小波降噪和局域均值分解的齿轮故障特征提取技术

针对齿轮系统非线性、非平稳性特点及传统时频分析方法的局限性,提出一种将小波和局域均值分解(Local mean decomposition,LMD)相结合进行齿轮故障特征提取的方法。该方法将原始信号通过小波分解再重构进行处理,以降低噪声的干扰,然后对重构信号进行LMD分解,并且对分解后所得到的乘积函数(PF)分量进行筛选。对筛选后的乘积函数进行包络谱分析,提取其故障特征进行研究。结果表明,两者相结合是一种很有效的故障特征提取方法,减弱了噪声对信号的干扰,可以实现对其振动信号故障特征的提取和诊断。     

基于局域波及相关性分析的滚动轴承故障诊断

振动信号是轴承工作信息的载体,为了对齿轮减速器内轴承的运行状态进行故障监测和诊断,对振动加速度信号进行了局域波分解,提取了近似熵及相关性参数,利用近似熵及局域波分解所得到的趋势项快速区分正常与故障状态,根据相关性参数的变化特点寻求滚动轴承的故障信号主导模态分量,准确提取故障部位的特征频率.将该方法应用于齿轮减速器JZQ250的故障诊断中,经过对大量实测数据的处理和分析,能够准确诊断出减速器的正常运行状态、内圈故障、外圈故障和保持架故障的运行状态,具有一定的工程实用价值.     

基于ELMD和灰色相似关联度的滚动轴承故障诊断研究

针对滚动轴承发生故障时,其故障信号不同频带的能量分布变化与其故障状态之间存在一定关系的情况,提出了一种总体局部均值分解(Ensemble Local Mean Decomposition, ELMD)与灰色相似关联度相结合的滚动轴承故障诊断方法.首先,选取滚动轴承处于不同故障状态的样本信号,利用ELMD对其进行分解并得到若干乘积函数(Product Function, PF);然后,计算每个PF分量的能量分布并构造特征向量;最后,结合灰色相似关联度对滚动轴承故障状态进行分析和识别,并与LMD(Local Mean Decomposition, LMD)和EEMD(Ensemble Empirical Mode Decomposition)方法进行对比,其实验对比分析结果论证了方法的可行性,也为滚动轴承的故障诊断提供了新的解决方案.     

基于LMD和PNN神经网络的列车辅助逆变器故障检测

针对列车辅助逆变器故障信号非平稳的特性,本文提出了一种基于局部均值分解方法和概率神经网络的地铁辅助逆变器的故障诊断方法。通过对采集到的列车故障信号进行局部均值分解,将非平稳信号分解成多个乘积函数(product function,PF)分量,并利用概率神经网络(probabilistic neural network,PNN)模型,将故障信号进行检测和分类,最后采用Matlab进行仿真实验。仿真结果表明,局部均值分解方法对非平稳信号的处理效果良好,特征向量输入到概率神经网络进行训练分析,PNN神经网络故障诊断正确率较高,30组测试样本输出结果对于逆变器故障检测结果均是正确的。该研究可以准确识别列车辅助逆变器的不同故障类型,能够满足对列车辅助逆变器的故障检测要求。     

自适应时间尺度分解方法及其应用

针对齿轮故障振动信号的非线性、非平稳和多分量的特征,在定义了瞬时频率具有物理意义的本征时间尺度函数(intrinsic time-scale function,ITF)的基础上,结合固有时间尺度分解中基线信号的构造方法,提出自适应时间尺度分解(adaptive time-scale decomposition,ATD)的时频分析方法,该方法可以自适应地将一个复杂信号分解为若干个瞬时频率具有物理意义的本征时间尺度分量之和.仿真分析验证了ATD方法的有效性以及定义本征时间尺度函数方法的合理性.分别将ATD、经验模态分解(EMD)、局部均值分解(LMD)和固有时间尺度分解(ITD)与包络解调分析相结合应用于斜齿轮故障诊断中,实验结果表明:自适应时间尺度分解方法在保证分解结果正确性的前提下,计算效率方面具有明显优势,将该方法与包络解调相结合能够有效提取到齿轮的故障特征.     

基于LMD与奇异值差分谱的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的非线性非平稳特性及强噪声特性,提出了一种基于局部均值分解(local mean decomposition,LMD)和奇异值差分谱的滚动轴承故障诊断方法.首先对原始信号进行LMD分解,得到若干乘积函数(product function,PF)分量,然后对故障特征明显的分量构建Hankel矩阵并进行奇异值分解,求出奇异值差分谱曲线,找到奇异值差分谱最大突变点来确定奇异值重构分量的个数,进而对包含故障特征频段的分量进行消噪和重构,再对重构信号进行Hilbert包络谱分析,提取故障特征.实验结果和工程应用表明:LMD和奇异值差分谱结合的信号特征提取方法,能准确、有效地提取滚动轴承的故障特征频率,对故障类型作出准确判断.     

基于补充总体局部均值分解的轴承故障诊断方法

为了弥补局部均值分解(LMD)在处理非平稳、非高斯信号的不足,提出一种基于补充总体局部均值分解(CELMD)和频谱分析相结合的轴承故障诊断方法.该方法向原信号成对地添加符号相反的白噪声,首先对含噪信号进行LMD分解,得到一系列的乘积函数(PF),再选取包含最丰富故障信息的PF分量,最后对该PF分量进行FFT变换,提取故障特征频率,实现对轴承状态和故障类型地识别.通过对仿真信号和轴承振动信号地分析,表明该方法不仅能消除残留白噪声和抑制模态混叠还可以提高故障诊断的准确性和有效性.     

基于KPEMD与INFO-SVM的柱塞泵故障诊断

针对难以从转辙机柱塞泵的非线性振动信号中有效提取故障特征以及各分量之间存在模态混叠现象等问题,提出了一种非线性自适应正交经验模态分解(Kernel Principal Empirical Mode Decomposition, KPEMD)与向量加权平均算法优化的支持向量机(INFO-SVM)结合的故障诊断方法。首先通过KPEMD方法将原始信号分解为多个IMF分量,根据相关系数筛选出故障信息丰富的敏感分量;其次提取敏感分量的时域频域特征及能量熵构造混合特征样本集;最后输入到INFO-SVM多分类器中进行故障识别。利用柱塞泵实验数据进行对比分析,结果表明：KPEMD能够有效减弱模态混叠现象,充分提取故障信息,INFO优化SVM的识别准确率优于其它常用算法的优化结果。本方法能有效识别出转辙机柱塞泵的不同故障类型,诊断准确率达到98%。     

基于LMD与随机森林的滚动轴承故障诊断

提出了一种基于LMD和随机森林相结合的滚动轴承故障诊断方法,该方法融合了LMD和随机森林算法,利用LMD分解方法将滚动轴承振动信号分解成若干个PF分量,轴承发生不同故障时,不同PF分量内的统计特征和频带能量会发生变化,从不同的PF分量中计算出其对应的均值、标准差与信息熵等特征值,将这些特征值构造成特征向量,最后运用随机森林算法实现分类滚动轴承类型。结果表明,利用LMD和随机森林相结合算法具有较高的识别精度,可以有效识别滚动轴承的故障类型。     

LMD支持向量机电机轴承故障诊断研究

针对支持向量机(SVM)对处理大样本数据和多分类问题以及核函数选择的局限性,提出LMD支持向量机电机轴承故障诊断方法。首先应用局域均值分解(LMD)算法对信号进行自适应分解,得到一系列PF分量,并利用相关分析剔除虚假分量,提取真实PF分量能量组成特征向量;其次应用新的核函数对SVM进行改进,实现自适应的训练,并针对大样本数据和多分类问题采用‘一对多’的方法;最后以特征向量作为改进SVM的训练样本和测试样本,对电机轴承故障信息进行训练,预测。实验验证,该方法能有效的对电机轴承故障进行自适应的诊断。     

基于LMD-ICA降噪的滚动轴承故障特征提取方法研究

在滚动轴承进行故障识别中,针对局部均值分解(LMD)方法分析非平稳、非线性含噪信号时,存在端点效应,易产生虚假分量和单通道独立成分分析(ICA)盲源分离时的欠定问题,提出了基于LMD-ICA降噪的振动信号特征提取算法.首先对原始信号进行LMD,并抑制端点效应,得到n个瞬时频率具有物理意义的乘积函数(PF)之和;然后对得到的PF分量以连续的3阶PF分量为一序列组合进行ICA,可以得到n-2个重构分量;最后利用n-2个分量进行重构,得到降噪后的故障信号,并再次进行LMD或功率谱计算,提取故障特征.经验证,该方法可有效识别滚动轴承的多类故障.     

EEMD与SVD的齿轮故障诊断技术研究

对齿轮信号奇异值分布规律进行研究,提出一种EEMD-SVD差分谱组合模式。对原始信号做集合经验模态分解得到一系列固有模态分量,对其进行有效的筛选并且重构,对重构的信号构造Hankel矩阵,再通过SVD对矩阵做正交分解,利用奇异值差分谱来选择奇异值进行SVD重构,由此实现对弱故障特征信息提取。从齿轮信号的处理结果看出,该方法对复杂信号中的弱故障特征信息具有优良的提取效果。     

基于Hilbert包络谱和SVM的齿轮故障诊断

针对齿轮振动信号非平稳性和故障特征难以提取的问题,提出一种基于希尔伯特(Hilbert)包络谱和支持向量机(SVM)相结合的故障诊断方法。首先,采用基于镜像延拓的改进经验模态分解(EMD)方法,将齿轮振动信号分解成一系列含有信号特征的固有模态函数(IMF);其次,根据正交性原理,选取包含信号主要信息的模态分量进行希尔伯特变换并求出包络谱;最后,将包络谱所求出的特征幅值比作为支持向量机分类器的输入来识别齿轮的工作状态。试验结果表明,该方法能有效地识别和诊断出齿轮的工作状态,可应用于该类问题的故障诊断研究。     

EMD与样本熵在往复压缩机气阀故障诊断中的应用

针对往复压缩机气阀故障信号冲击性、非连续性特点,采用EMD方法分解提取各频率故障信号。然后通过对数据重新筛选、提出主要振动信息对分解波形进行了重构。并对往复压缩机故障信号分解及重构数据进行了分析,提取了故障信息。针对正常与故障信号分解结果复杂度不一致的特点,对EMD分解后包含的故障信息主要分量进一步通过样本熵进行量化识别。最后通过对正常、阀片缺口、弹簧失效的实测信号进行EMD分解、重构和样本熵分析,精确提取了故障信息,验证了方法的有效性。     

基于LMD形态滤波的LS-SVM方法研究

在轴承的故障诊断中,为了解决核函数在最小二乘支持向量机中参数选择困难及稀疏性差的问题,提出了局部均值分解(LMD)形态滤波的最小二乘支持向量机(LS-SVM)方法.该方法首先利用LMD对信号进行分解得到PF分量,并对信号做相关分析去除虚假分量,形态滤波降噪后再进行LMD分解得到新PF分量,提取能量特征;其次,对LS-S...     

基于改进EMD频率族分离法的齿轮磨损故障诊断

针对齿轮磨损故障信号非平稳性的特点,提出一种基于改进经验模态分解(EMD)频率族分离的齿轮磨损故障诊断方法。该方法采用改进经验模态分解方法将齿轮磨损振动信号分解成若干阶表征齿轮自身信息的固有模态函数(IMF),各阶IMF对应齿轮箱振动信号的各个频率族,通过对各频率族分量的分析来提取齿轮磨损振动信号的故障特征。仿真分析表明该方法能有效应用于齿轮故障分析,试验研究证明了基于改进EMD的频率族分离法能够有效地提取齿轮磨损故障特征信息。     

经验模态分解和神经网络在滚动轴承故障诊断中应用研究

针对滚动轴承故障振动信号的非平稳特征,提出了一种基于经验模态分解的滚动轴承故障诊断方法,对采集的信号范围进行了筛选。利用经验模态分解将振动信号分解为多个平稳的固有模态函数。选取包含主要故障信息的IMF分量分析其时域和频域特征。将时域信号特征量和频谱图峰值对应的频率归一化处理,输入Elman神经网络进行工作状态的自动判断。     

基于CEEMD和自适应MCKD诊断滚动轴承早期故障

针对滚动轴承早期故障难以提取和最大相关峭度解卷积(maxim correlated kurtosis deconvolution,MCKD)降噪效果受滤波器长度L的影响,提出了基于互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)和自适应最大相关峭度解卷积相结合的故障特征提取方法(CEEMD-AMCKD).首先,利用CEEMD将信号分解得到一组固有模态分量,利用峭度值筛选出冲击成分明显的分量;然后,以排列熵值为标准,运用步长搜寻法确定最佳的MCKD滤波器长度,对前面筛选出的分量进行降噪处理;最后,将降噪后的分量及其他分量进行信号重构并根据包络功率谱提取故障特征频率.通过仿真和试验验证了该方法的有效性.     

基于迭代Hilbert变换的行星齿轮箱振动信号分析

针对行星齿轮箱振动信号频率成分复杂及调幅-调频的特性,提出迭代Hilbert变换与Fourier变换相结合的信号解调分析方法.通过迭代Hilbert变换分离出一组调幅-调频单分量成分,估计单分量成分的瞬时幅值和瞬时频率,选取故障敏感分量,运用Fourier频谱实现了对敏感分量的幅值解调和频率解调.基于行星齿轮箱局部损伤故障仿真信号分析,将迭代Hilbert变换与Hilbert振动分解比较,结果突出了迭代Hilbert变换在分解速度、分解结果信噪比及特征频率提取效果上的先进性.将所提方法应用于实验信号分析,准确提取出特征频率,诊断了齿轮故障,结果表明了该方法的有效性.     

基于最小熵解卷积与稀疏分解的滚动轴承微弱故障特征提取

针对滚动轴承早期故障难以提取和最大相关峭度解卷积（maxim correlated kurtosis deconvolution,MCKD）降噪效果受滤波器长度L的影响,提出了基于互补集合经验模态分解（complementary ensemble empirical mode decomposition,CEEMD）和自适应最大相关峭度解卷积相结合的故障特征提取方法（CEEMD-AMCKD）.首先,利用CEEMD将信号分解得到一组固有模态分量,利用峭度值筛选出冲击成分明显的分量;然后,以排列熵值为标准,运用步长搜寻法确定最佳的MCKD滤波器长度,对前面筛选出的分量进行降噪处理;最后,将降噪后的分量及其他分量进行信号重构并根据包络功率谱提取故障特征频率.通过仿真和试验验证了该方法的有效性.