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。     

基于局部特征尺度分解谱熵和VPMCD的液压泵退化状态识别

针对液压泵故障信号的非平稳特性以及其退化状态难以识别的问题,结合局部特征尺度分解与信息熵理论,提出了局部特征尺度分解谱熵的退化特征提取方法,并将基于变量预测模型的模式识别(Variable Predictive Model based Class Discriminate,VPMCD)方法引入到液压泵的退化状态识别。对不同程度故障的液压泵振动信号进行局部特征尺度分解,从得到的内禀尺度分量中提取振动信号的复杂度和随机性度量指标能谱熵、奇异谱熵和包络谱熵,以其作为液压泵的退化特征向量,通过建立VPMCD退化状态识别模型实现液压泵的退化状态识别。仿真信号分析结果验证了所提出的局部特征尺度分解谱熵具有较好的表征液压泵故障退化状态的能力。通过对实测液压泵松靴和滑靴磨损两种故障模式下的退化状态振动信号进行分析验证了提出方法的有效性。     

摩擦振动信号的经验模式分解和多重分形研究

为提取摩擦振动的特征信号和实现摩擦振动特征信号的定量表征,在摩擦磨损试验机上进行了船用柴油机缸套—活塞环摩擦副摩擦磨损模拟试验,应用经验模式分解(Empirical Mode Decomposition,EMD)对非线性、非平稳的摩擦振动信号进行分解,获得若干个本征模式分量(Intrinsic Mode Function,IMF)。根据振幅范围和互相关系数,从EMD的所有IMF中选择反映摩擦振动特征的IMF分量重新合成摩擦振动特征信号,利用改进的多重分形算法对摩擦振动特征信号进行多重分形分析,得到摩擦振动信号的多重分形谱,进一步求取摩擦振动信号多重分形谱的宽度、极大值、维差以及非对称指数。研究结果表明,经验模式分解能够实现微弱摩擦振动特征信号的提取,多重分形谱参数可以作为摩擦振动信号的特征值。     

基于EMD与谱峭度的滚动轴承故障检测改进包络谱分析

针对滚动轴承故障振动信号的调制特征和传统包络分析法的缺陷,提出一种基于经验模式分解(Empirical Mode Decomposition,简称EMD)和谱峭度(Spectrum Kurtosis,简称SK)的改进包络谱滚动轴承故障诊断方法。该方法首先对滚动轴承故障振动信号进行经验模式分解,将其分解为多个固有模式函数(Intrinsic Mode Function,简称IMF)之和,然后对各IMF分量傅里叶变换后取其绝对值,并计算其谱绝对值平方包络,在此基础上再计算不同频带IMF分量谱平方包络的峭度,最后利用谱峭度的滤波器作用,选取由轴承缺陷所引起的共振频率所在频带的IMF分量,自动构建最佳包络来进行故障诊断。将该方法应用到滚动轴承内圈缺陷的仿真故障数据和实际数据中,分析结果表明了该方法的有效性。     

噪声协助的EMD-1.5维谱信号抗混分解与特征提取

针对大型动力装备核心部件微弱故障特征信息提取问题，提出了一种噪声协助的EMD-1.5维谱故障诊断方法。经验模式分解(EMD)方法中，信号极值点间隔特性影响模式混淆现象的出现，针对此状况提出信号极值点间隔特性评价方法，分析高斯白噪声有助于信号抗混分解原理，通过对原始信号加入高斯白噪声得到噪声协助的EMD方法，提高信号抗混分解能力。将1.5维谱与噪声协助的EMD方法结合，得到一种新的故障特征提取方法，该方法具有对信号进行有效抗混分解、提取非线性耦合等特性，并以此来提取故障的微弱特征信息。通过仿真研究与电力机车滚动轴承的故障诊断工程实例，验证了该方法的有效性。     

自适应MED结合EMD诊断滚动轴承早期故障

针对最小熵解卷积(MED)降噪效果受滤波器长度影响问题,提出一种利用步长迭代算法和包络谱熵检验准则的自适应MED降噪方法,并结合经验模态分解(EMD)提取滚动轴承微弱故障特征。首先利用自适应MED降噪方法对原信号进行最优降噪处理,然后通过EMD将降噪信号分解为若干个本征模函数(IMF)分量,再选取峭度值最大的IMF进行包络谱分析,根据包络谱中故障特征频率实现故障诊断。仿真信号和实测信号分析结果表明其优于基于EMD的包络解调方法。     

基于独立分量分析与希尔伯特-黄变换的轴承故障特征提取

滚动轴承早期故障信号具有能量小、频带分布宽等特征,易受到其它能量较大振源信号的干扰。传统的希尔伯特-黄变换（HHT）对信噪比大、多频率调制信号常因不能对其所包含的固有模式函数（IMF）实现准确分离和去除调制干扰分量而失效。本文提出了基于HHT和独立分量分析（ICA）的滚动轴承诊断新方法。该方法首先利用经验模式分解（EMD）将滚动轴承振动信号分解成若干平稳的本征模式函数IMF分量,通过提取若干包含主要信息的IMF分量,应用带通滤波器和Hilbert变换获取IMF分量的高频包络波形,再应用ICA分离包络波形并进行频谱分析,进而判断滚动轴承的运行状况。仿真和试验分析结果验证了本方法的可行性。     

免疫支持向量机复合故障诊断方法及试验研究

研究了传统分类算法在故障诊断中的不足,融合人工免疫系统中的实值否定选择(RNS)算法和支持向量机(SVM)算法提出了一种复合的故障诊断方法。在新方法中使用RNS算法产生检测器(非己集合)当作故障样本,这些样本再作为SVM算法的输入进行训练,这样就能解决分类算法所面临的训练样本不足的难题。轴向柱塞泵发生故障时,由于滑靴对斜盘冲击产生的振动信号被高频谐振信号调制,通过小波簇包络解调方法将调制信号解调出来,然后对包络信号用小波包分解子带特征能量法进行特征提取。最后用轴向柱塞泵多松靴和配流盘磨损多故障模式样本进行诊断测试,正确率可达90%以上,验证了复合诊断方法的有效性。     

基于声振信号EMD分解的轻微碰摩故障诊断方法研究

针对转子系统局部碰摩故障特征及声音振动信号特点，采用一种基于声振信号经验模式分解(Empirical Mode Decomposition简称EMD)的轻微局部碰摩故障诊断方法对滑动轴承碰摩故障进行特征提取。由于EMD分解不需要固定的基函数，根据信号特征自适应的调整，从而实现碰摩特征及旋转激励背景信号自动分解。通过设计滑动轴承缺油工况轴承碰摩试验，并进行振动全息测试分析，将所得声振信号本征模式函数时域特征和边界谱特征与转子径向位移及轴承座加速度信号对比分析，确定了碰摩部件；从而证明基于声振信号EMD分解的碰摩故障诊断方法的有效性。     

基于EMD间隔阈值消噪与极大似然估计的滚动轴承故障诊断方法

针对小波阈值消噪用作滚动轴承故障信号处理存在小波基函数较难选择及传统硬阈值、软阈值消噪效果差等缺点,将EMD间隔阈值消噪与极大似然估计相结合,应用于滚动轴承早期微弱故障诊断。对原始信号进行EMD分解;对各IMF进行基于极大似然估计的间隔阈值消噪,并重构出故障信号;进行包络谱分析得出诊断结果。数字仿真信号与实验信号验证了该方法的有效性。     

Bearings Fault Diagnosis Using Vibrational Signal Analysis by EMD Method

ABSTRACT

Studying vibrational signals is one reliable method for monitoring the situation of rotary machinery. There are various methods for converting vibrational signals into usable information for fault diagnosis, one of which is the empirical mode decomposition method (EMD). This article is about diagnosing bearing faults using the EMD method, employing nondestructive test. Vibration signals are acquired by a bearing test machine. The discrete wavelet bases are used to translate vibration signals of a roller bearing into time-scale representation. Then, an envelope signal can be obtained by envelope spectrum analysis of wavelet coefficients of high scales. Local Hilbert marginal spectrum can be obtained by applying thr EMD method to the envelope signal from which the faults in a roller bearing can be diagnosed and fault patterns can be identified. The results have shown bearing faults frequencies are easily observable. There is a variant of the EMD method called the ensemble EMD (EEMD), which overcomes the mode mixing problem which may occur when the signal to be decomposed is intermittent. The EEMD method is also applied to the acquired signals, and the two methods were compared. While the outcomes of both methods do not differ much, one important merit of the EMD is that it has much less computational processing time than EEMD.     

基于经验模式分解和排列熵的轴承故障特征提取

针对滚动轴承故障声信号故障诊断中共振解调滤波参数较难确定以及故障诊断困难的问题,提出一种基于经验模式分解和排列熵的改进滚动轴承故障诊断解调方法。该方法首先对滚动轴承声信号进行经验模式分解,将其分解为多个本征模态分量;然后计算各本征模态分量的排列熵值和相关系数,根据联合系数最大化原则对筛选出的分量进行信号重构;最后,利用快速谱峭度对重构信号进行滤波分析,将峭度值最大的频段进行平方包络提取特征频率。将该方法用于滚动轴承故障声信号的实际数据进行分析,结果表明该方法能够有效提取滚动轴承故障特征,并且相较于传统的包络解调具有更好的效果。     

利用小波分析和EMD的机械故障特征提取

故障特征提取是机械设备故障诊断的关键所在。利用小波变换多分辨率分析和经验模式分解的时频特性，将某机械运转机构的振动信号进行分解及重构，得到原始信号在不同频段上分布的详细信息，进而对不同尺度下的细节信号进行频谱分析，通过对比提取出运转过程中的失步故障特征。     

极点加权模态分解及其在故障诊断中的应用

经验模态分解(EMD)是一种自适应信号分解方法,由于其能够同时提供振动信号时域和频域的局部信息,在机械故障诊断领域得到广泛应用。受EMD思想的启发,基于相邻极值加权构造均值曲线,提出一种新的自适应信号分解方法—极点加权模态分解(EPWMD)。通过仿真信号分析,将提出的EPWMD方法与EMD和局部特征尺度分解(LCD)等方法进行对比,结果表明,与EMD和LCD相比,EPWMD方法在分解性能和分解精度方面有显著提高。最后,将提出的EPWMD方法应用于转子碰摩和滚动轴承局部故障信号分析,并与EMD方法进行对比,分析结果表明,EPWMD方法不仅能够有效识别故障特征,而且其诊断效果优于EMD方法。     

滚动轴承故障的EMD诊断方法研究

提出了一种基于经验模式分解（Empirical Mode Decomposition，EMD）的滚动轴承故障诊断方法。这种方法中，局部损伤滚动轴承产生的高频调幅信号成分被EMD分解作为本征模函数分离出来，然后用Hilbert变换得到其包络信号，计算包络谱，就能够提取滚动轴承故障特征频率。该方法被用于分析实验台上采集的具有内圈损伤及外圈损伤的滚动轴承振动信号。分析结果表明，与传统的包络解调方法相比，新方法能够更有效地提取轴承故障特征，诊断轴承故障，因而具有重要的实用价值。     

基于EMD和功率谱的齿轮故障诊断研究

提出了一种基于经验模态分解EMD（Empirical Mode Decomposition）的齿轮裂纹故障诊断的新方法。EMD方法具有自适应的信号分解和降噪能力，EMD是先把时间序列信号，分解成不同特征时间尺度的固有模态函数（Intrinsic Mode Function，简称IMF），然后通过选取表征齿轮裂纹故障的IMF分量进行功率谱分析，就可提取齿轮故障振动信号的特征。齿轮故障实验信号的研究结果表明：该方法能有效地识别齿轮的齿根裂纹故障。     

基于EMD模糊熵和SVM的转子系统故障诊断

提出一种经验模态分解、模糊熵和支持向量机相结合的转子系统故障诊断方法。该方法首先对转子系统故障信号进行经验模态分解,得到若干阶表征故障信息的固有模态函数,并运用基于能量原理的虚假模态消除方法剔除虚假模态分量;再利用模糊熵能够表示信号复杂程度且具有相对稳定性等特点,选取前4阶固有模态函数的模糊熵值作为各故障信号的特征向量;最后将该特征向量输入到支持向量机中进行转子系统的故障分类。试验结果表明,该方法能够有效的提取转子系统故障特征和对转子系统进行故障诊断。