基于局域均值分解的滚动轴承故障诊断方法

论述了一种新的自适应时频分析方法--局域均值分解的基本原理和算法,并将该方法引入到滚动轴承故障诊断中,提出了一种基于局域均值分解的滚动轴承故障诊断方法, 该方法先将一个故障信号自适应地分解成若干个具有一定物理意义的生产函数分量,然后求出每个PF分量的瞬时幅值和瞬时频率,从而获得故障信号的特征信息.试验结果验证了该方法的有效性.     

Savitzky-Golay滤波与局部均值分解相结合的滚动轴承故障诊断方法

介绍了滚动轴承故障诊断发展现状,以及局部均值分解在故障诊断中应用和局限。针对滚动轴承故障诊断中故障信号特征提取被噪声干扰问题,采用了基于Savitzky-Golay(SG)滤波和局部均值分解相结合的滚动轴承故障诊断方法,即在时域利用SG滤波的最小二乘拟合降噪,去除尖脉冲等噪声的信号作为局域均值分解的输入,最后对分解得到的有效分量重构后进行频谱分析提取故障频率。使用了仿真分析和滚动轴承故障诊断实例验证该方法,结果显示该方法能有效提取滚动轴承背景噪声干扰下的典型故障频率。     

基于全矢Autogram的滚动轴承故障诊断方法

针对滚动轴承单通道信号信噪比较低、不能全面和准确表征故障特征等问题,提出了一种基于全矢谱和自相关谱峭度图的滚动轴承故障诊断方法。首先,计算互为垂直的两通道振动信号的自相关谱峭度图,得到信号中最佳频带的位置,并提取重构信号;其次,为了保证信号故障信息的全面性和获取精确故障特征信息,计算重构信号的全矢包络谱;最后,分析全矢包络谱中的故障特征进行故障诊断。通过分析仿真信号及实验数据,将所提方法与快速谱峭度和自相关谱峭度图等方法进行了对比,结果表明,所提故障诊断方法能够有效地提取滚动轴承的故障特征频率,提高故障诊断的精确性。     

基于局部均值分解与拉普拉斯特征映射的滚动轴承故障诊断方法

针对滚动轴承非平稳振动信号的特征提取及维数优化问题,提出了融合局部均值分解与拉普拉斯特征映射的轴承故障诊断方法。首先,通过局部均值分解对非平稳振动信号进行平稳化分解,提取乘积函数分量、瞬时频率及瞬时幅值的高维信号特征集;然后,将高维特征集作为拉普拉斯特征映射算法的学习对象,提取轴承高维故障特征集的内在流形分布,以获得敏感、稳定的轴承振动特征参数,实现基于非平稳振动信号分析的滚动轴承故障特征提取;最后,结合支持向量分类模型量化LMD-LE方法的特征提取效果,实现不同状况下的轴承故障分类。轴承故障样本分类识别平均正确率达到91.17%,表明LMD-LE方法有效实现了高维局部均值分解特征集合的降噪,所提取的特征矩阵对轴承故障特征描述准确。     

基于局部均值分解和最大相关峭度解卷积的滚动轴承早期故障提取

滚动轴承处于早期故障阶段的时候,特征信号比较微弱,同时受到干扰噪声的影响,造成故障特征难以提取。针对这一问题,提出了基于局部均值分解(Local mean decomposition,LMD)和最大相关峭度解卷积(Maximum correlated kurtosis deconvolution,MCKD)两者相结合的故障诊断方法。在强噪声背景条件下,LMD对微弱故障信号特征难以提取,故对LMD分解得到的一组乘积函数(Product function,PF),利用相关系数与峭度值筛选出敏感分量进行信号重构,然后利用MCKD进行滤波,突出故障信号尖脉冲,最后根据信号的包络功率谱提取故障特征频率。算法仿真和实验证明了该方法的有效性。     

基于全矢CEEMDAN滚动轴承故障诊断研究

由于现有信息资源利用不充分，实际复杂工况下滚动轴承故障诊断特征提取不精，文中提出一种基于全矢自适应噪声完备集合经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN）的滚动轴承故障诊断方法。CEEMDAN不仅保证了EEMD分解的效果，而且很好地抑制了重构误差。其做法是在EMD方法的基础上有次数地加入自适应白噪声IMF分量。根据相关系数最大原则选取CEEMDAN分解得到的水平通道和垂直通道前5阶IMF分量进行数据重构，再对重构数据用全矢谱技术融合，得到基于CEEMDAN的矢量谱，最后对融合后的信号做包络分析处理求其包络谱，提取故障特征，并与EEMD包络谱对比。试验结果表明，所提方法能够更全方位、更准确地提取故障特征。     

基于微分局部均值分解的旋转机械故障诊断方法

提出一种基于微分局部均值分解(Differential local mean decomposition,DLMD)的旋转机械故障诊断方法。该方法在局部均值分解(Local mean decomposition,LMD)过程中融入微分和积分运算。对原始信号进行k阶微分,然后对微分后信号进行LMD分解,对分解得到的各乘积函数(Production function,PF)分量循环进行一次积分和一阶LMD分解,直至循环k次,得到m个PF分量和残余分量,将所有PF分量的瞬时幅值和瞬时频率组合,便可以得到原始信号完整时频分布。将该方法应用于旋转机械故障诊断研究中,通过仿真和试验进行分析研究,结果表明,基于微分局部均值分解的旋转机械故障诊断方法能够有效地抑制虚假干扰频率,提高旋转机械故障诊断准确性。     

总体局部特征尺度分解的滚动轴承故障诊断

针对滚动轴承非平稳性的振动信号,提出了基于总体局部特征尺度分解(Ensemble Local Characteristic-scale Decomposition, ELCD)的排列熵及相关向量机的滚动轴承故障诊断方法。首先,对振动信号进行ELCD分解,获得一系列内禀尺度分量(Instrinsic Scale Component, ISC);其次,根据分解后ISC分量的峭度值选取主ISC分量,计算主ISC分量的排列熵并将其组合成特征向量;最后,将特征向量输入相关向量机进行训练与测试,从而识别滚动轴承的故障类型。对实验信号的分析表明,该方法能够有效的诊断出滚动轴承不同的工作状态,且效果较局部特征尺度分解方法好。     

基于局域均值分解包络谱和SVM的滚动轴承故障诊断方法研究

论述了局域均值分解(Local mean decomposition,LMD)的定义和算法。结合局域均值分解、包络分析和支持向量机(Support vector machine,SVM)的各自特点,提出了一种基于LMD包络谱和SVM的滚动轴承故障诊断方法,该方法先对滚动轴承振动信号进行分解,得到一系列的生产函数分量,然后,再对前面几个生产函数分量进行包络分析,从包络谱中提取特征幅值比作为特征向量输入到SVM分类器中进行识别。实验结果验证了提出的方法的有效性,可以有效地识别滚动轴承的不同故障。     

基于奇异值分解和局域均值分解的滚动轴承故障特征提取方法

针对随机噪声干扰滚动轴承故障特征信号提取这一问题,提出一种基于奇异值分解(Singular value decomposition,SVD)滤波降噪与局域均值分解(Local mean decomposition,LMD)相结合的故障特征提取方法。该方法首先对原始振动信号在相空间重构Hankel矩阵并利用SVD方法进行降噪处理,再对降噪后的信号进行LMD分解,将多分量的调制信号分解成一系列生产函数(Product function,PF)之和,最后结合共振解调技术对PF分量进行包络谱分析提取故障特征频率。通过数值仿真和实际轴承故障数据的分析对比,表明该方法提高了LMD的分解能力,可有效辨别出滚动轴承实测信号的典型故障,提高滚动轴承故障的诊断效果。     

基于LMD能量特征的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的多载波多调制特性,提出一种基于局域均值分解(local mean decomposition,简称LMD)能量特征的特征向量提取方法,并与支持向量机相结合用于滚动轴承的故障诊断。首先,采用LMD方法将复杂调制振动信号分解为若干单分量信号乘积函数(production function,简称PF);然后,对反映信号主要特征的PF基于时间轴积分,得到各PF分量能量矩并构造特征向量;最后,将其输入多分类支持向量机中,用于区分滚动轴承的故障类型与故障程度。对滚动轴承内圈故障、外圈故障及滚动体故障振动信号的分析结果表明,该方法能有效提取滚动轴承各工作状态信号的故障特征,能准确识别故障类型,同时对故障程度的判断表现出较高的识别率。     

局域均值分解法在轴承故障诊断中的应用

局域均值分解法将复杂的多分量信号分解为若干个乘积函数(PF)的线性组合,每个PF分量由1个包络信号和1个调频信号相乘得到,包络信号就是该PF的瞬时幅值,而PF的瞬时频率可以由纯调频信号求出。进一步将所有PF分量的瞬时频率和瞬时幅值相组合,即可得到原始信号的时频分布。通过对故障轴承信号的分析表明,该方法能清晰地提取轴承故障特征。     

复局部均值分解全矢包络技术及其在转子故障特征提取中的应用

为更全面提取转子故障特征,将全矢谱和复局部均值分解(Complex local mean decomposition,CLMD)相结合,提出二元的全矢包络技术——CLMD全矢包络技术。采用正交采样技术获取转子同一截面上互相垂直方向上的振动信号,并将其组成一个复数信号;运用CLMD将复数信号按能量从高到低的顺序依次分离出系列复乘积函数(Complex product function,CPF),并解调出CPF的复包络;由于故障特征主要在能量较高的CPF分量中,通过全矢谱技术融合前几阶CPF分量的包络信号,得到相应的全矢包络谱。仿真的调幅-调频信号分析结果表面,较之Hilbert解调,CLMD全矢包络技术可提取隐含的调频信息,而且不存在虚假的低频谱线。转子试验台模拟的基座松动信号、碰摩信号分析结果表明,较之单源信息的包络谱,CLMD全矢包络技术提取的谱线特征更清晰、全面,而且根据全矢包络谱可有效区分基座松动引起的碰摩和单一碰摩故障。     

基于LMD和增强包络谱的滚动轴承故障分析

针对滚动轴承发生故障时振动信号幅值分布的峭度和歪度都会发生变化的特点,提出基于峭度-歪度的局部均值分解分量筛选准则,将峭度值和歪度绝对值最大的分量筛选出来并重构故障信号,以达到降噪的目的。对降噪后的信号进行增强包络谱分析,得到故障的特征频率。应用提出的新方法对实测的滚动轴承外圈、滚动体和内圈发生故障时的振动信号分别进行了分析。结果表明,基于峭度-歪度的局部均值分解分量筛选准则有效地降低了信号中的噪声,在此基础上应用增强包络谱有效地减少带内噪声影响,从而使故障特征信息凸现出来,有利于对滚动轴承的各种故障进行诊断。     

基于DLMD样本熵和模糊聚类的滚动轴承故障诊断

针对传统的局部均值分解(LMD)方法不能有效提取微弱高频信号成分的问题,提出了一种基于微分的微分局部均值分解(DLMD)方法,在此基础上,将DLMD、样本熵和模糊聚类分析相结合,提出了一种基于DLMD样本熵和模糊聚类的滚动轴承故障诊断方法。该方法首先对滚动轴承振动信号进行微分局部均值分解,得到若干具有物理意义的乘积函数(PF)分量,然后求取各PF分量的样本熵并将其作为特征向量,最后通过模糊聚类对特征向量进行识别分类。实验结果表明,基于DLMD样本熵和模糊聚类相结合的方法能够准确、有效地对滚动轴承故障信号进行识别分类。     

滚动轴承故障的全矢小波分析

小波分析可同时从时域和频域两个方面对信号进行分析,结合包络分析十分适合滚动轴承的故障特征提取;基于双通道的全矢小波分析方法不仅对单通道小波分析方法具有兼容性,而且弥补了传统的基于单通道信息进行旋转机械故障特征提取造成的信息量不完整、易导致误诊的弊端。结果表明,在针对滚动轴承外圈故障特征提取时,全矢小波分析方法较小波-包络分析方法具有一定的优势。     

基于SVM的航空发动机滚动轴承故障诊断技术研究

滚动轴承是航空发动机中应用非常广泛的一种通用机械部件,本文提出了基于支持向量机的航空发动机轴承故障诊断模型,并且通过实证研究,证明了该方法在航空发动机故障诊断的优越性。     

LMD-ICA联合降噪方法在滚动轴承故障诊断中的应用

针对经典独立分量分析（ICA）只能应用于观测源数不少于信号源数的超定盲源分离问题,提出局部均值分解和ICA相结合的欠定盲源分离新方法。该方法将采集的单通道振动信号进行局部均值分解,基于互相关准则对分解的分量进行重组,构建虚拟噪声通道;将虚拟噪声通道与振动信号作为盲源分离的信号输入,采用基于负熵的FastICA算法实现信号源和噪声的分离,从而达到降噪目的。将该方法应用于滚动轴承故障信号,频谱分析结果表明,该方法处理后的信号中噪声得到一定程度滤除,频谱中毛刺更少,故障特征频率更加明显,有利于故障特征的提取,实验分析证明了该方法的有效性。