VMD与MCKD在轴承故障诊断中的应用与研究

针对传统解调分析难以提取轴承故障信息的这一特征,提出了一种变分模态分解(variational mode decomposition,VMD)与最大相关峭度解卷积(maximum correlated kurtosis deconvolution,MCKD)相结合的滚动轴承故障诊断方法。首先对轴承故障信号进行进行VMD分解并得到一系列窄带本征模态函数(intrinsic mode functions,IMFs);然后对各个IMF分量进行MCKD降噪,突出故障冲击成分;最后对降噪后的信号进行包络解调分析完成轴承的故障诊断。仿真信号和轴承故障振动信号的分析结果表明,基于VMD和MCKD的轴承故障诊断方法能够准确地获取轴承故障特征频率。     

CYCBD和CEEMDAN相结合的滚动轴承微小故障特征提取

针对强噪声下微小故障信号容易被噪声淹没的问题,提出基于最大二阶循环平稳盲解卷积(CYCBD)和自适应噪声完全集合经验模态分解(CEEMDAN)的轴承微小故障诊断方法。根据故障频率公式求出振动信号的故障频率,并根据故障频率设置对应的循环频率集,用CYCBD对原信号进行滤波,使信号中的周期冲击成分更加突出,从而达到提高信噪比的目的;对处理后的信号进行CEEMDAN,得到一系列模态分量,再求各模态分量的峭度值,从中选取峭度值高的即含有较多故障特征的若干分量进行重构;对重构后的信号求其Hilbert包络谱,从中提取故障频率。采用仿真信号与西储大学轴承数据集进行仿真与实验研究,验证所提方法的有效性。     

基于FAMVEMD和改进CYCBD的滚动轴承微弱故障诊断北大核心

针对强噪声滚动轴承故障诊断问题,提出一种基于快速自适应多元经验模态分解(FAMVEMD)和改进循环平稳盲解卷积(CYCBD)的多通道诊断方法。首先,应用FAMVEMD处理多测点故障信号,按照自相关能量-线性峭度准则选取最佳分量、进行信号重构;其次,基于多点峭度和自相关能量改进CYCBD算法,通过重构信号的解卷积处理实现故障特征强化放大;最后,从解卷积信号包络谱中提取故障特征。实验数据分析结果表明,所述方法可准确提取故障特征,实现轴承损伤精确诊断。     

基于EEMD与GWO-MCKD的门座起重机回转支承故障诊断

低速重载的门座起重机回转支承信号易受环境噪声影响,难以提取故障特征。为解决此问题,提出一种集合经验模态分解（EEMD）与灰狼优化（GWO）算法优化的最大相关峭度解卷积（MCKD）相结合的故障诊断方法。对回转支承信号进行EEMD分解,得到一系列本征模态函数（IMF）,选择峭度最大的IMF作为最优分量;以相关峭度为目标函数,利用GWO寻找在最优分量上的MCKD的最佳参数组合;使用最佳参数组合的MCKD对最优分量进行降噪,突出故障冲击成分;对降噪后的信号进行包络谱分析,完成故障诊断。结果表明：所提方法能自适应增强故障冲击成分,有效提取故障特征。     

基于小波包和LCD的滚动轴承故障诊断

针对含噪背景下提取滚动轴承的非平稳非线性信号特征的问题,提出了一种将LCD(局部特征尺度)与小波包相结合的故障诊断方法。对待测信号进行小波包降噪预处理,再利用LCD分解得到ISC分量(内禀尺度分量),进一步根据峭度-相关系数筛选真实ISC分量用以重构获得有效的故障特征信号。最后通过对重构故障信息进行能量算子包络解调,从而得到轴承故障的特征频率。将基于LCD和小波包的时频分析方法引入轴承故障诊断中,实验结果表明该方法能有效地提取机械故障振动信号的特征。     

基于LCD降噪与LS-SVM的滚动轴承故障诊断方法

在实际工况下滚动轴承较易发生故障,为了保障机械运行可靠性,对其进行故障诊断研究显得非常重要,提出一种基于局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)降噪与最小二乘支持向量机(Least Squares Support Veotor Machine,LS-SVM)的滚动轴承故障诊断方法。首先,利用LCD对轴承信号进行自适应性分解,得到一系列内禀尺度分量(Intrinsic Scale Component,ISC),然后结合峭度准则筛选出包含主要特征信息的分量,完成信号降噪预处理,并与经验模态分解(Empirical Mode Decomposition,EMD)进行对比,研究LCD算法的优越性;最后提取ISC模糊熵作为信号的敏感特征集,输入到训练好的LS-SVM分类器中进行轴承状态识别。实验研究表明,提出的基于LCD降噪与LS-SVM的轴承故障诊断方法能有效地识别出多种轴承类型,识别率高达84%,是一种行之有效的轴承诊断算法。     

基于EEMD-FSK的滚动轴承故障诊断

为了解决轴承故障特征提取中经验模态分解(EMD)出现的模态混叠现象,提出一种集合经验模态分解(EEMD)、快速谱峭度选频和共振解调技术相结合的滚动轴承故障诊断方法。对原始振动信号进行EEMD处理,分解为多个本征模态函数(IMF);将符合峭度准则的IMF分量筛选出来,对其进行信号重构,对重构信号进行快速谱峭度计算得出快速谱峭度图,从图中选出最优频带中心和带宽,确定FIR带通滤波器设计参数;最后通过共振解调技术对滤波信号进行包络分析,得出包络谱确定滚动轴承故障特征信息。通过滚动轴承实验分析,验证了此方法的可行性。     

改进EWT降噪与快速谱相关的滚动轴承早期故障诊断

针对非线性、强背景噪声下滚动轴承振动信号早期故障特征微弱,难以识别的问题,提出一种改进经验小波变换(EWT)降噪和快速谱相关相结合的滚动轴承早期微弱故障诊断方法。针对EWT频带划分方式受噪声影响较大,存在划分不合理的问题,提出极大值包络处理的划分方式;采用改进的EWT进行自适应信号分解,获得不同的固有模态分量,采用峭度准则筛选出有用模态分量,并进行重构得到降噪后的信号;为增强早期故障信号中的故障冲击周期成分,对降噪后的信号采用快速谱相关(Fast-SC)进行分析,获得平方增强包络谱;对平方包络谱中幅值突出的成分与故障频率进行对比分析,实现早期故障诊断。结果表明：与快速谱分析、改进EWT降噪结合快速谱峭度图相比,所提方法能有效增强早期故障特征频率,实现早期故障的准确诊断。     

基于VMD和Teager能量增强谱的滚动轴承故障诊断方法

针对强噪声干扰下滚动轴承故障特征难以提取的问题,提出一种变分模态分解和Teager能量增强谱的滚动轴承故障诊断方法。该方法首先通过变分模态分解(Variational Mode Decomposition,VMD)将非平稳的轴承故障振动信号分解成一系列平稳的窄带分量;然后根据峭度-相关性最大准则挑选包含故障特征信息最丰富的窄带分量作为主分量;最后对选取的主分量进行Teager能量增强谱,提取滚动轴承的故障特征。通过仿真和实例分析的结果表明:该方法能有效地提取出滚动轴承早期故障特征,且能够抑制强烈的噪声干扰和增强故障冲击特征,优于传统包络谱分析和基于经验模态分解(Empirical Mode Decomposition,EMD)和Teager能量谱的方法的分析结果。     

基于CEEMD和WOA_LSSVM滚动轴承声信号故障诊断

针对强背景噪声下滚动轴承故障诊断问题,结合互补集合经验模态分解(CEEMD)与鲸鱼优化算法优化最小二乘支持向量机(WOA_LSSVM)进行滚动轴承的故障诊断研究.首先对声信号进行快速谱峭度分析并进行带通滤波预处理,提取故障冲击成分;其次,利用CEEMD算法将滤波信号进行分解运算,得到一系列模态分量(IMF);再利用相关...     

基于EMD-MPE与HMM的滚动轴承故障诊断

针对故障轴承的特征难以提取以及状态识别困难的问题,提出了基于经验模态分解(EMD)-多尺度排列熵(MPE)与隐马尔科夫模型(HMM)的滚动轴承故障识别方法。首先,运用EMD滤波降噪原理对滚动轴承振动信号进行降噪,而后将已降噪的信号进行多尺度排列熵分析并提取不同尺度下排列熵的较大值作为信号特征。最后,将特征信号向量输入已训练好的HMM模型进行故障类型判别。并与支持向量机(SVM)进行比较研究。实验结果表明,基于EMD-MPE与HMM的滚动轴承故障诊断方法对滚动轴承的故障状态能够进行有效地识别。     

基于ALIFD模糊熵和GK聚类的滚动轴承故障诊断

针对滚动轴承故障振动信号具有非平稳性及非线性的特点，提出一种基于自适应局部迭代滤波分解（ALIFD）模糊熵和GK聚类的滚动轴承故障诊断方法。首先对滚动轴承故障振动信号进行ALIFD分解，得到若干个本征模态函数（IMF）分量，然后通过相关性分析筛选出前3个包含主要特征信息的IMF分量，并将筛选的IMF分量的模糊熵作为特征向量，最后利用GK聚类对所得的特征向量进行识别分类。将该方法应用于滚动轴承实验数据分析，并使用分类系数和平均模糊熵对分类性能进行评价，结果表明，与基于经验模态分解模糊熵和GK聚类的故障诊断方法进行对比，该方法具有更好的分类性能。     

基于SGMD敏感参数和KFCMC的滚动轴承故障诊断方法

针对滚动轴承的内圈和外圈故障诊断问题,提出了一种基于辛几何模态分解(SGMD)、敏感参数和核模糊C均值聚类(KFCMC)相结合的方法。基于SGMD研究了实际测量的液压泵多模态故障振动信号;基于所提出的相似性分析法,将含有丰富运行特征信息的模态分量进行重构,并将其作为数据源;基于数据源提取时域和频域参数,并利用流行学习法筛选出峭度、裕度指标和峰值指标等敏感参数作为特征向量;利用KFCMC实现对内圈和外圈不同故障的诊断。通过对滚动轴承内、外圈故障振动信号的仿真和实测,验证了该方法可以有效地诊断滚动轴承不同故障。     

基于VMD和排列熵的滚动轴承故障诊断研究

针对难以识别的轴承运行振动信号中的状态特征,提出变分模态分解(VMD)和基于峭度准则排列熵结合的滚动轴承故障诊断方法。VMD分解算法受限于分解参数,分析参数对结果的影响,并通过定一求二的方法确定VMD的参数,使用设置好参数的VMD算法分解4种滚动轴承状态内圈故障、外圈故障、滚动体故障以及正常状态下的振动信号,由于滚动轴承的特殊运行特性,分析滚动轴承故障运行机理,得出基于峭度准则的排列熵(PE)特征向量构建方法,并使用支持向量机来对4种状态进行分类,最终实现故障诊断。     

基于改进VMD-EWT联合降噪的滚动轴承早期故障检测

针对采集到的滚动轴承早期故障振动信号因故障特征微弱而导致难以检测的问题，提出一种基于改进的变分模态分解(VMD)和经验小波变换(EWT)联合降噪的滚动轴承早期故障检测方法。首先，利用改进包络谱有效边界划分方法(IEPEFP)确定VMD和EWT的分解分量个数，利用改进分解模态数目选择方法(IDMNS)对VMD的主要分量进行叠加从而完成初次降噪；其次，对初次降噪后的信号进行EWT分解，利用IDMNS对主要分量进行叠加进而完成二次降噪；最后，对降噪后的信号进行包络谱分析，从而实现滚动轴承早期故障检测。通过轴承加速寿命试验数据集进行试验验证，结果表明提出方法可有效提取滚动轴承早期微弱故障特征，准确检测轴承早期故障，具有一定的工程参考价值。     

EEMD降噪与倒频谱分析在风电轴承故障诊断中的应用

针对风电轴承故障时的振动信号为低频信号,并且出现不平稳、非线性等特点,一般很难检验出来,所以提出了一种新的轴承故障诊断方法:首先提出了基于相关系数与峭度相结合的EEMD降噪方法,对轴承振动加速度信号进行去噪,然后对降噪后的信号再次进行EEMD分解并与倒频谱相结合,对振动信号进行处理。此方案不仅提高了振动信号的信噪比,而且抑制了在经验模态分解中的模式混叠现象,提高了故障诊断的准确性,充分显示了其应用在风电轴承故障诊断系统中的可行性。     

基于最优熵与EEMD的滚动轴承微故障诊断方法

滚动轴承是易损件,为了更好并及时检测出在信噪比低的情况下的轴承早期微故障振动信号,提出了小波包最优熵和EEMD相结合的方法。运用小波包最优熵对采集信号实现信噪分离,突出了小波包降噪效果明显;通过EEMD将信号分解成多个分量;最后以互相关、峭度准则提取故障信号分量以避免分量选择的盲目性。结果表明:该方法对轴承初期故障具有良好的降噪效果,可以准确快速地检测出轴承故障,从而表明该方法是有效且可行的。     

完备变分模态分解和多传感器卷积神经网络的轴承故障诊断方法

针对传统滚动轴承故障诊断方法难以提取和辨识故障特征等问题,提出一种完备变分模态分解（CVMD）和工业多传感器卷积神经网络（MSCNN）相结合的轴承故障识别模型。在采集到的滚动轴承故障振动数据中加入2对符号相反但幅值相等的白噪声,并使用变分模态分解将故障振动数据分解为若干本征模态分量（IMFs）并进行集成平均;利用综合指标选择合适的IMFs分量并重构;针对多传感器结构,在卷积神经网络的基础上,提出MSCNN网络,并将重构后的振动信号输入MSCNN进行自动特征学习与故障诊断。结果表明：所提出的CVMD-MSCNN模型的故障诊断准确率达99.76%,标准差为0.16,相比于其他深度学习方法,其诊断准确率和稳定性较优。     

基于VMD-SPWVD-CNN的滚动轴承故障智能诊断

针对传统的故障诊断方法依赖经验进行人工提取特征的问题,基于变分模态分解(VMD)和平滑伪魏格纳分布(SPWVD)并结合卷积神经网络(CNN)提出了VMD-SPWVD-CNN模型用于滚动轴承故障诊断.首先,利用VMD对轴承振动信号进行处理,分解为多个具有不同中心频率的模态分量;其次,对信号的每个模态分量分别进行SPWVD...     

基于多层降噪处理的轴承故障特征提取方法

针对滚动轴承振动信号的故障信息难以准确获取问题,提出一种新的基于多层降噪处理的轴承故障特征提取方法。所提方法首先依据小波包变换原理处理原始轴承信号,消除噪声干扰;变换后的振动信号用经验模态分解方法处理可得若干个IMF分量,计算所得分量与变换所得信号间的互相关系数,并依据相关系数准则筛选有用分量完成振动信号的重构;再通过自相关方法剔除重构信号中的混叠干扰信号,实现振动信号的多层降噪;最后对去噪后的重构信号解调处理,获取信号包络谱图并分析,得到所需故障特征。试验结果表明该方法能够有效地消除原始信号中的干扰和噪声,分离出清晰的故障振动信号并获取有用的故障特征。