基于变分模态分解与快速谱峭图的齿轮箱滚动轴承故障特征提取

针对齿轮箱的滚动轴承故障信号因噪声干扰,难以进行有效提取的问题,提出了基于变分模态分解与快速谱峭图相结合的轴承故障特征提取方法。首先,利用变分模态分解(Variational Mode Decomposition,VMD)将振动信号分解成若干个本征模态分量(Intrinsic Mode Function,IMF),通过相关峭度计算选取故障信息最突出的分量信号;然后,利用快速谱峭图自适应地确定带通滤波;最后,对滤波后的信号进行平方包络谱分析,提取出故障信息。通过公开数据分析和齿轮箱轴承故障实验,证明了该方法的有效性和可行性。     

基于改进CEEMDAN和优化重构的轴承故障特征提取研究

滚动轴承作为旋转设备的关键部件,其性能严重影响设备的运行安全。由于设备工况复杂,反映轴承的故障特征的冲击成分往往被噪声信号所淹没,导致无法有效的提取故障特征。为了更准确的获取滚动轴承的故障信息特征,本文提出一种基于改进的自适应噪声完整集合模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)和峭度指标的特征提取方法。首先,利用改进的CEEMDAN方法对分解过程中的各段信号添加自适应白噪声,计算唯一的余量来获得各个固有模态函数(intrinsic mode function),与EEMD(ensemble empirical mode decomposition)相比,其分解过程完整。其次,计算各IMF分量的峭度指标,筛选重构IMF分量集,然后利用重构信号峭度最优指标筛选出最合适的重构信号,最后,通过包络解调获得轴承故障特征。结果表明,该方法具有更好的分解效果,自适应性好,可以更好的抑制噪声,提取轴承故障的冲击成分。     

基于FEWT-FastICA的滚动轴承故障特征识别方法

滚动轴承故障信号常包含着大量的噪声,并以调制的形式存在,其故障特征信息提取困难;同时,采用快速经验小波变换(FEWT)分解故障信号时,又存在故障特征被削弱的问题。为此,将FEWT与快速独立分量分析(FastICA)的优点相结合,在此基础上提出了一种基于FEWT-FastICA的滚动轴承故障特征识别方法。首先,利用FEWT算法对轴承故障信号进行了分解,得到了一组固有模态分量(IMF);根据峭度准则,将峭度值大于3的IMF分量重构为振动冲击信号,峭度值小于3的IMF分量重构为虚拟通道信号;然后,将重构后的信号输入FastICA算法,进行信号的降噪解混,得到信号的最佳估计信号,对最佳估计信号进行了包络谱分析,完成了对滚动轴承的故障诊断;最后,为了验证FEWT-FastICA算法的有效性,采用仿真信号及真实轴承故障信号分别进行了实验验证;同时,为了验证FEWT-FastICA算法的优越性,将其与FEWT进行了对比分析。研究结果表明：该方法能有效地提取故障特征信息,比FEWT方法所得结果的信噪比提升了1.55倍,为轴承故障诊断提供了一种新方法。     

自适应谱峭度图及其在滚动轴承故障诊断中的应用

提出了一种新的自适应谱峭度图方法。首先采用CEEMDAN方法分解信号的傅里叶频谱,然后对得到的低频IMF分量与残差项进行分层累加计算,对每一层的频谱趋势寻找极小值点,使其作为频谱划分边界,将划分后的各频段通过正交滤波器并利用峭度指标对划分后信号中的故障信息进行评估,构造出一种新的自适应谱峭度图。该方法能够克服快速谱峭度图因遵循固定划分规则易使检测出的频带不能包含完整的故障信息或是提取到无效分量的情况,并且分别利用轴承外圈故障的仿真信号和试验信号,验证了该方法的有效性。     

基于EEMD和快速谱峭度的滚动轴承故障诊断研究

从经验模态分解(EMD)中得到的本征模态函数(IMF)存在模态混合现象,并且其末端效应影响分解效果,针对这一问题,以西安交通大学XJTU-SY滚动轴承中的振动数据为例,对其外圈振动的正常数据和失效数据分别进行了对比研究。首先,采用集合经验模态(EEMD)分别对正常和失效轴承的振动信号进行了分解,得到了各阶IMF分量;然后,通过峭度准则选择关键的IMF分量进行了信号重构,计算了重构的信号快速谱峭度,根据快速谱峭度得出的中心频率和带宽为依据,对重构信号进行了带通滤波处理;最后,对包络谱进行了对比分析,获得了滚动轴承的准确故障特征信息。研究结果表明:通过EEMD分解和快速谱峭度得出滤波后的重构信号降噪效果明显,可以得到良好的故障带宽和中心频率;该方法能有效测出XJTU-SY滚动轴承出现外圈故障时的振动频率。     

轴承故障检测的EEMD-RA-KU方法研究

利用滚动轴承故障信号呈现出的冲击特征,提出一种捕捉冲击特征的EEMD-RA-KU轴承故障诊断新方法。将故障信号进行EEMD(ensemble empirical mode decomposition)分解得到的IMF(intrinsic mode function)分量,利用相关分析RA(relative analysis)、峭度KU(kurtosis)联合选择IMF,并利用谱峭度确定滤波器参数对选出的IMF重构信号进行滤波,对滤波后的信号进行包络分析,利用包络谱检测轴承故障。结果表明,该方法能在强噪声背景下提取出轴承的故障特征。     

基于DS⁃VMD及相关峭度的滚动轴承故障诊断

为了自适应确定变分模态分解(variational mode decomposition,简称VMD)的有关参数,减少轴承振动信号处理过程中对先验知识的依赖,提出了一种基于微分搜索(differential search,简称DS)的VMD参数自适应寻优算法,结合相关峭度指标实现轴承故障特征自适应提取。首先,采用DS算法对VMD的相关参数进行自适应寻优,并对信号进行VMD;其次,计算各本征模态函数(intrinsic mode functions,简称IMF)的相关峭度值,并利用该指标对各分量进行加权重构;然后,对重构信号进行包络谱分析以提取轴承故障特征;最后,将所提出方法与通过经验模态分解(empirical mode decomposition,简称EMD)方法及人为确定参数的传统VMD进行对比。仿真信号和实验数据分析表明:DS算法可有效确定VMD相关参数组合,且所提出方法可以更加准确、有效地识别出滚动轴承故障特征频率;与快速峭度图方法对比,所提出方法依然可以获得更好的结果。     

CEEMDAN和盲源分离在轴承复合故障诊断中的应用

滚动轴承的复合故障信号中往往含有多个特征信息及背景噪声,为更高效实现故障信息的提取,提出一种基于具有自适应白噪声的完备集成经验模态分解（CEEMDAN）和盲源分离的滚动轴承复合故障特征提取方法。对实验所获取的故障数据进行CEEMDAN分解,得出一组固有模态函数（IMF）,利用加权峭度因子选取其中有效IMF重构信号,再将重构的信号进行BSS分离。对分离出的信号做解调包络分析,从其解调谱中提取故障信号的特征频率。结果证明了此方法可以有效地分离轴承的内外圈故障,使故障特征更易被提取。     

基于快速谱峭度图的EEMD内禀模态分量选取方法

针对在总体平均经验模式分解(ensemble empirical mode decomposition,简称EEMD)的多个内禀模态分量(intrinsic mode function,简称IMF)中,如何选取出反应故障特征的敏感IMF的问题,提出一种基于快速谱峭度图的敏感IMF选取方法。由EEMD分解获得的一组无模式混淆的IMF,计算原信号及各个IMF的快速谱峭度图,选择每个快速谱峭度图中谱峭度最大值所处的频带作为参考频带,比较各个IMF的参考频带与原信号谱峭度最大值所处频带之间的从属关系,筛选出反应故障特征的敏感IMF,为后续故障诊断提供特征信息。将该方法应用于模拟仿真信号及滚动轴承滚动体故障信号,验证了方法的有效性。     

峭度准则EMD与空域相关结合的滚动轴承故障特征提取

针对滚动轴承故障信号非线性、非平稳的特点,提出一种经验模态分解(Empirical Mode Decomposition,EMD)与空域相关相结合的信号特征提取方法。首先,利用EMD方法将振动信号分解成若干个固有模态分量(Intrinsic Mode Function,IMF);然后采用峭度准则选取能够反应故障特征的IMF分量进行重构,再对重构信号运用空域相关法进行降噪;最后将处理后的振动信号进行Hilbert包络谱分析,提取出轴承的故障特征。采用所建立的方法分析轴承外圈故障的实验数据。结果表明,峭度准则EMD与空域相关相结合的方法能够对振动信号进行降噪处理并有效地提取出轴承外圈故障特征频率。     

基于VMD和快速谱峭度的滚动轴承早期故障诊断

针对滚动轴承故障发生初期,故障冲击特征微弱难以识别以及共振解调中带通滤波器参数难以选择的问题,提出了基于变分模态分解与快速谱峭度的轴承早期故障特征提取方法。首先采用VMD对轴承早期故障信号进行预处理,依据峭度准则选取峭度值较大的分量进行重构;然后应用快速谱峭度法确定滤波器最优参数,使用带通滤波器对重构信号进行降噪处理;最后应用Hilbert解调方法对消噪后信号进行包络解调,分析包络谱得到诊断结果。对仿真信号和轴承试验数据的诊断分析表明,该方法可有效识别出早期故障信号。     

CEEMD-VMD与参数优化SVM结合的托辊轴承故障诊断

针对托辊轴承工作环境复杂、提取故障特征困难等问题,提出一种基于互补集合经验模态分解(Complementary ensemble empirical mode decomposition, CEEMD)和变分模态分解(Variational modal decomposition, VMD)相结合的降噪方法。首先,利用CEEMD将采集到的信号进行分解,依据相关系数和峭度筛选分量并进行重构,生成新的信号;然后,利用VMD将新的信号进行再分解,并基于包络熵和包络谱峭度组合的复合指标优选本征模态分量(Intrinsic mode functions, IMF);最后,提取相应的特征输入樽海鞘群优化支持向量机(Salp swarm optimization support vector machine, SSO-SVM)模型完成故障诊断。实验结果表明:对于正常轴承、轴承内圈故障、轴承外圈故障三种情况,诊断准确率达97.78%。与单一降噪方法相比,该方法可以有效提高故障信号的信噪比,降噪效果明显。     

基于改进EMD与谱峭度的滚动轴承故障特征提取

针对滚动轴承故障信号的调制特点和其需要依靠经验来选择共振高频带的缺点,提出一种改进经验模态分解(EMD)与谱峭度法结合的滚动轴承故障诊断方法。首先,通过EMD将滚动轴承故障信号分解为若干固有模态函数(IMF);然后通过互信息、峭度、互相关性剔除虚假IMF分量,重构故障信号;最后利用谱峭度设计最优带通滤波器,并对滤波后的信号进行包络解调分析,提取滚动轴承故障特征。滚动轴承故障实验信号分析结果表明,改进EMD与谱峭度方法能有效提取滚动轴承故障特征,且比传统包络分析方法更具优势。     

基于EMD和峭度的Hilbert包络解调在滚动轴承故障诊断中的应用分析

针对直接运用快速傅里叶变换（FFT）无法有效提取具有非线性非平稳特性的滚动轴承振动信号故障特征频率的问题,提出了一种基于经验模式分解和峭度指标的Hilbert包络解调方法.首先对滚动轴承的振动信号进行了经验模式分解（EMD）,得到了包含轴承故障特征信息的各阶本征模态函数（IMF）,再计算各阶IMF的峭度值,选取了峭度值较大的几阶IMF分量重构信号,并对重构信号进行了Hilbert包络解调分析,从而获得了滚动轴承的准确故障特征信息.分别对仿真模拟信号和实际滚动轴承发生内圈故障的振动信号进行了分析,清晰地得到了故障特征频率.研究结果表明,利用融合EMD、峭度系数和Hilbert包络解调的诊断方法能够快速、准确地提取滚动轴承的故障特征频率,从而可以对滚动轴承进行有效地故障诊断.     

基于EEMD奇异值熵的滚动轴承故障诊断方法

为充分利用振动信号进行故障辨识,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)奇异值熵判据的滚动轴承故障诊断方法。首先,对滚动轴承的振动信号进行EEMD分解获得若干个本征模态函数(intrinsic mode function,简称IMF),并根据一种IMF分量故障信息含量的评价指标(即峭度、均方差和欧氏距离)选出能够表征原始信号状态的分量进行信号重构;其次,利用奇异值分解技术对重构信号进行处理,结合信息熵算法求取其奇异值熵;最后,利用奇异值熵的大小判断滚动轴承的故障类别。用美国西储大学滚动轴承振动信号对所述方法进行验证的结果表明,相比传统的EMD奇异值熵故障诊断方法,本方法能够清晰的划分出滚动轴承不同工作状态的类别特征区间,而且具有更高的故障诊断精度。     

基于MCKD和CEEMDAN样本熵的滚动轴承故障诊断

针对滚动轴承故障特征微弱以及振动信号的非平稳性,提出一种基于最大相关峭度解卷积(maximum correlated kurtosis deconvolution,MCKD)和自适应白噪声完备经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)样本熵相结合的滚动轴承故障诊断方法。首先采用MCKD算法降低滚动轴承信号内的噪声干扰,突出信号中的冲击特性;然后利用CEEMDAN方法对降噪信号进行分解,根据峭度-相关系数准则选择包含主要故障信息的敏感固有模态函数(intrinsic mode function,IMF)分量;计算各敏感IMF分量的样本熵构成高维特征向量;最后将高维特征向量作为支持向量机(support vector machine,SVM)的输入,对滚动轴承的工作状态和故障类型进行识别。通过实测滚动轴承故障信号的分析,证明了所提方法有效性,并为此类问题的解决提供了一种可行方法。     

改进WMRA在滚动轴承故障诊断研究中的应用

针对滚动轴承初期故障诊断时故障特征信号微弱,且传统的包络谱分析方法需要预先依靠经验确定出分析频段的问题,提出了基于经验模态分解(EMD)和改进的小波多分辨率分析(WMRA)的诊断方法。首先通过对滚动轴承故障振动信号进行EMD分解,利用峭度系数和振动固有频率特征参数对分解后的本征模态函数(IMF)分量进行了分类,筛选出了最佳IMF分量,然后通过希尔伯特变换(HT)计算得到了所选IMF分量的包络信号,最后利用改进后的WMRA对包络信号进行了重构,所得到的包络谱明显地突出了故障特征频率。实验结果表明:相比单独的EMD或传统的WMRA,该方法有效地提高了信号分析的准确性。     

基于VMD-LPP融合的轴承故障特征频率提取

为提高轴承故障特征频率的提取效果,提出了变分模态分解(VMD)和局部保持投影(LPP)相融合的轴承故障特征频率提取方法.该方法主要有三个步骤:一是利用VMD对信号进行分解,得到若干个本征模态分量(IMF),并将各分量组成高维信号矩阵;二是利用LPP对高维信号矩阵进行降维得到低维信号矩阵,而后进行信号重构,得到重构信号;三是对重构信号进行包络分析,根据包络谱中突出的频率成分判断轴承故障类型.轴承故障诊断实例验证了方法的有效性.     

基于EEMD与空域相关降噪的滚动轴承故障诊断方法

针对滚动轴承早期故障信号非平稳、非线性,强噪声的特点,提出了一种将集成经验模态分解(EEMD)和空域相关降噪相结合的滚动轴承故障诊断方法。该方法首先采用EEMD对滚动轴承故障信号进行分解,得到若干个IMF分量,其次,采用峭度—度量因子准则筛选出有效的IMF分量进行信号重构,然后,采用空域相关降噪方法对重构信号进行降噪处理,最后,提取降噪后信号的故障特征频率对轴承故障进行诊断。采用建立的方法对某轴承内圈、外圈故障实验数据进行了分析与诊断,结果表明,方法能够有效克服信号分解的模态混叠效应,对故障信号噪声抑制效果明显,并能准确有效地提取出轴承的故障特征频率,实现对滚动轴承故障的精确诊断。     

信息熵和合成峭度优化的VMD和PSO-SVM的轴承故障诊断

为了解决变分模态分解参数人为确定的问题,并能够实现轴承故障的精确诊断,构建了一种信息熵和合成峭度优化的变分模态分解(VMD)和粒子群算法优化支持向量机(PSO?SVM)的轴承故障诊断方法.该方法首先运用合成峭度倒数与信息熵乘积的最小值原则对VMD参数进行优化,再由优化的参数对原始故障信号进行变分模态分解,得到既定的若干本征模态分量(IMFs),再选取信息熵与合成峭度倒数的乘积最小的IMF作为最佳IMF,再对其提取故障特征构成特征向量,输入P SO?SVM进行故障分类.最后,运用仿真信号和实际轴承数据验证了本文方法的有效性.