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。     

全矢EEMD在轴承故障诊断中的应用

实际工况中滚动轴承故障的振动信号为非线性,非平稳的信号。为了对滚动轴承的故障做出准确识别,根据轴承故障信号的特点,在此提出一种用全矢谱和EEMD相结合来提取故障特征指标,然后利用隐马尔科夫模型对滚动轴承故障进行分类的新方法。首先对实验得到的滚动轴承同源双通道振动信号进行EEMD分解,得到数个IMF分量,选取相关性较高的分量进行全矢融合。然后提取与故障类型相对应的故障特征频率下的幅值作为滚动轴承故障分类的指标,并利用HMM方法进行训练和识别,从而区分出不同的故障类型。最后,利用实验得到的轴承故障信号进行测试,实验结果表明,该方法可以对滚动轴承故障做出较为准确的识别。     

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.     

基于小波去噪和EEMD包络解调分析的滚动轴承故障诊断方法

针对强噪声背景下的故障信号诊断问题,提出一种基于小波去噪和改进型总体经验模式分解算法(Ensemble Empirical Mode Decomposition,EEMD)包络解调分析的滚动轴承故障诊断方法。由于经验模态分解方法易产生虚假分量和模态混叠现象,引入EEMD。首先将采集到的振动信号进行软阈值去噪,然后对去噪信号进行EEMD分解,抽取能量较大的前4个内禀模态函数(IMF)进行Hilbert变换,得到包络信号,最后对包络信号进行细化谱分析,得到轴承故障特征频率。小波去噪可解决噪声造成的包络信号粗糙这一问题,提高了包络提取精度。将该方法应用于滚动轴承的内圈和外圈故障诊断,诊断结果均表明该方法能够准确有效地提取故障特征频率。     

液压系统故障特征提取方法研究

针对液压系统故障特征不清楚、诊断特别困难的难题,提出利用EEMD分解与相关性分析相结合的液压系统故障特征提取方法。首先用EEMD分解液压故障信号得到一组IMF分量,从中筛选出与故障信号自身相关系数大的IMF分量作为一组故障的候选IMF分量集;再在故障信号的IMF分量中筛选出与正常信号相关系数小的IMF分量,作为另一组故障的候选IMF分量集;两组候选IMF分量集的交集确定原故障信号的主要故障特征IMF分量,作自功率谱分析即可得到所提取IMF分量包含主要故障特征频率,并通过所提取IMF分量与正常信号的互功率谱验证特征提取的正确性。用该方法准确提取出液压实验台泄漏故障特征IMF分量以及故障特征频率。     

基于MCKD-EEMD的滚动轴承微故障特征提取

在强噪声环境下滚动轴承故障信号非常微弱,特征信息难以识别,为了能够准确、有效地检测出轴承故障,提出了最大相关峭度反褶积(maximum correlated kurtosis deconvolution,MCKD)和总体平均经验模态分解(ensemble empirical mode decomposition,EEMD)相结合的诊断方法。信噪比较低时EEMD不能很好地提取微弱的信号特征,故先运用MCKD对含有强噪声的轴承振动信号进行降噪预处理。然后对降噪后的信号进行EEMD分解,选取与降噪信号相关系数较大的IMF分量进行信号重构。最后对重构信号进行能量算子解调分析,从包络谱中便能准确获得故障特征频率。通过信号仿真和实验数据处理结果证明了该方法的有效性。     

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EMD和信息熵的滚动轴承故障诊断

提出了一种基于EMD和信息熵的滚动轴承故障诊断方法。利用EMD将滚动轴承振动信号分解为多个IMF分量,计算各个IMF分量的信息熵,设定有效的熵阈值来取舍IMF分量,利用保留的IMF分量重构信号,并对重构信号进行Hilbert包络谱分析,提取滚动轴承故障特征频率。对实测滚动轴承振动信号分析表明,该方法能有效提取滚动轴承的故障特征频率。     

双树复小波包和ICA用于滚动轴承复合故障诊断

针对滚动轴承复合故障信号特征难以分离的问题,提出将双树复小波包变换和独立分量分析(independent component analysis,简称ICA)结合的方法应用到滚动轴承复合故障诊断中。首先,利用双树复小波包变换将复杂的、非平稳的复合故障信号分解为若干不同频带的分量;其次,引入ICA对各个分量所组成的混合信号进行盲源分离,从而尽可能消除频率混叠;最后,对从混合信号中分离出来的独立信号分量进行希尔伯特解调,即可实现对复合故障特征信息的分离和故障识别。试验结果表明,该方法可以有效地分离和提取轴承复合故障的特征频率,验证了方法的可行性和有效性。     

基于EEMD和Hilbert包络分析的轴承复合故障诊断研究

针对低信噪比的齿轮传动系统的轴承复合故障,首先采用EEMD对故障信号进行分解,得到各阶IMF分量和残余量;以峭度为特征指标,计算各阶IMF分量的峭度值;对峭度最大的IMF分量进行Hilbert包络解调。最终结果表明,该方法能有效地提高信噪比,从强背景噪声的齿轮传动系统中提取了轴承故障特征频率。     

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。     

基于多小波和CEEMD的轴承故障诊断方法

滚动轴承振动信号中的强噪声背景对准确提取轴承的故障特征信息具有很大影响,本文提出利用多小波降噪与CEEMD方法相结合,提取滚动轴承的故障特征信号的方法:首先通过多小波方法自适应地消除滚动轴承故障信号中的噪声,然后利用CEEMD进行分解,将分解后的IMF的最大Shannon信息熵值作为判断标准,最大可能地保持原始信号中的故障信息,提取Shannon信息熵值最大的有效IMF进行频谱分析,利用频谱特性提取滚动轴承故障特征。利用数值算例和滚动轴承数据验证了该方法的可行性,为轴承故障诊断提供参考。     

基于IMF相关比例划分的液压复合故障特征提取方法研究

为解决液压系统中不同的单故障信号具有一定数量的共有特征频率导致复合故障特征难以分离和提取的问题,提出了基于EEMD分解的IMF相关比例划分的液压复合故障特征提取方法。通过EEMD分解将复合故障信号分解成若干IMF分量,同样将已预先实测获得的两个单故障信号也分解成IMF分量组,将复合故障信号的每组IMF分量分别与两个单故障信号相对应的IMF分量一一作互相关分析,然后按相关系数比例将复合故障信号划分成两组信号,实现复合故障特征的分离并进行提取,最后分别与实测的两个单故障信号比较确定复合故障的组成。实验结果表明,该方法能够有效地从液压复合故障中分离并提取出故障特征频率。     

基于小波变换和ICA的滚动轴承早期故障诊断

滚动轴承早期故障诊断的关键在于如何从低信噪比混合信号中检测出显著的轴承故障特征频率。提出以连续小波变换(CWT)和独立分量分析(ICA)相结合的方法来诊断单通道信号的滚动轴承早期故障,提出按频谱等间隔选取伪中心频率的小波分解尺度,并对ICA处理后的信号进行包络频谱分析以确定故障类型。最后,利用实际的滚动轴承实验数据对该方法进行了验证。     

基于改进EEMD的滚动轴承故障诊断研究

滚动轴承的故障信号具有非平稳性、非线性等特点,在经验模态分解过程中会出现模式混叠现象。集合经验模态分解算法(EEMD)是在原始信号中引入随机高斯白噪声序列,改变信号的局部时间跨度,可以有效抑制常规经验模态分解过程中产生的模式混叠现象。在研究EEMD原理的基础上,引入白噪声的幅值标准差准则来选择EEMD参数,并且对分解得到的所有的固有模态函数(IMF)分量通过相关系数法提取有效本征模态分量,再对提取的有效本征模态函数分量阀值处理后进行重构。通过Hilbert变换对重构信号进行包络谱分析,提取滚动轴承的故障特征。轴承故障信号实验结果表明,EEMD方法可以有效应用于滚动轴承的故障诊断中。     

集成经验模态分解与相关峭度在滚动轴承故障诊断中的应用

船舶设备中的滚动轴承其振动信号成分复杂,故障信号易被背景噪声湮没,常规诊断方法难以有效提取轴承故障信息。为了从复杂的轴承振动信号中提取弱故障信号,将集成经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)应用到滚动轴承故障诊断中,并引入了相关峭度的定义,提出了一种新的滚动轴承故障特征提取方法。该方法首先利用EEMD将轴承振动信号分解为若干个分量信号,然后根据相关峭度最大原则选取分量信号,提取出滚动轴承的弱故障信号。通过对轴承内圈故障的仿真和实验研究验证了该方法的有效性。     

基于EEMD与奇异熵增量谱的齿轮故障特征提取

针对齿轮振动信号非线性、非平稳的特点,提出一种基于集合经验模态分解(EEMD)与奇异熵增量谱的齿轮故障特征提取方法。首先,利用EEMD方法将齿轮振动信号分解为若干个平稳的本征模态函数(IMF)分量。EEMD方法利用正态分布白噪声的二进尺度分解特性,能够有效抑制经验模态分解(EMD)中的模态混叠现象。但由于背景噪声和残余辅助白噪声的影响,EEMD分解得到的IMF分量难以准确提取齿轮故障特征。利用奇异值分解(SVD)对IMF分量进行消噪和重构,根据奇异熵增量谱确定重构阶次,准确地提取齿轮的故障特征频率。仿真信号分析和齿轮箱齿轮故障实验验证了该方法的准确性和有效性。     

基于自适应变分模态分解和调制信号双谱的滚动轴承故障诊断方法

针对滚动轴承振动信号的强非线性和非平稳特征,提出了一种基于自适应变分模态分解和调制信号双谱分析(AVMD-MSB)的故障诊断方法来提取滚动轴承故障特征。首先,利用AVMD自适应地选择VMD参数K和α并将振动信号分解为一系列本征模态函数(IMF),减少了基于经验或信号先验知识对VMD参数选择不当而造成的误差;然后,依据相关峭度指数对所有IMF分量进行加权重构,避免意外遗漏包含重要故障信息的IMF分量;最后,应用MSB进一步抑制信号中的残余噪声和干扰成分,以增强周期性故障脉冲,准确提取轴承故障特征。2组不同类型轴承的试验结果表明,AVMD-MSB的特征频率增强系数远高于AVMD-Envelope和常规VMD-MSB,在滚动轴承故障诊断方面具有更高的灵敏度和更强的鲁棒性。     

应用多分辨SVD和ICA的轴承复合故障诊断研究

针对滚动轴承复合故障信号中故障特征难以分离的问题,提出了基于多分辨奇异值分解(SVD)和独立分量分析(ICA)的复合故障诊断方法。首先利用多分辨SVD将复合故障振动信号分解为几个分量实现维数的增加;然后将分解得到的分量组合为混合信号,并利用ICA进行欠定盲分离;最后对分离后的独立分量进行Hilbert包络解调,由此实现对复合故障特征信息的分离和故障识别。通过对滚动轴承内外圈复合故障的试验信号分析表明,该方法可以有效地分离和提取轴承复合故障的特征信息。     

基于改进EMD样本熵和SVM的风机滚动轴承故障诊断

风机齿轮箱振动信号成分复杂,而经验模态分解(EMD)在故障诊断中存在模态混叠和端点效应问题.针对此问题,研究了一种EEMD样本熵和高斯径向基核函数的SVM分类器的滚动轴承故障诊断方法.以风机齿轮箱滚动轴承为研究对象,提取了内圈故障、外圈故障、滚动体故障和正常轴承4种状态振动信号,利用EEMD和小波分别对振动信号分解降噪并筛选主要IMF分量;计算前4阶IMF分量的样本熵作为特征向量;最后将特征向量输入高斯径向基核函数的SVM模型进行故障识别.结果表明:EEMD算法对端点效应和模态混叠都有一定抑制作用,EEMD样本熵和SVM相结合可有效识别滚动轴承故障类型,故障识别率为97.5％,为工程应用中风机齿轮箱滚动轴承故障诊断提供参考.