基于双时域变换和稀疏编码收缩的滚动轴承早期故障诊断方法

针对滚动轴承早期故障特征微弱、在噪声和谐波干扰下难以有效提取的问题,提出了联合双时域(DTD)变换和稀疏编码收缩(SCS)的故障诊断方法。首先对原始信号进行双时域变换,将双时域变换谱的对角序列作为重构信号;然后对重构信号进行稀疏编码收缩,减小噪声与低频杂波的干扰;最后对降噪信号做包络谱分析,提取故障特征频率,判定故障类型,实现故障诊断。对仿真信号、实验信号、工程信号的分析结果表明,该方法可有效提取轴承早期故障信号中的微弱故障特征,准确判断故障类型。     

小波包能量熵与EMD结合分析法在风机滚动轴承故障诊断中的应用

针对风力发电机组的驱动端滚动轴承故障率高,单一的振动信号分析方法难以实现大量状态信息的有效提取和准确的状态监测诊断等问题,提出了一种将小波包能量熵与EMD结合的故障诊断方法。通过小波包分解和设置阈值,有效消除了噪声对原始振动信号的影响,以能量熵值为指标描述振动信号能量分布的变化,然后采用EMD方法和相关性系数计算,将最能体现振动特征的IMF分量分离出来,再经过Hilbert变换和FFT变换得到包络谱,将时域信号变换到频域上,有效提取了风力发电机组驱动端滚动轴承的故障特征频率,准确诊断出故障所在的位置。最后,通过拆机结果验证了该诊断方法的正确性。     

基于形态分量分析的希尔伯特变换在滚动轴承故障诊断中的应用

形态分量分析是一种基于信号形态多样性和信号稀疏表示的信号处理方法。滚动轴承故障信号具有振幅呈指数衰减与环境噪声大的特点。通过构建一个对冲击信号敏感的字典,利用形态分量分析对轴承故障信号的时域形态特征进行最优化稀疏表示,得到滚动轴承冲击信号。并对形态分量分析后的冲击信号进行希尔伯特变换,得到明确的故障特征频率及其倍频。仿真分析与实验结果表明：该方法具有良好的降噪功能,能够准确地提取滚动轴承故障信号中的早期冲击特征。     

基于稀疏表征时频分析方法的滚动轴承故障特征提取

传统时频分析方法可以同时在时、频域反映滚动轴承的故障特征,然而故障信号中的噪声干扰会模糊故障特征在时频分布上的清晰表示。稀疏表征方法可以通过稀疏的原子来表达原始信号,其某些类型的原子在时频域上的聚集是其进行时频分析的良好特性。相比于STFT,基于稀疏原子重构的信号时频分布具有更好的分辨率;相比于WVD则避免了交叉干扰项的影响。提出基于稀疏表征时频分析方法的滚动轴承故障特征提取方法,通过仿真及实验验证所述方法相对于传统时频分析方法如STFT、WVD具有更清晰的时频特征提取效果。     

基于改进形态分量分析的滚动轴承包络分析方法

滚动轴承出现局部损伤时,其振动信号既包含轴承自身原因引起的谐振分量,也包含故障信息的冲击分量和噪声分量。谐振分量为信号中的相对平滑部分,其品质因子较高;冲击分量表现为信号中的瞬态成分,其品质因子较低。针对这一特点,利用可调品质因子小波变换稀疏表示信号,提出一种改进形态分量分析方法,并将其应用于滚动轴承的包络分析中。采用可调品质因子小波作为稀疏表示字典,实现不同分量的分离,并对冲击分量进行包络分析,判断滚动轴承故障。滚动轴承故障实验表明,该方法能够有效提取故障特征,诊断轴承出现的故障类型。     

DCT和相关分析在轴承故障诊断中的应用

针对滚动轴承故障诊断问题,提出一种在频域进行相关分析诊断故障的新方法。将振动信号进行离散余弦变换得到频域系数,对频域系数自动分段,对不同分段情况下的频域系数进行相关分析,比较不同分段情况下的相关系数,取其最大值,对应的频率即为故障频率。该方法克服了时域内相关分析受噪声影响导致诊断不准确的缺点,在信号含噪声情况下诊断结果稳定、准确。SKF 6205-2RS轴承诊断实例说明该方法的可用性。     

基于高密度小波变换的航空发动机滚动轴承故障诊断方法

基于高密度小波变换对原始信号尺度划分更加精细的优势,将高密度小波变换、软阈值降噪和频谱分析相结合,提出了基于高密度小波变换的航空发动机滚动轴承故障诊断方法。该方法通过设定分解层数对信号进行高密度小波变换,得到每一尺度上的低频、中频、高频分量;对各分量软阈值降噪处理后进行频谱分析,进而实现故障特征频率的识别。利用仿真信号验证了高密度小波变换的有效性,通过航空发动机滚动轴承内圈故障和滚子故障工况下的试验信号进一步验证了该方法提取故障特征的能力,与传统小波变换方法的对比证明了该方法在抑制噪声干扰和故障特征频率识别方面的优势。     

全矢谱和稀疏分解结合的轴承故障特征提取

针对滚动轴承在故障早期特征信号微弱、故障特征提取困难以及单通道分析方法信息利用不充分等问题,提出了一种基于稀疏分解与全矢谱相结合的滚动轴承早期微弱故障特征提取方法。首先,在已构造的冗余字典基础上对滚动轴承同源双通道早期故障信号分别进行稀疏分解,得到各自的稀疏信号;然后,将同源双通道稀疏信号进行全矢信息融合;最后,对融合后的信号进行包络解调分析,以提取出故障特征频率。该方法将全矢谱拓展到早期微弱故障诊断领域,并通过实验验证了其在早期微弱故障特征提取方面的有效性。     

基于瞬时故障特征频率曲线提取的变转速滚动轴承故障诊断

提出了一种基于瞬时故障特征频率曲线提取的阶比分析诊断方法，首先，采用希尔伯特变换获得滚动轴承振动信号的包络信号；然后，采用同步挤压小波变换对包络信号进行时频分析，根据所得时频图确定滚动轴承瞬时故障特征频率曲线的频率范围，经过阈值处理、频率校准、曲线拟合估计瞬时故障特征频率；最后，根据瞬时故障特征频率进行等角度重采样及频谱分析获得阶比谱，根据故障特征系数和阶比谱图判定轴承故障。     

基于EEMD和ICA的轴承故障特征提取

为实现轴承故障混合信号中提取故障特征频率,提出基于EEMD和ICA的轴承故障特征提取方法。首先利用EEMD对采集滚动轴承故障加速度振动信号进行分解,利用相关系数和波形相似度判断具有分解前信号相似特征的IMF,其次累加相似特征弱的IMF作为噪声,最后利用Fast ICA方法从混合信号中提取滚动轴承的故障特征频率,试验证明该方法可以提取滚动轴承故障特征频率。     

加窗插值快速傅里叶变换在滚动轴承故障诊断中的应用

针对滚动轴承故障信号强噪声背景和非线性等特点,为精确识别滚动轴承的故障特征频率,在最小熵解卷积和Teager能量算子解调基础上,提出了一种基于Hanning窗插值快速傅里叶变换的滚动轴承故障诊断新方法。该方法首先利用最小熵解卷积对轴承故障信号进行降噪,再结合Teager 能量算子对降噪后的故障振动信号进行解调,经傅里叶变换后得到信号的Teager解调谱;然后采用Hanning窗对解调谱进行加权处理;最后利用信号频点附近三根离散频谱的幅值做插值处理,从而得到精确的故障特征频率。轴承实测振动信号的分析结果表明：与传统的Teager 能量算子解调方法相比,在选取较少分析点的基础上,大多数情况下所提方法仍能精确识别轴承故障特征频率。     

基于稀疏表示以及图谱理论的故障诊断方法

针对图傅里叶变换（graph Fourier transform,简称GFT）方法在提取轮对轴承故障特征信号的过程中,将信号中包含的部分噪声成分提取出来,从而对故障诊断结果产生影响这一问题,提出了一种基于稀疏表示以及图谱理论相结合的轮对轴承故障诊断方法。首先,根据具有局部损伤的滚动轴承振动信号特点构造合适的过完备字典库;其次,采用正交匹配追踪法求解系数实现对振动信号的稀疏表示;最后,通过图傅里叶变换方法将信号中含有的冲击分量集中到图谱域的高阶区域,从而对轮对轴承故障进行诊断。通过仿真数据以及试验数据处理结果,对提出方法的有效性进行了验证。     

基于S变换与奇异值中值分解的滚动轴承故障诊断

为了有效地提取出滚动轴承故障信号的冲击特征,提出了一种基于S变换时频谱和奇异值中值分解(SVMD)算法的滚动轴承故障诊断方法。首先,利用S变换对滚动轴承原始振动信号进行了时频变换,得到了其时频系数矩阵,通过SVMD对时频系数矩阵进行了计算,筛选出合适的奇异值用以降噪;然后,通过仿真的方式,对结果进行了S逆变换,以获得信号的时域冲击特征;最后,以滚动轴承(型号N205)外圈、滚动体故障为例,进行了故障信号冲击特征提取实验,通过对轴承的外圈和滚动体故障数据分析处理,对基于ST-SVMD算法的有效性进行了验证。研究结果表明：通过采用基于ST-SVMD算法,得到了滚动轴承外圈的故障频率,该频率与该型号轴承特征频率基本一致;基于ST-SVMD算法,得到了滚动轴承滚动体的故障频率,该频率与该型号轴承特征频率基本一致;该结果证明,基于ST-SVMD算法在滚动轴承故障信号冲击特征的提取方面是有效的。     

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.     

基于本征模态函数包络谱的滚动轴承故障诊断

针对滚动轴承故障振动信号非平稳的特征,以及传统傅里叶变换不能反映信号细节的缺陷,引入了一种基于本征模态函数包络谱的方法。首先,采用经验模态分解（empirical mode decomposition,EMD）将滚动轴承故障振动信号分解成若干个本征模态函数（intrinsic mode function,IMF）之和;然后,求出包含主要信息成分的IMF分量的Hilbert包络谱;最后,对照滚动轴承故障特征频率,进而判定故障类型。通过对滚动轴承内圈、外圈故障振动信号的分析处理,表明该方法能有效地提取滚动轴承的故障特征。     

改进经验小波变换和改进字典学习在轴承故障识别中的应用

通过深度学习进行滚动轴承故障识别时,存在因信号噪声导致故障识别率较低和深层网络收敛速度慢的问题。针对上述问题,提出了一种改进经验小波变换(EEWT)和改进字典学习(EDL)的轴承故障识别方法。首先,将轴承振动信号进行包络谱变换,通过包络谱的极值点与自适应阈值的关系进行包络谱边界自动划分,进而利用经验小波变换(EWT)将信号自动分解为调幅-调频(AM-FM)分量;其次,提出一种新的AM-FM分量筛选指标,利用筛选指标选取合适的AM-FM分量进行重构,进而对信号进行有效降噪;最后,利用稀疏性约束逐层学习降噪后轴承故障样本中的典型结构特征,并构造深层故障字典(DFD),将故障样本输入DFD中,根据样本的重建误差确定故障类别。试验结果表明,该方法对噪声的鲁棒性高,故障识别能力优于其他模型,而且该方法可利用驱动字典自动提取轴承振动信号样本中的故障特征;同时,EDL结构使所提取的故障特征具有较好的层次性,符合人对故障的直观认识,可用于滚动轴承故障识别工程中。     

基于ICEEMD-EFICA联合降噪的滚动轴承故障诊断研究

针对滚动轴承早期故障信号十分微弱,故障特征提取困难的问题,对轴承早期故障信号的频域分解、信号重构、降噪解混等方面进行了研究,提出了一种基于改进后的完备总体经验模态分解(ICEEMD)和高效快速独立分量分析(EFICA)的联合降噪方法。首先,采用了ICEEMD算法,将振动信号分解成一系列固有模态分量(IMF);其次,设计了峭度准则,并选取相应分量完成了虚拟通道信号和振动冲击信号的重构;研究了EFICA对重构信号的盲源分离,有效降低了振动信号中的噪声,使故障频率的能量幅度最大,利于识别故障特征;最后,搭建了实验平台,进行了实际的滚动轴承早期故障诊断实验。研究结果表明:该方法能明显抑制噪声和调制频率成分干扰,突出故障特征频率成分;与CEEMD和EFICA结合的方法对比,采用该方法后信噪比提高了24.76%,能更准确地辨别故障信息,可以满足轴承诊断的要求。     

基于MODWPT和MCKD的滚动轴承早期故障诊断

针对齿轮啮合强振动干扰下滚动轴承微弱故障特征提取难的问题，提出一种最大重叠离散小波包变换(MODWPT)和最大相关峭度解卷积(MCKD)相结合的滚动轴承早期故障诊断方法。首先采用MODWPT方法将复杂的轴承故障振动信号分解为若干分量，然后依据峭度准则，选取峭度较大的分量进行MCKD滤波，最后对滤波后所得信号做Hilbert包络分析，将包络谱呈现的频率特征与理论故障特征频率相比较，识别故障特征，实现故障诊断。通过轴承故障的仿真及实验研究，并对比单一MCKD方法和EMD-MED方法的提取效果，说明该方法可以在一定程度上抑制齿轮啮合强振动及噪声的干扰，增强并有效提取出滚动轴承早期低频微弱故障特征。     

基于小波包变换的滚动轴承故障诊断

针对故障轴承振动信号能量集中与调制的特点,提出了一种基于小波包能量法与Hilbert变换的滚动轴承故障诊断方法。使用小波包变换对振动信号进行分解、重构及能量计算,并应用Hilbert变换对能量集中频段的重构信号进行解调和频谱分析,提取故障特征频率。同时针对诊断过程中故障特征参数依靠人工计算的问题,提出故障特征参数自动提取方法。实际的滚动轴承实验数据的处理和分析结果表明,该诊断方法能够准确、快速地识别滚动轴承表面损伤的故障模式。     

基于IHT与切片双谱的滚动轴承故障诊断方法

针对滚动轴承的故障诊断问题,提出一种基于迭代希尔伯特变换(Iterative Hilbert Transform,IHT)与切片双谱相结合的滚动轴承故障诊断方法。基于IHT方法对原始的振动信号进行了分解,得到若干个含有故障特征信息的幅值包络分量,并对每个幅值包络分量的切片双谱进行计算,由二次相位耦合产生的非线性特征提取出滚动轴承故障的特征频率信息。仿真信号分析结果表明,该方法可有效抑制噪声对IHT方法的影响,诊断效果良好,证明了该方法的有效性。