EMD的LabVIEW实现及其在滚动轴承故障诊断中的应用

针对LabVIEW工具箱中缺少EMD算法的问题,对LabVIEW进行二次开发,实现EMD（EmpiricalMode Decomposition）的算法及HHT（Hilbert Huang Transform）分析方法。并且提出利用EMD的高频IMF（Intnnsic Mode Function）进行共振解调提取轴承故障特征信息的方法。故障诊断实例证明,该方法与传统共振解调方法相比,具有较大的优势。     

基于高阶累积量自适应算法的列车轴承的故障诊断

论述三阶累积量递推最小二乘自适应算法（CDRLS）和三阶累积量最小均方误差自适应算法（CDEFWLMS），及其在列车轴承故障诊断中的应用。通过对列车滚动轴承的保持架断裂和滚子掉块典型故障信号分析，得出高阶累积量自适应算法具有良好的降噪性，CDEFWLMS算法比CDRLS算法处理后的特征频率更突出明显。研究表明：用高阶累积量自适应滤波算法提取信号特征，容易地分离正常轴承信号、保持架断裂和滚子掉块故障信号，从而验证了高阶累积量自适应滤波在故障诊断、检测中具有良好的应用特性。     

Xgboost在滚动轴承故障诊断中的应用

针对不同轴承数据特征选择困难和单个分类器方法在滚动轴承故障诊断中精度较低的问题,提出一种基于分类与回归树的Xgboost(e Xtreme Gradient Boosting)轴承故障诊断算法。Xgboost是包含多个分类器的集成学习方法。通过Xgboost的提升思想来提高滚动轴承故障诊断的精度。首先,从滚动轴承的振动信号中提取时域特征参数;然后利用Xgboost算法对滚动轴承故障进行诊断。将SQI-MFS实验平台的轴承振动数据,与传统分类器(支持向量机、邻近算法和人工神经网络)以及单个分类回归树的诊断结果相比,结果表明Xgboost在轴承故障诊断率上优于上述几种算法,且计算时间比传统提升决策树算法短。     

EMD马氏距离与SOM神经网络在故障诊断中的应用研究

为实现对微弱动态响应的准确辨识及故障状态的早期诊断,提出EMD马氏距离与SOM神经网络的故障诊断方法,该方法首先对原始振动信号进行粒子滤波,提高信噪比,然后对其进行EMD分解,并对分解后的各模式分量进行分析,获得相关特征值组成特征向量,并求原始信号特征向量,为了选取能代表信号特征的模式分量,求各模式分量与原信号特征向量的马氏距离,将最优模式分量输入训练好的SOM神经网络,对故障分类,以轴承诊断为应用实例结果表明该方法切实有效。     

基于EMD和AR模型的滚动轴承故障诊断方法

提出了基于EMD(Empirical Mode Decomposition)和AR模型的滚动轴承故障诊断方法。该方法用EMD将滚动轴承振动信号分解成若干个平稳的IMF(Intrinsic Mode Function)分量，对每一个IMF分量建立AR模型，以模型的自回归参数和残差的方差作为特征向量建立Mahalanobis距离判别函数，进而判断滚动轴承的工作状态和故障类型。实验结果分析表明，该方法能有效地应用于滚动轴承的故障诊断。     

AEO解调方法及在滚动轴承故障诊断中的应用

针对希尔伯特变换与传统能量算子解调方法的缺点,提出一种新的解调方法——解析能量算子(Analytic Energy Operator,AEO)解调。仿真信号分析结果表明,相对于希尔伯特变换与传统能量算子解调,解析能量算子解调方法具有较高的解调精度。基于解析能量算子解调,又提出基于AEO能量谱的滚动轴承故障诊断方法,对滚动轴承仿真和实验信号进行分析,与其它方法的对比结果表明所提出方法的有效性和优越性。     

改进EMD和HMM的齿轮故障诊断方法应用

首先针对EMD算法中端点效应问题,采用镜像延拓法进行算法改进;而后提出一种相关度选取IMF方法,对分解得到的IMF进行相关分析,选出敏感IMF;进而将有效IMF能量比作为故障特征,采用HMM分类器进行故障识别以实现齿轮的故障诊断,实验结果表明了改进EMD和HMM方法的有效性。     

基于EMD的奇异值分解技术在滚动轴承故障诊断中的应用

针对滚动轴承故障振动信号的非平稳特征,提出了一种基于经验模态分解(EmpiricalModeDecomposition,简称EMD)和奇异值分解技术的滚动轴承故障诊断方法。该方法首先采用EMD方法将滚动轴承振动信号分解为多个平稳的内禀分量(IntrinsicModefunction,简称IMF)之和,并形成初始特征向量矩阵。然后对初始特征向量矩阵进行奇异值分解得到矩阵的奇异值,将其作为滚动轴承振动信号的故障特征向量,并输入神经网络来识别滚动轴承的工作状态和故障类型。实验分析结果表明,本文方法能有效地应用于滚动轴承故障诊断。     

MCKD和RSSD在滚动轴承早期故障诊断中的应用

由于干扰噪声较强,共振稀疏分解在滚动轴承早期故障阶段并不能有效提取瞬态冲击成分。针对此问题提出基于最大相关峭度解卷积（Maxim Correlated Kurtosis Deconvolution,MCKD）和共振稀疏分解(Resonance Sparse Signal Decomposition,RSSD)相结合的故障特征提取方法。该方法首先利用MCKD对振动冲击信号进行处理,有效降噪并突出故障信号尖脉冲,然后使用共振稀疏分解将信号分解成包含谐波信号的高共振分量与包含瞬态冲击信号的低共振分量,最后利用包络功率谱根据低共振分量提取故障特征频率。通过仿真和试验验证了该方法可以准确提取故障特征频率,凸显故障特征。     

滚动轴承故障诊断的研究

针对滚动轴承故障信号的非平稳和调制特点,使用小波分解,对包含故障信息的信号进行分解、重构。应用Hilbert变换进行解调和细化频谱分析,提取了故障特征频率,判断出滚动轴承故障模式。小波分解和Hilbert变换结合对滚动轴承局部损伤故障的检测是有效的。     

EMD-ICA与SVM在滚动轴承故障诊断中的应用

针对滚动轴承非线性的早期故障信号,应用独立分量(ICA)将滚动轴承产生的故障信号从多通道混合信号中分离出来,然后采用EMD (Empirical Mode Decomposition)进行再次降噪并建立AR模型,最后提取模型的自回归参数和残差方差作为故障特征向量,并以此作为支持向量机(SVM)分类器的输入参数来区分滚动轴承的工作状态和故障类型。实验结果表明,该方法是有效的。     

基于多维振动特征的滚动轴承故障诊断方法

单独提取滚动轴承振动信号的时域或频域特征进行故障诊断,是目前常用的轴承诊断方法,诊断精度有待提高。以时域和频域的多维振动特征参量为指标,以历史诊断正确率作为特征参量权值,分别对滚动轴承的无故障和经常出现的滚珠故障、内环故障和外环故障工况进行特征提取和故障识别。多维时频域振动特征是单维特征依据诊断精度权重的集合。运用BP神经网络分别对信号的时域特征(TDF)、IMF能量矩(IEM)、小波包能量矩(WPEM),以及多维时频域特征进行智能故障判别。实验验证用多维时频域振动特征参量综合诊断的方法进行滚动轴承故障诊断,比单维特征的诊断结果精确且效率较高,该方法可以在滚动轴承故障诊断领域展开应用。     

基于EMD分形技术提取变速器轴承故障特征

故障轴承振动信号具有分形特征,可以利用分形维数有效识别变速器轴承的故障模式.噪声的存在对分形维数的计算结果影响较大,为此采用经验模态分解（EMD）方法,对变速器轴承振动信号进行EMD分解,计算分解后的IMF分量的分形维数,提取出变速器轴承不同技术状态下的故障特征。对实测变速器轴承振动信号分析,结果表明：EMD能对不同频带信号进行有效分离;特定IMF分量的分形维数能敏感反应变速器轴承技术状态,可以作为变速器轴承故障诊断的特征参数;EMD与分形维数相结合是提取变速器轴承故障特征的一种有效方法。     

基于DS–PCA模型的包装设备滚动轴承故障诊断方法研究

目的 针对包装设备长期连续工作的工作特性,对其滚动轴承的常见失效故障进行分析,提出一种基于DS–PCA模型的滚动轴承故障诊断方法,构建滚动轴承DS–PCA故障诊断模型,实现包装设备中滚动轴承的在线故障诊断。方法 先运用DS证据理论对采集到的滚动轴承径向振动数据和轴向振动数据进行融合,使得信息具有整体完备性,同时对采集信号进行决策规则下的去噪处理,剔除干扰噪声信息;然后利用主成分分析法(PCA)将融合后的振动信号数据进行Q与T²的统计量计算,并通过对故障轴承振动信号的Q与T²统计量计算,确立故障时的经验阈值;最后,依据实时统计量与经验阈值对比,判断滚动轴承是否发生故障。结果 通过对西储大学公开的滚动轴承试验数据分析计算,得到滚动轴承故障诊断准确率达到94%。结论 该方法满足包装设备故障诊断的要求,其应用将有利于提升包装企业的生产质量和效率。     

一种EMD端点延拓算法及其在齿轮故障诊断中的应用

经验模态分解（Empirical Mode Decomposition,简称EMD）是目前分析非平稳信号的有效方法,但在分解过程中由于存在着严重的端点效应而影响分解结果。利用灰色理论的GM(1,1)模型来预测和修正端点的延拓值,使得在筛分过程中可以得到有效的三次样条插值包络线,从而抑制端点效应。通过对齿轮故障信号的分解验证,结果表明该方法是合理的。     

李雅普指数在轴承故障诊断中的应用研究

研究铁路货车轴承的非线性特性,针对轴承的不同状态,对测量的时间序列计算其最大李雅普诺夫指数,结果表明:不同故障状态下的最大李雅普诺夫指数不同,因此可以把最大李雅普诺夫指数作为判别轴承故障的特征量。     

基于特征参数迁移的滚动轴承故障诊断

针对变工况下的滚动轴承无法获得大量带标签样本数据以及传统深度学习诊断方法识别率低的问题,提出一种基于迁移学习的卷积神经网络模型滚动轴承故障诊断方法.首先,采用短时傅里叶变换处理滚动轴承振动信号获得源域、目标域样本集;其次,利用源域样本预训练卷积神经网络模型;最后,通过目标域样本微调卷积神经网络模型实现滚动轴承故障诊断....     

耦合隐马尔可夫模型在轴承故障诊断中的应用

由于多通道数据包含了丰富的信息,有效融合多通道数据可以得到更加准确可靠的诊断结果。鉴于此,提出一种基于耦合隐马尔可夫模型的滚动轴承多通道融合故障诊断方法。该方法利用含两条链的耦合隐马尔可夫模型融合轴承水平方向和垂直方向的振动信号来进行故障诊断。通过对滚动轴承常见故障的诊断分析表明,与常用的基于隐马尔可夫模型的故障诊断方法相比,该方法可以更加准确地诊断轴承的故障。