振动信号模型在滚动轴承故障诊断中的应用

为了克服传统故障诊断流程的缺点,提出一种基于EMD(Empirical Mode Decomposition)和振动信号模型的滚动轴承故障诊断方法,首先根据滚动轴承振动机理和振动信号的特征,建立了滚动轴承在正常和各种典型故障时的信号模型,然后采用EMD对原始振动信号做分解,并以峭度为依据进行信号重构,最后计算重构信号与不同信号模型之间的相关系数,根据系数大小可准确判断故障类型。通过对实验平台信号和风力发电机组齿轮箱滚动轴承振动信号的分析,验证了该方法的有效性和实用性。     

关联维数和基于内禀模态函数的AR模型在滚动轴承故障诊断中的应用

提出一种基于内禀模态函数(Intrinsic Mode Function,IMF)、自回归(Auto-Regressive,AR)模型和关联维数的滚动轴承故障诊断方法.该方法首先采用经验模态分解(Empirical Mode Decomposition,EMD)将滚动轴承振动信号分解成若干个IMF,然后对包含主要故障信息的IMF分量建立AR模型,计算AR模型自回归参数的关联维数,并以关联维数作为特征向量输入神经网络分类器,最后通过网络的输出结果来识别轴承的工作状态和故障类型.对实验数据的分析结果表明,该方法能有效地应用于滚动轴承的故障诊断.     

基于IMF投影图像分析的滚动轴承故障诊断方法研究

提出了一种基于本征模式分量投影图像分析的滚动轴承故障诊断方法,实现了滚动轴承故障的状态识别与程度识别,首先,依托经验模式分解方法(Empirical Mode Decomposition,EMD)对轴承故障信号进行分析,获取故障本征模式分量(Intrinsic Mode Function,IMF);其次,构建各个本征模式分量的时频三维灰度投影图像,引入基于灰度共生矩阵(Gray Level Co-occurrence Matrix,GLCM)的纹理特征对三维投影图像进行分析;最后,通过主成分分析进一步压缩特征维度,并结合支持向量机(Support Vector Machine,SVM)实现了滚动轴承的故障诊断。研究从图像特征角度实现故障诊断,丰富了现有振动信号故障特征获取方法,实现了滚动轴承故障的状态识别与程度识别。     

集成经验模态分解与相关峭度在滚动轴承故障诊断中的应用

船舶设备中的滚动轴承其振动信号成分复杂,故障信号易被背景噪声湮没,常规诊断方法难以有效提取轴承故障信息。为了从复杂的轴承振动信号中提取弱故障信号,将集成经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)应用到滚动轴承故障诊断中,并引入了相关峭度的定义,提出了一种新的滚动轴承故障特征提取方法。该方法首先利用EEMD将轴承振动信号分解为若干个分量信号,然后根据相关峭度最大原则选取分量信号,提取出滚动轴承的弱故障信号。通过对轴承内圈故障的仿真和实验研究验证了该方法的有效性。     

一种基于小波包变换和监督NPE的滚动轴承故障诊断方法

为提高滚动轴承故障诊断的性能,结合故障敏感特征的选择,提出了一种基于小波包变换(WPT)和监督NPE的滚动轴承故障诊断模型。首先,WPT对原始振动信号进行处理,利用终端节点的单支重构信号得到多域统计特征,构成原始特征集。然后,为减少特征集中的冗余信息和干扰特征,提出一种基于朴素贝叶斯的故障敏感特征选择方法(FSNB)。为了进一步降低冗余信息和运算复杂度,提出一种基于类别标签的监督邻域保持嵌入(SNPEL)方法,实现对高维特征集的低维表示。最后,利用K近邻(KNN)算法实现滚动轴承的故障诊断。采用12种轴承故障数据来验证提出的故障诊断模型的性能,结果表明,提出的模型可以实现较高的故障诊断准确度和较好的适应性。     

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...     

局部切空间排列和改进模糊C-均值聚类的滚动轴承故障诊断模型

针对滚动轴承故障振动信号具有非平稳特征以及故障特征难以准确提取,提出一种局部切空间排列(LTSA)和改进模糊C-均值聚类的滚动轴承故障诊断模型。首先,基于滚动轴承振动信号分别在时域与频域提取特征参数构建高维特征矩阵,利用局部切空间排列非线性流形学习算法提取高维矩阵的低维故障特征向量;然后,利用改进模糊C-均值聚类算法构造多类故障分类器,实现滚动轴承不同故障类型的识别。经实验验证,该模型能够有效提取滚动轴承故障特征,并能够获得较高的故障诊断准确率。     

基于经验模式分解和谱峭度的滚动轴承故障诊断

滚动轴承的振动信号是强背景噪声下的非平稳非线性信号,其特征提取是滚动轴承故障诊断的难点。为了提高滚动轴承的故障诊断效果,提出了基于经验模式分解(Empirical Mode Decomposi-tion,EMD)和谱峭度(Spectrum Kurtosis,SK)的滚动轴承故障诊断方法。首先利用EMD方法对轴承故障信号进行分解,剔除趋势项,利用归一化白噪声分量的统计特性来滤除信号中的噪声分量,然后利用谱峭度方法估计带通滤波器的中心频率和带宽,最后对剩余的信号执行带通滤波和包络解调进行故障诊断。对滚动轴承故障诊断的结果表明,本文提出的方法能够有效地提高轴承故障诊断的效果。     

HHT与Elman神经网络在离心泵故障振动信号处理中的应用

提出了一种Hilbert-Huang变换(HHT)和Elman神经网络相结合的离心泵振动信号故障诊断新方法.首先,将离心泵振动信号时间序列数据经验模态分解(Empirical Mode Decomposition,简称EMD),然后经过Hilbert-Huang变换获得各模态(Intrinsic Mode Functions,简称IMF)的能量,并以"能量比"为元素,构造离心泵振动信号的特征向量,根据Elman神经网络模型能够逼近任意非线性函数的特点和具有反映系统动态特性的能力,利用Elman神经网络模型实现离心泵故障的诊断.实验研究结果表明该方法对离心泵振动信号故障具有很高的诊断率.     

基于IMF能量矩和神经网络的轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征,提出了一种本征模函数(Intrinsic Mode Function,简称IMF)能量矩的特征向量提取法,并与BP神经网络相结合用于滚动轴承的故障诊断.该方法首先利用经验模态分解(Em-pirical Mode Decomposition,简称EMD)方法.把振动信号分解为若干个IMF,再将重要的IMF分量作基于时间轴的积分,得到IMF能量矩特征向量,最后借助BP神经网络的分类能力对特征向量进行分类.对滚动轴承的正常状态、外圈故障、滚动体故障和外圈故障信号的分析结果表明,该方法能够准确、有效地识别这些故障.