基于共振稀疏分解与谱峭度的滚动轴承故障诊断

针对滚动轴承微弱故障特征提取困难,提出了基于共振稀疏分解与谱峭度的滚动轴承故障特征提取方法,根据滚动轴承故障振动信号中转频及谐波成分与周期性冲击成分的品质因子不同进行共振稀疏分解,得到包含转频及谐波等成分的高共振分量和包含故障特征的低共振分量,对低共振分量进行快速峭度图分析,得到包含故障特征的周期性冲击成分的频带范围,利用带通滤波器进行滤波,最后对滤波信号进行希尔伯特包络谱分析,提取出滚动轴承故障特征频率。实验结果表明该方法能有效地提取出表征滚动轴承故障特征的周期性冲击成分,剔除干扰成分,突出故障特征频率谱线,正确识别出滚动轴承的故障状态。     

基于优化品质因子共振稀疏分解的齿轮故障诊断

在使用共振稀疏分解方法进行齿轮故障诊断时,针对通常情况下人为选择品质因子的问题,提出优化品质因子的共振稀疏分解方法,利用改进的粒子群优化算法,结合高、低共振分量相关系数与峭度,自适应选择符合信号故障特征的优化品质因子。利用优化品质因子对齿轮故障信号进行共振稀疏分解,对分量进行Hilbert包络分析,从而得到齿轮故障特征频率,结果表明此方法能有效分离故障齿轮冲击成分,实现齿轮故障的诊断。     

基于ELMD和能量算子解调的滚动轴承故障诊断方法研究

针对滚动轴承发生故障时信号的调制特点,提出了基于总体局部均值分解（ ELMD）和Teager能量算子解调的故障诊断方法。运用ELMD方法对振动信号进行分解,得到有限个单分量的调幅调频信号;运用能量算子解调方法对包含有故障特征信息的分量进行解调,提取故障特征频率。将该方法应用于实际滚动轴承滚动体点蚀故障诊断中,成功地提取出了故障特征频率。     

基于CEEMDAN-FastICA的滚动轴承故障特征提取

针对轴承早期故障信号微弱、故障特征难以提取的问题,提出一种将完备集合经验模态分解(CEEMDAN)与快速独立分量分析(FastICA)相结合的故障特征提取方法。该方法首先利用CEEMDAN将轴承故障信号进行分解,得到一系列模态分量(IMF);然后依据峭度准则选取相应分量进行重构,引入虚拟噪声通道;最后利用FastICA对重构信号进行解混去噪,分离出源信号的最佳估计信号后进行包络谱分析进而提取故障特征频率。该方法通过LabVIEW软件平台进行编程实现。仿真信号和轴承故障实验信号的研究结果均表明该方法可明显降低噪声和调制成分干扰,突出故障特征频率成分。     

基于VMD与时间序列分析的滚动轴承故障特征提取方法

为了在非线性、非平稳的滚动轴承故障振动信号中有效提取出敏感的故障特征,提出了基于变分模态分解(VMD)与时间序列分析相结合的特征提取方法。首先通过VMD将原始信号分解为不同预设尺度的本征模态分量(IMF),对各个IMF分量建立时间序列预测模型,通过叠加重构得到最终的预测模型,比较评价指标确定最优参数的选取。最后,通过仿真信号与滚动轴承实际故障数据分析,并与经验模式分解(EMD)进行对比,结果表明该方法能够有效的提取到故障特征频率。     

基于MRSVD与LMD的工业机器人交叉滚子轴承故障特征提取

针对奇异值分解(SVD)优化局部均值分解(LMD)方法提取工业机器人交叉滚子轴承振动信号微弱故障特征分量时出现的模态混淆现象,提出一种基于最大分辨率SVD与LMD的工业机器人交叉滚子轴承故障特征提取方法。以最大奇异值分辨率原则将一维振动信号构造成Hankel矩阵,采用SVD对Hankel矩阵进行分解得到奇异值序列;按照奇异值曲率谱原则及非目标值抑制原则对奇异值序列进行重构,将包含故障突变信息的重构奇异值序列进行SVD逆运算得到重构振动信号;最后利用LMD方法对重构振动信号进行故障特征提取,得到能够表征原始振动信号振动特征的故障特征分量。通过与SVD优化LMD方法对比可知,该方法完整地提取了工业机器人交叉滚子轴承振动信号的微弱故障特征分量,改善了模态混淆现象。     

基于小波包和LCD的滚动轴承故障诊断

针对含噪背景下提取滚动轴承的非平稳非线性信号特征的问题,提出了一种将LCD(局部特征尺度)与小波包相结合的故障诊断方法。对待测信号进行小波包降噪预处理,再利用LCD分解得到ISC分量(内禀尺度分量),进一步根据峭度-相关系数筛选真实ISC分量用以重构获得有效的故障特征信号。最后通过对重构故障信息进行能量算子包络解调,从而得到轴承故障的特征频率。将基于LCD和小波包的时频分析方法引入轴承故障诊断中,实验结果表明该方法能有效地提取机械故障振动信号的特征。     

基于SVD方法的弱故障特征提取方法

利用电流法诊断电机及其拖动设备故障时，较弱的故障特征频率分量往往被电网工频所淹没。本文运用了一种有效的弱故障特征提取方法，即通过奇异值分解（singular value decomposition，简称SVD）方法剔除电网工频主分量，从而对信号中的弱特征频率、特别是靠近电网工频的特征频率实现有效地提取。数值仿真计算和现场实际信号的应用结果都表明，应用SVD方法可以非常有效地达到这一目的。     

基于DT-CWT和能量算子解调的滚动轴承故障诊断研究

滚动轴承出现局部损伤时会产生周期性冲击,振动信号往往具有调制特征,为了能够准确、有效地检测出轴承故障,提出了双树复小波和能量算子解调的诊断方法。首先运用双树复小波对采集到的轴承振动信号进行分解,得到若干个不同频带的分量,提取信号中能量集中的高频调制频带进行信号重构。然后采用能量算子的方法对重构信号进行解调。最后对解调得到的瞬时幅值进行频谱分析便能准确提取故障特征频率。通过信号仿真和实验数据处理结果证明了该方法的有效性。     

基于WTD和CEEMD的轴承故障特征提取方法

针对轴承故障信号常混有噪声干扰且故障特征难以准确提取问题,提出一种基于小波阈值去噪(WTD)和互补集合经验模态分解(CEEMD)的轴承故障特征提取方法。采用WTD对原始信号进行降噪预处理;对去噪信号进行CEEMD分解得到一系列本征模态函数(IMF);然后计算各个IMF和去噪信号的互相关系数,通过设定互相关系数阈值筛选有用IMF;最后将有用IMF重构并利用包络谱对重构信号提取故障特征频率。实测信号表明：所提出的方法能降低噪声干扰并有效提取故障特征信息,证明该方法在噪声环境下具有较高的可行性和较强的实用性。     

基于VMD和流形学习的滚动轴承故障诊断研究

针对轴承早期故障信号非线性、非平稳和故障特征难以提取的问题,提出一种变分模态分解(VMD)与流形学习相结合的特征提取方法。该方法应用VMD将信号分解成包含不同故障信息的固有模态分量,然后从中提取特征并构建高维的混合域特征集。最后,应用流形学习等度规映射算法将高维的特征集约简为故障区分度更好的低维混合域特征集,并利用支持向量机实现故障分类识别。滚动轴承实验结果表明该方法能准确清晰地提取故障特征信息,与传统方法相比诊断准确率更高。     

基于FastICA去噪和改进HHT的转子不平衡故障特征提取方法研究

针对转子不平衡振动信号非平稳性并伴随较强环境噪声的特点，提出一种基于快速独立分量分析（FastICA）和改进希尔伯特-黄变换相结合的故障特征提取方法。该方法采用FastICA法去除环境噪声等因素对于故障特征提取精度的影响，再利用自适应白噪声总体平均模态分解方法将故障信号分解为一系列固有模态函数（IMF），并采用基于相似性评估的虚假IMF选择算法将与故障信息无关的虚假IMF分量剔除，从而保证故障信息提取的准确性和有效性。通过仿真分析证明了所提方法的有效性，并且实际试验表明：该方法可有效提取转子不平衡信号的故障特征，为该类故障的诊断提供了一种切实可行的方法。     

改进的傅里叶分解算法及其在滚动轴承故障诊断的应用

针对滚动轴承早期微弱故障在噪声背景下难以提取的问题,提出一种改进的傅里叶分解(IFDM)与快速谱峭度相结合的新方法,用以准确、快速地识别故障特征成分。傅里叶分解法能将故障信号自适应地分解为一系列瞬时频率具有明确物理意义的固有频带函数(FIBFs),类似于经验模态分解产生的本征模态函数,但其缺点在于无法控制所生成的FIBFs数量,如信号本身调制成分太多或受噪声影响太大,则直接运用傅里叶分解算法(FDM)会产生大量无意义的FIBFs,造成大量计算时间浪费,增加数据处理难度。为此,提出一种改进的FDM方法,该方法使用快速谱峭度法对故障信号进行预处理,自适应地确定滤波器的最佳参数及故障所在频带,然后仅在该频带上使用改进的FDM分解,因此在准确提取出故障频率成分的同时极大地减少计算量。对仿真及轴承实际故障信号的分析结果表明,该方法能更准确识别故障特征。     

基于LMD-PCA和样本熵的瓷支柱绝缘子故障诊断

为了对变电站瓷支柱绝缘子状态进行有效评估,提出了一种将局域均值分解方法(Local Mean Decomposition,LMD)、主成分分析方法(Principal Components Analysis,PCA)和样本熵相结合的瓷支柱绝缘子振动信号故障诊断方法。首先,将瓷支柱绝缘子振动信号进行局域均值分解,得到PF(乘积函数)分量,利用主成分分析方法,提取主PF分量;其次,计算其样本熵作为表征瓷支柱绝缘子状态的特征向量,利用支持向量机(SVM)对输入的向量进行分类训练;最后,将测试样本特征向量输入训练好的SVM中进行分类识别。结果表明,该方法能有效提取瓷支柱绝缘子的故障特征并实现准确的故障分类。     

基于VMD-FHT的风机齿轮箱故障特征提取方法

针对风电机组齿轮箱运行工况复杂、背景噪声大，难以提取其故障特征信息的问题，提出一种基于变分模态分解（VMD）和分数阶希尔伯特变换（FHT）的风电机组齿轮箱故障特征提取方法。利用VMD分解风机齿轮箱各个故障信号，并且定义一种分解品质因数以选取VMD的最优分解层数K；对经最优化VMD分解后的各模态分量进行分数阶Hilbert变换，计算各模态分量的边际谱并进行线性叠加；提取该边际谱的频域特征作为齿轮箱故障信号的特征量。实验结果表明，采用该方法能够准确地提取出风机齿轮箱的故障特征，并获得更优的故障识别效果     

基于WOA-VMD及综合评价指标的轴承故障诊断北大核心

针对轴承振动信号的冗余信息过多、故障特征提取率较低的问题,提出一种基于鲸鱼算法及综合评价指标优化变分模态分解(VMD)参数的轴承故障特征提取方法。首先构建了一种模糊熵与峭度倒数和的综合评价指标,作为鲸鱼优化算法(WOA)的适应度函数;其次对VMD的相关参数进行寻优;然后使用优化的参数对原始信号进行VMD分解,得到固有模态函数(IMFs),选取模糊熵与峭度倒数和最小的IMF作为目标模态;最后对目标分量进行希尔伯特包络谱分析来提取故障特征。在仿真信号实验和实测数据实验中与传统方法对比,结果表明,鲸鱼算法与综合指标的结合能选取最优VMD分解参数,故障频率提取率较传统方法有所提高。     

基于改进CEEMDAN和t-SNE的故障特征提取方法

针对非线性、非稳定振动信号难以提取有效故障特征的问题,提出一种基于改进自适应噪声完备集合经验模态分解（CEEMDAN）和t-分布随机邻域嵌入（t-SNE）算法相结合的故障特征提取方法。利用三次Hermite插值代替三次样条插值构造包络线,提高传统CEEMDAN对非平稳信号的分解精度;利用改进后的CEEMDAN对原始信号分解并通过相关系数筛选出有效固有模态分量（IMF）,提取有效IMF分量的时频特征、奇异值和能量值构建高维混合域特征集;最后,通过t-SNE算法挖掘高维混合域特征信息得到低维敏感特征,并将其输入到支持向量机中进行分类,以分类准确率作为特征提取效果评价指标。在齿轮箱故障模拟实验台进行实验验证,结果表明该方法能够准确地提取故障特征,为故障特征提取提供新思路。