基于谱估计与核模糊聚类的往复压缩机轴承故障评估方法

针对往复机轴承性能衰退评估中模型适应性和指标量化困难等问题,提出一种基于奇异谱分布与核模糊C均值聚类算法(KFCM)的性能衰退评估方法。利用变分模态分解(VMD)算法提取并优选主模态多重分形奇异谱(MSS)构成谱形态参量,经奇异值分解降噪处理,建立KFCM与二叉树支持向量机相结合的评估模型,并给出完整的轴承性能衰退评估流程;进行压缩机轴承磨损故障模拟及算法对比分析。结果表明:该方法能有效评定滑动轴承磨损故障性能衰退程度。     

基于模糊C均值算法的齿轮泵故障诊断技术

以CB-KP63齿轮泵为研究对象,提出了利用小波包频带能量提取齿轮泵的信号特征,用模糊C均值聚类算法得到齿轮泵的故障模式,然后用模糊贴近度进行故障模式的识别.实验结果表明,在此算法下,齿轮泵4种不同工作状态下的振动信号具有明显的可分性,并且该诊断方法对不同类型的齿轮泵故障诊断、维修保养等都具有一定的实用性.     

基于改进VMD形态谱和FCM的滚动轴承故障诊断方法

针对滚动轴承故障信号的非线性特性及不同故障类型信号具有不同形态特征的特点,提出一种基于改进变分模态分解（VMD）形态谱和模糊C均值聚类（FCM）算法相结合的故障诊断方法。采用VMD方法对滚动轴承振动信号进行分解,针对分解过程中关键参数的选取,提出相关参数选择方法,并计算各固有模态函数(IMF)的能量波动系数,以获得对信号特征信息敏感的模态分量进行重构。计算重构信号的形态谱以反映信号的形态特征。通过FCM算法实现滚动轴承工作状态和故障类型的诊断。运用该方法对实测滚动轴承振动信号进行分析,并将所提方法同基于原始振动信号、经验模态分解、总体经验模态分解形态谱的故障特征提取方法进行对比。结果表明：所提方法能够更加有效提取滚动轴承信号的故障特征,实现故障类型的准确诊断。     

基于VMD能量熵和HMM的行星齿轮箱故障识别方法

针对行星齿轮箱振动信号成分复杂、非平稳、非线性的特点,提出一种基于变分模态分解(VMD)能量熵和隐马尔科夫模型(HMM)的故障识别方法。利用VMD算法对不同故障类型的齿轮振动信号进行分解,提取经信号分解得到的各阶本征模态函数(IMF)的能量熵。基于不同故障类型的各IMF分量能量熵在分布上的各异性,将其集合作为故障识别的特征向量。利用不同故障类型的特征向量组成的训练集训练HMM,计算最大对数似然概率值,用于判断测试样本的故障类型。利用该方法对一定转速下行星轮的3种故障进行识别,结果表明：当载荷不同时,它对行星轮齿根裂纹、断齿和齿面磨损3种故障的平均识别率可达到95.83%     

基于改进VMD算法的电机轴承异音识别与定位

针对核电站电机异音人工定位成本高、效率低的问题,提出一种基于改进变分模态分解(VMD)的电机轴承异音识别与定位方法。该方法首先根据改进VMD算法对电机声音信号进行分解,计算最佳模式分量的有效值和峭度指标,初步实现电机异音的识别;其次,通过分析声音在空气中的传播特性,利用不同位置测试信号的有效值实现异音源的定位。最后,笔者设计了电机异音定位模拟试验,验证了所提方法的可行性和有效性。     

基于优化VMD的齿轮箱轴承保持架故障特征提取

针对炼铁厂复杂生产环境,齿轮箱轴承保持架故障特征信息提取困难的问题,提出了一种基于优化变分模态分解参数的故障特征提取方法.首先,采用改进的遗传算法(GA)对变分模态分解(VMD)算法的模态分量个数K与惩罚因子α两个参数进行优化选取,提高分解效果;其次,利用参数优化后的变分模态分解处理信号数据,获得K个模态分量,依据最大...     

基于改进VMD-EWT联合降噪的滚动轴承早期故障检测

针对采集到的滚动轴承早期故障振动信号因故障特征微弱而导致难以检测的问题,提出一种基于改进的变分模态分解(VMD)和经验小波变换(EWT)联合降噪的滚动轴承早期故障检测方法。首先,利用改进包络谱有效边界划分方法(IEPEFP)确定VMD和EWT的分解分量个数,利用改进分解模态数目选择方法(IDMNS)对VMD的主要分量进行叠加从而完成初次降噪;其次,对初次降噪后的信号进行EWT分解,利用IDMNS对主要分量进行叠加进而完成二次降噪;最后,对降噪后的信号进行包络谱分析,从而实现滚动轴承早期故障检测。通过轴承加速寿命试验数据集进行试验验证,结果表明提出方法可有效提取滚动轴承早期微弱故障特征,准确检测轴承早期故障,具有一定的工程参考价值。     

基于VMD与发育网络的滚动轴承故障检测

针对传统的轴承故障诊断过于依赖专家经验和故障特征提取困难的现状,同时为了适应故障诊断的大数据处理及实时监测的需求,提出了一种基于变分模态分解(variational mode decomposi-tion,VMD)与发育神经网络(developmental neural network,DNN)相结合的故障诊断方法.先...     

基于VMD与时间序列分析的滚动轴承故障特征提取方法

为了在非线性、非平稳的滚动轴承故障振动信号中有效提取出敏感的故障特征,提出了基于变分模态分解(VMD)与时间序列分析相结合的特征提取方法。首先通过VMD将原始信号分解为不同预设尺度的本征模态分量(IMF),对各个IMF分量建立时间序列预测模型,通过叠加重构得到最终的预测模型,比较评价指标确定最优参数的选取。最后,通过仿真信号与滚动轴承实际故障数据分析,并与经验模式分解(EMD)进行对比,结果表明该方法能够有效的提取到故障特征频率。     

基于VMD-FHT的风机齿轮箱故障特征提取方法

针对风电机组齿轮箱运行工况复杂、背景噪声大,难以提取其故障特征信息的问题,提出一种基于变分模态分解（VMD）和分数阶希尔伯特变换（FHT）的风电机组齿轮箱故障特征提取方法。利用VMD分解风机齿轮箱各个故障信号,并且定义一种分解品质因数以选取VMD的最优分解层数K;对经最优化VMD分解后的各模态分量进行分数阶Hilbert变换,计算各模态分量的边际谱并进行线性叠加;提取该边际谱的频域特征作为齿轮箱故障信号的特征量。实验结果表明,采用该方法能够准确地提取出风机齿轮箱的故障特征,并获得更优的故障识别效果     

基于振动信号特征融合的齿轮泵故障诊断

实验设置了齿轮泵常见故障,在适当位置安装了振动传感器,采集了相应的故障信号,提取了小波包能量谱和有效值RMS两种特征信号,应用RBF神经网络进行学习、训练和测试,与单一的传感器信号分析相比,具有更高的诊断精度和更好的诊断效果.     

基于CWT-CNN的离心泵轴承故障识别方法

针对传统的轴承故障诊断方法在面对强噪声和非平稳信号识别时特征提取过度依赖先验知识和专家经验等问题,结合传统的信号处理方法和深度学习算法提出一种基于CWT-CNN的离心泵轴承故障识别方法。连续小波变换(CWT)将原始的1D振动信号转化为故障特征信息更丰富的2D时频图,2D时频图再输入到卷积层完成特征的自动提取,最后SoftMax层完成故障识别。经过西储大学公开轴承数据集和实验室搭建的离心泵振动轴承采集实验台验证,该方法的故障识别准确率均能达到90%以上。     

基于声音信号的微型电机故障诊断方法研究

由于微型电机体积小,其振动信号无法用常规的加速度传感器进行采集,且对微型电机的故障诊断不需要诊断出其具体故障类型,只需要判断故障是否存在,因此,微型电机故障检测初期通常采用噪声检测的方式。采用这种检测方式,提出一种基于声音信号的微型电机故障诊断方法。针对声音信号信噪比大、易受环境影响的特点,运用最大相关峭度解卷积-小波阈值降噪的方法,对声音信号中的周期性冲击成分进行增强并滤除环境噪声。采用希尔伯特变换得到信号的包络线和包络谱。根据包络线的形状和包络谱峰值对应的频率进行判断,实现了对微型电机故障的诊断     

基于改进小波阈值-SVM的齿轮故障信号识别

针对在齿轮疲劳试验中需要多次停机拍照的问题,提出基于改进的小波域阈值降噪方法,对采集的齿轮啮合的声发射信号分析,并提取特征矢量作为支持向量机的输入特征向量,识别出故障信号,根据齿轮旋转周期,确定缺陷轮齿。与开箱拍照的记录进行对比,计算得出的问题轮齿和照片记录吻合。该方法减少了因停机拍照造成的齿轮工作数据采集不准确的问题,同时也减少了工作人员的工作量,在后续的实验中该方法得到了有效的应用。     

基于分形盒维数的齿轮泵故障诊断

针对液压齿轮泵的三种典型故障--轴承磨损、齿轮磨损和侧板磨损,在小波包分解的基础上,采用分形盒维数的方法对故障的振动信号进行了盒维数研究计算.结果表明,齿轮泵在不同故障状态下,其盒维数明显不同,利用盒维数可以准确诊断出齿轮泵的工作状态.     

电流频谱识别法在柱塞泵故障诊断中的应用

以电机拖动轴向柱塞泵为研究对象,依据液压动力系统运行时机电液参量间的耦合效应,深入分析了柱塞泵发生单柱塞泄漏故障下引起的流量、电磁转矩、电流发生故障脉动的机制。利用AMESim对其仿真分析,其结果表明:在柱塞泵发生单柱塞泄漏故障下系统流体参量出现故障脉动频率,再通过电机与泵的耦合反向作用于电机电流信号,使其出现表征发生该故障的边频分量,且特征频率幅值随着负载增大而增加,为从电流信号中提取轴向柱塞泵故障信息提供了一种新思路。     

基于容积效率的液压齿轮泵状态监测与故障诊断

阐述了容积效率作为特征信息进行液压齿轮泵状态监测与故障诊断的原理,分析了液压齿轮泵中流量信号以及容积效率与齿轮泵工况之间的关系,指出了容积效率是状态信息的丰富载体,讨论了利用容积效率进行液压齿轮泵状态监测与故障诊断的可行性及方法.     

基于特征信息融合的离散小波SVM齿轮故障诊断方法研究

针对齿轮振动信号故障特征微弱及故障样本不足,提出基于特征信息融合的小波-SVM(支持向量机)故障诊断方法,用于多类齿轮故障诊断。该方法采用离散小波变换对齿轮的振动信号进行处理来构造特征向量,将多路信号融合后输入到SVM的多故障分类器中进行故障识别。实验结果表明:该方法能够在训练样本数量少的情况下,快速获得良好的分类结果,且其故障诊断准确率在96.67%以上;峰值和峰值因子对齿轮故障最敏感,以峰值或峰值因子为特征量的多传感器信息融合,其诊断准确率达95%。该方法更适合于实际齿轮故障诊断应用,并为多类齿轮故障快速诊断的进一步创新研究提供了理论基础。     

基于形态学的一种齿轮故障特征提取方法

针对数学形态学滤除白噪声能力不足的问题,提出了奇异值分解（ SVD）、局域均值分解（ LMD）和数学形态学相结合的特征提取方法。将信号进行奇异值分解,对分解后的主要成分取均值,然后进行局域均值分解,选取主要分量求和重构,再用形态学差值滤波器提取故障信号的频率特征。通过数值仿真试验和齿轮局部故障模拟实验,结果表明：该方法能够清晰地提取出故障信号的频率特征,并与奇异值分解形态滤波法相比较,证明了该方法的有效性。     

基于压力信号分析与特征提取的齿轮泵故障诊断

以压力信号作为特征信息对齿轮泵进行故障诊断,通过压力信号分析,利用平稳小波分解与重构将压力信号的低频波动项与高频脉动项进行了分离,并对低频波动和高频脉动部分的功率谱进行了分析,得到了反映故障状态变化的特征.