基于傅里叶分解与1.5维Teager能量谱的滚动轴承故障诊断方法

针对强背景噪声下滚动轴承微弱故障特征难以提取的特点,提出了基于傅里叶分解(FDM)与1.5维Teager能量谱的滚动轴承故障诊断方法。首先利用傅里叶分解的自适应性特点,将故障信号分解为若干个瞬时频率具有物理意义的固有频带函数,然后利用自相关系数法筛选固有频带函数进行信号重构,对重构后的信号求解1.5维Teager能量谱,从而得到故障特征频率,进行故障诊断。仿真结果表明,与传统的包络谱分析相比,该方法的故障特征更加明显,效果更好。最后将该方法成功地应用到实际的滚动轴承故障诊断中,进一步验证了该方法的有效性。     

最大相关峭度反褶积与傅里叶分解方法相结合的滚动轴承故障诊断

针对强背景噪声环境下滚动轴承故障特征难以提取的问题,提出一种基于最大相关峭度反褶积(MCKD)与傅里叶分解方法(FDM)相结合的滚动轴承故障诊断方法。首先采用MCKD对振动信号去噪、提取与故障相关的冲击成分;其次,采用FDM对去噪信号进行分解,得到若干个瞬时频率具有物理意义的傅里叶固有频带函数和一个残余分量之和;第三,依据各个模态与去噪信号的相关性提取包含故障信息的最优模态分量,并对它们进行重构;最后,计算重构信号的包络谱,从谱图中读取故障信息。将所提故障诊断方法应用于滚动轴承故障仿真和实验数据分析,并通过与现有方法进行对比,结果表明,该方法优于所对比的方法。     

基于小波包能量与峭度谱的滚动轴承故障诊断

针对故障轴承的振动信号中包含冲击成分,导致信号的能量集中的问题,提出了一种基于小波包能量与峭度谱相结合的方法用以提取轴承故障信号特征.首先应用小波包对测量信号进行分解、能量归一化处理和信号重构,然后将重构信号采用峭度谱确定带通滤波器的最佳中心频率和带宽,最后将滤波信号进行包络解调并提取故障特征频率.分别对仿真信号和试验数据进行研究,能够清晰地得到故障特征频率及其高次谐波,从而验证了所提方法在滚动轴承的故障诊断中的有效性和可行性.     

ITD-多尺度熵和ELM的风电轴承健康状态识别

对风力发电机机组的运行状况进行实时监测,并识别其健康状态,是保证机组正常运行的关键,为此提出一种固有时间尺度分解(Intrinsic time-scale decomposition,ITD)-多尺度熵(Multiscale entropy,MSE)的振动信号分析方法,对振动信号进行预处理,提取重构信号时域特征,并结合极限学习机(Extreme learning machine,ELM)对风电轴承健康状态进行识别。首先采用ITD方法对风电轴承的振动信号进行分解,得到一系列固有旋转分量,并计算其多尺度熵值,以多尺度熵值大小为依据,选取固有旋转分量并进行信号重构。计算重构信号的均方根值、峭度值、峰值因子与峰峰值,并将其作为特征指标值,建立ELM识别模型,识别风电轴承的健康状态。风电轴承试验结果表明,本文模型可以准确识别风电轴承健康状态。     

基于EMD和峭度的Hilbert包络解调在滚动轴承故障诊断中的应用分析

针对直接运用快速傅里叶变换（FFT）无法有效提取具有非线性非平稳特性的滚动轴承振动信号故障特征频率的问题,提出了一种基于经验模式分解和峭度指标的Hilbert包络解调方法.首先对滚动轴承的振动信号进行了经验模式分解（EMD）,得到了包含轴承故障特征信息的各阶本征模态函数（IMF）,再计算各阶IMF的峭度值,选取了峭度值较大的几阶IMF分量重构信号,并对重构信号进行了Hilbert包络解调分析,从而获得了滚动轴承的准确故障特征信息.分别对仿真模拟信号和实际滚动轴承发生内圈故障的振动信号进行了分析,清晰地得到了故障特征频率.研究结果表明,利用融合EMD、峭度系数和Hilbert包络解调的诊断方法能够快速、准确地提取滚动轴承的故障特征频率,从而可以对滚动轴承进行有效地故障诊断.     

基于经验模式分解与奇异谱分析的微弱信号提取

如果信号的信噪比较小,经验模式分解由于无法对原始信号进行正确分解而失效。为此,提出经验模式分解和奇异谱相结合的微弱信号提取方法。该方法首先采用经验模式分解方法获取若干个固有模式函数,并对包含特征频率成分的固有模式函数进行重组和相空间重构,而后进行奇异谱分析。最后,利用由奇异谱分析得到的主分量和经验正交函数反重构出一个新的时间序列,并对该时间序列进行频谱分析。仿真和实验分析均表明该方法能够有效的从强噪声干扰中提取出微弱特征信号。     

随机共振消噪与ELMD相结合的轴承故障诊断

针对实际工况下轴承故障信号容易淹没在强烈噪声中难以提取,局部均值分解(local mean decomposition,LMD)在信号处理方面不可避免出现模态混叠现象的问题,提出1种基于随机共振(Stochastic Resonance,SR)与总体局部均值分解(ensemble local mean decomposition,ELMD)相结合的轴承故障诊断方法。首先将采集到的实际轴承振动信号进行随机共振消燥,以白噪声驱动与双稳系统形成随机共振现象,将噪声的部分能量转移到低频区域集中,提高信号的信噪比;然后将经过随机共振后的信号进行ELMD分解,得到1组乘积函数(product function,PF),以及1个残余分量,对得到的PF分量进行时频分析,最终发现轴承故障特征频率。实验结果表明,该方法可以提高信号信噪比,以达到微弱信号检测的目的,因此可以很好的应用在轴承故障诊断中。     

基于VMD和MED的滚动轴承故障诊断方法

为有效提取振动信号中的轴承故障特征,降低背景噪声和齿轮传动噪声影响,将VMD和MED相结合,首先采集强噪声轴承故障信号并进行VMD降噪,选取与原信号相关系数大的分量重构;然后将重构信号进行MED处理以增强故障信息;最后对信号进行包络谱分析,从中获得轴承故障特征频率信息。经实测信号并与EMD的对比分析比较表明:VMD+MED能够从实测信号中有效地提取齿轮箱轴承的故障特征频率及其倍频,而且较EMD法更具优势。     

MED与TQWT相结合的滚动轴承早期故障特征提取

针对滚动轴承早期故障冲击特征微弱且故障信息难以识别的问题,提出了一种最小熵解卷积(MED)与可调品质因子小波变换(TQWT)相结合的滚动轴承早期故障冲击特征提取方法 .由于(MED)能够突出信号中的冲击特征成分,首先对振动信号进行MED预处理,使受到传输路径影响的微弱冲击成分得到一定程度的增强.再利用TQWT对预处理后的信号进行分解重构,得到若干个子带信号.对比不同品质因子Q下的各子带信号峭度值,根据峭度最大原则确定子带中的最佳分量并对其进行包络谱分析,从而根据轴承故障特征频率确定轴承健康状态.仿真信号验证了所提方法的有效性,实验信号表明了该方法在轴承早期故障诊断中具有一定的优势.     

基于局部特征尺度分解和奇异值差分谱的滚动轴承故障诊断方法

为有效消除滚动轴承故障振动信号中噪声,更好提取故障特征频率,提出了基于局部特征尺度分解和奇异值差分谱的故障诊断方法。该方法首先利用局部特征尺度分解将非平稳信号分解成若干个不同频带的内禀尺度分量;然后对包含故障特征的分量构造Hankel矩阵并进行奇异值分解并求得奇异值差分谱曲线,利用差分谱最大突变点确定重构信号的阶数并重构信号;最后再求重构信号的包络谱,便可准确获得相应故障特征频率。滚动轴承故障诊断的试验结果证明,该方法能快速准确地提取出故障信息,具有一定的优势。