基于多层混合滤噪的轴承早期弱故障特征提取方法

为了提取受强背景噪声干扰的信号中的弱故障特征,提出一种基于局部均值分解的多层混合滤噪方法(Local Mean Decomposition-Multilayer Hybrid De-noising,LMD-MHD)。针对LMD分解所得的乘积函数(Product Function,PF)分量可能存在虚假分量的问题,提出一种多指标综合决策方法,结合各指标在不同故障阶段的量化能力,筛选出合理的有效PF分量。将小波阈值滤噪设为奇异值分解(Singular Value Decomposition,SVD)的前置处理单元,使保留的较大奇异值以特征信息贡献为主,减少干扰成分,并采用信号快速傅里叶变换结果中主频率个数来确定奇异值重构阶数。轴承早期故障振动信号的试验结果表明,该方法能够可有效滤除随机噪声和脉冲干扰,提取强背景噪声下的早期弱故障特征,提高轴承故障诊断的准确性。     

基于ITD与稀疏编码收缩的滚动轴承故障特征提取方法

针对滚动轴承早期故障信号具有周期性冲击的特点和被强噪声淹没而难以提取的问题,提出了一种基于固有时间尺度分解(Intrinsic Time Scale Decomposition,ITD)与稀疏编码收缩(Sparse Coding Shrinkage,SCS)集成的轴承故障特征提取方法(命名为ITD-SCS)。ITD能自适应地将振动信号分解成若干固有旋转分量(Proper Rotation,PR),选择有效的PR分量突显信号的冲击特征。进一步采用奇异值分解(Singular Value Decomposition,SVD)对每一有效PR实施滤噪作为SCS的前置滤噪单元以提高信号的稀疏性。最后,通过SCS利用极大似然估计方法提取合成信号中的冲击特征。将ITD-SCS应用于轴承内圈故障仿真信号和外圈实际故障振动信号的实验结果表明,ITD-SCS能有效提取强背景噪声下的轴承故障信号的冲击特征。     

基于改进奇异值分解和经验模式分解的滚动轴承早期微弱故障特征提取

针对滚动轴承早期微弱故障特征难以提取的问题,提出了改进奇异值分解(SVD)和经验模式分解(EMD)的滚动轴承早期微弱故障特征提取方法。首先用多分辨奇异值分解将信号分成具有不同分辨率的近似和细节信号,然后对近似信号用奇异值差分谱进行消噪,对消噪后的信号进行经验模态分解,将得到的各本征模函数分量进行希尔伯特包络解调,从而获得滚动轴承故障特征信息,最后通过对滚动轴承早期内圈故障的诊断实验证明了该方法的有效性     

基于EMD分解和奇异值差分谱理论的轴承故障诊断方法

针对故障轴承振动信号中含有强烈的背景噪声,难以提取故障频率的现实情况,提出了基于经验模态分解(Empirical Mode Decomposition,EMD)和奇异值差分谱的轴承故障诊断方法.首先通过EMD方法将非平稳的原始轴承振动信号分解成若干个平稳的本征模函数(Intrinsic Mode Function,IMF);由于背景噪声的影响,从各个IMF的频谱中难以准确地得到故障频率.对IMF分量构建Hankel矩阵并进行奇异值分解,进一步找到奇异值差分谱,根据奇异值差分谱理论对某个IMF分量进行消噪和重构,然后再求其频谱,便能准确地得到故障频率.实验结果表明,提出的方法能有效地应用于轴承的故障诊断.     

基于奇异值分解和独立分量分析的滚动轴承故障诊断方法

针对强背景噪声下难以提取滚动轴承早期故障信号中故障特征频率的问题,提出奇异值分解和独立分量分析相结合的滚动轴承故障诊断方法。该方法首先利用相空间重构将一维时域矩阵拓展到高维矩阵,得到吸引子轨迹矩阵;然后对轨迹矩阵进行奇异值分解降噪,依据奇异值差分谱阈值原则选取相应阶次分量进行重组构造虚拟噪声通道;接着将重组信号和观测信号进行独立分量分析分离;最后利用能量算子解调方法提取出有效的故障特征分量,进而识别故障类型。滚动轴承故障诊断实验和仿真结果表明该方法有效可行。     

延伸奇异值分解包及其在高速列车轮对轴承故障诊断中的应用

结合多分辨奇异值分解包的分解结构和对滚动轴承故障信号的Hankel矩阵的奇异值分布特性研究,提出了延伸奇异值分解包。该算法的核心包括矩阵递推构造和矩阵重构。以分量信号能量为指标,提出了有效分量信号的筛选准则,并基于该准则,进一步提出了延伸奇异值分解包的快速算法。仿真结果表明,延伸奇异值分解包对信号中共振频带分量信号具有很好的分解能力,方法具有强鲁棒性,同时极大地改善了奇异值分解包中出现的模态混叠。应用高速列车轮对轴承试验数据对该方法进行试验验证,结果表明,该方法能有效分离高速列车轮对轴承复合故障信号的不同共振频带信号,对筛选的有效分量信号进行包络分析,可有效提取不同类型的故障特征频率及其谐波,对共振频带的聚集性和故障的表征力相比奇异值分解包均有显著提高。     

强背景噪声振动信号中滚动轴承故障冲击特征提取

针对机械早期故障引起的冲击特征微弱,易受强背景信号和噪声的干扰而难以提取的问题,提出一种奇异值分解(Singular Value Decomposition,SVD)差分谱与S变换相结合的微弱冲击特征提取方法。将原始信号构造成Hankel矩阵,采用SVD对重构矩阵进行分解;利用奇异值差分谱确定降噪阶次进行降噪;采用S变换对降噪后的信号进行时频分析,提取信号中的微弱冲击特征信息。通过数值仿真和实际轴承故障数据的对比,表明该方法可有效辨别轴承振动信号中故障引起的早期微弱冲击特征,为轴承故障诊断提供先验信息。     

基于奇异值分解和相关峭度的滚动轴承故障诊断方法研究

为了从复杂的轴承振动信号中提取微弱的故障信息,将相关峭度引入滚动轴承故障诊断领域,结合奇异值分解(Singular Value Decomposition,SVD)和相关峭度,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SVD对轴承振动信号进行分解,然后根据相关峭度选取SVD分解后的分量,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。     

基于能量聚集性的轴承复合故障诊断

轴承复合故障类型多样,且部分故障的特征频率相近噪声污染严重。采用经验模态分解(EMD)的方法,在强噪声背景下会引起相近频率故障成分的无法识别,同时也难以提取微弱的故障信号。由此,提出一种基于能量聚集性的轴承复合故障诊断方法。首先借助离散余弦变换(DCT)的频域能量聚集性和奇异值分解(SVD)的时域能量聚集性,对轴承复合故障信号进行预处理,实现降噪并分离频率相近的微弱故障信号。然后对分离出来的不同故障信号进行经验模态分解,去除伪分量,对剩余的本征模态函数进行频谱分析。最后,根据本征模态函数的频谱诊断故障。仿真信号和实测轴承故障诊断信号分析表明,与直接使用EMD进行轴承复合故障诊断相比,该方法能够在强背景噪声下准确分离频率相近的微弱故障分量,改善复合故障诊断的准确性。     

局部均值分解在旋转机械复合故障诊断中的应用

针对旋转机械复合故障振动信号的非平稳特征,开展一种基于局部均值分解(local mean decomposition, LMD)的旋转机械复合故障诊断方法研究。该方法首先通过局部均值分解方法将振动信号分解为若干个PF分量(product function)和一个残余分量之和,然后通过计算各PF分量与原始复合故障信号的相关系数来确定包含故障特征信息的主要成分;最后针对主要成分中的低频分量进行频谱分析从而提取轴的故障特征。针对主要成分中的高频分量采用包络谱分析提取调制故障特征,即提取轴承故障特征。对齿轮箱的轴承、轴复合故障振动信号的分析结果表明了该方法的有效性和可行性。     

基于SVD优化LMD的电梯导靴振动信号故障特征提取EI北大核心CSCD

针对局部均值分解(Local Mean Decomposition,LMD)方法提取电梯导靴振动信号的故障特征分量时存在的模态混淆现象,本文提出了一种基于奇异值分解(Singular Value Decomposition,SVD)优化局部均值分解(Local Mean Decomposition,LMD)的电梯导靴振动信号故障特征提取方法。该方法以奇异值贡献率原则构造原始信号的Hankel矩阵,采用SVD对Hankel矩阵进行分解;将曲率谱原则与奇异值贡献率原则相结合对奇异值进行选择,将包含主要故障信息的奇异值进行逆重构,得到剔除噪声信号与光滑信号的突变信号;并利用LMD方法对突变信号进行故障特征提取,得到能够突出原始信号振动特征的故障特征分量。实例结果表明该方法有效改善了LMD的模态混淆现象,更准确地提取了振动信号的故障特征分量,为电梯导靴的故障诊断提供了一条有效的途径。     

改进奇异谱分解及其在轴承故障诊断中的应用

针对强背景噪声下难以提取滚动轴承故障特征的问题,提出了基于奇异值差分谱的改进奇异谱分解方法。首先,为克服奇异值分解按经验选择嵌入维数的不足,运用一种新的信号自适应处理方法——奇异谱分解(Singular Spectrum Decomposition,SSD)分析振动信号,SSD法通过构建新的轨迹矩阵,自适应选取嵌入维数,将非线性、非平稳信号从高频至低频分解为多个奇异谱分量。然后,针对奇异谱分解方法重构的奇异谱分量仍包含较强噪声的问题,提出利用奇异值差分谱对重构过程进行改进,提高了奇异谱分解的降噪能力,有效提取了有用信息。最后,根据故障特征找到包含有用信息的分量,对该分量进行希尔波特包络解调,从而准确地提取出故障特征。仿真和实验结果验证了该方法的有效性,提供了一种新的故障诊断方法。     

级联双稳随机共振和基于hermite插值的局部均值分解方法在齿轮故障诊断中应用

针对于弱信号在齿轮故障中难以提取问题,提出了一种基于级联双稳随机共振 (Cascaded Bistable Stochastic Resonance,简称CBSR)降噪和局部均值分解（Local Mean Decomposition,简称LMD）齿轮故障的诊断方法。随机共振可有效削弱信号中的噪声,利用噪声增强故障信号的微弱特征;LMD方法可自适应将复杂信号分解为若干个具有一定物理意义上PF分量之和,适合处理多分量调幅调频信号。首先将振动信号进行CBSR消噪处理,然后对消噪信号进行LMD分解,通过PF分量的幅值谱找到齿轮的故障频率。通过齿轮磨损故障诊断的工程应用,表明该方法可以有效提取齿轮故障微弱特征,实现齿轮箱的早期故障诊断。       

EWT和ICA联合降噪在轴承故障诊断中的应用

在强背景噪声下提取非平稳振动信号的微弱故障特征时,系统信号和干扰噪声在频带互相混叠难以分离,传统消噪方法存在较大局限。为此提出一种基于经验小波变换(EWT)和独立分量分析(ICA)联合降噪的方法。利用EWT算法将振动信号进行分解,避免了经验模态分解(EMD)和总体经验模态分解(EEMD)存在的模态混叠和端点效应;依据峭度及相关系数准则选取相应分量,引入虚拟噪声通道;利用ICA对重组信号进行解混去噪,分离出源信号后进行Hilbert包络解调,提取故障特征频率,实现故障诊断。通过对实际轴承信号的分析,验证了该方法不仅对时变、非平稳的强噪声干扰具有较好的消除效果,还能更清晰、准确地提取故障特征信息。     

一种基于遗传算法的VMD参数优化轴承故障诊断新方法

为准确提取轴承故障特征信息,提出以峭度指标和包络熵为综合目标函数的变分模态分解(variational mode decomposition,VMD)参数优化方法,并改进了诊断流程实现了无需指定参数优化范围的自适应参数优化算法。通过遗传算法对综合目标函数最小值进行搜索,以确定模态分量个数及惩罚参数的最佳组合。原始故障信号经最佳参数组合下的VMD方法分解为若干个本征模态函数,选择最小综合目标函数值对应的模态分量进行包络解调分析,进而通过模态分量的包络谱判断轴承故障类型。通过实测故障信号分析表明,该方法能够从噪声干扰中有效提取到早期故障信号的微弱故障特征,实现了轴承故障类型的准确判定,验证了该方法的有效性。     

加权firm阈值奇异值分解及其旋转机械故障诊断

奇异值分解(Singular value decomposition,SVD)作为一种有效的信号降噪方法广泛应用于旋转机械振动信号周期性瞬态冲击提取中。传统SVD以能量为导向，无法提取出能量较弱但含故障信息丰富的奇异分量(Singular Component,SC)。为此，提出加权firm阈值奇异值分解(Weighted Firm Singular Value Decomposition,WFSVD)方法。该方法首先引入平方包络谱峭度(Squared Envelope Spectrum Kurtosis,SESK)作为量化故障敏感度的指标，以评估各个SC所含故障信息的丰富程度；其次，将SESK作为权重因子引入到基于firm阈值的SC去噪中，设计基于SESK的加权firm阈值SC去噪策略；最后，重构信号，实现信号降噪并有效提取故障特征。对于仿真信号与试验数据的分析验证了所提方法在周期性微弱瞬态冲击提取及旋转机械故障诊断中的有效性。     

基于SSA-VMD-MCKD的强背景噪声环境下滚动轴承故障诊断EI北大核心CSCD

为在强背景噪声环境下有效提取滚动轴承微弱故障特征并准确诊断故障,提出奇异谱分析(singular spectrum analysis, SSA)、变分模态分解(variational mode decomposition, VMD)和最大相关峭度解卷积(maximum correlated kurtosis deconvolution, MCKD)结合的滚动轴承故障诊断方法。首先,利用SSA算法将故障信号分解,根据时域互相关准则对分解信号筛选重构;其次,利用鲸鱼优化算法(whale optimization algorithm, WOA)分别优化VMD的参数alpha,K以及MCKD的参数L和M,利用参数优化的VMD对重构信号进行分解,根据峭度指标从分解所得的本征模态函数(intrinsic mode function, IMF)中提取故障特征信号;再次,利用参数优化的MCKD算法增强故障特征;最后,通过频谱包络进行故障诊断。仿真和试验表明,所提方法能在强噪声干扰下有效提取并诊断轴承故障。     

基于IMF-SVD包络谱法的轮对轴承故障检测方法研究

针对经验模态分解(empirical model decomposition,EMD)所得的本质特征函数(intrinsic model function,IMF)之间存在相互耦合、难以清晰提取高速列车轮对轴承的故障特征问题,提出一种轮对轴承故障检测的新方法。该方法的核心是应用EMD自适应地分解轴承振动信号,得到多尺度的IMF,应用单尺度的IMF信号构造Hankel矩阵,对该矩阵进行奇异值分解(singular value decomposition,SVD),应用奇异值的差分谱来选择其关键奇异值,对关键奇异值进行奇异值重构,通过重构信号的包络谱分析来检测轮对轴承的故障。利用高速列车轮对轴承故障数据对该检测方法和模型进行验证,结果表明:该方法能够清晰地提取表征轴承故障特性的基频、倍频成分,突显故障频率特征,具有一定工程应用前景。     

基于VMD-SVD联合降噪和频率切片小波变换的滚动轴承故障特征提取

针对滚动轴承早期故障信息微弱,频率切片小波变换(FSWT)在强背景噪声中提取故障特征的不足,提出变分模态分解(VMD)奇异值分解(SVD)联合降噪与FSWT相结合的故障特征提取方法,首先利用VMD故障信号自适应分解为若干本征模态分量(IMF),通过峭度准则选择包含故障信息最丰富的IMF进行信号重构,其次利用SVD对重构信号进行再次降噪,提高信噪比。最后对降噪信号进行FSWT,凸显故障信号的时频分布信息提取故障特征。仿真信号和实际数据分析结果表明,该方法有效消除了噪声的影响,能够清晰提取故障信号的特征频率,实现滚动轴承故障的精准识别。     

基于机匣振动信号的滚动轴承故障特征提取

通过进行带机匣测点的滚动轴承故障模拟实验,获取滚动轴承在故障状态条件下,轴承座测点和机匣测点的振动数据。分析结果显示,相对于轴承座,机匣上的振动信号成分复杂,轴承故障特征不明显,直接进行包络解调无法提取故障特征。通过奇异值分解(singular value decomposition,SVD),差分谱中各峰值处奇异值可以表征不同成分的信号。当轴承故障信号微弱时,第一个峰值处的奇异值重构信号往往代表转频及其调制信号分量,选取该靠后峰值处的奇异值进行信号重构可以有效提取轴承故障特征信号。研究内容为实际基于机匣测点信号的航空发动机滚动轴承故障特征提取提供了一种新的方法。