基于VMD的自适应形态学在轴承故障诊断中的应用

为有效提取滚动轴承信号的特征频率,提出了基于变分模态分解(VMD)的自适应形态学的特征提取方法。首先利用VMD将目标信号分解为有限个模态信号,依据互信息法提取与原始信号相关的模态信号,将其进行求和重构;然后利用形态学对重构信号进行降噪处理,提取出滚动轴承的特征频率。针对形态学固有统计偏移和结构元素的选择问题,利用粒子群算法来优化改进的广义形态学滤波器,实现自适应滤波。通过数字仿真实验与滚动轴承故障试验分析,将其与基于经验模式分解(EMD)的自适应形态学、包络解调方法进行比较,结果表明该方法可以有效提取故障信号的特征频率。     

基于VMD和1.5维Teager能量谱的滚动轴承故障特征提取

为准确提取非线性、非平稳的滚动轴承故障信号中的故障特征,提出基于变分模式分解(Variational Mode Decomposition,VMD)和1.5维Teager能量谱的滚动轴承故障特征提取方法;变分模式分解(VMD)是一种新的信号自适应分解方法,1.5维Teager能量谱具有1.5维谱良好的降噪效果和Teager能量算子强化信号瞬态冲击的优点。故障特征提取过程:首先,对滚动轴承故障信号进行VMD分解得到一组分量,根据峭度-相关系数准则筛选出2个冲击特征明显分量进行信号重构;再次,对重构信号进行1.5维Teager能量谱分析;最后根据能量谱图的分析,提取出滚动轴承的内圈和滚动体故障特征。仿真信号和试验信号的分析都验证了提出方法的有效性;通过与EEMD分解比较,采用VMD变分模式分解和1.5维Teager能量谱的分析方法更具有区分性,可以有效识别滚动轴承的故障特征。     

强噪声背景下滚动轴承微弱故障特征信号的经验模态分解

针对强噪声背景下滚动轴承早期微弱故障信号经验模态分解问题,提出了一种基于级联自适应分段线性随机共振系统降噪的经验模态分解方法。该方法依赖于级联自适应分段线性随机共振系统优良的降噪特性,首先对含噪信号进行降噪处理,然后再进行经验模态分解。通过对轴承故障仿真信号和滚动轴承实验信号的分析,结果表明该方法能有效滤除高频噪声,减少经验模态分解阶数,提高经验模态分解的质量,实现强噪声背景下滚动轴承早期微弱故障特征提取。     

结合VMD和Volterra预测模型的轴承振动信号特征提取

针对滚动轴承振动信号的非线性和非平稳性特点,提出了一种结合变分模式分解(VMD)和Volterra预测模型的轴承振动信号特征提取方法。利用VMD良好的非平稳信号分解能力将轴承振动信号分解成有限个平稳的本征模式函数(IMF)分量,然后对各IMF分量进行相空间重构,在重构的相空间内建立Volterra自适应预测模型,根据类内类间距准则对模型参数进行优选,用于描述轴承振动信号。对4种状态的滚动轴承振动信号进行了分析,优选的特征参数表现出较好的分类性能。实验结果表明,该方法能有效提取振动信号中的非线性和非平稳特征,从而提高滚动轴承故障诊断精度。     

基于CPWP混合原子分解的滚动轴承故障诊断方法研究

目前常用的各种滚动轴承故障诊断信号处理方法缺乏自适应性,过完备原子分解则具有灵活的自适应能力。将余弦包(CP)及小波包(WP)的快速算法应用于匹配追踪算法设计了CPWP混合原子分解算法,对滚动轴承故障仿真信号进行CP、WP以及CPWP原子分解并比较三种分解结果,得出CPWP混合原子分解可以更加清晰全面地反映冲击调幅信号的特征,分辨率高于单一原子库分解。将上述三种方法分别应用于滚动轴承外圈故障实测信号分析,进一步验证了对信号不同特征敏感的异类原子库的结合可提高对信号的自适应识别能力,CPWP混合原子分解得到较CP、WP原子分解更多的冲击调制信息,能够有效提取滚动轴承的故障特征。     

基于FVMD的滚动轴承故障特征提取方法EI北大核心CSCD

针对变分模态分解(variational mode decomposition,VMD)中模态数K和惩罚因子α无法自适应确定的问题,提出了基于快速变分模态分解(fast VMD,FVMD)的滚动轴承故障特征提取方法。首先,利用频谱趋势分割方法对滚动轴承振动信号进行分析,确定频谱趋势分割边界,进而自适应确定VMD的分解模态数K和惩罚因子α、模态初始中心频率ω;其次,根据参数K、α、ω,完成原始振动信号的自适应分解,并基于有效权重峭度准则提取有效本征模态函数(intrinsic mode function,IMF)分量;最后,利用希尔伯特包络解调计算有效IMF分量重构信号的包络频谱图,完成滚动轴承故障特征的提取。使用仿真信号、美国凯斯西储大学(Case Western Reserve University,CWRU)和美国航空航天局(National Aeronautics and Space Administration,NASA)的滚动轴承数据完成所提方法与传统VMD方法的对比试验。结果表明,所提方法能够自适应确定VMD的分解模态数K和惩罚因子α,提高VMD的计算效率,同时有效提取到滚动轴承的故障特征频率,证明了所提方法的有效性和可行性。     

基于经验模式分解和排列熵的轴承故障特征提取

针对滚动轴承故障声信号故障诊断中共振解调滤波参数较难确定以及故障诊断困难的问题,提出一种基于经验模式分解和排列熵的改进滚动轴承故障诊断解调方法.该方法首先对滚动轴承声信号进行经验模式分解,将其分解为多个本征模态分量;然后计算各本征模态分量的排列熵值和相关系数,根据联合系数最大化原则对筛选出的分量进行信号重构;最后,利用...     

基于局部均值分解多尺度模糊熵和灰色相似关联度的滚动轴承故障诊断

提出了一种基于局部均值分解多尺度模糊熵和灰色相似关联度相结合的滚动轴承故障诊断方法。该方法将故障信号自适应地分解为若干乘积函数,并从中选取包含主要故障信息的PF分量计算多尺度模糊熵作为特征向量,通过计算待识别样本与标准故障模式的灰色相似关联度,对滚动轴承故障类型和损伤程度进行判断。将该方法与LMD模糊熵和灰色相似关联度相结合的方法进行了对比,实验表明,基于LMD多尺度模糊熵和灰色相似关联度的滚动轴承故障诊断方法,能够有效地识别滚动轴承运行状态,实现对滚动轴承的故障诊断。     

基于稀疏带宽模态分解的变转速滚动轴承故障诊断EI北大核心CSCD

针对以往信号处理方法存在的缺陷,提出了一种新的非平稳信号分析方法—稀疏带宽模态分解(Sparse bandwidth mode decomposition,SBMD).该方法将信号分解转化为约束变分问题,自适应地将信号分解为若干个IMF分量之和。另外,在变转速工况下,滚动轴承故障振动信号中含丰富的状态信息,将SBMD、阶次追踪分析和包络谱相结合应用于变转速工况条件下的滚动轴承故障诊断问题。实验分析结果表明,采用SBMD阶次包络谱方法可以及时有效的诊断变转速工况下的滚动轴承故障诊断问题。     

局部波动特征分解及其在滚动轴承故障诊断中的应用研究

提出了一种新的自适应时频分析方法--局部波动特征分解（Local oscillatory-characteristic decomposition,LOD）,该方法以信号本身的局部波动特征为基础,并采用微分、坐标域变换、分段线性变换等运算手段将信号分解为一系列瞬时频率具有物理意义的单一波动分量（Mono-oscillatory component,MOC）,非常适合于处理多分量信号。在详细说明LOD分解原理的基础上,通过仿真信号将LOD、经验模态分解（Empirical mode decomposition,EMD）和局部均值分解（Local mean decomposition,LMD）进行了对比分析,结果表明了LOD 的优越性。同时,针对滚动轴承故障振动信号的多分量调制特点,将LOD应用于滚动轴承故障诊断,对滚动轴承实验信号进行了分析,结果表明LOD可以有效地提取滚动轴承故障振动信号的特征。     

基于改进自适应变分模态分解的滚动轴承微弱故障诊断

滚动轴承早期故障信息微弱,且混有大量背景噪声,难以提取其故障特征。提出了一种改进的自适应变分模态分解(AVMD)与Teager能量谱的微弱故障诊断方法。将最小平均包络熵(MMEE)作为目标函数,自动搜寻影响参数最佳值,确保变分模态分解(VMD)实现最优分解,并提出加权峭度指标(WK)用于选择有效模态分量进行信号重构,对重构信号进行Teager能量谱分析,从而识别故障特征频率。对轴承微弱故障振动信号的研究表明,所提方法改进了传统VMD算法分解精度受参数影响较大,导致信号出现过分解或欠分解的问题;与集合经验模态分解和局部均值分解算法相比所提方法具有更强的噪声鲁棒性和故障信息提取能力。     

参数优化VMD结合1.5维谱的滚动轴承复合故障特征分离方法

针对滚动轴承复合故障分离的问题,基于相关峭度具有突出故障冲击周期性的特点和1.5维谱抑制高斯白噪声、剔除非耦合谐波分量的优点,提出了参数优化VMD结合1.5维谱的滚动轴承复合故障特征分离的方法。首先以轴承不同故障特征频率对应的周期计算得到的最大相关峭度为评价指标,通过相应的相关峭度图来实现VMD中参数选择以及最优分量的选取;然后对最优分量进行包络处理,并为减少冗余成分和噪声干扰,选择1.5维谱来对包络信号做进一步分析,以此来实现滚动轴承复合故障的有效分离。通过对轴承复合故障仿真及实验信号的分析证明了该方法的有效性。     

基于参数优化变分模态分解的滚动轴承故障特征提取方法

在滚动轴承早期故障阶段,代表轴承故障特征的冲击成分容易被较强的背景噪声淹没,针对这一问题提出相关峭度(Correlated Kurtosis,CK)优化变分模态分解(Variational Mode Decomposition,VMD)的滚动轴承故障特征提取方法.针对变分模态分解方法参数不确定问题,提出利用以相关峭度为...     

一种基于遗传算法的VMD参数优化轴承故障诊断新方法

为准确提取轴承故障特征信息,提出以峭度指标和包络熵为综合目标函数的变分模态分解(variational mode decomposition,VMD)参数优化方法,并改进了诊断流程实现了无需指定参数优化范围的自适应参数优化算法。通过遗传算法对综合目标函数最小值进行搜索,以确定模态分量个数及惩罚参数的最佳组合。原始故障信号经最佳参数组合下的VMD方法分解为若干个本征模态函数,选择最小综合目标函数值对应的模态分量进行包络解调分析,进而通过模态分量的包络谱判断轴承故障类型。通过实测故障信号分析表明,该方法能够从噪声干扰中有效提取到早期故障信号的微弱故障特征,实现了轴承故障类型的准确判定,验证了该方法的有效性。     

基于EEMD和自相关函数峰态系数的轴承故障诊断方法

针对滚动轴承故障冲击信号周期性强且易被强烈的背景噪声所淹没的特点,提出了基于EEMD和自相关函数峰态系数的轴承故障诊断方法。首先,对采集到的复杂振动信号进行EEMD分解,根据自相关函数峰态系数和峭度准则重构IMF分量以突出故障特征信息;然后,利用谱峭度自动确定带通滤波器的最佳中心频率和带宽;最后,将滤波后的信号进行包络解调分析并与理论故障特征频率对比。通过轴承故障的仿真和实验研究,验证了该方法的有效性和可行性。     

基于EMD和MKD的滚动轴承故障诊断方法

针对滚动轴承早期微弱故障特征难以提取的问题,提出基于经验模态分解(Empirical Mode Decomposition,EMD)与最大峭度解卷积(Maximum Kurtosis Deconvolution, MKD)的滚动轴承故障特征提取方法。利用EMD方法分解振动信号得到一组固有模态分量(Intrinsic Mode Function,IMF),然后根据时域峭度和包络谱峭度,筛选出敏感IMF分量进行信号重构。然后对重构信号进行最大峭度解卷积处理以增强故障信息,最后得到包络功率谱,从而获得轴承故障特征频率信息。通过实验台信号验证了所述方法的有效性及优点。     

基于流形嵌入分布对齐的滚动轴承迁移故障诊断方法

针对变工况下滚动轴承不易获取带标签的振动信号,导致故障诊断准确率低等问题,提出一种基于自适应噪声完整经验模态分解(CEEMDAN)与流形嵌入分布对齐的滚动轴承迁移故障诊断方法。采用CEEMDAN对不同工况下滚动轴承振动信号进行分解,得到若干内禀模态分量(IMF);提取峭度较大的IMF分量的时域和频域特征构造多特征样本集,将所提特征嵌入流形空间进行流形特征变换,同时,对变换后的流形特征动态分布对齐;利用源域数据和目标域数据训练分类模型,以获得未知标签的滚动轴承故障诊断结果。实验表明,所提方法能够最小化域间特征分布差异,有效提高滚动轴承状态识别的准确率。     

基于EEMD降噪和1.5维能量谱的滚动轴承故障诊断研究

将1.5维谱分析和Teager能量算子相结合,提出了1.5维能量谱的分析方法,并针对滚动轴承故障诊断问题,从提高故障信号信噪比的角度出发,提出基于EEMD降噪和1.5维能量谱的故障诊断新方法。该方法首先对故障信号进行聚合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)运算,得到一组本征模态函数(Intrinsic Mode Function,IMF)分量后运用相关系数-峭度准则对其进行筛选,并利用筛选出的IMF分量重构信号,最后计算重构信号的1.5维能量谱,从而获得轴承故障特征频率信息。利用该方法对滚动轴承内圈故障的模拟数据以及实测数据分别进行分析,诊断结果令人满意。     

基于VMD和变尺度多稳随机共振的微弱故障信号特征提取方法

针对强噪声背景下旋转机械早期故障诊断的难题,提出一种基于变分模态分解与变尺度多稳随机共振的微弱故障信号特征提取方法。首先应用参数优化的变分模态分解(variational mode decomposition, VMD)算法对微弱故障信号进行分解, 得到若干本征模态分量(intrinsic mode function, IMF);然后通过峭度准则筛选出其中峭度最大的IMF分量;最后对该IMF分量进行变尺度多稳随机共振, 实现微弱故障信号的增强。实例表明:在强噪声背景下,利用参数优化VMD分解与变尺度多稳随机共振相结合的方法,可以有效提取出微弱信号特征频率,实现旋转机械故障状态的准确判断。