故障程度的轴承状态进行区分。     

基于固有时间尺度分解的风电机组轴承故障特征提取

针对风电机组调心滚子轴承故障振动信号非平稳、非线性的特点,提出了基于固有时间尺度分解(ITD)的轴承故障特征提取方法。ITD方法可以将复杂信号分解成若干个固有旋转分量和一个趋势分量之和,能准确地展示非平稳信号的动态特性,有较高的拆解效率和频率分辨率。分析结果表明,ITD方法能有效地提取风电机组轴承故障特征,可用于在线故障诊断。     

基于FastICA-BAS-MCKD的滚动轴承复合故障特征提取方法

针对强背景噪声下轴承复合故障特征难以分离提取的问题,提出了一种基于快速独立成分分析-天牛须-最大相关峭度 解卷积算法(FastICA-BAS-MCKD)的滚动轴承复合故障特征提取方法。 首先,引入 FastICA 对滚动轴承多通道故障信号进行盲 源分离;其次,利用 BAS 算法同步优化 MCKD 算法的解卷积周期 T、滤波器长度 L 和移位数 M,构建基于 BAS-MCKD 的滚动轴 承振动信号自适应分析方法;然后,应用 BAS-MCKD 方法处理分离后的信号,实现分离信号的降噪和特征增强;最后,应用希尔 伯特解调方法对 MCKD 处理后的信号进行包络谱分析,实现滚动轴承不同类型故障的识别。 仿真和实测信号的分析结果表 明,所提方法能清晰地从复合故障信号中提取出单一故障特征频率,为滚动轴承复合故障特征提取提供了一种有效的解决 方案。     

风电机组发电机轴承电腐蚀故障的分析诊断

电腐蚀故障是风电机组发电机轴承的常见故障模式,电腐蚀故障通常分布在整个轴承滚道上,产生的振动响应信号中故障冲击特征往往不如局部故障明显,因此容易被忽视。针对电腐蚀故障振动信号的这种特点,采用一种最小熵解卷积方法对振动信号进行预处理,增强信号中的故障冲击成分。然后再应用包络谱分析方法提取故障特征信息,以提升故障诊断的效果。论述了最小熵解卷积方法的基本原理和实现流程,将该方法应用于一台实际风电机组发电机轴承的电腐蚀故障诊断中,通过对实测振动信号的分析处理,实现了电腐蚀故障的识别诊断,验证了最小熵解卷积方法对故障信息增强的使用效果。