基于LMD的滚动轴承故障诊断

滚动轴承是发动机中重要的零部件之一,其发生故障时会导致整个机器无法运转。论文通过局域均值分解(LMD)方法将信号分解为若干个有物理意义的乘积函数分量(PF),然后对上述分量的包络谱进行分析,识别其特征频率,完成对滚动轴承具体故障位置的诊断。通过仿真分析和内圈模拟点蚀故障试验,证明了该方法能够用于准确识别滚动轴承故障特征。     

基于LMD和MCKD的滚动轴承早期故障诊断

滚动轴承故障产生的初期,信号中的冲击成分受到严重的噪声干扰,导致故障信号的周期特征难以提取。针对这一问题,提出基于局部均值分解(LMD)算法和最大相关峭度反褶积(MCKD)算法结合的滚动轴承早期故障诊断方法。首先应用LMD算法对轴承早期故障信号进行自适应分解,选取与原始信号相关系数较大的乘积函数(PF)分量进行重构;然后应用MCKD算法对重构信号进行降噪,突出周期冲击成分;最后对消噪后的信号进行Hilbert包络处理,从包络谱中即可准确地获取故障特征频率。通过对仿真信号和内圈故障实验信号的分析,证明了该方法的有效性。     

基于ICA相关系数和VPMCD的滚动轴承故障诊断

将基于变量预测模型的模式识别(variable predictive model based class discriminate,简称VPMCD)、独立分量分析(independent component analysis,简称ICA)和相关系数分析方法相结合,提出了基于ICA相关系数和VPMCD的滚动轴承故障诊断方法。首先,对不同工况下的滚动轴承振动信号分别进行独立分量分析,获得各工况信号的独立分量;然后,提取样本与不同工况信号独立分量之间的相关系数,并以相关系数绝对值的和作为该样本的特征值;最后,采用VPMCD分类器进行故障识别和分类。实验数据的分析结果表明,该方法能够有效应用于滚动轴承故障诊断。     

基于LMD和频谱校正的滚动轴承故障诊断方法

在短时间样本中,使用局部均值分解(local mean decomposition,LMD)方法进行故障诊断时,存在频谱分析精度有误差的情况。为了提高频谱精度,提出了基于LMD和频谱校正的滚动轴承故障诊断方法。首先对振动信号进行小波包降噪,提高信号的信噪比;再进行LMD分解,获取PF分量,最后采用频谱校正算法对PF分量频谱进行校正,得到精度较高的频谱。通过模拟数据和实际的滚动轴承振动数据进行分析,其结果证明了该方法的有效性。     

基于MCKD和LMD的滚动轴承早期故障诊断方法

针对局部均值分解(Local mean decomposition,简称LMD)方法难以提取滚动轴承早期微弱故障的问题,提出了基于最大相关峭度解卷积(Maximum Correlated Kurtosis Deconvolution,简称MCKD)和LMD的滚动轴承早期故障诊断方法。首先采用MCKD方法对故障信号进行降噪处理,同时增强信号中的周期成分,然后进行LMD分解,将得到的PF分量与分解前信号的相关系数作为判断标准,剔除多余低频PF分量,最后,选取有效PF集进行频谱分析,提取故障特征。通过仿真数据和真实滚动轴承故障诊断实验数据表明,该方法可有效提取早期故障特征频率信息,具有一定可靠性。     

基于LMD和阶次跟踪分析的滚动轴承故障诊断

变转速工况下的滚动轴承故障振动信号具有多分量调制以及故障特征频率受到转频调制的特点,从而导致故障特征提取困难。对此,将局部均值分解(local mean decomposition,简称LMD)与阶次跟踪分析相结合,提出了一种变转速工况下的滚动轴承故障诊断方法。首先,采用阶次跟踪采样将时域滚动轴承故障振动信号转换到角域;然后,对角域信号进行LMD分解得到若干个乘积函数(product function,简称PF)分量;最后,对各个PF分量的瞬时幅值进行频谱分析,判断滚动轴承的故障部位和类型。通过对滚动轴承实验故障振动信号的分析,结果表明该方法能有效地应用于变转速工况下的滚动轴承故障诊断。     

基于小波变换和ICA的滚动轴承早期故障诊断

滚动轴承早期故障诊断的关键在于如何从低信噪比混合信号中检测出显著的轴承故障特征频率。提出以连续小波变换(CWT)和独立分量分析(ICA)相结合的方法来诊断单通道信号的滚动轴承早期故障,提出按频谱等间隔选取伪中心频率的小波分解尺度,并对ICA处理后的信号进行包络频谱分析以确定故障类型。最后,利用实际的滚动轴承实验数据对该方法进行了验证。     

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。     

改进LMD和排列熵的滚动轴承故障诊断

针对滚动轴承故障振动信号的复杂特性和局部均值分解(Local Mean Decomposition,LMD)方法存在的端点效应问题,提出了基于振动信号自相似性对左右端点两侧延拓来抑制端点效应问题的改进LMD、排列熵(Permutation Entropy,PE)及优化K-均值聚类算法相结合的轴承故障诊断方法。首先通过改进LMD将非线性、非平稳的原始故障振动信号分解出一系列的乘积函数(Production Function,PF)分量,对包含主要故障信息的PF分量提取PE值作为故障特征分量,在提取特征量的基础上,最后采用优化后的K-均值聚类算法对故障类型进行识别分类。将该方法应用在滚动轴承实验数据,实验结果表明该方法可以准确、有效的实现滚动轴承的故障诊断。     

基于ICA和小波变换的滚动轴承故障诊断方法研究

提出了结合独立分量分析(ICA)和小波变换进行滚动轴承故障诊断的方法。在设计的系统平台上,首先对冲击脉冲信号进行预处理,使信号较好地满足独立分量分析的前提条件。然后,应用独立分量快速算法分离故障轴承的冲击脉冲信号,通过小波快速算法完成信号重构,实现滚动轴承故障的识别。实验结果表明,利用独立分量分析方法提取的故障状态特征向量与小波快速算法相结合可以有效、准确地识别滚动轴承的故障信号。     

基于融合CNN与PSO-SVM的滚动轴承故障诊断

针对滚动轴承故障识别过程中,难以提取细微故障特征的问题,提出一种基于融合卷积神经网络与基于粒子群优化算法的支持向量机相结合的滚动轴承故障诊断方法.该方法将轴承振动信号同时作为一维卷积神经网络和二维卷积神经网络的输入信号,并在汇聚层中将提取到的故障信息融合,最后通过优化后的分类器提高故障识别准确率.为了验证该方法的诊断性能,将与融合卷积神经网络同规格的一维卷积神经网络和二维卷积神经网络进行对比.试验结果表明,该方法不仅可以提高故障识别准确率,还可以在信号受到噪声污染时保持良好的诊断性能.     

基于自适应RCGmvMFE和流行学习的滚动轴承故障诊断

多尺度模糊熵能够较好的量化振动信号的复杂程度,但缺乏对其他信道信息的有效利用,为了充分利用其他信道的振动信息,将表征同步多通道数据多变量复杂度的多变量熵理论应用到轴承故障诊断中.为了准确提取轴承信号中的故障特征,提出了基于自适应噪声完备集成经验模态分解(Complete Ensemble Empirical Mode ...     

基于EMMD分解的滚动轴承故障诊断

针对滚动轴承损伤性故障的故障诊断问题,提出基于极值域均值模式分解(extremum field mean modedecomposition,EMMD)的故障诊断方法,进行故障特征频率的提取。首先通过EMMD方法将原始信号分解成若干个本征模函数(intrinsic mode function,IMF),然后通过计算各个IMF与原始信号的相关系数,确定包含故障特征信息的主要成分,除去虚假分量。最后针对主要成分的本征模函数进行Hilbert包络解调提取故障特征,即轴承的损伤性故障特征。通过工程实例信号的分析结果以及与经验模式分解(empirical mode decomposition,EMD)方法的对比均表明,该方法能较快地提取轴承的故障特征。     

基于EMD与GA-SVM的轴承故障诊断

特征提取与特征选择是实现轴承故障诊断的关键.针对特征提取,首先将轴承振动加速度信号进行经验模态(empirical mode decomposition,简称EMD),得到一组固有模态函数(intrinsic mode function,简称IMF),计算各IMF的能量和IMF矩阵的奇异值分布,采用Shannon熵、Rrnyi熵度量能量和奇异值分布,同时提取原信号的部分统计特征共同构成原始特征子集;针对特征选择,采用遗传算法(genetic algorithm,简称GA)和最小二乘支持向量机(least square support vector machine,简称LS-SVM)的Wrapper方法选择最优特征子集.在实际轴承故障诊断中的应用,表明文中所提方法的有效性.     

基于模糊熵与LS-SVM的轴承故障诊断

由于滚动轴承不同状态的振动信号具有不同复杂度的特点,提出利用模糊熵和最小二乘支持向量机(LSSVM)实现轴承故障的准确诊断。模糊熵将模糊理论引入到数据序列的复杂度测度中,能够测量出不同复杂度的数据序列。根据模糊熵计算方法,选择最优参数计算轴承振动信号的模糊熵,作为区分轴承不同故障状态的特征参数。以轴承振动信号的模糊熵为输入,以最小二乘支持向量机为分类器,准确识别轴承故障状态。轴承实测振动信号分析表明,方法能够有效诊断轴承故障,提高故障诊断的准确率。     

基于两类特征与AFSA优化SVM的滚动轴承故障诊断研究

针对非线性、非平稳的滚动轴承振动信号特征"难表征"和基于支持向量机(Support vector machine, SVM)的故障分类模型"精度低"的问题,提出一种基于变分模态分解(Variational Mode Decomposition,VMD)、峭度图(Kurtogram)与人工鱼群算法(Artificial Fish Swarm Algorithm,AFSA)优化SVM相结合的滚动轴承状态辨识方法。首先,利用Kurtogram算法、相关系数最大准则"筛选"出原信号经VMD后包含有效故障信息的本征模函数(Intrinsic Mode Functions, IMF),并计算其形态谱熵和能量熵构建有效特征向量集;其次,利用AFSA寻找最优的惩罚系数C和高斯核宽度系数σ的核函数系数组合(C、σ);并将有效特征向量集作为上述算法的输入建立滚动轴承状态辨识模型。实验结果表明,所提方法不仅能凸显原信号中的有效故障成份,同时也提高了模型学习效率和分类精度。     

一种基于SVM和EMD的齿轮故障诊断方法

支持矢量机(Support vector machine,SVM)有比神经网络更强的泛化能力,且能保证找到的极值解就是全局最优解,同时它还较好地解决了小样本的学习分类问题。针对齿轮振动信号的非平稳特征和现实中难以获得大量故障样本的实际情况,提出了一种基于经验模态分解(Empirical mode decomposition,EMD)和支持矢量机的齿轮故障诊断方法。首先对原始信号进行经验模态分解,将其分解为多个平稳的固有模态函数(Intrinsic mode function,IMF)之和,然后对每一个IMF分量建立AR模型,最后提取模型的自回归参数和残差的方差作为故障特征矢量,并以此作为SVM分类器的输入参数来识别齿轮的工作状态和故障类型。试验结果表明,在小样本情况下仍能准确、有效地对齿轮的工作状态和故障类型进行分类。     

基于数据拟合的小波构造及轴承故障诊断

构造最优小波函数是实现提升小波降噪的关键。在确定最优分解层数和有效阈值基础上,在插值细分过程中引入数据拟合的方法,选取不同的基函数、样本点数和基函数的维数构造出具有不同光滑性、震荡性、消失矩的新小波,并引入相似系数对所构造的小波函数进行分析并选取最适小波函数,并将其与冗余提升小波变化相结合,改善其预测算子和更新算子。仿真及工程数据分析验证了该小波函数在振动信号降噪中的有优越性,为轴承故障诊断提供了帮助。     

自适应冗余提升小波包变换的滚动轴承故障诊断新方法

针对滚动轴承故障微弱信号特征识别问题,提出一种非抽样运算的自适应冗余提升小波包诊断方法,解决了传统的小波包或提升小波变换进行抽样运算造成故障信息失真问题。该方法以提升原理为基础,通过Lagrange插值细分思想计算初始的非抽样预测和更新算子,进而构造了自适应冗余提升小波包分解与重构算法。对仿真信号进行降噪与抗频率混叠实验,结果表明,该方法降噪能力优于传统小波包,且不存在频率混叠现象。在异步电动机上实测了滚动轴承6205无故障、内圈故障、外圈故障及滚动体故障时的振动信号,用这种方法成功提取了各类故障的特征频率及倍频,且比传统小波包具有更高的诊断精度。