VMD和CICA在齿轮箱故障诊断中的应用

针对齿轮箱故障信号微弱且易受周围噪声影响的问题,提出了一种基于变分模态分解(variational mode decomposition, VMD)的约束独立分量分析(constrained independent component analysis, CICA)算法。利用单通道加速度传感器采集齿轮箱的混合故障信号,通过VMD算法将混合信号分解为多个不同的本征模态函数(intrinsic mode function, IMF),然后依据峭度和互相关系数选取有效的IMF分量进行重构信号,对于重构信号利用CICA进行降噪处理,根据CICA降噪后得到齿轮和轴承的故障特征,对齿轮和轴承混合故障进行仿真及实验研究,结果表明,VMD-CICA算法可以很好地提取齿轮和轴承的故障特征频率,同时与经验模态分解-约束独立分量分析(EMD-CICA)和集成经验模态分解-约束独立分量分析(EEMD-CICA)算法相比得到的故障特征频率更明显。     

工程机械齿轮箱复合故障诊断研究

针对工程机械中齿轮箱复合故障信号受实际工况下强噪声影响的问题,本文提出集合经验模态分解(EEMD)和小波包进行故障诊断。首先对采集的信号进行降噪,其次运用EEMD方法对降噪信号进行分解,最后采用快速独立分量分析(FastICA)对重构信号进行分离提取。通过实测验证表明,此方法在齿轮箱故障诊断上可行。     

基于CMCKD的自适应循环泵轴承故障诊断研究

针对某热源厂循环泵工作环境恶劣,其轴承发生故障难以及时检测、停泵影响供热运行安全的问题,提出了基于最大相关峭度解卷积(MCKD)的自适应轴承故障诊断方法.该方法首先对轴承的原始信号进行采集,之后通过混沌灰狼算法(CGWO)对MC KD的滤波器步长就行迭代选取,构建最优参数的MC KD对原始振动信号进行最大相关峭度解卷积...     

基于半圆形态梯度滤波和ITD的齿轮故障诊断研究

为了提高齿轮故障诊断的准确性与效率,针对齿轮信号的非平稳时变特性,本文采用半圆形态梯度滤波与固有时间尺度分解(Intrinsic Time-scale Decomposition,ITD)相结合方法。首先选取形态算子,寻求适合齿轮降噪的结构元素对齿轮信号进行降噪;其次采用ITD对降噪后的信号进行分解。半圆形态梯度滤波处理频率范围宽,具有平移不变性等优点,能够有效去除噪声且保留有效信息成分。ITD自适应分解能力强,在信号处理过程能够保留原始信号的特征信息。实际应用结果表明,两者结合的方法具有更好的降噪效果和更高的计算精度,保留了故障特征信息,为齿轮的故障诊断提供有效信息。     

基于小波去噪—经验模态分解和支持向量机的塔机起升机构轴承故障诊断

针对塔机起升机构轴承故障振动信号特点,提出了一种基于小波降噪—经验模态分解(Empirical Mode Decomposition,EMD)和支持向量机(Support Vector Machine,SVM)的塔机起升机构轴承故障诊断方法。首先,对采集到的振动信号进行小波降噪,接着通过EMD方法将降噪后的振动信号分解为若干个本征模态函数(Intrinsic Mode Function,IMF),构造IMF能量矩,最终将提取的能量矩作为输入来建立支持向量机,实现智能化诊断。实验结果表明该方法能有效地应用于塔机起升机构轴承故障诊断中。     

一种基于解调技术的电机故障诊断方法

本文针对电机故障诊断提出了一种解调方法。首先,对复杂信号进行经验模式分解,得到若干个本征分量,再对包含调制信号的本征分量进行包络解调以提取故障信息。该方法可实现故障信息的有效分离,提高了诊断信号的信噪比,为基于信号分析的故障诊断提供了一种可行的途径。     

基于ITD和模糊聚类的齿轮箱故障诊断方法

为提高齿轮箱故障诊断的准确性与效率,针对其振动信号非线性和非平稳性的特点,提出将固有时间尺度分解(ITD)和模糊聚类(FCM)相结合的齿轮箱故障诊断方法。首先对齿轮箱振动信号进行固有时间尺度分解,提取包含主要故障信息的前4个固有旋转分量(PRC),求取PRC的特征能量作为故障特征向量。然后利用模糊C-均值聚类算法对齿轮箱故障进行识别与诊断,并将该方法应用到现场齿轮箱的诊断中。结果表明,诊断结果与实际情况完全相符,该方法比经验模式分解与模糊聚类相结合的方法具有更高的计算速度和精度,为齿轮箱故障诊断提供了一种新的有效方法。     

改进Hilbert-Huang变换的滚动轴承故障诊断

以自适应噪声完备集合经验模态分解(CEEMDAN)为基础,提出了一种改进的Hilbert-Huang变换(HHT)时频分析法。对滚动轴承振动信号进行CEEMDAN获得一组本征模态函数(IMF)。通过自动提取敏感IMF算法,筛选特征敏感IMF分量,计算特征敏感IMF分量的Hilbert包络谱和HHT二维时频谱,提取故障特征频率信息。研究结果表明:CEEMDAN算法有效降低了模态混叠,比经验模态分解(EMD)算法和集合经验模态分解(EEMD)算法具有优越性。将改进的HHT与自动提取敏感IMF算法相结合,可以有效分解信号的特征信息,筛选出含有故障特征信息的敏感IMF,剔除背景噪声和无故障IMF的干扰,有效提取轴承振动的故障特征频率,诊断出轴承故障的发生部位。     

冗余提升多小波包的构造及其应用

针对提取隐藏在原始振动信号中的弱周期性冲击信号,提出结合冗余提升多小波包(RLSMWP)及滑动窗奇异值分解(SWSVD)降噪的方法。利用提升方案实现具有5阶逼近阶性质的冗余Haar预处理,对信号进行预滤波,获得2重矢量信号。对多小波分解得到的矢量细节信号进行进一步分解,实现冗余提升多小波包变换。对最后一层各输出通道信号进行SWSVD降噪,重构后获得降噪信号。结果表明,RLSMWP与SWSVD相结合具有很好的降噪效果,提取出了隐藏在气阀振动信号中的弱周期性冲击成分;与传统多小波构造方法相比,新方法在时域实现了预滤波、多小波分解、多小波重构及后处理,具有计算简单、节省内存、运算速度快、可完全重构等优点。     

大型机电设备故障信号实时采集方法研究仿真

大型机电设备工作环境复杂,故障频发,需要对故障信号进行实时采集和有效检测。传统方法采用时频分析的统计信号处理进行故障信号采集,对低信噪比的故障信号检测性能不好。提出一种基于非线性时间序列分析和相空间重构的大型机电设备故障信号实时采集方法,实现故障的检测和诊断。构建大型机电设备的故障数据检测模型,基于相空间重构分析的故障诊断方法,通过经验模态分解方法提取故障信号的特征信息,以此为数据基础建立智能专家系统,实现大型机电设备的故障诊断。在大型机电设备3种工况模式下测试大型机电设备的性能,得到信号采集时域波形,并进行相空间重构分析,实现故障分类诊断仿真,仿真实验表明,采用该方法进行故障信号的实时采集和故障诊断,故障分类性好,故障检测和诊断的效率较高。