自适应随机共振与ELMD在轴承故障诊断中的应用

针对随机共振(Stochastic resonance,SR)在处理轴承故障信号时需要满足小参数(信号频率、幅值、噪声强度远小于1)这一条件以及轴承故障特征难以提取的问题,提出基于自适应变尺度随机共振与总体局部均值分解(Ensemble local mean decomposition,ELMD)的轴承故障诊断方法。首先,对实测的信号按照一定的频率进行压缩,使其满足随机共振小参数的要求,然后,通过遗传算法(Genetic algorithm,GA)对变尺度随机共振双稳系统中的结构参数a,b进行优化,最后将随机共振输出信号进行ELMD分解,通过各PF分量的频谱图寻找轴承故障特征频率。对实测轴承故障信号的实验分析,结果表明本文提出的方法可有效地应用于轴承的故障诊断中。     

ELMD和MCKD在滚动轴承早期故障诊断中的应用

针对滚动轴承早期故障特征信号微弱且受环境噪声影响严重,故障特征信息难以识别的问题,提出了基于总体局部均值分解(Ensemble local mean decomposition,ELMD)和最大相关峭度反褶积(Maximum correlated kurtosis deconvolution,MCKD)的早期故障诊断方法。该方法首先运用ELMD对采集到的振动信号进行分解,得到有限个乘积函数(Product function,PF),由于噪声的干扰,从PF分量的频谱中很难对故障做出正确的判断。然后对包含故障特征的PF分量进行最大相关峭度反褶积处理以消除噪声影响,凸现故障特征信息。最后对降噪信号进行Hilbert包络谱分析,即可从中准确地识别出轴承的故障特征频率。通过轴承故障模拟实验和工程应用实例验证了该方法的有效性与优越性。     

基于自相关降噪和ELMD的轴承故障诊断方法

为了提取在故障轴承振动信号中被强噪声淹没的微弱冲击特征信号,提出一种基于总体局部均值分解和自相关降噪的轴承故障诊断方法。首先,应用自相关函数对轴承故障信号进行降噪;其次,对降噪后的信号进行ELMD分解,并得到一系列的乘积分量;最后,利用共振解调技术对各个PF分量进行包络分析,进而发现轴承故障频率。试验结果表明:将自相关降噪和ELMD分解方法结合用于实测轴承故障特征提取中,不仅可以降低信噪比,而且可以有效地提取轴承故障的特征频率。     

随机共振消噪和局域均值分解在轴承故障诊断中的应用

针对实际机械故障诊断中强噪声背景下难以提取故障特征的情况,提出了一种基于随机共振消噪(SR)和局域均值分解(LMD)的轴承故障诊断方法。首先,将轴承振动信号进行随机共振消噪,利用噪声增强振动信号的信噪比;然后,将消噪的信号再进行LMD分解,通过求取乘积函数(PF)幅值谱从而发现轴承故障频率。实验结果表明,该方法可以提高信噪比,实现微弱信号的检测,可有效地应用于轴承的故障诊断。
     

基于噪声辅助分析的总体局部均值分解方法

局部均值分解(Local mean decomposition,LMD)方法是一种新的自适应时频分析方法,但在其实现过程中会发生模态混淆现象,使分析结果失真。通过数值试验得到了LMD对白噪声的滤波器组结构,并在此基础上,针对模态混淆现象提出总体局部均值分解(Ensemble local mean decomposition,ELMD)方法。在该方法中添加不同的白噪声到目标信号,分别对加噪后的信号进行LMD分解,最后将多次分解结果的平均值作为最终的分解结果。对仿真信号和试验转子局部碰摩信号进行分析,结果表明ELMD方法能有效地克服原LMD方法的模态混淆现象。     

基于LMD-MS的滚动轴承微弱故障提取方法

轴承的早期故障信号属于微弱信号,其故障特征提取一直是旋转机械故障诊断的一大难点。笔者将掩膜法引入到局部均值分解(local mean decomposition,简称LMD)分解中,提出了一种基于LMD和掩膜法(mask signal,简称MS)的滚动轴承微弱故障提取方法。由于LMD在噪声背景下分解出的功能分量(product function,简称PF)存在模态混叠现象,很难辨别故障频率的真伪,所以引入了掩膜信号法对LMD分解出的与原信号相关性强的PF分量进行处理,抑制模态混叠现象,提取故障频率。文中以滚动轴承实际故障信号为对象进行分析,通过将掩膜信号法与LMD方法相结合的方式,对存在噪声的故障信号进行处理,将故障频率处的峭度值提高了8倍,同时将信噪比提高了19.1%,成功提取了故障信号,为故障特征提取提供一种新的诊断方法。     

基于局部均值分解和奇异值差分谱的滚动轴承故障诊断研究

为了从复杂的轴承振动信号中提取微弱的故障信息,提出了一种基于局部均值分解(local mean decomposition,LMD)和奇异值差分谱的轴承故障诊断方法。首先通过LMD将非平稳的原始轴承故障信号分解为若干个PF(product function)分量,由于背景噪声的影响,难以从PF分量准确得到故障频率,对PF分量进行Hankel矩阵重构和奇异值分解,相应的得到奇异值差分谱,根据奇异值差分谱理论对某个PF分量进行消噪和重构,然后再求重构后PF分量的包络谱,便能准确地得到故障频率。仿真分析和滚动轴承内圈故障实例很好地验证了提出的改进方法的有效性。     

基于微分局部均值分解的旋转机械故障诊断方法

提出一种基于微分局部均值分解(Differential local mean decomposition,DLMD)的旋转机械故障诊断方法。该方法在局部均值分解(Local mean decomposition,LMD)过程中融入微分和积分运算。对原始信号进行k阶微分,然后对微分后信号进行LMD分解,对分解得到的各乘积函数(Production function,PF)分量循环进行一次积分和一阶LMD分解,直至循环k次,得到m个PF分量和残余分量,将所有PF分量的瞬时幅值和瞬时频率组合,便可以得到原始信号完整时频分布。将该方法应用于旋转机械故障诊断研究中,通过仿真和试验进行分析研究,结果表明,基于微分局部均值分解的旋转机械故障诊断方法能够有效地抑制虚假干扰频率,提高旋转机械故障诊断准确性。     

噪声参数最优ELMD与谱峭度在滚动轴承故障诊断中的应用

为了精准、稳定地提取滚动轴承故障特征,提出一种噪声参数最优总体局部均值分解(Ensemble Local Mean Decomposition,ELMD)与谱峭度(Spectral Kurtosis,SK)相结合的轴承故障诊断新方法。首先引入相对均方根误差确定ELMD方法中的最优噪声幅值;然后对故障信号进行噪声参数最优ELMD分解,并选取具有最大相关性的窄带乘积函数(Product Function,PF)作为重构信号;最后利用谱峭度方法和包络解调方法对重构信号进行处理。实验结果表明,噪声参数最优ELMD方法可以有效地抑制ELMD分解中的模态混叠,与谱峭度结合可以准确地提取滚动轴承故障特征。     

ELMD熵特征融合与PSO-SVM在齿轮故障诊断中的应用

提出基于ELMD熵特征融合与PSO-SVM的齿轮故障诊断方法。该方法首先对原始信号进行总体局部均值分解(Ensemble local mean decomposition,ELMD),得到若干乘积函数(PF);其次,对ELMD分解得到的前5个PF分量进行求取能量熵和近似熵,并利用KPCA对其进行特征融合;然后,选取部分融合特征作为训练样本,其余作为测试样本;最后,利用PSO优化的支持向量机对融合特征样本进行训练与测试。实验中,将单特征和融合特征分别进行SVM和PSO-SVM识别精度的对比。实验结果证明,所提方法可有效地应用在齿轮故障诊断中。     

基于PF能量特征和优化神经网络的轴承诊断

内圈点蚀、外圈压痕和滚动体磨损是滚动轴承常见典型故障,为实现其快速、准确诊断,提出基于振动信号局部均值分解(local mean decomposition,简称LMD)的PF分量能量特征和神经网络相结合的滚动轴承诊断方法.对振动信号进行局部均值分解,将其分解为若干个乘积函数(product function,简称PF)分量之和,以获得的PF分量能量特征作为神经网络输入进行滚动轴承的故障类型的识别,同时引入遗传算法对神经网络结构参数进行优化,提高故障识别诊断速度和准确率.结果表明,该方法用于轴承典型故障诊断有较高的诊断速率和故障识别率.     

基于ELMD-MCKD在滚动轴承故障诊断中的应用

针对在强噪声环境下,滚动轴承故障特征信息微弱、特征频率难以识别的问题,提出基于总体局部均值分解(Ensemble Local Mean Decomposition,ELMD)与最大相关峭度卷积(Maximum Correlated Kurtosis Deconvolution,MCKD)的轴承故障诊断方法,用于处理轴承故障振动信号。首先,使用ELMD将原始数据分解为1组乘积函数(PF);然后,利用MCKD对每一个PF分量进行降噪处理;最后,对各降噪的PF分量求取包络谱,从而在包络谱中寻找轴承的故障特征频率。为了验证ELMD-MCKD在检测故障中的有效性,进行了一系列轴承故障模拟实验分析。结果表明,提出的ELMD-MCKD方法提高了轴承故障识别的准确性,可用于实际应用中的故障诊断。     

一种ELMD模糊熵和GK聚类的轴承故障诊断方法

针对滚动轴承故障振动信号的非平稳、非线性特性,采用一种基于总体局部均值分解(Ensemble Local Mean Decomposition,ELMD)模糊熵和GK(Gustafson-Kessell)聚类的滚动轴承故障诊断方法。首先通过对滚动轴承故障振动信号进行ELMD分解,得到若干的乘积函数(Product Function,PF)分量和一个残差。然后,通过PF分量和原始轴承故障信号的相关性分析,选取与原始信号相关性最大的PF分量,并求取PF分量的模糊熵值作为特征向量。最终,通过GK聚类对所得的特征向量进行识别分类。通过对滚动轴承正常状态、内圈故障、滚动体故障和外圈故障的轴承四种状态分析表明,基于ELMD模糊熵和GK聚类的方法能够准确有效的对轴承故障状态进行分类识别。     

基于ELMD和1.5维谱的滚动轴承早期故障诊断方法

滚动轴承出现早期故障时,故障特征十分微弱,伴随严重的噪声干扰导致其故障特征难以识别,针对这一问题,提出了一种总体局部均值分解(Ensemble Local Mean Decomposition,ELMD)和1.5维谱相结合的滚动轴承故障诊断新方法。该方法首先运用ELMD对振动信号进行分解,得到一系列乘积函数(product function,PF)分量,然后根据峭度准则以及相关系数准则提取一个包含主要故障信息的PF分量,最后对提取的PF分量进行1.5维谱分析,通过分析谱图中突出成分以确定轴承故障类型。通过仿真信号和工程实验数据分析验证了该方法的有效性。     

基于遗传算法的自适应随机共振与VMD分解的轴承故障诊断方法

随机共振(Stochastic resonance,SR)在处理实测轴承故障信号时需满足绝热近似条件,即需满足小参数信号(信号幅值、信号频率、噪声强度远小于1),这一问题极大地制约了对实测振动信号的检测,针对这一现象,提出基于遗传算法的自适应变尺度随机共振与变分模态分解(Variational mode decomposition,VMD)的轴承故障诊断方法。首先,设定合适的压缩比R将实测信号进行压缩,使其满足小参数条件;然后,定义信号的输出信噪比为目标函数,利用遗传算法(Genetic algorithm,GA)对变尺度随机共振的结构参数a和b进行同步优化,选取最优值代入变尺度随机共振中对实测信号进行消噪处理;最后,将降噪信号进行VMD分解,从分解得到的各IMF分量的频谱图中识别轴承故障特征频率。对实验数据分析的结果表明,该方法可有效地提高轴承故障诊断的准确度。     

基于LMD的能量算子解调机械故障诊断方法

为了提取多分量调幅调频信号的幅值和频率信息,提出了基于局部均值分解(local mean decomposition,简称LMD)的能量算子解调机械故障诊断方法.该方法先利用LMD将机械调制信号分解成若干个乘积函数(production function,简称PF)分量,然后对每一个PF分量进行能量算子解调,获得信号的幅值和频率信息进行故障诊断.利用该方法对仿真信号以及轴承和齿轮故障振动信号进行实验研究的结果表明,基于LMD的能量算子解调方法能够有效地提取机械故障振动信号特征.     

基于LMD和频谱校正的滚动轴承故障诊断方法

在短时间样本中,使用局部均值分解(local mean decomposition,LMD)方法进行故障诊断时,存在频谱分析精度有误差的情况。为了提高频谱精度,提出了基于LMD和频谱校正的滚动轴承故障诊断方法。首先对振动信号进行小波包降噪,提高信号的信噪比;再进行LMD分解,获取PF分量,最后采用频谱校正算法对PF分量频谱进行校正,得到精度较高的频谱。通过模拟数据和实际的滚动轴承振动数据进行分析,其结果证明了该方法的有效性。     

随机共振消噪和EMD分解在轴承故障诊断中的应用

针对实际机械故障诊断中强噪声背景下难以提取故障特征的情况,提出了一种基于随机共振消噪(stochastic resonance,SR)和经验模态分解(Empirical Mode Decomposition,EMD)的轴承故障诊断方法。首先,将轴承振动信号进行随机共振消噪,利用噪声增强振动信号的信噪比;然后,将消噪的信号再进行EMD分解,通过求取本征模函数(Intrinsic Mode Function,IMF)幅值谱,从而发现轴承故障频率。实验结果表明,该方法可以提高信噪比,实现微弱信号检测,更有效地应用于轴承的故障诊断。     

HDLMD及JRD在滚动轴承性能评估中的应用

针对微分局部均值分解(Differential local mean decomposition,DLMD)方法中微分次数计算缺乏理论指导以及传统性能退化指标无法准确表示滚动轴承在全寿命阶段上当前状态的问题,提出了一种基于HDLMD(Hilbert-differential local mean decomposition,HDLMD)和JRD(Jensen-Renyi divergence)的滚动轴承性能评估方法.该方法首先对原始振动信号进行HDLMD分解,提取乘积函数(Product function,PF)矩阵;然后,基于拉普拉斯分值(Laplacian score,LS)选择包含最多故障信息的PF分量;再计算筛选之后的有效PF分量的概率分布,得到有效PF分量的Renyi熵值;最后,计算正常信号与不同故障程度信号之间的JRD距离,并判断滚动轴承的退化状态.通过凯西斯储大学(Case western reserve university,CWRU)滚动轴承实验数据和NASA(National aeronautics and space administration)全寿命周期数据实验表明,本文所提方法可以准确、有效地评估轴承性能的退化状态.     

改进局部均值分解的齿轮箱复合故障特征提取

在强噪声环境下,针对局部均值分解(Local Mean Decomposition,LMD)出现的模态混叠现象,提出了总体局部均值分解方法(Ensemble Local Mean Decomposition,ELMD),但ELMD中所添加的白噪声不能完全被中和,这会导致PF分量受到所加白噪声的影响,导致重构误差增大。因此,提出基于PE-CELMD(Permutation Entropy-Complementary Ensemble Local Mean Decomposition)的齿轮箱复合故障诊断方法,该思路是在ELMD的基础上通过添加成对白噪声再结合排列熵(PermutationEntropy,PE)的方法优化LMD。将该方法应用于仿真信号和实测信号,并通过与LMD、CELMD对比,结果表明,PE-CELMD方法是一种有效的复合故障特征提取方法。