改进的希尔伯特-黄变换及其在滚动轴承故障诊断中的应用

希尔伯特黄变换(Hilbert-Huang transform,HHT)是一种优秀的时频分析方法,包含经验模态分解(Empirical mode decomposition,EMD)和希尔伯特变换(Hilbert transform,HT)两部分,通过EMD对信号进行分解,再对得到的内禀模态函数(Intrinsic mode function,IMF)进行HT解调。针对EMD存在的包络误差,模态混淆,端点效应以及HT易产生负频率等缺陷,提出一种改进的HHT方法(Improved HHT,IHHT),IHHT包括广义经验模态分解(Generalized EMD,GEMD)和改进的直接正交(Improved direct quadrature,IDQ)解调,GEMD通过定义多种均值曲线,从得到的多个IMF中选择最优分量,从而保证了每阶分量的优越性;再采用改进的经验调幅调频分解和IDQ方法对信号进行解调,提高了分解和解调的精确性、抑制了端点效应的产生。将提出的方法应用于滚动轴承故障诊断,分析结果表明IHHT是一种有效的信号处理方法。     

改进希尔伯特-黄变换的滚动轴承故障诊断

针对希尔伯特-黄变换中经验模态分解方法存在的端点效应和虚假固有模态函数的问题,提出一种改进希尔伯特-黄变换方法并将此方法应用于滚动轴承故障诊断中。首先,利用最小二乘支持向量机和镜像延拓相结合的方法来抑制端点效应;其次,采用敏感固有模态函数选择算法选出反映故障特征的敏感固有模态函数;最后,利用敏感固有模态函数的包络谱进行故障诊断。通过仿真分析和应用实例可看出,该方法能够有效提取出滚动轴承故障信号的特征信息并准确诊断出引起滚动轴承的故障原因。     

希尔伯特变换原理在轴承故障诊断中的应用

阐述希尔伯特变换及解调的基本原理，并据此对振动信号进行幅值及相位解调与分析，为旋转机械故障诊断提供早期和准确的故障信息。     

Hilbert-Huang变换在机车滚动轴承故障诊断中的应用

针对铁路机车所使用的滚动轴承的典型故障,基于HHT方法及LabVIEW软件,开发了一套机车滚动轴承故障诊断平台,采用NI的多通道数据采集设备PXIe完成了对机车滚动轴承振动信息的采集、故障特征信息的提取和分析,有效地识别出机车滚动轴承的工作状态和故障类型.由实验结果可知,经HHT分析外圈故障数据得到的故障频率与理论计算值相符,是一种滚动轴承故障诊断的有效方法.     

小波变换在滚动轴承故障诊断中的应用

采用小波变换能够快速有效地对滚动轴承振动信号进行带通滤波。通过选用多尺度的小波变换,能较好地分离出所要分析的高频固有振动信号,然后对高频振动信号进行包络分析,从包络谱图中提取故障特征频率分量,就能诊断出滚动轴承故障发生在哪个元件上。实验结果表明,这种诊断方法是有效的。     

约束稳健独立分量分析在滚动轴承故障诊断中的应用

独立分量分析方法广泛应用于机械设备故障诊断领域。在稳健独立分量分析方法的基础上,结合故障特征频率先验信息,提出了一种约束稳健独立分量分析方法。该算法首先讨论了如何产生参考信号,然后定义了参考信号和期望信号的接近性度量函数,最后提出了改进的稳健独立分量对比函数。仿真和试验结果表明,该算法在收敛速度和计算精度方面都明显优于传统的Fast ICA算法。     

形态分量分析在齿轮箱复合故障诊断中的应用

针对齿轮箱复合故障难以检测和诊断难题,提出了基于形态分量分析的齿轮箱复合故障诊断方法.形态分量分析是一种基于信号形态多样性和信号稀疏表示的信号或图像处理方法,其主要目标是根据信号组成成分的形态差异性,选择合适的字典来分离信号.通过仿真信号和齿轮箱轴承、齿轮复合故障振动实验信号的研究结果表明:形态分量分析技术不仅能将形态各异的多分量信号进行有效分离、提取故障特征,而且提高了从强噪声环境中提取瞬态冲击特征的能力,能有效识别齿轮箱的故障类型和故障发生部位,其性能优于传统的独立分量分析.     

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。     

独立分量分析在滚动轴承包络分析中的应用

提出了一种利用独立分量技术消除或有效抑制包络分析中强干扰对分析结果影响的方法.该方法首先用包络分析方法提取滚动轴承振动信号的包络波形,再通过独立分量分析实现各振源包络分量的分离去噪,最后对滚动轴承相关的包络分量进行包络谱分析,获得对滚动轴承故障在强干扰源存在下的准确结果.     

连续小波变换在滚动轴承故障诊断中的应用

采用连续小波分析的方法对滚动轴承振动和速度信号进行处理,提取滚动轴承故障特征。通过对滚轴承在正常、内圈剥落、外圈剥落及滚动体落情况下的振动加速度信号进行分析,验证了这种方法的有效性。     

基于形态成分分析的轴承复合故障诊断

独立分量分析(ICA)已被广泛运用于线性混合模型的盲源分离问题,但却有2个重要的限制:信源统计独立和信源非高斯分布。形态成分分析是最新提出的一种基于稀疏表示的信号和图像分解(分离)方法。介绍了形态成分分析的基本原理,进行了仿真说明,并应用该方法对设置了3种故障的轴承进行故障诊断,最终发现了故障特征,成功判别出了轴承的3种故障,验证了该方法在轴承故障诊断中的有效性。     

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。     

形态梯度和Hilbert包络在滚动轴承故障诊断中的应用

利用形态梯度能有效提取尖峰脉冲和抑制高斯白噪声的优点,结合Hilbert包络解调功能,分离出信号的低频信息,从而得到滚动轴承的故障特征频率。仿真和实例证明了该方法的有效性和实用性。     

小波包络分析在滚动轴承诊断中的应用

针对传统包络解调分析方法需要人为选定共振频带的缺陷,提出了基于高斯函数的小波包络解调分析方法。该方法能将各共振响应频带的调制频率提取出来。进一步采用包络谱熵选择最优尺度来监测滚动轴承缺陷的发生和发展过程。经实例验证,该方法能准确地检测出滚动轴承外圈、内圈及滚珠的局部缺陷。     

基于PPCA-EWT的滚动轴承轻微故障诊断

针对经验小波变换(empirical wavelet transform,简称EWT)在强背景噪声下对轴承的轻微故障特征提取不足的问题,提出了概率主成分分析(probabilistic principal component analysis,简称PPCA)结合EWT的滚动轴承轻微故障诊断方法。首先,对信号做PPCA预处理,提取信号主要故障特征成分,去除强背景噪声干扰;然后,采用EWT方法分解轴承故障信号,按相关系数-峭度准则选出故障特征较为明显的分量,并将所选分量重构故障信号;最后,对信号采取包络分析,提取出轴承故障特征。仿真和实验结果表明,该方法能够有效地诊断出轴承故障且效果优于对信号进行EWT包络分析。     

基于小波包变换的滚动轴承故障诊断

针对故障轴承振动信号能量集中与调制的特点,提出了一种基于小波包能量法与Hilbert变换的滚动轴承故障诊断方法。使用小波包变换对振动信号进行分解、重构及能量计算,并应用Hilbert变换对能量集中频段的重构信号进行解调和频谱分析,提取故障特征频率。同时针对诊断过程中故障特征参数依靠人工计算的问题,提出故障特征参数自动提取方法。实际的滚动轴承实验数据的处理和分析结果表明,该诊断方法能够准确、快速地识别滚动轴承表面损伤的故障模式。     

形态非抽样小波与灰色关联度的轴承故障诊断

文中针对滚动轴承振动信号的强噪声背景以及故障样本不易大量获取的问题,提出了一种基于形态非抽样小波与灰色关联度的滚动轴承故障诊断方法。形态非抽样小波克服了传统形态小波由于采用抽样方式分解而造成的信息丢失问题,具有良好的特征提取和抗噪性能。灰色关联度分析方法对小样本模式识别问题具有良好的分类效果,适用于滚动轴承的故障模式识别。文中首先利用差值形态滤波能够提取信号冲击成分的特点,提出一种多尺度形态非抽样小波方法提取滚动轴承故障特征,然后将形态非抽样小波分解后近似信号的归一化特征能量作为特征向量,最后通过比较待识别样本与标准故障模式的灰色关联度来对故障模式进行分类。实例表明该方法可取得良好的效果。     

基于包络分析的滚动轴承故障诊断研究

在研究滚动轴承振动机理的基础上,提出了利用对振动信号进行包络分析,以及特征提取的方法来进行故障类型的判断。在QPZZ-Ⅱ型故障模拟实验台上进行了滚动轴承实验,对振动信号进行包络分析和特征提取,准确地判断出了滚动轴承的故障类型,证明了该方法是有效的。     

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。