基于WPD-HHT的滚动轴承故障诊断

在分析小波包分解(WPD)和HilbertHuang变换(HHT)的基础上,通过将WPD和HHT相结合,引进了一种故障诊断方法(WPDHHT)。仿真和实验表明,此方法能有效提取周期性脉冲成分并抑制噪声。     

基于改进小波包和EEMD的轴承故障诊断

针对轴承振动信号非平稳性及工作情况下难以获得故障频率,提出一种基于改进小波包和总体经验模态分解(EEMD)的轴承故障诊断方法。首先运用改进小波包对振动信号进行分解,得到按顺序排列的子带频带。然后提取故障频率范围的子带信号并进行EEMD,以互相关系数和峭度准则提取故障分量,避免了固有模态函数(IMF)分量选择的盲目性。仿真和试验分析结果表明,该方法能有效且准确地检测出轴承故障。     

基于分形和小波包理论的滚动轴承故障诊断

为了提高滚动轴承故障分形诊断的准确性,利用仿真信号对不同数据长度和不同信噪比下信号的盒维数和关联维数的差异进行对比,发现两种分形维对不同信号具有不同适应性;利用基于小波包分解能量图的特征信号强化技术,突出含噪轴承振动信号的故障信息特征,并对消噪前后振动信号盒维数进行计算和对比。分析结果表明,分形盒维数比关联维数更适用于分析含噪较重的信号;滚动轴承故障振动信号盒维数小于正常信号盒维数;相比原始信号,经小波包提取后不同类型故障振动信号的盒维数区分更为明显,诊断结果更加准确直观。     

基于小波包分析的滚动轴承故障诊断方法的研究

为了在滚动轴承故障诊断中获得更好的效果,详细研究了小波包分析的原理,提出了基于小波包分析的滚动轴承特征向量提取算法,并利用这一算法对齿轮箱的滚动轴承在正常工况下的振动信号和故障工况下的振动信号进行了10层小波包分解处理.将处理后的图像和相同信号傅里叶变换后的频谱图进行了比较,证明本算法能够较好地分辨出滚动轴承的工作状况是否正常,具有一定的理论价值和现实意义.     

EEMD熵特征和t-SNE相结合的滚动轴承故障诊断

针对滚动轴承振动信号的非平稳非线性特性,提出了一种采用集合经验模态分解（EEMD）熵特征提取、t-分布邻域嵌入（t-SNE）和粒子群优化-概率神经网络（PSO-PNN）的滚动轴承故障诊断方法。首先,对振动信号应用EEMD算法实现分解,生成多个固有模态函数（IMFs）,对生成的含有主要故障信息的模态分量进行选择,以进一步实现熵特征提取,然后对高维特征数据应用t-SNE算法进行降维,最后利用PSO-PNN分类器进行故障识别。通过案例1和案例2的分析结果表明：该方法对滚动轴承故障识别率均达到100%,具有较高的故障识别率,能对滚动轴承的故障类型有效的识别。     

基于模糊RBF神经网络的滚动轴承故障诊断

针对现有滚动轴承故障诊断方法存在人为因素影响、表达模糊信息能力弱等问题。结合模糊评价和RBF神经网络的优点,选取3层小波包分解方法以获取评价因子,并使用正态分布型隶属度函数,构建了模糊RBF神经网络滚动轴承故障诊断模型。网络测试结果表明,该模型客观准确,诊断结果与实际情况一致。     

基于小波包的滚动轴承组合故障诊断

给出了一种新的滚动轴承故障诊断方法,将小波包和EMD方法、AR模型法相结合,实测信号分析表明,此方法不但正确检测到了轴承的状态,而且优于EMD和AR模型法.     

基于ICA相关系数和VPMCD的滚动轴承故障诊断

将基于变量预测模型的模式识别(variable predictive model based class discriminate,简称VPMCD)、独立分量分析(independent component analysis,简称ICA)和相关系数分析方法相结合,提出了基于ICA相关系数和VPMCD的滚动轴承故障诊断方法。首先,对不同工况下的滚动轴承振动信号分别进行独立分量分析,获得各工况信号的独立分量;然后,提取样本与不同工况信号独立分量之间的相关系数,并以相关系数绝对值的和作为该样本的特征值;最后,采用VPMCD分类器进行故障识别和分类。实验数据的分析结果表明,该方法能够有效应用于滚动轴承故障诊断。     

基于EEMD小波阈值去噪和CS-BP神经网络的风电齿轮箱故障诊断

针对风电机组齿轮箱中齿面点蚀、齿轮磨损、断齿等故障的诊断问题,提出一种基于EEMD小波阈值去噪和布谷鸟算法优化BP神经网络的故障诊断方法。采用EEMD分解和小波阈值去噪方法对故障振动信号进行数据预处理,抑制原始振动信号中的噪声干扰。利用布谷鸟算法优化BP神经网络对预处理后的信号进行诊断。小波阈值能更好地对EEMD分解中的高频分量进行去噪处理,CS-BP神经网络具有准确的模式识别精度和出色的全局寻优能力。通过实例仿真表明,提出的故障诊断方法具有良好的诊断精度、速度和成功率,具有较高的应用价值。     

基于形态学滤波和EEMD方法的风力发电系统滚动轴承故障诊断

将形态学滤波方法与EEMD方法相结合,提出一种新的滚动轴承故障诊断策略。设计开-闭、闭-开级联而成的组合形态滤波器对轴承故障振动信号进行消噪处理,然后利用EEMD自适应地将信号分解成多个分量,通过互相关系数方法消除EEMD分解结果中的虚假分量后,从而得到更准确的Hilbert-Huang谱,由此提取故障信息,判断故障类型。通过轴承故障诊断实例证明了该方法的有效性。     

基于EEMD奇异值熵的滚动轴承故障诊断方法

为充分利用振动信号进行故障辨识,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)奇异值熵判据的滚动轴承故障诊断方法。首先,对滚动轴承的振动信号进行EEMD分解获得若干个本征模态函数(intrinsic mode function,简称IMF),并根据一种IMF分量故障信息含量的评价指标(即峭度、均方差和欧氏距离)选出能够表征原始信号状态的分量进行信号重构;其次,利用奇异值分解技术对重构信号进行处理,结合信息熵算法求取其奇异值熵;最后,利用奇异值熵的大小判断滚动轴承的故障类别。用美国西储大学滚动轴承振动信号对所述方法进行验证的结果表明,相比传统的EMD奇异值熵故障诊断方法,本方法能够清晰的划分出滚动轴承不同工作状态的类别特征区间,而且具有更高的故障诊断精度。     

基于EEMD和MFFOA-SVM滚动轴承故障诊断

针对滚动轴承发生故障时,振动信号的时域和频域特征都会发生变化的特点,提出了基于集合经验模态分解（EEMD）、改进果蝇优化算法（MFFOA）和支持向量机（SVM）的滚动轴承故障诊断方法。该方法主要是利用EEMD方法对故障信号进行分解,并计算各IMF分量的均方根值和重心频率,以此进行归一化处理得到特征向量。为了提高诊断精度,采用果蝇优化算法优化SVM参数,建立MFFOA-SVM模型,然后对提取的特征向量进行训练与测试,从而识别故障与否及发生点蚀故障的程度。利用该方法对实测信号进行分析与诊断,并与遗传算法的优化结果进行对比,验证了该方法的有效性,说明其具有良好的应用前景。     

自适应的EEMD及其在滚动轴承故障诊断中的应用

为解决总体集成经验模态分解(EEMD)算法中存在的白噪声参数需要人为选择的问题,同时考虑到现实中难以获得大量典型故障样本的实际情况,提出了一种基于自适应总体集成经验模态分解(AEEMD)与支持向量机(SVM)的滚动轴承故障诊断法。首先在信号处理上使用AEEMD将原始振动信号分解成具有不同特征时间尺度的本征模态分量(IMF),对于不同的轴承故障来说,在不同频带内的信号能量会发生改变,因此可通过计算各个IMF的能量来实现故障特征提取;然后把IMF的能量特征值作为输入来构建支持向量机分类器模型;最后利用建立的模型对轴承的状态类型做出判别。在轴承故障实例中将AEEMD算法与EEMD算法进行对比,证明了AEEMD的分解效果更好;选用BP神经网络与SVM的诊断效果进行对比分析,表明本文中提出的方法能够更加快速准确地诊断出轴承的故障。     

基于关联维数的铁路货车滚动轴承故障诊断

将关联维数用于定量刻划滚动轴承在不同工作状态下的振动特征,进而对故障分类。同时提出用小波分析对原始数据进行降噪处理。文中以铁路货车轴箱197 726双排圆锥滚子轴承为例,计算了正常轮对、滚子损伤和外圈剥离三种情况下降噪处理前后振动信号的关联维数,分析结果表明,滚动轴承不同工作状态下的关联维数有明显差别,因此可以将关联维数作为识别滚动轴承故障的特征量。     

基于QPSO-SVM的轴承故障诊断方法

轴承作为旋转机械中应用广泛的一类支撑部件,其故障将严重影响设备的安全运行,为了实现对轴承故障的有效诊断,提出一种量子粒子群优化(Quantum particle swarm optimization,PSO)支持向量机(Support vector machine,SVM)的故障诊断模型,首先采用经验模式分解(Empirical mode decomposition,EMD)方法将故障信号分解为多个固有模态分量(Intrinsic mode function,IMF)之和,其次,提取表征轴承故障特征的IMF分量能量构造特征向量,最后采用QPSO优化的SVM模型对故障模式进行识别。实验结果表明,所提出的轴承故障诊断方法具有自适应提取轴承故障特征和高精度的自适应诊断能力。     

滚动轴承故障的非线性诊断方法

反映滚动轴承故障的特征周期信号处于较低频带内，容易被噪声淹没，难以检测。针对当前的诊断方法没有充分利用其故障特征频带的问题，提出了基于混沌振子的滚动轴承故障的非线性诊断方法。该方法直接检测故障的低频特征信号，完成故障诊断。讨论了该方法的适用场合，并将其应用在滚动体剥落故障的诊断上，取得了良好的效果。     

基于MEEMD-DHENN的滚动轴承故障诊断

针对滚动轴承故障信号非平稳、非线性的特点,提出了把改进的经验模态分解(Modified Ensemble EMD,MEEMD)与双隐层Elman神经网络(Double Hidden-layer Elman Neural Network,DHENN)相结合识别故障类型的方法。用MEEMD选出主要本征模态函数(Principal Intrinsic Mode Function,PIMF),先计算出经补充的总体平均经验模态分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD)得到的各IMF的排列熵值,剔除虚假分量;再对其余分量进行重构用经验模态分解(Empirical mode decomposition,EMD),计算各IMF的方差贡献率,排除贡献率最小的,即为PIMF,经希尔伯特变换求出其能量熵值,构成特征矩阵。构建了双隐层Elman神经网络对故障类型进行识别,通过经验公式与实验得到最佳隐层节点组合,最后与EMD-DHENN和MEEMD-ENN的测试结果相对比,表明基于MEEMD-DHENN识别方法只需迭代26步即可对轴承故障准确分类。     

基于总变差去噪和Teager能量谱的滚动轴承故障诊断

针对强噪声背景下滚动轴承振动信号故障特征难以提取的问题,提出了结合总变差去噪和Teager能量谱的滚动轴承故障特征提取方法.首先,使用总变差去噪方法对滚动轴承振动信号降噪;然后,对降噪后的信号进行Teager能量谱分析,从中识别出滚动轴承的故障特征频率,实现对滚动轴承的故障诊断:最后.通过美国凯西西储大学的实验数据验证...