基于1.5维Teager能量谱的滚动轴承故障诊断

针对强背景噪声下滚动轴承微弱故障信号特征难以提取的特点,提出了基于最小熵解卷积与1.5维Teager能量谱的滚动轴承故障诊断方法,首先利用最小熵解卷积(Minimum entropy deconvolution,MED)对强噪声下滚动轴承信号进行降噪处理,然后对降噪后的信号进行Teager能量算子解调,最后对解调后的信号进行1.5维谱分析。通过对内外圈故障的仿真信号及实验数据的处理分析,且与包络谱方法进行了对比,验证了该方法的有效性和准确性。     

基于MCKD与1.5维Teager能量谱的滚动轴承故障诊断方法

针对滚动轴承早期故障冲击特征微弱,背景噪声干扰严重,冲击特征难以提取,本文提出了一种基于最大相关峭度解卷积(Maximum correlation kurtosis deconvolution,简称MCKD)与1.5维Teager能量谱相结合的滚动轴承故障诊断方法。由于轴承出现故障时其信号表现为周期性冲击,根据这一特性,本文首先利用MCKD的提取淹没在噪声信号中的周期性冲击特征成分,对原始信号进行降噪;然后再利用1.5维Teager能量谱得出信号的故障特征信息,并将该方法与谱峭度方法进行对比,通过仿真信号与实测信号验证了该方法的有效性和可行性。     

基于ELMD和1.5维谱的滚动轴承早期故障诊断方法

滚动轴承出现早期故障时,故障特征十分微弱,伴随严重的噪声干扰导致其故障特征难以识别,针对这一问题,提出了一种总体局部均值分解(Ensemble Local Mean Decomposition,ELMD)和1.5维谱相结合的滚动轴承故障诊断新方法。该方法首先运用ELMD对振动信号进行分解,得到一系列乘积函数(product function,PF)分量,然后根据峭度准则以及相关系数准则提取一个包含主要故障信息的PF分量,最后对提取的PF分量进行1.5维谱分析,通过分析谱图中突出成分以确定轴承故障类型。通过仿真信号和工程实验数据分析验证了该方法的有效性。     

基于HVD与1.5维Teager能量谱的滚动轴承故障诊断方法研究

针对强背景噪声下滚动轴承微弱故障信号特征难以提取的特点,提出了一种基于Hilbert振动分解(HVD)与1.5维Teager能量谱的滚动轴承故障诊断方法。首先将故障信号进行HVD分解,然后采用相关系数法重构原始信号,降低噪声的干扰,增强故障信号的冲击特征,最后对重构后的信号进行1.5维Teager能量谱运算,提取出滚动轴承的故障特征。     

基于傅里叶分解与1.5维Teager能量谱的滚动轴承故障诊断方法

针对强背景噪声下滚动轴承微弱故障特征难以提取的特点,提出了基于傅里叶分解(FDM)与1.5维Teager能量谱的滚动轴承故障诊断方法。首先利用傅里叶分解的自适应性特点,将故障信号分解为若干个瞬时频率具有物理意义的固有频带函数,然后利用自相关系数法筛选固有频带函数进行信号重构,对重构后的信号求解1.5维Teager能量谱,从而得到故障特征频率,进行故障诊断。仿真结果表明,与传统的包络谱分析相比,该方法的故障特征更加明显,效果更好。最后将该方法成功地应用到实际的滚动轴承故障诊断中,进一步验证了该方法的有效性。     

基于总体平均经验模态分解与1.5维谱的滚动轴承故障诊断方法

针对滚动轴承早期故障冲击信号微弱,强噪声干扰下故障特征难以提取等问题,提出了基于总体平均经验模态分解(EEMD)与1.5维谱的滚动轴承故障诊断方法。由于经验模态分解(EMD)在对信号进行分解时容易产生模态混叠现象,引入总体平均经验模态分解(EEMD)。首先将最小熵解卷积(MED)作为前置滤波器,对原始信号进行降噪处理,再利用1.5维谱对经过EEMD分解得到的较为敏感的本征模态函数进行分析,得到各个分量的1.5维包络谱,最终判断轴承是否存在故障。通过仿真信号及实验信号验证了文中所论方法的可行性和有效性。     

基于HVD与1.5维Teager能量谱的滚动轴承故障诊断方法研究北大核心

针对强背景噪声下滚动轴承微弱故障信号特征难以提取的特点,提出了一种基于Hilbert振动分解(HVD)与1.5维Teager能量谱的滚动轴承故障诊断方法。首先将故障信号进行HVD分解,然后采用相关系数法重构原始信号,降低噪声的干扰,增强故障信号的冲击特征,最后对重构后的信号进行1.5维Teager能量谱运算,提取出滚动轴承的故障特征。     

最优共振带提取与1.5维谱的滚动轴承早期故障诊断方法

滚动轴承的振动信号反映到频谱图中,会出现共振带,能够有效并准确提取共振带加以分析是滚动轴承故障诊断常用方法。为了准确提取出共振带,采用巴特沃斯带通滤波器对共振频带进行提取,为了得到最优共振带,将采用特征频率强度系数这一指标来反映提取的共振带效果,然后利用具有高强降噪特性的1.5维谱来对滤波信号进行特征提取.通过仿真信号以及试验信号对该方法进行验证,结果表明,该方法能够在强噪背景下对特征的提取以及实现滚动轴承早期故障诊断。     

基于1 1／2维谱的滚动轴承故障诊断

提出了基于１１／２维谱的滚动轴承故障诊断新方法。１１／２维谱保留了信号的相位信息且能够有效抑制噪声。用１１／２维谱分析滚动轴承振动信号,可以提取由于二次相位耦合产生的非线性特征,识别故障模式。试验结果表明,这种方法能有效地诊断滚动轴承故障,且对初期故障很敏感。     

基于IITD和包络信号1.5维谱的轴承故障诊断

为了有效识别轴承的早期故障特征,提出了一种基于改进的本征时间尺度分解(IITD)结合包络信号1.5维谱的轴承故障诊断方法。IITD方法是将端点延拓引入到传统的本征时间尺度分解(ITD)当中,用于改善其端点效应。轴承振动信号经IITD分解后得到一组PR分量和一趋势项,对PR分量的包络信号进行1.5维谱分析。结果表明,IITD分解得到的PR分量包络信号的1.5维谱,可以准确提取轴的转动频率、内圈故障特征频率和外圈故障特征频率,从而实现了轴承故障的有效诊断,证明了该方法的有效性和实用性。     

基于1.5维谱活跃频率的行星齿轮箱磨损故障诊断研究

行星齿轮箱中多种频率成分相互耦合导致无法提取故障特征,针对这一问题,提出了基于1.5维谱(三阶累积量一维对角切片谱)活跃频率的行星齿轮箱磨损故障诊断的方法。该方法先将1.5维谱能够识别的二次相位耦合推广到符合实际意义的二次频率耦合,再将解耦出的参与耦合频率与耦合产生频率逐点相乘,以得到其活跃频率;然后通过观察活跃频率与故障频率之间的关系,判断行星齿轮箱是否发生故障;实验部分首先运用该方法从仿真信号中提取出了活跃频率,然后通过搭建行星齿轮箱齿面磨损故障实验台采集振动信号,最后运用该方法提取出了其磨损故障特征频率。研究结果表明:传统的傅里叶变换方法不能提取出故障特征频率,基于1.5维谱活跃频率的磨损故障诊断方法能够从行星齿轮箱振动信号中提取出故障特征频率,实现了对行星齿轮箱磨损故障的诊断,对行星齿轮箱磨损故障诊断具有重要意义。     

基于SSA-VMD和1.5维包络谱的齿轮箱磨损故障诊断的研究

针对强噪声背景下行星齿轮箱特征提取困难的问题,提出一种基于樽海鞘群算法优化变分模态分解(SSA-VMD)结合1.5维包络谱的故障诊断方法。该方法首先运用樽海鞘群算法(SSA)优化变分模态分解(VMD)的参数;然后运用自相关系数对分解信号进行重构,降低噪声的干扰;最后运用1.5维包络谱对重构信号进行故障的特征提取。在实验部分,首先通过仿真试验将SSA-VMD与变分模态分解(VMD)进行对比,验证了SSA-VMD的优越性;然后搭建行星齿轮箱磨损故障全生命周期实验台采集振动信号,运用SSA-VMD结合1.5维包络谱的方法提取出了振动信号的故障特征频率,总结了行星齿轮箱磨损故障演化规律。研究结果表明：随着磨损故障程度的加深,故障特征频率出现次数明显增多,凭借这一规律,有利于实现对行星齿轮箱磨损故障的诊断;该结果可为行星齿轮箱磨损的故障诊断提供依据。     

基于谱峭度法的滚动轴承故障诊断研究

共振解调是滚动轴承故障诊断中最常用的方法之一,然而其带通滤波器参数的选取通常比较困难.谱峭度法可以根据峭度最大化原则自动确定带通滤波器参数.采用一种基于峭度最大化的谱峭度法设计最优带通滤波器,利用包络分析进行故障诊断,通过实际轴承故障振动信号分析表明,该方法具有良好的效果.     

基于循环谱密度函数的滚动轴承故障诊断

采用时域平滑循环周期图法直接由信号计算循环谱密度切片,在分析常用的3种变换形式基础上,讨论了各自谱密度三维分布的共性、差异、适用范围。在滚动轴承5个故障特征频率理论计算值附近选择谱峰值最大的切片进行组合分析,通过比较切片谱峰值的大小来判断故障所在位置。对内圈故障、滚动体故障两组信号进行了频谱、包络谱、组合切片分析,结果表明,循环谱密度组合切片分析滚动轴承的故障更为直观。     

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。     

基于小波包能量与峭度谱的滚动轴承故障诊断

针对故障轴承的振动信号中包含冲击成分,导致信号的能量集中的问题,提出了一种基于小波包能量与峭度谱相结合的方法用以提取轴承故障信号特征.首先应用小波包对测量信号进行分解、能量归一化处理和信号重构,然后将重构信号采用峭度谱确定带通滤波器的最佳中心频率和带宽,最后将滤波信号进行包络解调并提取故障特征频率.分别对仿真信号和试验...     

基于关联维数与BP神经网络的滚动轴承故障诊断

探讨了滚动轴承不同工况下非线性系统关联维数的计算及应用，讨论了滚动轴承在不同工况下的关联维数，以此为工况特征量设计BP神经网络实现故障诊断，并以关联维数作为游隙大小的特征量为例，对故障诊断效果进行分析。     

基于关联维数改进算法滚动轴承故障诊断

将分形理论应用于机械故障诊断领域,并针对实际应用中存在已久的关联维数计算不准和不好测评的问题,提出自动计算关联维数的改进算法.该算法在嵌入维数和延迟时间的参数选择上做了改进,并实现自动判别线性标度区.文中将改进的关联维数算法用于滚动轴承振动的数据,验证了关联维数自动算法作为故障诊断特征提取方法的可行性.