EEMD-PE与M-RVM相结合的轴承故障诊断方法

滚动轴承振动信号中包含了大量轴承运行状态信息,但是由于振动信号具有非线性和非平稳性的特点,难以充分提取振动信号中的故障特征,导致现有基于模式识别的轴承故障诊断方法的故障识别准确率较低.为了提高滚动轴承故障识别的准确率,提出了一种基于集合经验模态分解-排列熵(EEMD-PE)特征提取与多分类相关向量机(M-RVM)相结合的轴承故障诊断方法.首先,该方法利用EEMD对非线性和非平稳信号的自适应分解能力,将轴承故障信号分解为一组包含故障特征的本征模态函数(IMFs).然后,利用排列熵提取由EEMD分解得到的IMFs中的故障特征,并组成特征向量.最后,采用EEMD-PE对不同故障状态下的训练样本集进行特征提取,组成特征向量集对M-RVM分类器进行建模,以概率输出的形式实现对滚动轴承的故障诊断.实验结果表明:EEMD-PE特征提取方法能够对滚动轴承振动信号的故障特征进行有效提取,M-RVM能够对故障滚动轴承振动信号包含的故障特征进行识别.与现有轴承故障诊断方法相比较,所提出的方法能够提高故障识别准确率,达到99.58%.     

基于小波变换的故障信号检测

分析了小波变换的时频局部化特性及其于多分辨分析的信号小波的分解算法，研究了信号局部奇异性的小波变换下的特性；根据故障信号的局部奇异性在小波变换下模的极大植及其在不同尺度上的传播特性，对308型滚动轴承振动加速度故障信号进行分解，对故障特征信号进行时域定位，并提取了故障特征频率f=46.88Hz，这与实际的故障特征频率相近，说明该方法适用于滚动轴承的在线监测和故障诊断。     

基于EMD和模糊C均值聚类的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征,提出了一种基于经验模态分解和奇异值分解的特征提取与模糊C均值（FCM）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EMD分解,组成初始特征向量矩阵;并对该矩阵进行奇异值分解,将矩阵的奇异值作为故障特征向量;最后以FCM聚类为故障分类器,实现滚动轴承不同故障类型的识别。实验结果分析表明,该方法能有效地进行滚动轴承故障诊断。     

基于最大相关峭度解卷积的滚动轴承早期故障诊断

滚动轴承早期故障振动信号微弱,并且受环境噪声影响严重,特征信号提取困难。针对这一问题,提出了最大相关峭度解卷积方法来提取轴承故障的特征信号。通过计算信号的最大相关峭度值,估算出感兴趣的解卷积周期T,选择合适的时延步数M,对故障信号做最大相关峭度解卷积,并对最大相关峭度解卷积滤波后的信号进行包络解调,提取出滚动轴承的故障特征,实现了滚动轴承的早期故障诊断。仿真和实验验证了该方法在滚动轴承故障诊断中的有效性。     

基于EMD时频分解与包络解调的滚动轴承故障诊断

滚动轴承是机械设备里的关键部件,它的工作状态直接影响设备的正常运行和人身安全,对滚动轴承进行故障监测和故障诊断是一件很有必要的事。运用振动加速度传感器监测滚动轴承的振动信号,采用EMD(经验模态分解)方法和共振解调相结合的方法,分析故障信号,从实验结果看出该方法提高了信噪比,有效地获取了故障特征。     

基于RSSD和小波变换的滚动轴承故障诊断

滚动轴承故障被视作瞬态冲击成分,在信号共振稀疏分解中一般被分解到的低共振分量当中。由于噪声影响,低共振分量的希尔伯特解调包络谱中依然存在大量的干扰频率,使得故障特征提取有时不明显,或不易观察,因此本文提出了一种基于信号共振稀疏分解(RSSD)与小波变换相结合的故障诊断方法。在滚动轴承早期微弱故障的诊断中,采用小波分析技术对隐藏于低共振分量的故障特征进行提取,可以更加有效地凸显故障特征;通过对滚动轴承内圈和外圈单一故障振动信号的分析应用,成功提取了故障特征,验证了这一方法在滚动轴承早期故障诊断应用的有效性。     

LLDE-SVM的滚动轴承故障诊断方法

由于采集到的滚动轴承振动信号含有噪声,以及信号本身的非线性、非平稳特性,为了能够准确的识别出滚动轴承的故障状态,提出了局部线性判别嵌入(LLDE)和支持向量机(SVM)相结合的故障诊断模型。该模型首先采用相空间和流形学习相结合对振动信号进行降噪处理;构建的高维特征空间可以通过LLDE有效的进行降维和特征提取,再通过SVM进行训练构建模型,最后进行故障识别。通过对实验数据进行分析,验证了该方法能够有效地识别出故障类型,可以应用于滚动轴承振动信号的故障诊断。     

基于改进小波变换和包络分析的滚动轴承故障诊断

采用改进的小波分解和重构算法与包络分析相结合的方法,提取滚动轴承振动信号的故障特征频率。改进的小波分解和重构方法避免了Mallat算法频率混淆的缺陷,通过对重构信号特定频带进行包络分析,更加准确地提取了滚动轴承的故障特征频率。通过对无故障滚动轴承和内圈、外圈有故障的滚动轴承振动信号的分析,说明这种方法能够有效诊断滚动轴承的故障,并将该方法成功应用于某型航空发动机主轴承故障诊断。     

基于小波包分析的数控机床主轴滚动轴承故障诊断

滚动轴承损伤类故障的分析诊断基础是提取故障信息。利用小波包分析对机床主轴滚动轴承振动信号进行分解,求出各频段的能量,提取了轴承故障的特征频率并对故障进行定位,表明了小波包分析方法在滚动轴承故障诊断的有效性和优良性。     

经验模态分解和神经网络在滚动轴承故障诊断中应用研究

针对滚动轴承故障振动信号的非平稳特征,提出了一种基于经验模态分解的滚动轴承故障诊断方法,对采集的信号范围进行了筛选。利用经验模态分解将振动信号分解为多个平稳的固有模态函数。选取包含主要故障信息的IMF分量分析其时域和频域特征。将时域信号特征量和频谱图峰值对应的频率归一化处理,输入Elman神经网络进行工作状态的自动判断。     

应用奇异值分解和峭度分离滚动轴承复合故障

滚动轴承多故障特征影响故障诊断结果,为此提出一种结合奇异值分解和峭度的复合故障诊断方法。将采集的双通道多故障特征振动信号进行多层奇异值分解,利用奇异值差分谱和归一化峭度进行筛选和重构,实现对多故障特征的分别提取;通过滚动轴承内外圈故障实验,最终分离出轴承的2种故障。与直接采用原始信号诊断相比,该方法能够在背景噪声下准确分离频率相近的微弱故障成分,提高提取瞬态冲击信号特征的能力,能有效识别滚动轴承的故障类型和发生部位,提高复合故障诊断的准确性。实验结果表明,该方法可以有效地分离和提取滚动轴承多故障特征。     

基于LabVIEW的风电机组滚动轴承故障诊断系统及其仿真

在LahVIEW8．5环境下实现了基于特征参数和希尔伯特包络谱分析的故障诊断方法,开发了风电机组滚动轴承故障诊断系统．故障诊断实验结果表明,该系统能够有效、快速、准确地对滚动轴承内圈、外圈、滚动体故障进行识别并报警．     

基于小波奇异性的滚动轴承故障检测方法研究

在滚轴故障诊断中,故障通常表现为振动信号的突变,因此检测信号奇异点意义重大。文章介绍了小波变换理论和小波变换奇异性检测原理,研究了奇异性检测方法在滚动轴承故障诊断问题中的应用。采用小波门限消噪法处理繁杂的滚轴振动信号,对消噪后的振动信号采用小波变换模极大值奇异性检测方法进行多尺度小波分析,得到故障点的位置。仿真结果表明,该方法下振动信号奇异程度以及奇异点的位置明显。     

基于局域波法和KPCA-LSSVM的滚动轴承故障诊断

针对故障滚动轴承振动信号具有非平稳性,提出基于局域波法和核主元分析 最小二乘支持向量机(KPCA LSSVM )的故障诊断方法.先对轴承振动信号进行局域波分解得到若干内禀模式函数(IMF),分别计算各IMF分量的特征能量、奇异值和AR模型参数作为原始特征向量,再用KPCA将原始特征向量映射到高维特征空间提取主元构造新的特征向量,将其作为LSSVM分类器的输入来实现轴承的故障诊断.故障诊断试验结果表明,KPCA LSSVM诊断方法通过KPCA得到更多的识别信息,改善了LSSVM的分类性能,相对于直接LSSVM诊断方法具有更优的泛化性,可准确识别轴承的故障类别和严重程度.     

基于CEEMDAN⁃SPSO⁃ELM的旋转电机滚动轴承故障检测方法

由于旋转电机滚动轴承振动信号存在不平稳、非线性的特征,传统时频分析法、小波分解法存在在信号分解过程中能量泄露、自适应能力差的问题,经验模态分解（EMD）法存在模态混叠等问题。提出一种基于噪声自适应完备总体平均经验模态分解方法（CEEMDAN）,利用具有麻雀捕食预警机制的粒子群算法（SPSO）优化极限学习机神经网络（ELM）的CEEMDAN?SPSO?ELM算法。利用所提方法对滚动轴承单一与多种损伤故障进行分析诊断,结果表明,所提算法具有有效性及诊断准确性。     

小波包分析在滚动轴承信号消噪处理中的应用

对滚动轴承的故障特点进行了分析.根据小波包变换能将信号按任意时频分辨率分解到不同频段的特性,提出了小波包分解和重构用于滚动轴承信号消噪处理的概念及其算法,建立了滚动轴承加速度信号实时测试系统.通过实验研究得出,用小波包分解并通过重构可使分解后的数据长度不变,使分解层数不受限制,证明小波包分析方法应用于滚动轴承信号消噪的有效性,并取得了较好的效果.     

基于时间-小波能量包络谱的滚动轴承特征提取

研究了传统包络谱方法在滚动轴承故障诊断中不能准确提取故障特征的问题,提出了一种基于能量和包络谱相结合的时间-小波能量包络谱分析法。用两种方法对滚动轴承各部位采集到的数据进行了分析对比,结果表明,时间-小波能量包络谱分析法比传统包络谱方法能更好和准确地提取出滚动轴承故障的特征频率。