基于DEMD和对称差分能量算子解调的滚动轴承故障诊断

针对机械故障振动信号多为调制信号的特点,为了更好地提取多分量调幅调频信号的幅值和频率信息,提出了基于微分的经验模式分解(DEMD)与对称差分能量算子相结合的解调方法。利用DEMD算法将原始振动信号进行分解,得到若干个单分量信号;对每一个单分量信号进行三点对称差分能量算子解调,得到各单分量信号的瞬时幅值和瞬时频率,并计算出包络谱。将该方法应用于仿真信号和滚动轴承故障信号的诊断,实验结果表明,该方法能有效地提取机械故障信号的故障特征,实现旋转机械故障诊断。     

基于VMD-VGG的滚动轴承故障诊断

针对滚动轴承信号重构误差大,信号来源复杂等问题,提出了变分模态分解(VMD)算法与VGG神经网络相结合的滚动轴承故障诊断方法。首先,为避免VMD在工程应用中人为参数设置不合理导致的模态混叠等现象,提出应用中心频率计算分离系数,选取最佳模态个数的策略;然后,对VMD分解后各模态分量的能量熵与频率峰值等进行数值分析,剔除能量熵较小的信号,并将各模态信号依据频率峰值进行重构,得到故障特征向量;最后,构建VGG故障诊断模型,实现滚动轴承的故障分类。轴承振动信号与电动机定子电流信号对所提方法的验证结果表明,VMD-VGG方法可以有效分解这2种故障信号,而且具有较高的故障识别精度。     

基于变分模态分解的风机滚动轴承早期故障诊断

针对海上风电机组滚动轴承故障多且早期故障特征难以提取的问题,提出了一种基于变分模态分解的滚动轴承故障诊断方法。从频率方面研究了模态分量个数对信号特征信息的影响,提出故障特征信息提取时确定分解个数的一般原则,据此确定滚动轴承早期故障振动信号的分解个数并得到若干模态分量,从中筛选出最佳模态分量进行包络解调分析,最终通过对比包络谱特征频率对滚动轴承进行早期故障诊断。     

基于FOA的变分模态分解在轴承故障诊断中的应用

变分模态分解(VMD)广泛应用于故障诊断中,从振动信号中提取故障特征是故障诊断过程中的关键部分。针对强背景噪声和脉冲干扰下滚动轴承早期故障特征难以提取的问题,提出了一种新的基于果蝇优化算法(FOA)的变分模态分解的轴承故障诊断方法。首先,利用果蝇优化算法自适应优化VMD的惩罚参数α和分解数K,获取最优参数组合;然后,对信号进行VMD分解,得到K个模态分量;最后,基于峭度最大化准则选取最优模态分量进行包络解调分析,提取出故障特征频率。通过仿真信号分析、实际故障轴承信号验证以及与基于果蝇优化算法的多分辨奇异值分解(MRSVD)方法进行对比,证明了所提方法的有效性。     

基于CEEMD和Teager能量算子的滚动轴承故障诊断研究

滚动轴承出现局部损伤时,故障时域信号中会出现周期性冲击特征,为了能够准确地提取故障特征信息,提出了CEEMD和Teager能量算子相结合的故障诊断方法。首先应用CEEMD方法对轴承故障信号进行预处理,结果得到一系列本征模态分量,依据相关系数准则,从分解结果中选取相关系数最大的分量作为研究对象;然后采用Teager能量算子对选出分量进行解调处理;最后从得到的能量谱图中即可准确地获取故障特征信息。通过对仿真信号和轴承实验数据进行诊断分析,结果验证了该方法的有效性。     

基于小波包熵与EMD的能量算子解调机械故障诊断

针对在强噪声背景下轴承振动信号的非线性,非平稳性以及调制源微弱难以提取故障特征的问题,提出了一种基于小波包熵值与EMD(经验模态分解)结合的能量算子解调故障诊断方法。该方法首先对信号进行小波包熵值降噪,进而选取相关度最大的IMF(本征模态分量)进行能量算子解调,从而实现了提取该分量下的故障信号的幅值和频率信息。对机械故障振动信号进行实验分析表明,相对于普通Hilbert解调法的运算精度与运算速度满足不了诊断需求的情况下,该方法能够有效解调出故障频率信息,实现对故障类别的推断。     

基于VMD消噪处理的滚动轴承早期故障识别

提出了一种基于变分模态分解(VMD)消噪和核模糊C均值(KFCM)聚类相结合的滚动轴承早期故障识别方法。首先提出一种通过综合运用泄漏能量和互相关系数函数确定VMD预设尺度数K的新方法,弥补了VMD方法通常按经验选取预设尺度数方法的不足;然后对振动信号进行VMD分解得到K个限带的内禀模态函数(BIMF)分量,利用归一化的自相关系数函数能量集中比大于0.9的原则确定含有噪声的BIMF分量,并剔除这些含噪BIMF分量,再将剩余的BIMF分量叠加进行信号重构,实现了信号的消噪;最后计算各样本重构信号的均方根值和归一化能量值得到二维特征向量样本集,并输入到KFCM聚类器进行故障诊断。利用实测轴承故障数据进行验证,结果表明与经验模态分解(EMD)方法相比,可以有效地实现滚动轴承早期故障诊断。     

基于MED和变分模态分解的滚动轴承早期故障诊断方法

针对滚动轴承早期微弱故障特征容易淹没于环境噪声中而难以提取的问题,提出了最小熵解卷积(MED)降噪和变分模态分解(VMD)相结合的滚动轴承早期故障诊断方法。首先以峭度最大为准则利用MED对轴承振动信号进行降噪处理,然后采用新的高精度多分量信号分解方法——VMD将降噪信号分解为若干个分量,最后通过分析最大峭度分量包络谱中故障频率成分诊断轴承故障。轴承实验分析结果表明了该方法的有效性。     

VMD和t-SNE相结合的滚动轴承故障诊断

滚动轴承故障诊断普遍采用有监督学习的方式,针对有标签数据难以获取的问题,提出一种VMD分解与t-SNE流形学习相结合的滚动轴承故障诊断方法。利用VMD分解将滚动轴承原始振动信号分解为若干本征模态分量(IMF);计算每个模态分量的时频特性指标组成高维故障特征,通过t-SNE对故障进行二次特征提取,获取低维敏感特征并将其作为K-means分类器的输入,实现故障类型的识别。将该方法应用到滚动轴承故障诊断中并与VMD+PCA、原始时频特征+t-SNE两种方法进行对比,结果表明VMD+t-SNE方法以无监督学习的方式实现了故障诊断的去标签化和自适应性,同时提高了故障诊断的准确性。     

基于AVMD和二阶FWEO的滚动轴承故障诊断

针对滚动轴承振动信号中常包含有谐波、高斯白噪声和非周期性瞬态冲击成分,导致故障特征提取困难的问题,提出一种基于自适应的变分模态分解（adaptive variational mode decomposition,简称AVMD）和二阶频率加权能量算子（second-order frequency weighted energy operator,简称SFWEO）的滚动轴承故障诊断方法。首先,根据不同的信号自适应地确定模式数和惩罚因子,利用参数优化的变分模态分解（variational mode decomposition,简称VMD）对原始信号进行分解,得到多个本征模式函数（instrinsic mode function,简称IMF）;其次,计算每个IMF的时频加权峭度,根据时频加权峭度最大化准则选择最佳IMF;最后,采用二阶频率加权能量算子对最佳IMF进行解调。仿真和试验结果表明,所提方法克服了传统VMD算法分解精度受参数影响较大导致信号出现过分解或欠分解的问题,同时二阶频率加权能量算子对信号中的干扰成分具有很好的抑制作用,有效提高了诊断正确率。