基于EEMD-FSK的滚动轴承故障诊断

为了解决轴承故障特征提取中经验模态分解(EMD)出现的模态混叠现象,提出一种集合经验模态分解(EEMD)、快速谱峭度选频和共振解调技术相结合的滚动轴承故障诊断方法。对原始振动信号进行EEMD处理,分解为多个本征模态函数(IMF);将符合峭度准则的IMF分量筛选出来,对其进行信号重构,对重构信号进行快速谱峭度计算得出快速谱峭度图,从图中选出最优频带中心和带宽,确定FIR带通滤波器设计参数;最后通过共振解调技术对滤波信号进行包络分析,得出包络谱确定滚动轴承故障特征信息。通过滚动轴承实验分析,验证了此方法的可行性。     

基于改进HHT算法的大型回转支承故障诊断方法研究

针对大型回转支承转速较低、不稳定且实验样本稀少且故障诊断局限于人工诊断识别的问题,提出了一种基于相关函数的加权融合算法与改进HHT算法相结合的故障诊断方法:首先采用了动态适应性、抗干扰性强的基于相关函数的加权融合算法对采集的数据进行融合处理,然后以改进后的HHT作基础构造故障特征向量,再采用BP神经网络对故障类型进行特征层的识别诊断,最终确定风电回转支承的故障类型。实验结果表明,该方法有效地提高了故障诊断结果的可靠性。     

基于EEMD和低相干K-SVD的齿轮故障诊断方法研究

针对传统K-SVD算法在训练字典过程中,容易受到噪声干扰以及字典原子间相干性较大不足以表示信号内部结构的问题,文章提出了基于集合经验模态分解(EEMD)和低相干K-SVD相结合进行齿轮故障特征提取的方法。该方法利用EEMD对原始信号进行分解,通过峭度准则选取最优模态分量作为训练样本,以降低噪声的干扰;采用低相干K-SVD算法对训练样本进行学习,构造出低相干字典;最后,采用正交匹配追踪(OMP)算法求解稀疏系数,重构得到稀疏信号;通过仿真及实验数据进行验证,结果表明,EEMD和低相干K-SVD相结合的方法可以准确构建出匹配信号特征成分的字典,提高了信号重构性能。     

基于随机共振与CEEMD的滚动轴承微弱故障诊断

针对滚动轴承早期故障信号微弱且不易检测,导致故障诊断准确率低的问题,提出一种天鹰算法优化随机共振参数与互补集合经验模态分解(CEEMD)相结合的滚动轴承微弱故障诊断方法。首先,以信噪比为适应度函数,采用天鹰算法对随机共振参数进行自适应优化;其次,利用CEEMD将随机共振系统输出信号分解成一系列的本征模态分量(IMF),根据相关系数准则挑选最优的IMF,并对其进行包络谱分析,提取故障特征频率,实现故障诊断。试验结果表明,该方法避免了单纯使用随机共振检测准确率低的问题,故障诊断精确度更高,可靠性更好。     

多尺度加权CEEMD-1DCNN旋转机械故障诊断

旋转机械振动信号具有较强的非线性、非平稳性的特点,互补集合经验模态分解（CEEMD）克服了传统EEMD的缺陷,提供了对信号从粗到精不同尺度的刻画。针对不同尺度对故障特性描述的差异,提出一种基于多尺度加权CEEMD的一维卷积神经网络（1DCNN）故障诊断方法。利用互补集合经验模态将振动信号分解成一系列本征模态函数（IMFs）,然后求取各个IMF分量的峭度值,计算各分量峭度所占权重,根据各个分量权重值对信号进行重构。将数据样本划分为训练集、验证集和测试集,将训练集输入到一维卷积神经网络中学习更新网络参数,然后用验证集进行验证得到最优诊断模型,最后利用测试集对诊断模型进行测试。通过电机轴承数据集和齿轮箱数据集两组实验进行了模型验证,诊断精度分别为99.98%和99.73%,表明所提方法能够快速准确地诊断出不同故障类型,并且具有较高的故障诊断准确率和鲁棒性。     

基于MCKD和峭度的液压泵故障特征提取

液压泵早期故障信号具有非平稳性、强背景噪声、弱故障特征特点,故障特征难以有效提取。为此,提出基于自相关分析与最大相关峭度解卷积算法的齿轮泵故障特征提取方法,利用MCKD算法对采集信号去噪处理,增强信号中的原始冲击成分,提高信号的信噪比;基于峭度（或峭度绝对值,或峭度平方值）的特征信息提取方法,来度量机械信号的非高斯性程度,以表征机械设备的运行状态信息。试验结果证明：所提方法能够有效提取液压泵故障信号中的特征信息。     

基于EEMD的ICA算法在轴承-丝杠复合故障诊断中的应用

提出了一种基于EEMD的ICA算法,旨在解决单通道轴承-丝杠复合故障的信号分离。首先通过EEMD分解,将复合信号分解在不同的通道中,得到一系列IMF分量;再计算各IMF的峭度值和相关系数值,选取数值较大的几个IMF分量,与原始信号重新组成一组观测信号,作为ICA的输入,得到一系列IC分量;最后选取含有冲击成分较大的IC分量,进行包络分析,对故障类型进行诊断识别。通过实验成功分离并识别出两种故障类型,证明了该方法的有效性。     

基于改进EEMD的滚动轴承故障特征提取技术

在对集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)进行研究之后,提出了一种利用改进的EEMD进行滚动轴承故障特征提取的方法。该方法根据EEMD的分解过程中信号和加入的白噪声的特点来选择EEMD的参数,并且对分解后所得到的的固有模态函数(IMF)分量进行阈值处理后再重构,以降低噪声的干扰。对重构后的信号进行包络谱分析,提取其故障特征,最后将该方法与通用的EEMD方法进行对比,研究结果表明EEMD是一种很有效的滚动轴承故障特征提取方法。     

基于峭度的概率密度分析法在风电回转支承故障诊断中的应用研究

针对风机转盘轴承振动信号的低频率、非平稳、非线性且微弱的特点,提出了一种新的轴承故障诊断方法。基于峭度的概率密度分析是将待分析信号分段,求每段的峭度指标值,最后分析这些指标值的变化趋势就能够间接分析出振动信号的特性。实验证明,该方法能够准确判断出风电回转支承是否发生故障,在故障诊断中非常有效。     

基于EMD与SSA-SVM的轴承故障诊断

为提高轴承早期故障诊断的准确率,使用经验模态分解(EMD)与麻雀算法(SSA)改进的支持向量机(SVM)结合的方式对故障进行诊断。首先,使用ADAMS软件采集6203轴承外圈、滚子及内圈故障的振动仿真信号;其次,将仿真信号及实际信号作为输入信号进行EMD分解,同时对分解的IMF分量选择自相关性最大的进行Hilbert包络处理;最后,对包络处理得到的故障频率选取前3个峰值采用SSA-SVM对故障进行诊断。不同的输入样本及不同的算法模型的诊断结果表明选取故障频率作为输入特征向量,在SSA-SVM中能够准确的诊断出故障类别,证明ADAMS能很好的解决轴承故障数据的采集问题,所用的诊断方法为轴承故障诊断提供了一种高准确率的方法。     

基于参数优化变分模态分解的滚动轴承微弱故障诊断研究

为了提高变分模态分解(VMD)对滚动轴承微弱故障特征提取的准确性,提出了一种基于参数优化VMD与奇异值分量及其熵相结合的滚动轴承故障诊断方法。该方法通过寻优算法确定VMD的模态数K和二次惩罚因子α;根据余弦-标准差指标提取VMD典型本征模态分量(IMF);计算IMF奇异值及其熵,并利用计算结果分别判断滚动轴承的不同故障状态。结合美国西储大学轴承振动信号数据,实验结果表明:相比经验模态分解奇异值故障诊断方法,基于参数优化VMD奇异值故障诊断方法能更明显地识别滚动轴承的不同故障类型,为区分滚动轴承微弱故障提供了一种可行的诊断思路。     

基于EEMD的特征提取及其在齿轮裂纹故障诊断中的应用

为了提取齿轮裂纹故障的特征参数并识别不同裂纹深度齿轮的类型,以单级齿轮箱中的圆柱齿轮为实验对象,采集3种不同裂纹深度齿轮的振动信号。对采集到的信号进行时频域分析和EEMD分解,分别提取时域特征参数和EEMD能量特征参数,分析和构造齿轮裂纹故障特征向量,选用基于径向基核函数的支持向量机分类方法进行不同裂纹深度齿轮的识别。结果表明：结合时域特征参数和EEMD能量特征参数构造的齿轮裂纹故障特征向量能准确识别不同裂纹深度齿轮的类型。     

基于改进ACCUGRAM的滚动轴承故障诊断方法

滚动轴承故障信号的特征容易被强噪声淹没,难以提取信号中的冲击成分。针对这一问题,提出多点最优调整的最小熵解卷积（MOMEDA）优化的ACCUGRAM算法,并应用于滚动轴承故障诊断。首先利用MED算法对原始信号进行滤波预处理,突显信号中的有效循环冲击成分,提高MOMEDA优化ACCUGRAM算法中频带选择的分类精度,选择最佳的带宽和中心频率,最后对获得包含信息量最大的频带进行故障特征频率的提取和轴承的故障诊断。仿真和试验数据分析结果表明：该方法能够有效提取信号中的周期性冲击特征,具有一定的实用性。     

基于CEEMDAN-IGWO-SVM的轴承故障诊断研究

为了提高支持向量机(SVM)在轴承故障诊断时的准确率和识别效率,提出了一种基于具有自适应白噪声的完整集成经验模态分解方法(CEEMDAN)、改进灰狼优化算法(IGWO)和支持向量机(SVM)相结合的故障诊断方法。首先用CEEMDAN与Shannon熵对振动信号消噪、分解,获得典型故障的敏感信号;其次,将粒子群算法(PSO)惯性权重w与粒子“飞行”速度v引入灰狼优化算法(GWO),得到IGWO,通过IGWO算法优化SVM得到诊断模型的最优参数,增强SVM的学习能力和泛化能力;最后,利用美国西储大学的轴承试验数据验证优化模型的有效性。结果表明,IGWO算法优化SVM的模型可以准确、高效地对轴承进行故障诊断;与GA、PSO、和GWO算法优化的SVM模型相比,该方法的故障诊断准确率和识别效率更高。     

基于VMD和Teager能量增强谱的滚动轴承故障诊断方法

针对强噪声干扰下滚动轴承故障特征难以提取的问题,提出一种变分模态分解和Teager能量增强谱的滚动轴承故障诊断方法。该方法首先通过变分模态分解(Variational Mode Decomposition,VMD)将非平稳的轴承故障振动信号分解成一系列平稳的窄带分量;然后根据峭度-相关性最大准则挑选包含故障特征信息最丰富的窄带分量作为主分量;最后对选取的主分量进行Teager能量增强谱,提取滚动轴承的故障特征。通过仿真和实例分析的结果表明:该方法能有效地提取出滚动轴承早期故障特征,且能够抑制强烈的噪声干扰和增强故障冲击特征,优于传统包络谱分析和基于经验模态分解(Empirical Mode Decomposition,EMD)和Teager能量谱的方法的分析结果。     

基于EEMD-IGWO-SVM的电机轴承故障诊断

针对电机轴承易发生损坏、传统诊断方法耗时长且准确度低等问题,提出一种基于改进灰狼优化算法（IGWO）优化支持向量机（SVM）的电机轴承故障诊断方法。对电机振动数据进行集成经验模态分解（EEMD）,提取出IMF能量矩作为特征向量,并结合IGWO-SVM分类器,构造电机轴承故障检测模型。在模型引入改进Tent混沌映射、非线性收敛因子、动态权重策略,得到改进的分类算法,该算法可以快速精准地寻找SVM的最优惩罚参数C和核参数 γ。对电机轴承振动数据进行仿真实验,诊断结果表明该轴承故障方法平均准确率高达99.4%。最后通过实验验证提出的诊断方法具有良好的算法稳定性和抗噪性能,可有效提高故障诊断精度。     

改进的傅里叶分解算法及其在滚动轴承故障诊断的应用

针对滚动轴承早期微弱故障在噪声背景下难以提取的问题,提出一种改进的傅里叶分解(IFDM)与快速谱峭度相结合的新方法,用以准确、快速地识别故障特征成分.傅里叶分解法能将故障信号自适应地分解为一系列瞬时频率具有明确物理意义的固有频带函数(FIBFs),类似于经验模态分解产生的本征模态函数,但其缺点在于无法控制所生成的FIB...     

基于ECA-ResNet与CEEMDAN能量熵的轴承故障诊断

为解决轴承故障诊断中故障分类模型参数多且泛化性能弱、故障识别率低、识别速度慢的问题,设计一种基于深度学习模型ECA-ResNet、完全噪声辅助聚合经验模态分解与麻雀搜索算法优化的支持向量机(SSA-SVM)的故障诊断方法。通过ECA-ResNet对轴承信号进行建模以提取频域故障特征;将频域特征与CEEMDAN提取的能量熵以及传统信号的时域特征共同构成特征矩阵;通过SSA-SVM进行故障类型识别。结果表明：与传统故障特征提取方式相比,所提出的轴承故障诊断方法能得到良好的诊断效果,轴承故障识别率和分类速度较高。