滚动轴承故障的EMD诊断方法研究

提出了一种基于经验模式分解（Empirical Mode Decomposition，EMD）的滚动轴承故障诊断方法。这种方法中，局部损伤滚动轴承产生的高频调幅信号成分被EMD分解作为本征模函数分离出来，然后用Hilbert变换得到其包络信号，计算包络谱，就能够提取滚动轴承故障特征频率。该方法被用于分析实验台上采集的具有内圈损伤及外圈损伤的滚动轴承振动信号。分析结果表明，与传统的包络解调方法相比，新方法能够更有效地提取轴承故障特征，诊断轴承故障，因而具有重要的实用价值。     

基于局部特征尺度分解谱熵和VPMCD的液压泵退化状态识别

针对液压泵故障信号的非平稳特性以及其退化状态难以识别的问题,结合局部特征尺度分解与信息熵理论,提出了局部特征尺度分解谱熵的退化特征提取方法,并将基于变量预测模型的模式识别(Variable Predictive Model based Class Discriminate,VPMCD)方法引入到液压泵的退化状态识别。对不同程度故障的液压泵振动信号进行局部特征尺度分解,从得到的内禀尺度分量中提取振动信号的复杂度和随机性度量指标能谱熵、奇异谱熵和包络谱熵,以其作为液压泵的退化特征向量,通过建立VPMCD退化状态识别模型实现液压泵的退化状态识别。仿真信号分析结果验证了所提出的局部特征尺度分解谱熵具有较好的表征液压泵故障退化状态的能力。通过对实测液压泵松靴和滑靴磨损两种故障模式下的退化状态振动信号进行分析验证了提出方法的有效性。     

基于MCKD和重分配小波尺度谱的旋转机械复合故障诊断研究

针对强噪声环境下旋转机械复合故障信号难于提取与分离的问题,提出了基于最大相关峭度解卷积(Maximum Correlated Kurtosis Deconvolution,MCKD)和重分配小波尺度谱的旋转机械故障诊断方法。机械信号中存在的噪声会降低重分配小波尺度谱的时频分布可读性,故先要对信号进行MCKD降噪,同时从振动信号中分离出各个故障成分,然后进行Hilbert变换得到包络成分,最后再对包络成分进行重分配小波尺度谱分析,根据尺度图中冲击成分的周期诊断转机械复合故障,算法仿真和应用实例验证了该方法的有效性。     

基于局部均值分解与形态谱的旋转机械故障诊断方法

针对旋转机械不同类型故障会使振动信号具有不同形态特征及振动信号信噪比低等特点,提出基于局部均值分解（Local Mean Decomposition,LMD）与形态谱的旋转机械故障诊断方法。其中的LMD能对旋转机械原始振动信号进行降噪处理,而形态谱则能反映振动信号的形态特征,从而能判断旋转机械的工作状态。将该方法用于转子系统故障诊断,分析结果表明,该方法能有效提取旋转机械故障振动信号的故障特征,能准确识别旋转机械的故障状态。     

滚动轴承的实调制细化包络谱诊断方法研究

滚动轴承振动信号中载波频率较高而调制的故障频率较低,若直接采用Hilbert变换进行包络谱分析,往往由于谱分辨率较低而无法得到正确的结果。该文在Hilbert变换求包络谱之前增加了一个实调制移频过程,将原始信号的载波频率及调制频率(故障特征频率)移至低频段,然后再重新采样变为低频实信号,再经过Hilbert变换,得到了一种新的实调制细化包络频谱。在滚动轴承的故障诊断试验中进行了实际应用,结果表明:该方法不但可以提高包络谱的频率分辨率,而且计算效率较高,具有一定的实际应用价值。     

匹配追踪过程复合熵矩转子故障诊断研究

转子系统作为大型机械的核心部件工作环境十分复杂,故障种类多样且其振动信号包含大量噪声,所以特征向量难以有效提取。为此,利用匹配追踪分解对信号进行降噪,然后提取信号的奇异谱熵和功率谱熵作为故障特征,并提出复合熵矩的概念,最终利用复合熵差矩的均值和方差实现对转子故障的诊断和识别。在试验台上模拟并采集四种转子常见的有效故障信号,并以不平衡故障作为目标故障为例进行验证,根据均值和方差最小实现准确诊断,实验结果证明该方法的有效性和实用性。     

基于MODWPT的Hilbert谱及其在齿轮故障诊断中的应用

在对基于最大重叠离散小波包变换(Maximal overlap discrete wavelet packet transform,简称MODWPT)的Hilbert谱方法进行介绍的基础上,将基于MODWPT的Hilbert谱应用于齿轮故障诊断当中。采用MOWDWPT可将多分量的复杂信号分解为若干个瞬时频率和瞬时幅值具有经典物理意义的单分量之和,然后求出各个单分量信号的瞬时频率和瞬时幅值,再进行组合便可以得到原始复杂信号完整的时频分布。对具有裂纹和断齿的齿轮故障振动信号的分析结果表明,基于MODWPT的Hilbert谱可以有效地提取齿轮振动信号的故障特征。     

基于MEEMD和GA-SVM的列车车轮多边形故障识别方法

根据列车车轮振动信号的非平稳特性,提出一种基于改进的集合经验模态分解(MEEMD)和遗传算法支持向量机(GA-SVM)的诊断方法,用于识别车轮多边形故障。该方法对车轮轴箱垂向振动信号进行MEEMD分解,依据各固有模态函数(IMF)分量的峭度值和能量值选取出主要IMF分量。利用希尔伯特变换求取主要IMF分量的包络谱,并计算包络谱熵。将包络谱熵值归一化后作为特征向量输入GA-SVM中进行训练和识别。对实测信号进行分析的结果表明该方法能有效识别出车轮多边形故障,识别准确率可达到95%。     

基于LMD样本熵与SVM的往复压缩机故障诊断方法

针对往复压缩机振动信号的非平稳和非线性特性,提出了基于LMD样本熵与SVM的往复压缩机轴承间隙故障诊断方法。利用具有保形特性的Hermite插值法替代传统LMD中滑动平均法构造均值与包络函数,提高LMD对非平稳信号的分解精度。以改进LMD方法将各状态振动信号分解为一系列PF分量,依据相关性系数选择其中代表故障状态主要信息的PF分量,计算其样本熵形成有效的特征向量。使用SVM作为模式分类器,诊断得出轴承间隙故障类型。同LMD与近似熵方法所提取特征向量进行对比,结果表明本文方法具有更高的识别准确率。     

形态分量分析和谱峭度在轴承故障诊断中的应用

滚动轴承发生故障时,其振动信号往往包含多种振动分量,主要由轴承自身固有振动引起的谐振分量、点蚀或裂纹等故障产生的冲击分量和其他的干扰分量组成。实现故障信号中各分量的有效分离非常有利于轴承的故障诊断。针对此问题,提出形态分量分析和谱峭度相结合的故障诊断方法,首先用形态分量分析处理轴承故障信号,使信号中的冲击分量与谐振分量分离,再以谐振分量为对象,利用谱峭度方法对谐振分量进行滤波,对滤波结果进行Hilbert包络解调分析,然后根据包络谱诊断滚动轴承发生的故障。实验结果表明,这种方法可以提取到明显的故障特征频率,从而验证了该方法的有效性。