基于AE信号与VMD的滚动轴承故障诊断研究

针对风电机组主轴承在故障初期受轴系振动干扰而难以检测的问题,提出一种基于声发射信号时序均方幅值特征的变分模态分解时频分析方法。首先,采用分帧的预处理方法,对AE信号逐帧提取均方幅值特征,建立时序特征序列;其次,采用VMD时频分析方法对时序特征序列模态分解,计算得到表征故障的特征模态。理论分析和实验结果表明:该方法提取的特征对低速状态下轴承内圈裂纹故障具有明显的辨识度,能有效对低速状态下滚动轴承故障进行判别。     

基于工况辨识和变分模态分解的风电机组滚动轴承故障诊断

针对风电机组运行工况变化导致滚动轴承故障分类性能降低的问题,采用模糊C均值聚类进行运行工况识别,在子工况下进行相应的滚动轴承故障诊断.提出了基于变分模态分解(VMD)、AR模型以及奇异值分解的特征提取方法,将滚动轴承振动信号分解成若干个模态,采用每个模态AR模型参数、模型方差以及模态矩阵的奇异值作为特征向量,建立欧氏距离判别函数,来识别滚动轴承状态和故障类型.结果表明:该方法可以成功提取滚动轴承故障特征信息并正确判断出滚动轴承故障类型,对工况变化有更强的适应能力.     

基于阶次解调谱的滚动轴承故障诊断方法

针对变转速工况下滚动轴承的故障诊断问题,提出一种基于阶次解调谱的故障诊断方法。该方法先利用线调频小波路径追踪算法提取转速信号,并根据转速信号对轴承振动信号进行角域重采样,将时域非平稳信号转化为角域平稳信号。然后对角域平稳信号进行变分模态分解(variational mode decomposition,VMD)得到若干本征模态函数分量(intrinsic mode function,IMF),并利用峭度指标筛选出敏感IMF分量,最后对敏感IMF进行Hilbert变换获得其阶次解调谱,通过提取阶次解调谱中的故障特征阶次来识别轴承故障。仿真和实验分析结果表明,该方法成功提取出故障特征阶次,可实现变转速工况下滚动轴承故障的有效诊断。     

改进变分模态分解与去干扰包络因子的轴承故障分析

滚动轴承早期故障特征微弱且提取困难,考虑转频对故障包络信号的影响,提出改进包络谱特征因子(EDF),基于EDF提出优化变分模态分解方法(OVMD)。对滚动轴承正常、内圈及外圈状态进行OVMD分解,以EDF最大值作为筛选标准提取有效故障分量进行包络分析。结果表明:OVMD分解带有冲击分量信号,具有较高准确性,分解分量与原分量具有95%以上相似度;通过EDF最大值对分解分量进行提取,所获分量具有明显故障特征,并可排除转频对故障特征频的干扰;采用OVMD-EDF故障提取方法,并进行包络分析,可对不同故障程度的内圈、外圈故障进行精准故障诊断。     

改进VMD融合深度学习在滚动轴承故障诊断中的应用

针对滚动轴承早期振动信号微弱且难以提取的问题,结合灰狼算法与变分模态分解（Variational mode decomposition,VMD）提出改进变分模态分解（Improved variational mode decomposition,IVMD）方法分解轴承故障信号,并基于快速谱峭度图（Fast kurtogram,FK）提取特征分量进行信号重构,采用深度学习与混沌理论对各故障轴承重构信号进行非线性分析,完成故障识别。在保留原故障信息整体几何结构的同时降低了特征数据复杂度,增强了故障状态分类能力。基于损伤轴承实验数据验证所提方法的有效性。结果表明：IVMD较VMD能更好地分解故障信号,快速谱峭度图可有效提取特征分量;采用IVMD FK进行信号前处理后,经卷积神经网络（Convolutional neural network,CNN）进行故障分类,准确率高达99.99%,远高于传统故障诊断方法;在强噪声环境下此方法仍可较好地进行故障分类,在-8dB噪声下准确率达到75.75%,具有良好的鲁棒性;同时,结合混沌相图与Lyapunov指数反映故障信号的混沌特性,随卷积层数增加Lyapunov指数逐渐减小,表明深度学习模型和混沌理论可从混沌序列中提取纯净特征信息,准确进行故障识别。     

基于形态学分形和极限学习机的风电机组轴承故障诊断

风力发电机组滚动轴承工况往往比较恶劣,其故障振动加速度信号具有非平稳、非线性的特性,而传统的时频域方法提取故障特征时存在不准确、适应性差等问题,针对此提出一种基于局部均值分解(LMD)和形态学分形维数的特征提取算法,并结合极限学习机(ELM)完成风电机组轴承故障诊断。该方法同时考虑滚动轴承在不同损伤程度以及不同故障类型下的情况,首先将原始振动信号进行LMD自适应分解为一系列不同频率的乘积分量(PF);接着计算所有分量与原信号的相关性系数,选择相关系数值最大的前3个PF分量作为敏感变量;并利用形态学覆盖估计所选PF分量的分形维数,构建故障特征向量组;之后将其作为ELM的输入,将轴承状态作为输出,建立ELM轴承状态识别模型。最后使用西储大学平台轴承数据和实际风场采集故障数据对算法进行验证,结果表明,该方法能够有效识别轴承不同损伤程度以及不同故障,整体识别率达到99%以上。     

基于VMD和QPSO-SR的风电机组轴承故障提取方法

提出一种基于量子粒子群优化算法的自适应随机共振(quantum particle swarm optimization stochastic resonance,QPSO-SR)降噪和变分模态分解(variational mode decomposition,VMD)的风电机组轴承故障提取方法。首先根据原始故障振动信号特征采用量子粒子群优化算法自适应地进行随机共振参数优化;其次以信噪比最优的参数值对原始信号进行随机共振降噪处理,削弱噪声干扰和冲击成分对结果的影响并增强故障信号幅值;再用VMD法分解降噪处理后的信号,实现故障信号的提取。仿真分析和实验分析表明,该方法提高了VMD在噪声背景下的计算精度,实现风电机组滚动轴承故障的精确诊断。     

基于Hilbert和CA-VMD的风电机组叶轮不平衡故障电信号特征提取方法

针对风电机组叶轮系统故障的非线性、非稳定性和耦合性使早期微弱故障特征频率处于强背景噪声下难以提取的问题,并考虑到传统故障信号采集方法存在的局限性,从电信号入手,提出了一种基于希尔伯特变换和变分模态分解相关性分析（CA-VMD）的风电机组叶轮系统不平衡故障的电信号特征提取方法。首先,针对传统频域分析方法直接对故障电信号进行分析而无法提取故障特征频率的问题,引入Hilbert变换解调出故障调制信号;然后,针对强背景噪声下早期微弱故障特征难提取的问题,引入变分模态分解将故障调制信号分解,并通过相关性分析剔除噪声分量;最后,重构故障调制信号并提取故障特征频率,提高了原始故障信号的信噪比。通过仿真分析,证明了所提方法的有效性。     

基于阶比跟踪与VMD的瞬变工况发动机故障特征提取

针对发动机加速过程振动信号的非平稳性和存在强背景噪声的特点,提出阶比跟踪与变分模态分解(VMD)相结合的方法。对于柴油机曲轴轴承故障和汽油机连杆轴承模拟试验振动信号,利用阶比跟踪技术将时域上的非平稳信号转化为角域上的伪平稳信号,利用VMD对重采样信号进行分解,选择包含故障信息的模态分量,计算其阶比、转速、功率谱所构成的三维阶比谱阵,提取故障特征。仿真分析和故障模拟试验验证了该方法的有效性。     

基于自适应变分模态分解的滚动轴承故障特征提取方法研究

针对滚动轴承微弱故障特征易被噪声和强故障成分淹没导致漏诊或误诊问题,基于互信息与信息熵构建多目标适应度函数,形成面向故障诊断的自适应变分模态分解算法(Diagnosis Oriented Adaptive Variational Mode Decomposition, DOA-VMD),有效提取信息以传达故障特征且不产生异常模态干扰;并采用NSGA-II算法对多目标适应度函数搜寻最优Pareto解集;然后考虑峭度是反应冲突的有效指标,以最大峭度值为目标,筛选解集中最优结果实现DOA-VMD参数的确定和特征提取;基于齿轮箱轴承内圈损伤数据验证提出方法的可靠性。结果表明：DOA-VMD可剔除含噪分量并保留具有最显著冲击信号的特征,且该特征较传统VMD方法更能凸显故障特征频率。