基于EMD和Hilbert包络谱的滚动轴承故障诊断

为了对旋转机械中滚动轴承的运行状态进行故障监测和诊断,提出了一种基于EMD和Hilbert包络谱的滚动轴承故障诊断新方法.通过在滚动轴承实验台上提取振动信号,用EMD对数据进行分解得振动信号的固有模态函数分量(IMF分量),然后对IMF作Hilbert包络并进行谱分析.结果表明,该方法能够准确地识别和诊断出滚动轴承的运行状态和故障类型,非常适合滚动轴承故障精确诊断,具有很高的工程实用价值.     

基于EMD和峭度的Hilbert包络解调在滚动轴承故障诊断中的应用分析

针对直接运用快速傅里叶变换（FFT）无法有效提取具有非线性非平稳特性的滚动轴承振动信号故障特征频率的问题,提出了一种基于经验模式分解和峭度指标的Hilbert包络解调方法.首先对滚动轴承的振动信号进行了经验模式分解（EMD）,得到了包含轴承故障特征信息的各阶本征模态函数（IMF）,再计算各阶IMF的峭度值,选取了峭度值较大的几阶IMF分量重构信号,并对重构信号进行了Hilbert包络解调分析,从而获得了滚动轴承的准确故障特征信息.分别对仿真模拟信号和实际滚动轴承发生内圈故障的振动信号进行了分析,清晰地得到了故障特征频率.研究结果表明,利用融合EMD、峭度系数和Hilbert包络解调的诊断方法能够快速、准确地提取滚动轴承的故障特征频率,从而可以对滚动轴承进行有效地故障诊断.     

基于EMD和Hilbert-Huang的滚动轴承故障诊断

采用EMD和Hilbert- Huang相结合的方式开发了故障诊断程序,并在试验台上针对滚动轴承故障工况进行了模拟试验,采集振动信号并做了分析.     

基于EMD与功率谱分析的滚动轴承故障诊断方法研究

针对西部油田大型设备故障信号的非线性、非平稳特征,提出一种基于经验模态分解方法EMD（empirical mode decomposition）和功率谱的分析方法。首先对滚动轴承振动信号进行经验模态分解,然后对分解后包含轴承故障特征信息的固有模态函数分量作功率谱分析,得到各分量的功率谱图,清晰直观显示出故障特征信号的功率谱,从混有背景信号和噪声的振动信号中提取轴承故障信息。由于EMD方法具有自适应特性,适宜于非线性、非平稳信号的分解,该方法应用于滚动轴承的故障振动信号分析中,结果表明,该方法能够突出滚动轴承振动信号的故障特征,从而提高滚动轴承故障诊断的准确性。     

基于信息熵的滚动轴承声发射信号故障诊断

利用声发射信号进行低速滚动轴承故障检测.在状态特征提取的基础上,从信息融合的思想出发,建立一种基于时域的奇异谱熵、频域的功率谱熵、时-频域的小波能谱熵和空间特征谱熵的故障诊断方法,并作为综合评价滚动轴承运行状态的定量特征指标.     

基于Hilbert解调的滚动轴承故障诊断技术研究

介绍了Hilbert解调技术用于滚动轴承故障诊断的基本原理;通过对故障轴承实验数据的分析,证实了基于Hilbert变换的包络解调技术是一种有效的滚动轴承故障诊断方法。     

基于EMD细化包络谱分析的齿轮箱故障诊断

针对细化谱分析中对信号进行带通滤波时需要依靠经验来设置中心频率和带宽的缺点,提出了一种将EMD、Hilbert变换和ZOOM技术相结合的齿轮故障诊断研究方法。首先用EMD对齿轮振动信号进行自适应分解,选取有用的IMF进行重构得到新的信号,通过Hilbert变换得到信号的包络谱,再对包络谱进行细化得到高分辨率细化频谱。实验结果表明,基于经验模式分解自适应滤波的齿轮振动信号解调方法计算简便,能有效地突出故障特征频率成分。     

Hilbert-Huang变换在滚动轴承故障诊断中的应用

提出了一种新的滚动轴承故障诊断方法——基于小波系数包络信号的局部Hilbert边际谱方法，在Hilbert—Huang变换的基础上介绍了局部Hilbert谱和局部Hilbert边际谱，并将它应用于滚动轴承的故障诊断中。用小波基将滚动轴承故障振动信号分解，对高频段的小波系数用Hilbert进行包络分析得到包络信号，再对包络信号进行Hilbert—Huang变换求出局部Hilbert边际谱，从局部Hilbert边际谱中就可以判断滚动轴承的故障部位和类型。通过对滚动轴承具有外圈缺陷、内圈缺陷的情况下的振动信号的分析，说明该方法比传统的包络分析方法更能有效地提取滚动轴承故障特征。     

基于自适应共振解调技术的滚动轴承故障诊断

针对现有共振解调技术中高频共振中心频率及滤波带宽确定方法不成熟的问题,提出了自适应共振解调技术。利用经验模态分解将故障信号分解成若干个固有模态函数,通过信息熵最小的固有模态函数分量确定高频共振频率,自适应选取带通滤波器的中心频率和带宽。利用Hilbert变换对滤波后的信号进行解调分析,得到包含故障特征信息的低频包络信号,提取故障特征频率,实现故障辨识。与现有共振解调方法相比,自适应共振解调方法在工程实际中应用性更强。     

基于CNN并引入EMD预处理机制的滚动轴承故障诊断方法

滚动轴承故障信号具有非线性、非平稳、强噪声特性,传统算法依赖于人工特征提取且缺乏自适应性。为此,该文利用经验模态分解(EMD)将原始特征集分解为一系列平稳的本征模态函数(IMF),结合相关系数遴选能突出更多局部特征的IMF构建特征向量,剔除部分噪声干扰信号。构造卷积神经网路(CNN)的多层特征提取网络,以遴选的特征向量为输入将其逐级变换为抽象的深层特征,最后完成特征域到故障类别域的映射。实验结果表明,该算法相比较其他方法具有更高的准确率、更好的鲁棒性。     

基于经验模式分解和Wigner高阶矩谱的轴承故障诊断

Wigner高阶矩谱由于交叉项的干扰而影响了对信号的时频分析,通过经验模式分解与Wigner高阶矩谱结合,有效地抑制了Wigner高阶矩谱的交叉项,通过仿真试验进行了验证,并在轴承内圈点蚀故障诊断中得到了应用.     

基于形态差值滤波和差分熵的滚动轴承故障诊断

针对滚动轴承内外圈的早期故障,提出了一种新的诊断方法,该方法融合了数学形态学对非线性信号的滤波和信息熵理论在信号表征方面的优越性。首先,利用数学形态差值滤波器对实测的轴承内外圈轻重损伤的故障信号进行消噪处理,充分突出了有用的故障特征信息;然后,利用差分熵提取该信号中的突变特征信息,对其进行不确定性和复杂性度量;最后,根据突变点的冲击时间间隔和内外圈故障周期性冲击的时间间隔一致的思想来完成对滚动轴承的故障诊断。通过对仿真信号和滚动轴承实测内外圈两种故障程度的振动信号的诊断分析,证明该方法能够很好地识别轴承内外圈早期故障的类型,且具有很高的准确率。     

基于Hilbert空间熵的风力发电机轴承故障诊断

风速的不断变化往往会给风力发电机的故障诊断造成干扰,为此,提出Hilbert空间熵方法。通过建立基于HHT时频变换的信息熵,描述不同风速条件下风力发电机轴承振动信号,将其应用于D70型风力发电机轴承故障分析,证明在不同风速条件下,该方法均能有效识别轴承故障,可作为风力发电机轴承故障诊断的指标和依据。     

基于小波包最优熵与RVM的滚动轴承故障诊断方法

为解决滚动轴承振动信号信噪比低和故障分类准确性不高的问题,提出了小波包最优熵和相关向量机相结合的故障诊断方法。首先采用小波包对采集到的信号进行信噪分离,寻找分解后信号的最优小波包节点熵;然后提取最优节点能量作为训练样本,对相关向量机的多故障分类器进行训练,实现轴承的智能诊断。试验表明,该方法可简单有效地分离噪声,并具有良好的分类能力,可以很好地应用于轴承故障诊断。     

基于本征模态函数包络谱的滚动轴承故障诊断

针对滚动轴承故障振动信号非平稳的特征,以及传统傅里叶变换不能反映信号细节的缺陷,引入了一种基于本征模态函数包络谱的方法。首先,采用经验模态分解（empirical mode decomposition,EMD）将滚动轴承故障振动信号分解成若干个本征模态函数（intrinsic mode function,IMF）之和;然后,求出包含主要信息成分的IMF分量的Hilbert包络谱;最后,对照滚动轴承故障特征频率,进而判定故障类型。通过对滚动轴承内圈、外圈故障振动信号的分析处理,表明该方法能有效地提取滚动轴承的故障特征。     

EMD分解在电动机轴承故障诊断中的应用

选取单相功率频谱作为分析对象,通过对单相功率频谱进行EMD分解,准确地提取了fv故障特征量。仿真结果表明,该方法诊断灵敏度高、直观清晰,有效解决了定子电流中故障分量被基波分量淹没的难题,是一种有效的可行方法。     

基于MED-ITD和CICA的滚动轴承故障诊断

针对滚动轴承故障诊断在实际中受到噪声影响,故障难以识别的问题,提出了一种基于最小熵反褶积(MED)和固有时间尺度分解(ITD),并结合约束独立分量分析(CICA)的方法。首先,通过MED对轴承故障信号进行降噪,以滤除噪声信号,增强信号冲击成分;然后,通过ITD对降噪信号进行分解,选择合适的筛选分量进行重构;最后,采用CICA方法对重构信号进行盲源分离,通过希尔伯特包络谱进行分析提取出准确的故障信号,并经过试验验证了所提方法的有效性。     

基于经验模态分解包络谱的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的非平稳特征和传统包络分析法的缺陷,提出了一种基于经验模态分解包络谱的滚动轴承故障诊断方法.该方法首先采用经验模态分解将原始信号分解为若干个平稳的固有模态函数之和,然后求出包含主要故障信息的若干个固有模态函数分量的包络谱,再定义包络谱中故障特征频率处的幅值比为特征幅值比,最后以特征幅值比作为故障特征向量,输入神经网络,以神经网络的输出来判断滚动轴承的工作状态和故障类型.对滚动轴承内圈、外圈故障振动信号的分析结果表明,基于经验模态分解包络谱的故障诊断方法能有效地提取滚动轴承的故障特征.     

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。     

基于形态分量分析和包络谱的轴承故障诊断

滚动轴承出现局部损伤时,其振动信号往往由包含轴承自身振动的谐振分量、包含轴承故障信息的冲击分量及随机噪声分量构成。提出了基于形态分量分析和包络谱的滚动轴承故障诊断方法。该方法根据轴承振动信号中各组成成分的形态差异,利用改进的形态分量分析对滚动轴承故障振动信号中的谐振分量、冲击分量和噪声分量进行分离,然后对冲击分量进行Hilbert包络解调分析,根据包络谱诊断滚动轴承故障。算法仿真和应用实例表明,该方法能有效提取滚动轴承故障特征。