基于WTD和CEEMD的轴承故障特征提取方法

针对轴承故障信号常混有噪声干扰且故障特征难以准确提取问题,提出一种基于小波阈值去噪(WTD)和互补集合经验模态分解(CEEMD)的轴承故障特征提取方法。采用WTD对原始信号进行降噪预处理;对去噪信号进行CEEMD分解得到一系列本征模态函数(IMF);然后计算各个IMF和去噪信号的互相关系数,通过设定互相关系数阈值筛选有用IMF;最后将有用IMF重构并利用包络谱对重构信号提取故障特征频率。实测信号表明：所提出的方法能降低噪声干扰并有效提取故障特征信息,证明该方法在噪声环境下具有较高的可行性和较强的实用性。     

基于小波奇异性检测技术的滚动轴承早期故障诊断研究

轴承早期故障的检测与诊断是实现安全生产、预防恶性事故的有效手段。用高精度加速度传感器采集轴承振动信号,采用小波软阈值降噪法剔除测试过程的噪声,提高采集信号的信噪比。基于小波变换奇异值检测技术,探讨了提取淹没在噪声背景中的早期故障特征的方法,同时指出了传统傅里叶变换的不足。研究表明,该方法是有效的,所提取的故障特征频率与理论计算的故障特征频率基本相同。研究结果为轴承早期故障检测与诊断提供了新途径。     

基于小波变换奇异点检测技术的滚动轴承早期故障诊断研究

轴承早期故障的检测与诊断是实现安全生产、预防恶性事故的有效手段。用高精度加速度传感器采集轴承振动信号,采用小波软阈值降噪法剔除测试过程的噪声,提高采集信号的信噪比。基于小波变换奇异值检测技术,探讨了提取淹没在噪声背景中的早期故障特征的方法,同时指出了传统傅里叶变换的不足。研究表明,该方法是有效的,所提取的故障特征频率与理论计算的故障特征频率基本相同。研究结果为轴承早期故障检测与诊断提供了新途径。     

基于粒子群优化神经网络的滚动轴承剩余寿命预测

为了能在有噪声干扰的复杂环境下提取出滚动轴承振动信号的故障特征,提出了一种基于粒子群优化神经网络的轴承故障特征频率的提取方法。首先对采集的振动信号进行降噪处理;其次,进行特征提取与约简;最后,采用群体智能算法——粒子群算法优化BP神经网络初始权值和阈值,构建二者结合的模型来预测滚动轴承剩余有效寿命,并结合试验平台的实验数据对该模型进行验证。实验结果表明:该方法能够很好的降低提取振动信号时由于噪音产生的影响,滚动轴承剩余的预测更加准确。     

基于WTD-AR谱和MEA-BPNN的轴承故障诊断方法

针对滚动轴承故障诊断模型在噪声干扰下鲁棒性能差的问题,提出一种基于小波阈值去噪（WTD）、AR谱和思维进化算法（MEA）优化反向传播神经网络（BPNN）的轴承故障诊断方法。以原始振动信号为输入,采用小波方法分解重构原始信号滤除高频噪声,然后采用Burg算法估计AR模型参数提取降噪信号功率谱特征,最后将特征向量与对应标签分别作为MEA-BPNN神经网络的输入、输出进行训练,最终实现诊断。将该方法与一些先进的人工神经网络诊断方法作比较,测试该诊断模型的性能。研究结果表明：WTD-AR谱-MEA-BPNN诊断模型能够有效降低轴承振动信号的噪声干扰,实现特征增强,分辨率更高;相较于传统神经网络训练速度更快,在更短时间内甄别故障类型且识别率高。     

基于EWT和ICA联合降噪的轴承故障诊断方法

针对轴承早期故障信号易被淹没于噪声中、故障特征难以提取的问题,提出一种经验小波变换(Empirical Wavelet Transform, EWT)与独立分量分析(Independent Component Analysis, ICA)的联合降噪方法。该方法依据峭度准则将经EWT分解得到的固有模态分量(Intrinsic Mode Function, IMF)重构后利用ICA进行盲源分离,有效抑制了振动信号中的噪声,使故障特征频率的能量幅值最大,从而识别故障特征。通过仿真分析和实际轴承早期故障的实验研究,表明该方法可明显削弱噪声干扰,突出故障频率成分。与EWT和包络谱结合的方法对比,信噪比提高了24.45%,能更清晰准确地提取故障特征信息,满足对轴承故障的诊断要求,为滚动轴承早期故障提取提供了一种方法。     

基于MCKD与小波包熵的齿轮箱轴承微弱故障信号提取

针对齿轮箱轴承故障信号含有大量噪声而特征难以提取的问题。文章提出一种基于MCKD(最大相关峭度解卷积)和小波包熵值相结合的齿轮箱微弱故障信号提取方法。首先根据MCKD对故障信号进行降噪,突出信号中的有效冲击成分。然后进行小波包分解得到包含故障特征成分的末层节点信号,并以互相关系数-小波包熵值为准则对最后一层节点信号进行筛选并获取敏感节点信号,最后通过对敏感节点信号进行重构从而获得降噪后的轴承故障信号。实验结果表明该方法能够很好的滤除信号中的噪声并且准确地提取故障信号中的冲击成分,是对齿轮箱微弱故障特征提取的一种新方法。     

基于IFM-VMD与WTD-Hilbert结合的滚动轴承故障诊断

针对变模式分解(VMD)中分解层数K对分解结果准确度影响较大以及轴承振动信号夹杂的噪声极大地影响有用信息提取的问题,提出了一种利用瞬时频率均值(IFM)确定K值并结合小波阈值降噪(WTD)和Hilbert变换对轴承的振动信号进行分析的方法。首先利用瞬时频率均值选择合适的VMD中的K值,然后用VMD方法对含噪声的信号进行自适应分解,根据相关系数原则从分解的分量中选取含有主要故障信息的分量进行小波阈值降噪分析,最后进行Hilbert变换解调出故障特征频率。为验证此方法的可行性,首先通过仿真信号验证了所用降噪方法的可靠性,然后用提出的IFM-VMD与WTD-Hilbert结合的方法对实际轴承故障数据进行分析,该方法故障诊断的准确率达到99%以上,说明该方法可以很好地识别滚动轴承的故障信息。     

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。     

非局部均值去噪和LMD综合的滚动轴承故障诊断

局域均值分解(Local Means decomposition,LMD)是一种分解效果明显的时频分析方法,在故障诊断中应用广泛。但噪声对其分解有较大影响。为克服噪声的干扰,提出了一种能够应用于轴承信号处理,由非局部均值去噪算法和LMD相结合的新方法,该方法首先采用NLM对信号进行降噪预处理,然后以去噪信号做为输入进行LMD分解,对分解产生的PF分量与降噪信号做相关度分析,甄选PF分量,然后对有用PF分量进行包络谱分析。并将该方法应用在故障滚动轴承信号的特征提取上,结果表明该方法能有效的提取滚动轴承的故障特征,实现滚动轴承的故障诊断。     

基于模平方阈值—FastICA的滚动轴承降噪方法研究

针对小波阈值降噪时硬阈值和软阈值存在的连续性差和小波系数高频损失的问题,以及经典独立分量分析(independent component analysis,简称ICA)方法降噪时的欠定问题,提出了模平方阈值与Fast ICA结合的联合降噪方法。首先将采集的单通道信号进行模平方阈值降噪处理,然后将降噪后信号与原振动信号组成输入矩阵进行Fast ICA降噪,最后对降噪后信号进行包络谱分析,实现滚动轴承特征提取和故障诊断。仿真和实验结果分析表明:该方法能使振动信号的峭度值增大,有效地滤除噪声,凸显故障特征信息,证明了该方法的有效性。     

基于MRSVD与LMD的工业机器人交叉滚子轴承故障特征提取

针对奇异值分解(SVD)优化局部均值分解(LMD)方法提取工业机器人交叉滚子轴承振动信号微弱故障特征分量时出现的模态混淆现象,提出一种基于最大分辨率SVD与LMD的工业机器人交叉滚子轴承故障特征提取方法。以最大奇异值分辨率原则将一维振动信号构造成Hankel矩阵,采用SVD对Hankel矩阵进行分解得到奇异值序列;按照奇异值曲率谱原则及非目标值抑制原则对奇异值序列进行重构,将包含故障突变信息的重构奇异值序列进行SVD逆运算得到重构振动信号;最后利用LMD方法对重构振动信号进行故障特征提取,得到能够表征原始振动信号振动特征的故障特征分量。通过与SVD优化LMD方法对比可知,该方法完整地提取了工业机器人交叉滚子轴承振动信号的微弱故障特征分量,改善了模态混淆现象。     

基于EEMD和自相关阈值降噪的滚动轴承故障诊断

为减少噪声对滚动轴承故障特征提取的影响,文章提出了一种基于集合经验模态分解(EEMD)和自相关阈值降噪相结合的滚动轴承故障诊断方法。首先对原始信号进行EEMD分解,然后将得到的各阶IMF分量分别进行自相关阈值降噪,最后重组降噪后的各阶IMF分量并通过包络分析提取故障频率特征进行故障诊断。通过仿真信号和实验数据验证表明,文章所提出的方法能够有效提取各阶IMF分量中的有用信号,有效解决了基于IMF系数选择方法的问题,证明文中提出的方法具有良好的可行性和有效性。     

基于SVD和VMD的轴承微弱故障特征提取及分析

针对轴承微弱故障时冲击信号含有大量噪声且难以提取故障特征频率问题,提出了一种基于奇异值分解(SVD)和变分模态分解(VMD)的轴承故障特征提取方法.该方法先对原始信号进行SVD去噪;再对去噪信号进行VMD分解,得到各个本征模态函数(IMF),根据最大中心频率原则和各个本征模态与去噪信号的相关系数差值确定分解个数,通过加...     

基于改进的G-SVSLMS与冗余提升小波的滚动轴承故障诊断

噪声的干扰导致滚动轴承早期故障信号不易被发现,有效滤除噪声信号是实现设备早期故障诊断的关键。对基于Sigmoid函数的变步长自适应算法(G-SVSLMS)进行相关性改进,并将该方法应用于振动信号的初始降噪。根据冗余提升原理对一次降噪后信号进行再降噪,从而实现设备振动信号的有效的提取。实验及工程数据分析表明该复合方法的应用效果明显高于单一滤波方法。     

基于小波改进阈值去噪与LMD的滚动轴承故障诊断研究

为从含有强烈噪声干扰的滚动轴承振动信号中提取故障特征信息,提出了一种小波改进阈值去噪与局部均值分解(LMD)相结合的故障诊断方法。首先,根据构造小波改进阈值函数需满足的必要条件以及滚动轴承振动信号特征,提出了适应于滚动轴承振动信号的抛物线平滑阈值函数,利用其对振动信号进行去噪预处理;然后,对去噪后的振动信号进行LMD分解得到若干乘积函数分量(PF);最后,根据相关系数筛选出有效PF分量,并对其进行包络解调,提取故障特征频率。仿真分析和应用实例结果表明,该方法能有效提取滚动轴承故障特征信息,实现滚动轴承的故障诊断。     

基于改进VMD-SVD降噪的齿轮箱故障特征提取

强噪声背景下的齿轮箱振动信号故障特征提取困难,变分模态分解(VMD)和奇异值分解(SVD)都是有效的降噪方法,将两种方法结合起来有更好的降噪效果.但是若噪声非常强,甚至淹没了部分有用信息,传统的VMD-SVD联合降噪就会将部分有用信息与噪声一起滤掉.在传统的VMD-SVD联合降噪的基础上,提出了改进VMD-SVD的降噪...     

基于MED-FWEO的滚动轴承故障检测

频率加权能量算子(FWEO)能够通过对信号瞬时能量的追踪消除信号中的噪声分量,突出故障冲击分量,对于轴承信号的处理具有较强的抗干扰性,然而对强噪声干扰下的信号则效果不够理想。针对该问题,提出将最小熵解卷积(MED)用于信号的预处理,以此消除信号采样过程中的传递噪声干扰,增强信噪比;而后以FWEO对处理后信号的瞬时能量进行追踪,从能量的角度进行故障特征的二次增强;最后通过包络谱分析获得诊断结果。仿真数据、实验室数据均表明所提方法能够在受强噪声干扰下的轴承故障信号中大幅消除噪声,准确提取出故障分量。     

基于样本熵的改进小波降噪在微电机质量检测中的应用

微型电机振动信号信噪比低,环境噪声复杂,对噪声信号进行有效去除是对其进行质量检测的关键步骤。针对传统小波降噪阈值函数连续性差、降噪效果不理想等问题,提出一种基于样本熵的改进小波阈值函数,能够根据信号混乱程度自动对阈值函数进行调节。仿真结果表明：在低信噪比环境下,基于样本熵的改进阈值函数降噪效果明显优于传统阈值函数和普通改进阈值函数,信号信噪比得到显著提升。对微型电机异音信号进行降噪处理和特征提取,结合SVM分类器进行训练测试,试验结果表明：改进的小波降噪算法能够有效去除电机信号环境噪声,提取有效的信号特征,对出厂电机性能优劣进行准确判断。该方法将为微型电机厂家大规模质量检测提供理论依据和支持。     

基于DT-LMD机床轴承故障信号提取研究

为了准确得到机床故障轴承的运行状态,结合双树复小波变换(Daul-Tree Complex Wavelet Transform,DT-CWT)和局域均值方法 (LMD)分解的方法提出了一种新的方法 (DT-LMD),对轴承故障振动信号提取,首先利用双树复小波变换对信号进行降噪和重构,其次通过局域均值方法分解,再次利用该方法对机床轴承实际振动信号进行分解,提取其能量特征值并将特征值进行归一化处理,得到各个分量的能量值;最后判断轴承的故障类型。