基于时变滤波经验模态分解的轴承故障诊断

针对经验模态分解(empirical mode decomposition,EMD)由于模态混叠现象难以有效提取轴承故障特征的问题,提出了一种基于时变滤波经验模态分解(time varying filtering based empiricalmode decomposition,TVF-EMD)的轴承故障诊断方法。首先利用TVF-EMD方法对轴承故障信号进行自适应分解,得到一组内禀模态函数(intrinsic mode functions,IMFs),然后根据峭度最大准则选取包含主要故障特征信息的IMF分量,最后对选取的敏感分量进行进一步的包络解调分析,提取出故障特征信息,从而进行故障诊断。轴承故障诊断实例证实了所提方法能准确提取轴承故障的特征信息,实现轴承故障的有效诊断;通过与总体经验模态分解(ensemble empirical modedecomposition,EEMD)方法的对比研究,表明了所提方法的优越性。     

基于FOA的变分模态分解在轴承故障诊断中的应用

变分模态分解(VMD)广泛应用于故障诊断中,从振动信号中提取故障特征是故障诊断过程中的关键部分。针对强背景噪声和脉冲干扰下滚动轴承早期故障特征难以提取的问题,提出了一种新的基于果蝇优化算法(FOA)的变分模态分解的轴承故障诊断方法。首先,利用果蝇优化算法自适应优化VMD的惩罚参数α和分解数K,获取最优参数组合;然后,对信号进行VMD分解,得到K个模态分量;最后,基于峭度最大化准则选取最优模态分量进行包络解调分析,提取出故障特征频率。通过仿真信号分析、实际故障轴承信号验证以及与基于果蝇优化算法的多分辨奇异值分解(MRSVD)方法进行对比,证明了所提方法的有效性。     

基于Hilbert包络谱奇异值和IPSO-SVM的滚动轴承故障诊断研究

针对表征滚动轴承故障信号特征难提取及支持向量机结构参数依据经验选取,致使故障分类模型的精度、泛化能力差的问题,提出一种基于Hilbert包络谱奇异值和改进粒子群(Improved particle swarm optimization,IPSO)优化支持向量机(Support vector machine,SVM)的滚动轴承状态辨识方法。首先,利用经验模态分解(Empirical mode decomposition,EMD)所采集的滚动轴承信号,并将所获相关程度较大的本征模式分量(Intrinsic mode function,IMF)进行Hilbert解调包络分析来获取包络矩阵,并在此基础上进行奇异值分解。其次,利用IPSO算法优化SVM的惩罚系数和高斯核系数两个结构参数,据此建立滚动轴承故障分类模型;并利用美国凯斯西储大学轴承数据验证了方法的有效性。实验结果表明:与基于BP、SVM的故障分类模型相比,Hilbert包络谱奇异值和IPSO优化SVM的滚动轴承故障诊断分类模型具有更高的精度、更强的泛化能力。     

POVMD与包络阶次谱的变工况滚动轴承故障诊断

针对变转速滚动轴承故障特征提取较难的问题,提出一种基于参数优化变分模态分解(parameter optimized variational mode decomposition,简称POVMD)与包络阶次谱的变工况滚动轴承故障诊断方法。首先,采用POVMD对变转速滚动轴承振动信号进行分解,得到若干个本征模态函数之和;其次,对各个分量的时域信号进行角域重采样,将时变信号转化为平稳信号处理,再利用Hilbert变换估计重采样后的平稳信号的包络;最后,对得到的包络信号进行阶比分析,从谱图中读取故障特征信息。将POVMD方法与经验模态分解进行了对比,仿真信号分析结果表明了POVMD方法的优越性。将提出的变转速滚动轴承故障诊断方法应用于试验数据分析,分析结果表明,所提出的方法能够实现变转速滚动轴承的故障诊断,而且诊断效果优于现有方法。     

基于小波去噪和EEMD包络解调分析的滚动轴承故障诊断方法

针对强噪声背景下的故障信号诊断问题,提出一种基于小波去噪和改进型总体经验模式分解算法(Ensemble Empirical Mode Decomposition,EEMD)包络解调分析的滚动轴承故障诊断方法。由于经验模态分解方法易产生虚假分量和模态混叠现象,引入EEMD。首先将采集到的振动信号进行软阈值去噪,然后对去噪信号进行EEMD分解,抽取能量较大的前4个内禀模态函数(IMF)进行Hilbert变换,得到包络信号,最后对包络信号进行细化谱分析,得到轴承故障特征频率。小波去噪可解决噪声造成的包络信号粗糙这一问题,提高了包络提取精度。将该方法应用于滚动轴承的内圈和外圈故障诊断,诊断结果均表明该方法能够准确有效地提取故障特征频率。     

基于改进EMD和谱峭度法滚动轴承故障特征提取

针对滚动轴承故障信号的强背景噪声特点,提出一种基于改进经验模态分解(empirical mode decomposition,简称EMD)与谱峭度法的滚动轴承故障特征提取方法.首先,利用EMD方法对原故障信号进行分解,得到若干平稳固有模态分量(intrinsic mode function,简称IMF);然后,采用灰色关联度与互信息相结合方法剔除传统EMD分解结果中存在的虚假分量;最后,运用谱峭度法和包络解调方法对真实IMF分量进行分析,提取故障特征频率.通过对实际滚动轴承故障信号的应用表明,该方法可有效地提取滚动轴承故障特征,且能够取得比传统包络解调分析更好的效果.     

基于改进EMD与谱峭度的滚动轴承故障特征提取

针对滚动轴承故障信号的调制特点和其需要依靠经验来选择共振高频带的缺点,提出一种改进经验模态分解(EMD)与谱峭度法结合的滚动轴承故障诊断方法。首先,通过EMD将滚动轴承故障信号分解为若干固有模态函数(IMF);然后通过互信息、峭度、互相关性剔除虚假IMF分量,重构故障信号;最后利用谱峭度设计最优带通滤波器,并对滤波后的信号进行包络解调分析,提取滚动轴承故障特征。滚动轴承故障实验信号分析结果表明,改进EMD与谱峭度方法能有效提取滚动轴承故障特征,且比传统包络分析方法更具优势。     

基于角域经验小波变换的滚动轴承故障诊断

针对变转速条件下滚动轴承故障特征难以提取的问题,提出了一种基于角域经验小波变换的变转速滚动轴承故障诊断方法。该方法首先利用等角度重采样将变转速下非平稳的滚动轴承故障振动信号转化为角域平稳信号,然后应用经验小波变换(Empirical mode decomposition,EWT)对角域平稳信号进行自适应分解,得到若干个经验模态分量,最后选择峭度值最大的经验模态分量进行包络谱分析,提取出滚动轴承故障的阶比特征。为提高经验小波变换的分解效率,对其频谱分割方法进行了改进。滚动轴承故障诊断实例表明,该方法能够有效地抑制噪声等干扰成分的影响,精确提取滚动轴承故障的阶比特征,为变转速条件下的滚动轴承故障诊断提供一种有效方法。     

基于参数优化MOMEDA与CEEMDAN的滚动轴承微弱故障特征提取研究

针对强背景噪声环境下滚动轴承故障特征信息微弱,单一利用自适应噪声完备集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)方法提取效果不佳的问题,提出了基于参数优化的多点最优最小熵解卷积(Parametric Optimized Multipoint Optimal Minimum Entropy Deconvolution Adjusted,POMOMEDA)与CEEMDAN的滚动轴承微弱故障特征提取方法.由于MOMEDA的滤波效果受其中参数-故障周期T、滤波器长度L影响较大,提出采用变步长搜索法对其进行参数寻优.首先利用多点峭度和排列熵指标筛选MOMEDA中的故障周期T与滤波器长度L,对原始信号实现自适应MOMEDA降噪;然后采用CEEMDAN方法分解降噪信号,根据加权峭度(WK)指标选取包含故障信息丰富的固有模态分量(IMF)进行信号重构;最后对重构信号做包络谱分析,提取故障特征信息.通过仿真信号和实测信号分析表明,该方法能够有效提取滚动轴承微弱故障特征信息,具有一定的可靠性.     

基于参数优化VMD的齿轮箱故障特征提取方法

为解决齿轮箱故障振动信号信噪比低、故障特征提取难的问题,提出了基于参数优化变分模态分解(VMD)的齿轮箱故障特征提取方法。首先,以分解结果的局部极小包络熵最小为目标,利用果蝇算法搜寻VMD分解参数K和α的最优组合;将原始信号分解成若干IMF分量,从中选择包络熵较小的分量进行信号重构,并对重构信号进行包络解调运算,从重构信号的包络谱中提取故障频率特征。结果表明,利用此方法对实测信号进行处理,成功降噪、提取齿轮箱故障特征,并且比利用经验模态分解方法降噪效果更好,提取的故障特征更加明显。     

基于自适应优化的TQWT轴承早期故障诊断方法

为了准确提取滚动轴承早期微弱故障特征,提出基于自适应优化的可调品质因子小波变换(tunable Q-factor wavelet transform,TQWT)轴承早期故障诊断方法。该方法利用包络谱特征频率强度系数的参数自适应寻优方法来自适应优化TQWT,以弥补传统TQWT参数选择过分依赖人工经验的不足。首先利用该方法获得振动信号的最优分解结果,然后通过分析最优分解结果的包络谱来判断轴承故障类型。通过分析仿真信号以及工程试验数据证明了该方法的有效性。     

基于参数自适应特征模态分解的滚动 轴承故障诊断方法

针对强背景噪声下轴承故障信息难以有效提取的问题,提出一种基于参数自适应特征模态分解的滚动轴承故障诊断方 法。 首先,为了克服原始特征模态分解(FMD)需要依赖人为经验设定关键参数而不具有自适应性的缺点,提出基于平方包络 谱特征能量比(FER-SES)的网格搜索方法自动地确定 FMD 的模态个数 n 和滤波器长度 L;随后,采用参数优化的 FMD 将原轴 承振动信号划分为 n 个模态分量,并选取具有最大 FER-SES 的模态分量为敏感模态分量;最后,通过计算敏感模态分量的平方 包络谱来提取故障特征频率,从而判别轴承故障类型。 通过仿真信号和工程案例分析验证了提出方法的有效性。 与变分模态 分解(VMD)和谱峭度方法(SK)相比,提出方法具有更好的故障特征提取性能。     

基于DS⁃VMD及相关峭度的滚动轴承故障诊断

为了自适应确定变分模态分解(variational mode decomposition,简称VMD)的有关参数,减少轴承振动信号处理过程中对先验知识的依赖,提出了一种基于微分搜索(differential search,简称DS)的VMD参数自适应寻优算法,结合相关峭度指标实现轴承故障特征自适应提取。首先,采用DS算法对VMD的相关参数进行自适应寻优,并对信号进行VMD;其次,计算各本征模态函数(intrinsic mode functions,简称IMF)的相关峭度值,并利用该指标对各分量进行加权重构;然后,对重构信号进行包络谱分析以提取轴承故障特征;最后,将所提出方法与通过经验模态分解(empirical mode decomposition,简称EMD)方法及人为确定参数的传统VMD进行对比。仿真信号和实验数据分析表明:DS算法可有效确定VMD相关参数组合,且所提出方法可以更加准确、有效地识别出滚动轴承故障特征频率;与快速峭度图方法对比,所提出方法依然可以获得更好的结果。     

OEEMD与Teager能量算子结合的轴承故障诊断

针对滚动轴承发生局部故障时振动信号中微弱周期性冲击的特征提取问题,提出参数优化集合经验模式分解(optimal ensemble empirical mode decomposition,简称OEEMD)与Teager能量算子解调结合的滚动轴承故障诊断方法。首先,针对集合经验模式分解(ensemble empirical mode decomposition,简称EEMD)过程中两个关键参数k(加入白噪声的幅值系数)和m(集合平均次数)的准确选取问题,通过引入相关系数、相关均方根误差和信噪比分析,给出一种可自适应确定这两个参数取值的OEEMD方法,通过OEEMD将冲击从滚动轴承振动信号中分离出来;其次,采用Teager能量算子对其进行包络解调,计算出瞬时幅值后再对瞬时幅值进行包络谱分析,以获取冲击的特征频率,从而对滚动轴承故障进行准确诊断。仿真信号分析和应用实例验证了该方法的有效性。     

可变负载的准零刚度隔振器特性

针对风机滚动轴承微弱故障信号所具有的非线性和非平稳特征及易被强背景噪声掩盖的特点，提出了一种变分模态分解(variational modal decomposition, 简称VMD)和最大相关峭度解卷积(maximum correlated kurtosis deconvolution, 简称MCKD)相结合的滚动轴承微弱故障诊断方法。为实现VMD和MCKD的参数自适应选择，采用粒子群优化算法(particle swarm optimization, 简称PSO)，对两种算法中的参数进行优化。首先，利用PSO优化VMD算法中的α和K，再基于VMD对微弱故障信号分解后的结果，选取最优模态分量；其次，利用PSO优化MCKD算法中的L和T，再基于MCKD算法加强最优分量信号中的故障冲击成分；最后，通过包络谱提取出轴承微弱故障特征。仿真和试验均表明，此方法能够自适应增强轴承微弱故障中的冲击成分，有效提取出被强噪声淹没的轴承微弱故障特征。     

基于改进EEMD的滚动轴承故障诊断研究

滚动轴承的故障信号具有非平稳性、非线性等特点,在经验模态分解过程中会出现模式混叠现象。集合经验模态分解算法(EEMD)是在原始信号中引入随机高斯白噪声序列,改变信号的局部时间跨度,可以有效抑制常规经验模态分解过程中产生的模式混叠现象。在研究EEMD原理的基础上,引入白噪声的幅值标准差准则来选择EEMD参数,并且对分解得到的所有的固有模态函数(IMF)分量通过相关系数法提取有效本征模态分量,再对提取的有效本征模态函数分量阀值处理后进行重构。通过Hilbert变换对重构信号进行包络谱分析,提取滚动轴承的故障特征。轴承故障信号实验结果表明,EEMD方法可以有效应用于滚动轴承的故障诊断中。     

改进WMRA在滚动轴承故障诊断研究中的应用

针对滚动轴承初期故障诊断时故障特征信号微弱,且传统的包络谱分析方法需要预先依靠经验确定出分析频段的问题,提出了基于经验模态分解(EMD)和改进的小波多分辨率分析(WMRA)的诊断方法。首先通过对滚动轴承故障振动信号进行EMD分解,利用峭度系数和振动固有频率特征参数对分解后的本征模态函数(IMF)分量进行了分类,筛选出了最佳IMF分量,然后通过希尔伯特变换(HT)计算得到了所选IMF分量的包络信号,最后利用改进后的WMRA对包络信号进行了重构,所得到的包络谱明显地突出了故障特征频率。实验结果表明:相比单独的EMD或传统的WMRA,该方法有效地提高了信号分析的准确性。     

基于PSO-VMD-MCKD方法的风机轴承微弱故障诊断

针对风机滚动轴承微弱故障信号所具有的非线性和非平稳特征及易被强背景噪声掩盖的特点,提出了一种变分模态分解(variational modal decomposition,简称VMD)和最大相关峭度解卷积(maximum correlated kurtosis deconvolution,简称MCKD)相结合的滚动轴承微弱故障诊断方法。为实现VMD和MCKD的参数自适应选择,采用粒子群优化算法(particle swarm optimization,简称PSO),对两种算法中的参数进行优化。首先,利用PSO优化VMD算法中的α和K,再基于VMD对微弱故障信号分解后的结果,选取最优模态分量;其次,利用PSO优化MCKD算法中的L和T,再基于MCKD算法加强最优分量信号中的故障冲击成分;最后,通过包络谱提取出轴承微弱故障特征。仿真和试验均表明,此方法能够自适应增强轴承微弱故障中的冲击成分,有效提取出被强噪声淹没的轴承微弱故障特征。     

基于CEEMDAN与自适应阈值降噪的滚动轴承故障诊断

针对滚动轴承故障信息受到噪声污染而难以识别的问题,提出一种基于自适应噪声完备集合经验模态分解和自适应阈值降噪(CEEMDAN-ATD)的滚动轴承故障诊断方法。首先对原始振动信号进行CEEMDAN分解;其次利用灰色关联分析法(GRA)筛选出噪声主导和信号主导的分量;然后对噪声主导分量分别进行自适应阈值降噪(ATD)处理,并与信号主导分量进行重构;最后通过分析重构信号的Teager能量谱实现滚动轴承故障的识别。采用凯斯西储大学轴承数据对所提方法进行验证,并与完全总体经验模态分解-自适应阈值降噪(CEEMD-ATD)和CEEMDAN-小波阈值降噪(CEEMDAN-WTD)2种方法作比较,结果表明,所提方法表现出较好的自适应性和去噪效果,能够较好地服务于滚动轴承故障诊断。     

基于SVD与改进EMD的滚动轴承故障诊断

针对经验模态分解(EMD)存在的模态混叠问题,提出一种奇异值分解(SVD)和改进经验模态分解相结合的信号分析新方法。该方法首先对故障信号进行SVD降噪,以消除随机干扰,再根据信号特征加入高频谐波信号并进行EMD进行分解,有效地减少模态混叠现象,最后对EMD分解得到的高频本征模态分量(IMF)进行代数运算得到故障冲击成分,经Hilbert包络分析,提取出故障特征信息。仿真信号分析了这种方法的实施过程,并将该方法成功运用于滚动轴承内圈和外圈故障的诊断中。实验结果证明:该方法能够有效地提取滚动轴承故障特征信息,实现故障诊断。