基于EEMD与空域相关降噪的滚动轴承故障诊断方法

针对滚动轴承早期故障信号非平稳、非线性,强噪声的特点,提出了一种将集成经验模态分解(EEMD)和空域相关降噪相结合的滚动轴承故障诊断方法。该方法首先采用EEMD对滚动轴承故障信号进行分解,得到若干个IMF分量,其次,采用峭度—度量因子准则筛选出有效的IMF分量进行信号重构,然后,采用空域相关降噪方法对重构信号进行降噪处理,最后,提取降噪后信号的故障特征频率对轴承故障进行诊断。采用建立的方法对某轴承内圈、外圈故障实验数据进行了分析与诊断,结果表明,方法能够有效克服信号分解的模态混叠效应,对故障信号噪声抑制效果明显,并能准确有效地提取出轴承的故障特征频率,实现对滚动轴承故障的精确诊断。     

基于VMD和MED的滚动轴承微弱故障特征提取

针对强噪声环境下滚动轴承故障特征信息非常微弱且难以提取的问题,提出基于变分模态分解(Variational Mode Decomposition,VMD)和最小熵解卷积(Minimum Entropy Deconvolution,MED)的滚动轴承微弱故障特征提取方法。基于VMD和MED的滚动轴承微弱故障特征提取方法首先采用VMD对滚动轴承故障信号进行分解,得到多个模态分量,由于噪声的干扰,很难从各个模态分量中提取有效的故障特征信息;然后根据相关系数准则,选取与原始信号相关系数较大的模态分量进行重构,再对重构后的信号进行MED降噪处理;最后对降噪处理后的信号进行Hilbert包络解调,从得出的包络谱中即可准确地提取到故障特征信息。轴承故障实验信号处理结果表明,该方法可以有效地降低噪声的影响,精确地提取滚动轴承微弱的故障特征信息。     

基于PSO-VMD-MCKD方法的风机轴承微弱故障诊断

针对风机滚动轴承微弱故障信号所具有的非线性和非平稳特征及易被强背景噪声掩盖的特点,提出了一种变分模态分解(variational modal decomposition,简称VMD)和最大相关峭度解卷积(maximum correlated kurtosis deconvolution,简称MCKD)相结合的滚动轴承微弱故障诊断方法。为实现VMD和MCKD的参数自适应选择,采用粒子群优化算法(particle swarm optimization,简称PSO),对两种算法中的参数进行优化。首先,利用PSO优化VMD算法中的α和K,再基于VMD对微弱故障信号分解后的结果,选取最优模态分量;其次,利用PSO优化MCKD算法中的L和T,再基于MCKD算法加强最优分量信号中的故障冲击成分;最后,通过包络谱提取出轴承微弱故障特征。仿真和试验均表明,此方法能够自适应增强轴承微弱故障中的冲击成分,有效提取出被强噪声淹没的轴承微弱故障特征。     

基于MCKD和VMD关联维数的轴承故障特征提取AR模型

针对滚动轴承早期故障易受噪声影响难以准确提取特征信息的问题,提出了一种基于最大相关峭度解卷积(MCKD)和变分模态分解(VMD)关联维数的故障诊断AR模型.采用MCKD对滚动轴承振动信号进行降噪处理,滤除噪声影响;对降噪后的信号进行VMD分解,选择对故障特征敏感的IMF分量进行信号重构,并对重构信号建立AR模型,获取自回归参数;计算在指定嵌入维数上自回归参数的关联维数,对滚动轴承的故障进行诊断.实验结果表明,所提方法能够有效提取故障信号中的特征信息,证明了方法的有效性.     

可变负载的准零刚度隔振器特性

针对风机滚动轴承微弱故障信号所具有的非线性和非平稳特征及易被强背景噪声掩盖的特点,提出了一种变分模态分解(variational modal decomposition, 简称VMD)和最大相关峭度解卷积(maximum correlated kurtosis deconvolution, 简称MCKD)相结合的滚动轴承微弱故障诊断方法。为实现VMD和MCKD的参数自适应选择,采用粒子群优化算法(particle swarm optimization, 简称PSO),对两种算法中的参数进行优化。首先,利用PSO优化VMD算法中的α和K,再基于VMD对微弱故障信号分解后的结果,选取最优模态分量;其次,利用PSO优化MCKD算法中的L和T,再基于MCKD算法加强最优分量信号中的故障冲击成分;最后,通过包络谱提取出轴承微弱故障特征。仿真和试验均表明,此方法能够自适应增强轴承微弱故障中的冲击成分,有效提取出被强噪声淹没的轴承微弱故障特征。     

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MCKD降噪和改进EWT信号分解的轴承故障识别

为了提高在传动系统振动信号识别过程中经验小波变换(Empirical wavelet transform, EWT)微弱故障识别能力,设计了一种通过MCKD降噪与IEWT相结合得到的新算法。先以MCKD算法完成轴承故障信号的消噪过程;接着通过IEWT算法完成降噪数据的频谱分类,生成多个分量信号的情况下再对信号进行平方包络谱处理;最后再对故障特征开展识别确定故障特征。研究结果表明：轴承外圈和内圈信号冲击特征获得显著增强的效果。根据平方包络谱确定外圈故障特征频率与倍频,由此准确检测轴承的外圈和内圈故障。以MCKD-IEWT算法处理包含强噪声的信号时,可以实现Fourier频谱的准确分段,也可根据峭度指标从中确定最佳信号分量,满足强噪声条件下的故障识别要求。该研究适用于其它的机械传动系统,具有很好的理论支撑价值。     

基于ELMD-MCKD在滚动轴承故障诊断中的应用

针对在强噪声环境下,滚动轴承故障特征信息微弱、特征频率难以识别的问题,提出基于总体局部均值分解(Ensemble Local Mean Decomposition,ELMD)与最大相关峭度卷积(Maximum Correlated Kurtosis Deconvolution,MCKD)的轴承故障诊断方法,用于处理轴承故障振动信号。首先,使用ELMD将原始数据分解为1组乘积函数(PF);然后,利用MCKD对每一个PF分量进行降噪处理;最后,对各降噪的PF分量求取包络谱,从而在包络谱中寻找轴承的故障特征频率。为了验证ELMD-MCKD在检测故障中的有效性,进行了一系列轴承故障模拟实验分析。结果表明,提出的ELMD-MCKD方法提高了轴承故障识别的准确性,可用于实际应用中的故障诊断。     

基于总体平均经验模态分解与1.5维谱的滚动轴承故障诊断方法

针对滚动轴承早期故障冲击信号微弱,强噪声干扰下故障特征难以提取等问题,提出了基于总体平均经验模态分解(EEMD)与1.5维谱的滚动轴承故障诊断方法。由于经验模态分解(EMD)在对信号进行分解时容易产生模态混叠现象,引入总体平均经验模态分解(EEMD)。首先将最小熵解卷积(MED)作为前置滤波器,对原始信号进行降噪处理,再利用1.5维谱对经过EEMD分解得到的较为敏感的本征模态函数进行分析,得到各个分量的1.5维包络谱,最终判断轴承是否存在故障。通过仿真信号及实验信号验证了文中所论方法的可行性和有效性。     

基于改进MCKD方法的声发射信号降噪

针对强噪声环境中故障声发射信号提取的难题,在最小熵解卷积MED(Minimum Entropy Deconvolution)和最大峭度解卷积MCKD(Maximum correlated kurtosis deconvolution)的基础上,提出一种基于双向循环重构滤波准则的改进MCKD降噪方法。双向重构准则能够充分利用数据中的冲击成分,具有较强的抗冲击幅值变化干扰能力,改进MCKD方法通过滤波器迭代提取有用信号达到降噪目的。通过仿真信号和轴承故障声发射实验信号的研究表明:改进MCKD方法能有效提取原始信号中的有用故障信息,其降噪性能优于MED方法和MCKD方法。