ELMD和MCKD在滚动轴承早期故障诊断中的应用

针对滚动轴承早期故障特征信号微弱且受环境噪声影响严重,故障特征信息难以识别的问题,提出了基于总体局部均值分解(Ensemble local mean decomposition,ELMD)和最大相关峭度反褶积(Maximum correlated kurtosis deconvolution,MCKD)的早期故障诊断方法。该方法首先运用ELMD对采集到的振动信号进行分解,得到有限个乘积函数(Product function,PF),由于噪声的干扰,从PF分量的频谱中很难对故障做出正确的判断。然后对包含故障特征的PF分量进行最大相关峭度反褶积处理以消除噪声影响,凸现故障特征信息。最后对降噪信号进行Hilbert包络谱分析,即可从中准确地识别出轴承的故障特征频率。通过轴承故障模拟实验和工程应用实例验证了该方法的有效性与优越性。     

基于ELMD和MED的滚动轴承早期故障诊断方法

针对滚动轴承早期故障振动信号的非平稳特性和现实中受环境噪声影响严重,故障特征信息难以识别的问题,提出基于ELMD和MED的故障诊断方法。首先,运用ELMD对采集到的轴承振动信号进行分解,得到一系列PF分量;然后,依据相关系数与峭度准则,选取包含故障特征信息较丰富的PF分量进行MED滤波处理以消除噪声影响,凸现故障特征信息;最后,对降噪信号进行Hilbert包络谱分析,从谱图中准确地识别轴承故障特征频率。     

基于自相关降噪和ELMD的轴承故障诊断方法

为了提取在故障轴承振动信号中被强噪声淹没的微弱冲击特征信号,提出一种基于总体局部均值分解和自相关降噪的轴承故障诊断方法。首先,应用自相关函数对轴承故障信号进行降噪;其次,对降噪后的信号进行ELMD分解,并得到一系列的乘积分量;最后,利用共振解调技术对各个PF分量进行包络分析,进而发现轴承故障频率。试验结果表明:将自相关降噪和ELMD分解方法结合用于实测轴承故障特征提取中,不仅可以降低信噪比,而且可以有效地提取轴承故障的特征频率。     

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。     

噪声参数最优ELMD与谱峭度在滚动轴承故障诊断中的应用

为了精准、稳定地提取滚动轴承故障特征,提出一种噪声参数最优总体局部均值分解(Ensemble Local Mean Decomposition,ELMD)与谱峭度(Spectral Kurtosis,SK)相结合的轴承故障诊断新方法。首先引入相对均方根误差确定ELMD方法中的最优噪声幅值;然后对故障信号进行噪声参数最优ELMD分解,并选取具有最大相关性的窄带乘积函数(Product Function,PF)作为重构信号;最后利用谱峭度方法和包络解调方法对重构信号进行处理。实验结果表明,噪声参数最优ELMD方法可以有效地抑制ELMD分解中的模态混叠,与谱峭度结合可以准确地提取滚动轴承故障特征。     

基于MCKD-EWT的滚动轴承故障诊断研究

实际工况中的轴承故障信息通常被掩埋在大量噪声中,为有效提取轴承故障特征频率,提出了最大相关峭度反卷积(MCKD)与经验小波变换(EWT)相结合的诊断方法。首先,使用MCKD对轴承振动信号进行降噪处理;然后,使用EWT将MCKD处理后的振动信号分解为多个调幅-调频分量(AM-FM);最后,在含有故障频率的低频分量频谱中寻找轴承故障特征频率。使用轴承故障模拟试验台采集的轴承振动信号验证了该方法对轴承故障诊断的有效性,并采用另一轴承故障数据集验证了该方法的泛化性。     

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MODWPT和MCKD的滚动轴承早期故障诊断

针对齿轮啮合强振动干扰下滚动轴承微弱故障特征提取难的问题，提出一种最大重叠离散小波包变换(MODWPT)和最大相关峭度解卷积(MCKD)相结合的滚动轴承早期故障诊断方法。首先采用MODWPT方法将复杂的轴承故障振动信号分解为若干分量，然后依据峭度准则，选取峭度较大的分量进行MCKD滤波，最后对滤波后所得信号做Hilbert包络分析，将包络谱呈现的频率特征与理论故障特征频率相比较，识别故障特征，实现故障诊断。通过轴承故障的仿真及实验研究，并对比单一MCKD方法和EMD-MED方法的提取效果，说明该方法可以在一定程度上抑制齿轮啮合强振动及噪声的干扰，增强并有效提取出滚动轴承早期低频微弱故障特征。     

基于MCKD-EEMD的滚动轴承微故障特征提取

在强噪声环境下滚动轴承故障信号非常微弱,特征信息难以识别,为了能够准确、有效地检测出轴承故障,提出了最大相关峭度反褶积(maximum correlated kurtosis deconvolution,MCKD)和总体平均经验模态分解(ensemble empirical mode decomposition,EEMD)相结合的诊断方法。信噪比较低时EEMD不能很好地提取微弱的信号特征,故先运用MCKD对含有强噪声的轴承振动信号进行降噪预处理。然后对降噪后的信号进行EEMD分解,选取与降噪信号相关系数较大的IMF分量进行信号重构。最后对重构信号进行能量算子解调分析,从包络谱中便能准确获得故障特征频率。通过信号仿真和实验数据处理结果证明了该方法的有效性。     

自适应随机共振与ELMD在轴承故障诊断中的应用

针对随机共振(Stochastic resonance,SR)在处理轴承故障信号时需要满足小参数(信号频率、幅值、噪声强度远小于1)这一条件以及轴承故障特征难以提取的问题,提出基于自适应变尺度随机共振与总体局部均值分解(Ensemble local mean decomposition,ELMD)的轴承故障诊断方法。首先,对实测的信号按照一定的频率进行压缩,使其满足随机共振小参数的要求,然后,通过遗传算法(Genetic algorithm,GA)对变尺度随机共振双稳系统中的结构参数a,b进行优化,最后将随机共振输出信号进行ELMD分解,通过各PF分量的频谱图寻找轴承故障特征频率。对实测轴承故障信号的实验分析,结果表明本文提出的方法可有效地应用于轴承的故障诊断中。     

基于IITD和包络信号1.5维谱的轴承故障诊断

为了有效识别轴承的早期故障特征,提出了一种基于改进的本征时间尺度分解(IITD)结合包络信号1.5维谱的轴承故障诊断方法。IITD方法是将端点延拓引入到传统的本征时间尺度分解(ITD)当中,用于改善其端点效应。轴承振动信号经IITD分解后得到一组PR分量和一趋势项,对PR分量的包络信号进行1.5维谱分析。结果表明,IITD分解得到的PR分量包络信号的1.5维谱,可以准确提取轴的转动频率、内圈故障特征频率和外圈故障特征频率,从而实现了轴承故障的有效诊断,证明了该方法的有效性和实用性。     

基于CEEMD与MCKD的滚动轴承早期故障诊断

针对滚动轴承早期故障信号中冲击成分能量低,背景噪声干扰严重的问题,提出了基于CEEMD与MCKD的故障诊断方法。首先,应用CEEMD方法对故障振动信号进行分解,依据相关系数准则从分解结果中选取敏感分量;然后,采用MCKD算法对所选取分量信号进行降噪并应用Hilbert算法对降噪后信号进行解调处理,从包络谱中提取故障特征信息;最后,通过仿真信号和轴承试验数据进行诊断分析验证了该方法的有效性。     

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VMD和奇异差分谱的滚动轴承早期故障诊断

针对强噪声环境下滚动轴承早期故障特征信息非常微弱且难以提取的问题,提出了基于变分模态分解(Variational Mode Decomposition,VMD)和奇异值差分谱的故障诊断方法。首先对轴承故障振动信号进行VMD分解得到一系列本征模态分量(Intrinsic Mode Functions,IMFS),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,对相关系数较大的分量构建Hanke矩阵进行奇异值分解,求取奇异值差分谱,从差分谱中确定重构信号的有效阶次对信号进行降噪处理;最后对降噪处理后的信号进行Hilbert包络处理,从包络谱中即可准确地提取到故障特征频率。仿真信号和工程数据处理结果表明,该方法能够有效地降低噪声的影响,精确地提取到轴承微弱的故障特征频率信息。     

相关系数包络谱联合指标CeK的轴承故障诊断方法

针对轴承故障冲击特征提取时存在噪声和转频等成分的干扰问题,提出一种相关系数包络谱联合综合指标C_eK的轴承故障诊断方法。在信号预处理阶段采用新的综合指标C_eK从总体平均经验模态分解(Ensemble empirical mode decomposition,EEMD)得到的多个本征模态分量(Intrinsic mode function,IMF)中选取最优分量,进一步使用最大相关峭度反褶积(Maximum correlated kurtosis deconvolution,MCKD)对最优分量进行滤波降噪处理,最后使用Laplace小波相关滤波法提取故障冲击相关系数的峰值,做相关系数的包络谱图。通过仿真信号的分析结果,验证了本文方法的可行性。借助于南昌铁路局采集的真实故障信号,并以峭度指标代替本文提出的综合指标进行后续处理以及自适应Morlet小波滤波提取故障特征的分析结果,突出了利用综合指标C_eK和相关系数包络谱提取故障特征频率的优越性。     

一种ELMD模糊熵和GK聚类的轴承故障诊断方法

针对滚动轴承故障振动信号的非平稳、非线性特性,采用一种基于总体局部均值分解(Ensemble Local Mean Decomposition,ELMD)模糊熵和GK(Gustafson-Kessell)聚类的滚动轴承故障诊断方法。首先通过对滚动轴承故障振动信号进行ELMD分解,得到若干的乘积函数(Product Function,PF)分量和一个残差。然后,通过PF分量和原始轴承故障信号的相关性分析,选取与原始信号相关性最大的PF分量,并求取PF分量的模糊熵值作为特征向量。最终,通过GK聚类对所得的特征向量进行识别分类。通过对滚动轴承正常状态、内圈故障、滚动体故障和外圈故障的轴承四种状态分析表明,基于ELMD模糊熵和GK聚类的方法能够准确有效的对轴承故障状态进行分类识别。     

基于ELMD和1.5维谱的滚动轴承早期故障诊断方法

滚动轴承出现早期故障时,故障特征十分微弱,伴随严重的噪声干扰导致其故障特征难以识别,针对这一问题,提出了一种总体局部均值分解(Ensemble Local Mean Decomposition,ELMD)和1.5维谱相结合的滚动轴承故障诊断新方法。该方法首先运用ELMD对振动信号进行分解,得到一系列乘积函数(product function,PF)分量,然后根据峭度准则以及相关系数准则提取一个包含主要故障信息的PF分量,最后对提取的PF分量进行1.5维谱分析,通过分析谱图中突出成分以确定轴承故障类型。通过仿真信号和工程实验数据分析验证了该方法的有效性。     

随机共振消噪与ELMD相结合的轴承故障诊断

针对实际工况下轴承故障信号容易淹没在强烈噪声中难以提取,局部均值分解(local mean decomposition,LMD)在信号处理方面不可避免出现模态混叠现象的问题,提出1种基于随机共振(Stochastic Resonance,SR)与总体局部均值分解(ensemble local mean decomposition,ELMD)相结合的轴承故障诊断方法。首先将采集到的实际轴承振动信号进行随机共振消燥,以白噪声驱动与双稳系统形成随机共振现象,将噪声的部分能量转移到低频区域集中,提高信号的信噪比;然后将经过随机共振后的信号进行ELMD分解,得到1组乘积函数(product function,PF),以及1个残余分量,对得到的PF分量进行时频分析,最终发现轴承故障特征频率。实验结果表明,该方法可以提高信号信噪比,以达到微弱信号检测的目的,因此可以很好的应用在轴承故障诊断中。     

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。