希尔伯特振动分解在滚动轴承故障诊断中应用

将希尔伯特振动分解(HVD)应用于滚动轴承故障诊断。在介绍HVD方法原理基础上,与经验模式分解(EMD)进行对比表明,通过仿真信号可分析HVD更高频率分辨率,HVD能有效分解引起EMD模态混叠的含异常事件信号;将HVD用于滚动轴承故障信号分解,选含丰富故障信息分量进行包络分析,利用相应包络谱图识别轴承故障特征频率,进而识别故障模式,并实验验证该方法的有效性。     

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。     

基于第二代小波和EMD的解调方法及其应用研究

针对复合故障中滚动轴承微弱冲击性故障特征难于提取的问题,提出基于第二代小波和EMD的解调方法,进行复合故障的耦合特征分离和轴承损伤性故障微弱信号的特征提取研究.该方法首先应用第二代小波分解与重构原始信号,针对分解与重构出的高频段信号进行经验模式分解(Empirical Mode Decomposition, EMD),得到若干个本征模函数(Intrinsic Mode Functions, IMFs),然后针对本征模函数中的高频成分进行Hilbert包络解调,准确提取高频调制故障特征.仿真及实验结果表明该方法的有效性和实用性.     

基于改进EMD和滑动峰态算法的滚动轴承故障特征提取

针对滚动轴承故障特征往往被强背景噪声淹没的特点,提出一种基于改进经验模态分解(Empirical Mode Decomposition,EMD)与滑动峰态算法的滚动轴承故障特征提取方法。首先利用EMD方法分解原故障信号得到一组平稳固有模态分量(Intrinsic Mode Function,IMF)。然后采用互信息和广义相关系数筛选法消除传统EMD分解结果中虚假分量,并运用滑动峰态算法对真实IMF分量处理得到滑动峰态时间序列。最后计算滑动峰态序列频谱提取故障特征频率。滚动轴承的实例研究结果表明：该方法能够有效提取滚动轴承故障特征,可以取得比直接滑动峰态算法和传统包络解调分析更好的效果。     

改进的奇异值分解在轴承故障诊断中的应用

滚动轴承是旋转机械设备的重要部件,对滚动轴承的故障诊断研究具有重要的意义。为了从复杂的轴承振动信号中提取有效的故障信息,提出了改进的奇异值分解故障诊断方法。阐述了奇异值分解与包络谱分析的原理,并对轴承振动信号构造Hankel矩阵进行奇异值分解。利用功率谱密度函数构造滤波器提高信号的信噪比,对滤波器处理后的信号再进行奇异值分解和包络分析,并将此方法应用于滚动轴承振动信号分析。实验结果表明:此方法对振动信号故障特征频率的提取效果具有明显优势。     

基于Teager能量算子的滚动轴承故障诊断研究

周期性冲击是判断滚动轴承局部损伤故障的关键特征,如何提取周期性冲击及其重复频率是轴承故障诊断中的关键问题。Teager能量算子能够估计产生信号所需的总机械能,对信号的瞬态变化具有良好的时间分辨率和自适应能力,在检测信号冲击特征方面具有独特优势。为了提取滚动轴承故障的特征频率,针对滚动轴承故障振动信号中的瞬态冲击特点,提出了基于Teager能量算子的频谱分析方法,利用Teager能量算子提取轴承故障引起的周期性冲击,通过瞬时Teager能量的Fourier频谱识别轴承的故障特征频率。分析了滚动轴承故障仿真信号和实验测试信号,并和包络谱方法进行了对比分析,准确诊断了滚动轴承元件故障,验证了该方法的有效性     

EMD样本熵在滚动轴承信号复杂性度量中的应用

针对常用的傅里叶变换、小波变换等在分析滚动轴承信号时存在难以度量复杂性的局限,采用经验模态分解(EMD)结合样本熵来改进。通过对不同故障程度的滚动轴承信号应用样本熵和EMD样本熵的实际效果进行比较,同时对EMD样本熵大的分量进行包络谱分析。结果发现:样本熵值过于接近不易区分,而EMD样本熵值差别明显准确性更高,并且其变化趋势与信号随故障变化的趋势一致,包络谱中存在故障频率及其倍频。该方法可用于轴承运行状态监测和预判。     

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。     

基于改进EMD和形态滤波的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳性特点,提出一种改进经验模态分解(EMD)和形态滤波相结合来提取故障特征信息的方法。该方法首先在原信号中加入高频谐波并进行EMD分解,减小传统EMD分解中存在的模态混叠现象,然后从高频本征模态分量(IMF)中去除高频谐波得到故障冲击成分,经形态滤波消噪后进行频谱分析,提取出故障特征信息。信号仿真分析该方法的实施过程,并将该方法成功运用于滚动轴承内圈和外圈故障的诊断。实验结果表明该方法能够有效提取滚动轴承故障特征信息,实现故障诊断。     

基于最优品质因子信号共振稀疏分解的滚动轴承故障诊断

滚动轴承常常在复杂工况下工作,当滚动轴承出现局部故障时,其振动信号中除了与故障信息相关的周期性瞬态冲击成分外,还包含轴转频等谐波成分和背景噪声。因此,在滚动轴承故障早期,对滚动轴承振动信号直接进行包络解调分析往往效果不佳。针对上述问题,提出了基于最优品质因子信号共振稀疏分解的滚动轴承故障诊断方法。该方法首先以信号共振稀疏分解低共振分量的峭度最大为目标,利用遗传算法对信号共振稀疏分解方法的品质因子进行优化,得到最优品质因子;然后利用最优品质因子对轴承振动信号进行信号共振稀疏分解,得到高共振分量和低共振分量;最后对低共振分量进行希尔伯特解调分析,提取轴承故障特征频率,进而诊断滚动轴承故障。仿真信号和试验信号的分析结果表明,该方法能有效提取轴承故障振动信号中的冲击成分,诊断轴承故障。     

基于改进奇异值分解和经验模式分解的滚动轴承早期微弱故障特征提取

针对滚动轴承早期微弱故障特征难以提取的问题,提出了改进奇异值分解(SVD)和经验模式分解(EMD)的滚动轴承早期微弱故障特征提取方法。首先用多分辨奇异值分解将信号分成具有不同分辨率的近似和细节信号,然后对近似信号用奇异值差分谱进行消噪,对消噪后的信号进行经验模态分解,将得到的各本征模函数分量进行希尔伯特包络解调,从而获得滚动轴承故障特征信息,最后通过对滚动轴承早期内圈故障的诊断实验证明了该方法的有效性     

小波包络解调在轧机故障早期诊断中的应用

针对轧钢机振动信号频谱成分的多样性和高低频混杂性，利用小波正交分解的多尺度多频带特性将振动信号展开到一系列相邻的小波空间上，使调制现象突显出来易于分析；再借助希尔波特包络分析技术对小波分解后的包含调制信号的分量进行解调，成功地提取出了故障早期特征。通过后期的振动数据跟踪分析，发现轧机轴承的外圈、滚动体相继出现损伤，并逐渐恶化，与停机开箱后结果基本吻合，进一步证实了小波包络解调技术的有效性。说明小波分析和包络解调技术能够有效地提取轧机轴承故障早期的特征，为设备的早期维修决策提供了重要的依据，同时可以避免恶性事故的发生。     

基于小波改进阈值去噪和HHT的滚动轴承故障诊断

利用Hilbert-Huang变换（Hilbert-Huang Transformation,简称HHT）对滚动轴承进行故障诊断时,发现振动信号中包含的噪声对诊断结果影响较大。为克服此不足,提出了一种小波改进阈值法与HHT相结合的信号分析方法。该方法首先应用小波改进阈值方法对滚动轴承故障信号进行预处理,然后对去噪后的信号进行经验模态分解（Empirical Mode Decomposition,简称EMD）,接着选取含有故障信息的本征模函数（Intrinsic Mode Function,简称IMF）分量进行边际谱分析,从而提取出故障特征频率,并判断故障类型。仿真和实验结果验证了该方法的有效性。     

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。     

基于EMD的奇异值分解技术在滚动轴承故障诊断中的应用

针对滚动轴承故障振动信号的非平稳特征,提出了一种基于经验模态分解(EmpiricalModeDecomposition,简称EMD)和奇异值分解技术的滚动轴承故障诊断方法。该方法首先采用EMD方法将滚动轴承振动信号分解为多个平稳的内禀分量(IntrinsicModefunction,简称IMF)之和,并形成初始特征向量矩阵。然后对初始特征向量矩阵进行奇异值分解得到矩阵的奇异值,将其作为滚动轴承振动信号的故障特征向量,并输入神经网络来识别滚动轴承的工作状态和故障类型。实验分析结果表明,本文方法能有效地应用于滚动轴承故障诊断。     

基于VMD的自适应形态学在轴承故障诊断中的应用

为有效提取滚动轴承信号的特征频率,提出了基于变分模态分解(VMD)的自适应形态学的特征提取方法。首先利用VMD将目标信号分解为有限个模态信号,依据互信息法提取与原始信号相关的模态信号,将其进行求和重构;然后利用形态学对重构信号进行降噪处理,提取出滚动轴承的特征频率。针对形态学固有统计偏移和结构元素的选择问题,利用粒子群算法来优化改进的广义形态学滤波器,实现自适应滤波。通过数字仿真实验与滚动轴承故障试验分析,将其与基于经验模式分解(EMD)的自适应形态学、包络解调方法进行比较,结果表明该方法可以有效提取故障信号的特征频率。     

基于瞬时故障特征频率趋势线和故障特征阶比模板的变转速滚动轴承故障诊断

针对难以从滚动轴承的时频分布中提取瞬时转频分量的问题,本文利用由轴承包络时频谱中提取的瞬时故障特征频率替代传统瞬时转频实现重采样,进而基于故障特征因子与转频阶比边带构造故障特征阶比模板以实现变转速运行模式下滚动轴承故障诊断。其具体算法由以下四个部分组成：首先,联合应用谱峭度滤波算法与短时傅里叶变换得到能够突出瞬时故障特征频率的包络时频谱;其次,提出基于幅值重调的峰值搜索算法对瞬时故障特征趋势线进行提取;再次,以瞬时故障特征频率趋势线为基础对原信号进行故障相角域重采样并得到故障特征阶比谱;最后,根据被监测轴承的故障特征因子构造故障特征阶比模板对滚动轴承的运行状态与故障类别进行判断。仿真算例和应用实例将对该算法的有效性予以证明。     

基于EMD与神经网络的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的非平稳特征，提出了一种基于经验模态分解(Empirical Mode Decomposition，简称EMD)和神经网络的滚动轴承故障诊断方法。该方法首先对原始信号进行了经验模态分解，将其分解为多个平稳的固有模态函数(Intrinsic Mode function，简称IMF)之和，再选取若干个包含主要故障信息的IMF分量进行进一步分析，由于滚动轴承发生故障时，加速度振动信号各频带的能量会发生变化，因而可从各IMF分量中提取能量特征参数作为神经网络的输入参数来识别滚动轴承的故障类型。对滚动轴承的正常状态、内圈故障和外圈故障信号的分析结果表明，以EMD为预处理器提取各频带能量作为特征参数的神经网络诊断方法比以小波包分析为预处理器的神经网络诊断方法有更高的故障识别率，可以准确、有效地识别滚动轴承的工作状态和故障类型。