基于相空间重构与平稳子空间分析的滚动轴承故障诊断

针对如何分离淹没在与转子转速相关的背景信号及其它噪声中的滚动轴承故障特征信号问题,提出将相空间重构与平稳子空间分析相结合的滚动轴承故障诊断方法。用相空间重构实现对滚动轴承故障振动信号升维;用平稳子空间对高维信号中平稳、非平稳源信号进行区分,并对峭度值最大的非平稳源信号进行最小熵解卷积降噪;对降噪信号进行包络谱分析提取轴承故障特征频率。仿真信号、故障诊断实例表明,诊断效果优于基于EMD的包络解调方法。     

基于傅里叶分解与奇异值差分谱的滚动轴承故障诊断方法

针对强噪声条件下滚动轴承故障冲击特征难以提取的特点,提出了一种基于傅里叶分解与奇异值差分谱的滚动轴承故障诊断方法。首先通过傅里叶分解将非平稳的原始轴承故障振动信号分解为若干个固有频带函数,然后运用互相关系数法筛选固有频带函数进行信号重构,并对重构后的信号进行奇异值差分谱降噪,最后对联合降噪后的信号进行Hilbert包络谱分析,准确地识别出故障特征频率,进行故障诊断。仿真分析和试验都很好地验证了该方法的有效性。     

改进奇异谱分解及其在轴承故障诊断中的应用

针对强背景噪声下难以提取滚动轴承故障特征的问题,提出了基于奇异值差分谱的改进奇异谱分解方法。首先,为克服奇异值分解按经验选择嵌入维数的不足,运用一种新的信号自适应处理方法——奇异谱分解(Singular Spectrum Decomposition,SSD)分析振动信号,SSD法通过构建新的轨迹矩阵,自适应选取嵌入维数,将非线性、非平稳信号从高频至低频分解为多个奇异谱分量。然后,针对奇异谱分解方法重构的奇异谱分量仍包含较强噪声的问题,提出利用奇异值差分谱对重构过程进行改进,提高了奇异谱分解的降噪能力,有效提取了有用信息。最后,根据故障特征找到包含有用信息的分量,对该分量进行希尔波特包络解调,从而准确地提取出故障特征。仿真和实验结果验证了该方法的有效性,提供了一种新的故障诊断方法。     

基于双树复小波和奇异差分谱的滚动轴承故障诊断研究

针对滚动轴承故障振动信号中包含强烈噪声,很难提取故障特征频率的情况,提出了基于双树复小波和奇异差分谱的故障诊断方法。首先利用双树复小波将非平稳振动信号分解为几个不同频段的分量;然后对包含故障特征的分量构建Hankel矩阵并进行奇异值分解,求奇异值差分谱曲线,根据奇异值差分谱最大突变点来确定奇异值个数进行重构;最后再求希尔伯特包络谱,便能准确地得到故障频率。实验结果和工程应用表明,该方法可以有效地提取轴承故障的故障信息,提取出了故障特征,验证了方法的可行性和有效性。     

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。     

基于奇异值分解和独立分量分析的滚动轴承故障诊断方法

针对强背景噪声下难以提取滚动轴承早期故障信号中故障特征频率的问题,提出奇异值分解和独立分量分析相结合的滚动轴承故障诊断方法。该方法首先利用相空间重构将一维时域矩阵拓展到高维矩阵,得到吸引子轨迹矩阵;然后对轨迹矩阵进行奇异值分解降噪,依据奇异值差分谱阈值原则选取相应阶次分量进行重组构造虚拟噪声通道;接着将重组信号和观测信号进行独立分量分析分离;最后利用能量算子解调方法提取出有效的故障特征分量,进而识别故障类型。滚动轴承故障诊断实验和仿真结果表明该方法有效可行。     

基于EMD的奇异值分解技术在滚动轴承故障诊断中的应用

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(EmpiricalModeDecomposition,简称EMD)和奇异值分解技术的滚动轴承故障诊断方法。该方法首先采用EMD方法将滚动轴承振动信号分解为多个平稳的内禀分量(IntrinsicModefunction,简称IMF)之和,并形成初始特征向量矩阵。然后对初始特征向量矩阵进行奇异值分解得到矩阵的奇异值,将其作为滚动轴承振动信号的故障特征向量,并输入神经网络来识别滚动轴承的工作状态和故障类型。实验分析结果表明,本文方法能有效地应用于滚动轴承故障诊断。     

基于双树复小波和奇异差分谱的齿轮故障诊断研究

针对故障齿轮振动信号的非平稳特征和包含强烈噪声,很难提取故障特征频率的情况,提出了基于双树复小波和奇异差分谱的故障诊断方法。首先将非平稳的故障振动信号通过双树复小波分解为几个不同频段的分量;由于噪声的影响,从各个分量的频谱中难以准确地得到故障频率。然后对包含故障特征的分量构建Hankel矩阵并进行奇异值分解,求奇异值差分谱曲线,确定奇异值个数进行SVD重构降噪,由此实现对故障特征信息的提取。最后再求希尔伯特包络谱,便能准确地得到故障频率。实验结果和工程应用表明,该方法可以有效地提取齿轮的故障特征信息,验证了方法的可行性和有效性。     

基于1.5维Teager峭度谱的滚动轴承故障诊断研究

滚动轴承故障振动信号中的冲击成分呈现显著的非高斯性,高阶累积量和高阶谱技术是处理非高斯信号的良好分析工具。在四阶累积量-Teager峭度的基础上提出滑动Teager峭度的分析方法,并联合三阶谱-1.5维谱,提出基于1.5维Teager峭度谱的滚动轴承故障诊断方法。该方法首先对轴承故障信号进行滑动Teager峭度计算,获得一个反应故障信号冲击特性的Teager峭度时间序列,然后通过计算Teager峭度时间序列的1.5维谱,提取出滚动轴承故障特征频率。通过仿真信号分析验证了该方法的解调性能和提取滚动轴承弱冲击故障特征的能力。最后分析了滚动轴承内圈故障实验测试信号,并和基于快速Kurtogram算法的共振解调方法进行对比分析,验证了该方法的有效性。     

S变换时频谱SVD降噪的冲击特征提取方法

为了从滚动轴承故障振动信号中提取出冲击特征,以进行轴承故障诊断,提出基于S变换时频谱奇异值分解(SVD)的信号降噪方法。S变换是一种信号时频表示方法,适合于处理与分析非平稳的冲击特征信号。在SVD降噪过程中,数据矩阵由信号的S变换谱系数构成;奇异值序列的置零阈值位置坐标可由奇异值差分谱最前面部分峰值群的最后一个峰值点序号来确定。最后对降噪的数据矩阵进行S逆变换,获得信号的时域冲击特征。仿真研究表明,基于S变换时频谱的SVD降噪方法可以成功地从低信噪比信号中提取出周期性的冲击特征。将本方法用于处理与分析滚动轴承故障振动信号,根据所提取出的冲击特征出现频率,能够方便有效地实现轴承相关故障的诊断。     

奇异谱分解在超声速无人机声振试验数据处理中的应用

将相空间重构和奇异谱分解相结合对受强气动噪声影响的超声速飞行器测试数据进行滤波,以实现对于试验参数的精确识别。首先通过数值仿真论证该方法的可行性,然后针对某型超声速无人机的声振试验对试验采集数据进行相空间重构,并对重构后的轨迹矩阵进行奇异值分解,得到反映真实信号信息的信号子空间和反映噪声信息的噪声子空间。通过定义奇异值差分谱这一指标来判定真实信号信息子空间维数,并针对现有最大差分谱理论缺陷提出了优选差分谱峰值理论,利用奇异谱分解的逆过程对真实信号进行重构。重构结果表明,该方法适用于超声速飞行下的飞行器声振试验数据处理,为超声速飞行器飞行状态的精确描述提供了良好的思路。     

基于小波系数11／2维谱的滚动轴承故障诊断

提出了基于小波系数11／2维谱的滚动轴承故障诊断的新方法。小波分析能有效地提取滚动轴承故障引起的突变振动信号,11／2维谱保留了滚动轴承故障振动信号的相位信息且能够有效地抑制噪声。利用正交小波基将滚动轴承故障振动信号变换到时间－尺度域,对高频段尺度域的小波系数进行11／2维谱分析,不仅能检测到滚动轴承的存在,而且能有效地识别滚动轴承的故障模式。     

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Hilbert边际谱的滚动轴承故障诊断方法

Hilbert-Huang变换是一种新的自适应信号处理方法，它适合于处理非线性和非平稳过程。通过对信号进行Hilbert-Huang变换，可以得到信号的。Hilbert边际谱，它能精确地反映信号幅值随频率的变化规律。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Hilbert边际谱的滚动轴承故障诊断方法。该方法在Hilbert边际谱的基础上定义了特征能量函数，并以此作为滚动轴承的故障特征向量，建立M-距离判别函数来识别滚动轴承的故障类型。对滚动轴承的内圈、外圈故障信号的分析结果表明本方法可以有效地提取滚动轴承故障特征。     

基于改进奇异值分解和经验模式分解的滚动轴承早期微弱故障特征提取

针对滚动轴承早期微弱故障特征难以提取的问题,提出了改进奇异值分解(SVD)和经验模式分解(EMD)的滚动轴承早期微弱故障特征提取方法。首先用多分辨奇异值分解将信号分成具有不同分辨率的近似和细节信号,然后对近似信号用奇异值差分谱进行消噪,对消噪后的信号进行经验模态分解,将得到的各本征模函数分量进行希尔伯特包络解调,从而获得滚动轴承故障特征信息,最后通过对滚动轴承早期内圈故障的诊断实验证明了该方法的有效性     

基于相空间重构改进算法的混沌奇异谱分析及应用

针对混沌奇异谱分析嵌入维数和延迟时间不确定性问题,提出相空间重构的改进算法。利用补充准则E2(m)进行联合判断,同时对Cao算法进行了改进,给出了一种改进的嵌入维数的稳定性准则。嵌入维数利用改进的Cao算法,能够快速准确地确定嵌入维数m的值,具有准确性和高效性;用基于符号分析的极大联合熵求取延迟时间的方法,减少计算量和误差。通过数值验证对比实验验证了该方法的优越性。将该方法在滚动轴承早期故障识别中应用,结果表明:混沌奇异谱可以清楚看出不同故障信号的图形分布,实现对机械故障信号的特征提取。为机械故障早期诊断提供一种新的有效途径。     

基于VMD-SVD能量标准谱-Teager能量算子的轴承故障诊断方法

对难以提取处于微弱故障状态的滚动轴承非线性、非平稳时变特性振动信号中故障特征频率的问题,提出基于VMD-SVD能量标准谱-Teager能量算子联合诊断方法。首先,对预处理后轴承微弱故障信号进行VMD分解,根据各模态分量(IMF)中心频率确定最优模态数K,再由各IMF分量峭度和相关系数指标确定包含故障信号的敏感IMF。然后,对选取模态分量的Hankel矩阵进行SVD分解,由奇异值能量标准谱确定有效奇异值数量,实现对信号的降噪重构。最后,利用瞬时Teager能量算子及其频谱分析识别微弱故障产生的周期性冲击特征频率。运用该方法处理滚动轴承微弱故障信号,能准确提取故障特征频率及倍频,文中证明了其准确性和有效性。     

LCD谱熵及其在滚动轴承退化状态识别中的应用

针对滚动轴承在出现故障时其振动信号呈现出非线性、非平稳特性,以及退化特征难以提取等问题,将局部特征尺度分解法应用到轴承振动信号分析中,并与信息熵理论融合提出局部特征尺度分解谱熵的滚动轴承退化特征指标。该方法首先对不同故障程度的轴承振动信号做局部特征尺度分解,基于得到的内禀尺度分量计算振动信号得能谱熵、奇异谱熵和包络谱熵用于表征轴承故障程度,仿真信号分析结果表明以上特征指标能够较好地反映滚动轴承的退化状态。对内圈故障和外圈故障模式下不同程度故障的轴承振动信号进行分析,结果表明该文提出的退化特征能够有效表征轴承的退化状态,并采用灰关联分析法构建轴承退化状态识别模型,可有效实现轴承退化状态识别。     

基于SVD-MEEMD与Teager能量谱的滚动轴承微弱故障特征提取

针对滚动轴承早期微弱故障特征难以提取的问题,提出一种基于奇异值分解(Singular Value Decomposition,SVD)、改进的集总经验模态分解(Modified Ensemble EMD,MEEMD)和Teager能量谱的滚动轴承微弱故障特征提取方法。该方法首先采用Hankel矩阵理论对滚动轴承的故障信号进行相空间重构得到重构矩阵,并根据奇异值差分谱理论对重构矩阵进行SVD处理,实现信号的初步降噪;其次,对降噪后的信号进行MEEMD分解得到一组本征模态分量(Intrinsic Mode Function,IMF)和一个余量,依据峭度-相关系数规则选取出一个冲击特征敏感的IMF分量,计算其Teager能量算子;最后,通过分析能量谱图实现对滚动轴承微弱故障的模式辨识。采用美国西储大学的滚动轴承故障数据对所提方法进行验证,并与其它模式的组合方法进行比较。结果表明,该方法具有良好的降噪效果和敏感特征筛选能力,从而能更准确提取出滚动轴承早期故障频率,实现故障类型的准确辨识。     

基于EMD分解和奇异值差分谱理论的轴承故障诊断方法

针对故障轴承振动信号中含有强烈的背景噪声,难以提取故障频率的现实情况,提出了基于经验模态分解(Empirical Mode Decomposition,EMD)和奇异值差分谱的轴承故障诊断方法.首先通过EMD方法将非平稳的原始轴承振动信号分解成若干个平稳的本征模函数(Intrinsic Mode Function,IMF);由于背景噪声的影响,从各个IMF的频谱中难以准确地得到故障频率.对IMF分量构建Hankel矩阵并进行奇异值分解,进一步找到奇异值差分谱,根据奇异值差分谱理论对某个IMF分量进行消噪和重构,然后再求其频谱,便能准确地得到故障频率.实验结果表明,提出的方法能有效地应用于轴承的故障诊断.