基于EMD的多尺度形态学解调方法及其在机械故障诊断中的应用

为从机械故障信号中提取包含故障信息的特征频率,提出了基于EMD的多尺度形态学解调方法,该方法首先采用EMD方法将故障信号分解为有限个IMF分量,从中选取包含故障主要信息的IMF分量求和重构信号,再进行多尺度形态学解调,从而提取机械故障特征频率信息。将该方法用于滚动轴承、齿轮的故障诊断中,并与Hilbert包络方法比较,结果表明该方法能更好地提取故障特征频率,且对含噪故障信号也有较好的分析效果。     

基于VMD和变尺度多稳随机共振的微弱故障信号特征提取方法

针对强噪声背景下旋转机械早期故障诊断的难题,提出一种基于变分模态分解与变尺度多稳随机共振的微弱故障信号特征提取方法。首先应用参数优化的变分模态分解(variational mode decomposition, VMD)算法对微弱故障信号进行分解, 得到若干本征模态分量(intrinsic mode function, IMF);然后通过峭度准则筛选出其中峭度最大的IMF分量;最后对该IMF分量进行变尺度多稳随机共振, 实现微弱故障信号的增强。实例表明:在强噪声背景下,利用参数优化VMD分解与变尺度多稳随机共振相结合的方法,可以有效提取出微弱信号特征频率,实现旋转机械故障状态的准确判断。     

基于VMD的自适应形态学在轴承故障诊断中的应用

为有效提取滚动轴承信号的特征频率,提出了基于变分模态分解(VMD)的自适应形态学的特征提取方法。首先利用VMD将目标信号分解为有限个模态信号,依据互信息法提取与原始信号相关的模态信号,将其进行求和重构;然后利用形态学对重构信号进行降噪处理,提取出滚动轴承的特征频率。针对形态学固有统计偏移和结构元素的选择问题,利用粒子群算法来优化改进的广义形态学滤波器,实现自适应滤波。通过数字仿真实验与滚动轴承故障试验分析,将其与基于经验模式分解(EMD)的自适应形态学、包络解调方法进行比较,结果表明该方法可以有效提取故障信号的特征频率。     

基于IMF特征提取的滚动轴承故障诊断

滚动轴承故障诊断的关键是敏感故障特征的提取。模糊熵(Fuzzy Entropy,FE)是一种检测时间序列复杂程度的方法,已广泛应用于故障诊断。由于机械系统的复杂性,振动信号的随机性表现在不同尺度上,因此需要对振动信号进行多尺度的模糊熵分析。在此基础上,提出了基于经验模态分解(Empirical Mode Decompose,EMD)和模糊熵的滚动轴承故障诊断方法。首先,采用EMD方法对振动信号进行分解,得到不同尺度的内禀模态函数(Intrinsic Mode Function,IMF)并计算包含主要故障信息的IMF分量的模糊熵;其次,对IMF分量的模糊熵值进行基于样本分位数的特征提取;最后,将分位数值作为特征向量,输入基于优化算法的支持向量机。将该方法应用于滚动轴承实验数据,分析结果表明,此方法可有效实现滚动轴承的故障诊断。     

基于经验模式分解和排列熵的轴承故障特征提取

针对滚动轴承故障声信号故障诊断中共振解调滤波参数较难确定以及故障诊断困难的问题,提出一种基于经验模式分解和排列熵的改进滚动轴承故障诊断解调方法。该方法首先对滚动轴承声信号进行经验模式分解,将其分解为多个本征模态分量;然后计算各本征模态分量的排列熵值和相关系数,根据联合系数最大化原则对筛选出的分量进行信号重构;最后,利用快速谱峭度对重构信号进行滤波分析,将峭度值最大的频段进行平方包络提取特征频率。将该方法用于滚动轴承故障声信号的实际数据进行分析,结果表明该方法能够有效提取滚动轴承故障特征,并且相较于传统的包络解调具有更好的效果。     

小波变换和EEMD-马氏距离的轴承故障诊断

机械故障的声发射信号中往往掺杂着各种干扰和噪声,为解决这一问题,提出了小波变换、集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)和马氏距离相结合的滚动轴承故障诊断方法;首次将马氏距离引入到轴承声发射信号的故障诊断中。该方法首先对故障轴承的声发射信号进行小波去噪处理,再对去噪后的信号进行EEMD分解,将其分解为多个固有模式函数(简称IMF)。其次采用马氏距离的方法消除EEMD分解结果中的虚假分量,提取能够反映轴承故障特征的IMF分量,突出高频共振成分。最后,通过瞬时Teager能量的Fourier频谱识别轴承故障的特征频率。仿真信号和滚动轴承外圈声发射信号的实例分析表明:此方法能很好地去除混杂在轴承声发射信号中的噪声,准确地识别出轴承故障的部位。     

基于VMD-SVD能量标准谱-Teager能量算子的轴承故障诊断方法

对难以提取处于微弱故障状态的滚动轴承非线性、非平稳时变特性振动信号中故障特征频率的问题,提出基于VMD-SVD能量标准谱-Teager能量算子联合诊断方法。首先,对预处理后轴承微弱故障信号进行VMD分解,根据各模态分量(IMF)中心频率确定最优模态数K,再由各IMF分量峭度和相关系数指标确定包含故障信号的敏感IMF。然后,对选取模态分量的Hankel矩阵进行SVD分解,由奇异值能量标准谱确定有效奇异值数量,实现对信号的降噪重构。最后,利用瞬时Teager能量算子及其频谱分析识别微弱故障产生的周期性冲击特征频率。运用该方法处理滚动轴承微弱故障信号,能准确提取故障特征频率及倍频,文中证明了其准确性和有效性。     

基于MPA-VMD的滚动轴承故障诊断方法

针对变分模态分解方法（Variation mode decomposition, VMD）在提取滚动轴承振动信号的故障特征频率时受参数设置影响及敏感模态分量的选取问题,构建一种基于海洋捕食者算法（Marine Predator Algorithm,MPA）优化变分模态分解的滚动轴承故障诊断方法。首先,利用以包络熵为适应度函数的海洋捕食者算法对变分模态分解算法的模态个数K和二次惩罚因子α进行自适应选定;其次,使用获得的最佳参数组合对故障振动信号进行变分模态分解,得到多个本征模态分量（Intrinsic Mode Function,IMF）;最后,计算各模态分量的平方包络基尼系数（Squared Envelope Gini Index,SEGI）,选择系数最大的模态作为最优IMF并进行包络分析,提取相应的故障特征频率。通过公开数据集和实验数据验证表明该方法可解决VMD受参数设置影响的问题,成功诊断轴承故障。且相比于峭度和相关系数指标,平方包络基尼系数指标在筛选最优IMF具备更佳的准确性和鲁棒性。     

基于EEMD自适应形态学在齿轮故障诊断中的应用

为了从齿轮故障信号中提取出包含故障信号的特征频率,提出了基于EEMD自适应形态学解调方法。首先采用EEMD(集合经验模式分解)进行降噪,将原始信号与不同的白噪声叠加组成目标信号,然后将目标信号分解为有限个IMF分量,选取主要信息求和重构,再用形态学滤波器提取故障信号的特征频率。针对形态学结构元素尺寸的选择问题,利用遗传算法来优化形态学结构元素,自适应寻求最优解。通过数字仿真试验和齿轮故障模拟实验,并与EMD(经验模式分解)、SVD(奇异值分解)方法进行了比较,结果表明该算法要优于其他两种方法,能够清晰地提取出故障信号的各种频率特征。     

基于改进EMD和滑动峰态算法的滚动轴承故障特征提取

针对滚动轴承故障特征往往被强背景噪声淹没的特点,提出一种基于改进经验模态分解(Empirical Mode Decomposition,EMD)与滑动峰态算法的滚动轴承故障特征提取方法。首先利用EMD方法分解原故障信号得到一组平稳固有模态分量(Intrinsic Mode Function,IMF)。然后采用互信息和广义相关系数筛选法消除传统EMD分解结果中虚假分量,并运用滑动峰态算法对真实IMF分量处理得到滑动峰态时间序列。最后计算滑动峰态序列频谱提取故障特征频率。滚动轴承的实例研究结果表明：该方法能够有效提取滚动轴承故障特征,可以取得比直接滑动峰态算法和传统包络解调分析更好的效果。     

噪声协助的EMD-1.5维谱信号抗混分解与特征提取

针对大型动力装备核心部件微弱故障特征信息提取问题,提出了一种噪声协助的EMD-1.5维谱故障诊断方法。经验模式分解(EMD)方法中,信号极值点间隔特性影响模式混淆现象的出现,针对此状况提出信号极值点间隔特性评价方法,分析高斯白噪声有助于信号抗混分解原理,通过对原始信号加入高斯白噪声得到噪声协助的EMD方法,提高信号抗混分解能力。将1.5维谱与噪声协助的EMD方法结合,得到一种新的故障特征提取方法,该方法具有对信号进行有效抗混分解、提取非线性耦合等特性,并以此来提取故障的微弱特征信息。通过仿真研究与电力机车滚动轴承的故障诊断工程实例,验证了该方法的有效性。     

基于经验模式分解的滚动轴承故障诊断方法

针对水泵电机轴承故障振动信号噪声大和非平稳性的特点,提出了基于经验模态分解的诊断方法;通过对原始信号进行经验模态分解,得到包含故障特征的固有模态分量,从而可以提取出故障频率.该方法应用于外圈、内圈和滚动体故障诊断,取得了很好效果.     

基于噪声辅助信号特征增强的滚动轴承早期故障诊断

针对滚动轴承振动信号特征提取在滤除干扰噪声的同时会将部分有用信号滤除,造成特征信号丢失的问题,提出了一种基于噪声辅助信号特征增强的滚动轴承早期故障诊断方法。采用广义多尺度排列熵筛选准则筛选振动信号,并通过粒子群优化算法优化Duffing振子系统参数,实现Duffing振子系统、输入信号与噪声间的最优匹配,从而提高随机共振效果,将部分背景噪声能量转移到滚动轴承早期微弱故障信号特征上,实现了早期微弱故障信号特征的增强。将所提方法应用于滚动轴承全寿命状态早期故障诊断,并与基于VMD的自适应形态学方法相比较,结果表明了该方法的有效性和可行性。     

基于改进自适应变分模态分解的滚动轴承微弱故障诊断

滚动轴承早期故障信息微弱,且混有大量背景噪声,难以提取其故障特征。提出了一种改进的自适应变分模态分解(AVMD)与Teager能量谱的微弱故障诊断方法。将最小平均包络熵(MMEE)作为目标函数,自动搜寻影响参数最佳值,确保变分模态分解(VMD)实现最优分解,并提出加权峭度指标(WK)用于选择有效模态分量进行信号重构,对重构信号进行Teager能量谱分析,从而识别故障特征频率。对轴承微弱故障振动信号的研究表明,所提方法改进了传统VMD算法分解精度受参数影响较大,导致信号出现过分解或欠分解的问题;与集合经验模态分解和局部均值分解算法相比所提方法具有更强的噪声鲁棒性和故障信息提取能力。     

基于LMD-MFE和DHMM的滚动轴承故障诊断算法

针对滚动轴承在恶劣环境影响下,其特征信息难以被有效提取出来的问题,提出一种基于局部均值分解(Local Mean Decomposition,LMD)和多尺度模糊熵(Multiscale Fuzzy Entropy,MFE)的滚动轴承故障诊断算法。首先,利用LMD对轴承振动信号进行分解,得到一系列乘积函数(Product function,PF)分量,并与经验模态分解(Empirical Mode Decomposition,EMD)进行对比,分析其优越性;然后对每一个分量分别提取MFE特征,同时与多尺度样本熵(Multiscale Sample Entropy,MSE)进行对比,分析MFE的优越性;最后结合各个轴承状态的类间平均距离对多个尺度因子下的熵值进行优选,筛选出可分性良好的敏感特征集,并输入到离散隐马尔科夫模型(Discrete Hidden Markov Models,DHMM)模式分类器中对轴承故障类型进行诊断识别。实验结果表明,所提出的基于LMD和MFE的轴承故障诊断算法能较好识别出多种轴承故障类型。     

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EEMD和改进的形态滤波方法的轴承故障诊断研究

轴承故障会导致振动信号中出现冲击响应成分,可通过对冲击响应成分的周期的检测与提取, 进行局部故障诊断。但在复杂工况下,故障脉冲易被周围噪声淹没,在分析EEMD和形态学滤波方法的基础上,将EEMD方法与形态学滤波方法相结合,提出结构元素(SE)选择方法,并用于本征模态信号中冲击响应特征的提取。通过将该方法用于轴承外圈、内圈局部故障状态下的特征的检测,结果表明该方法能有效提取周期性脉冲成分并抑制噪声。     

基于参数优化变分模态分解的滚动轴承故障特征提取方法

在滚动轴承早期故障阶段,代表轴承故障特征的冲击成分容易被较强的背景噪声淹没,针对这一问题提出相关峭度(Correlated Kurtosis,CK)优化变分模态分解(Variational Mode Decomposition,VMD)的滚动轴承故障特征提取方法。针对变分模态分解方法参数不确定问题,提出利用以相关峭度为适应度函数的蝗虫优化算法(Grasshopper Optimization Algorithm,GOA)对变分模态分解参数进行自适应选定。针对故障信号经优化变分模态分解处理后模态分量的筛选问题,以相关峭度为指标,挑选具有最大相关峭度指标的模态分量进行包络解调分析,提取轴承信号中的故障特征信息。仿真及实测信号处理结果证明,该方法能在强噪声背景下准确提取滚动轴承故障信号的微弱特征。     

应用改进的LMD和小波降噪于滚动轴承故障诊断

局域均值分解(Local Mean Decomposition, LMD)是近年出现的一种新的时频分析方法,在故障诊断领域的应用日益广泛。本文提出一种改进的局域均值分解和小波降噪结合的降噪方法,并与小波变换的信号降噪方法、基于集合经验模态分解（Ensemble empirical mode decomposition, EEMD）和小波的信号降噪方法进行对比,利用信噪比和均方根误差比较降噪效果。再通过滚动轴承内外圈故障信号的频谱分析实例,证明该方法很好地去除混杂在故障信号中的噪声,准确地判断出滚动轴承发生故障的类型及部位。