基于变分模态分解与最小熵解卷积的齿轮故障诊断

为了准确地进行齿轮故障诊断,结合变分模态分解和最小熵解卷积,给出了一种新的故障诊断方法。首先,以包含啮合频率的分量的包络峭度最大作为原则,确定变分模态分解的分量个数;然后,将齿轮振动信号运用变分模态分解,得到多个分量;选取包含啮合频率的分量作为敏感分量;接着,应用最小熵解卷积,将敏感分量降噪;最后,应用包络分析技术进行故障诊断。通过齿轮断齿故障振动数据的分析,验证了方法的有效性。     

自适应经验小波塔式分解的齿轮微弱故障诊断方法

针对强背景噪声下齿轮微弱故障特征难以有效提取的问题,本文提出了一种基于自适应经验小波塔式分解的齿轮故障诊断方法 .首先,在齿轮故障信号傅立叶变换基础上,通过设定分解层数对信号频谱进行有效划分,进行经验小波变换;然后进一步提出时-频峭度指标,绘制信号在不同分解层数下各分量信号的时-频峭度图,确定所感兴趣的最优共振频段范围;最终得到最优单分量信号,利用包络解调分析提取齿轮微弱故障特征.采用所提方法对齿轮故障信号进行分析,结果表明该方法可以有效提取齿轮微弱故障特征,而传统经验小波方法因为受强背景噪声影响较大,无法准确提取齿轮微弱故障特征信息.     

一种采煤机截割部滚动轴承故障诊断方法

针对采煤机截割部滚筒轴承结构复杂极易损坏,且单凭借人为经验难以对故障进行定位判别的问题,提出了一种基于入人工蚁群-模拟退火算法的自适应时变滤波经验模态分解方法,去掉了原始振动信号中的低频干扰,画信号快速峭度图以峭度最大处对应的中心频率和带宽来设定带通滤波器参数,以进一步突出信号的高频特征,对经过处理后的信号平方包络后画包络谱图,将计算所得理论故障频率和包络谱图最大幅值处所对应的频率对比,从而对故障类型进行判别;通过采煤机试验表明所提方法能够适用于采煤机实际工程应用,可以有效消除信号中低频干扰部分,提高振动信号的峭度特征,并在不同转速和不同故障尺寸的条件下下分别达到100%和88.9%的故障判别率。     

带式输送机传动滚筒轴承故障智能诊断

带式输送机工作环境恶劣,导致采集获得的滚动轴承信号受噪声影响较大,很难提取故障信号的特征频率。针对上述问题,提出了一种带式输送机传动滚筒轴承故障智能诊断方法。通过对滚动轴承振动信号的谱峭度进行分析,识别出瞬态冲击及其在频带中分布位置,同时根据谱峭度最大化原则确定最优中心频率和带宽,由此设计带通滤波器对滚动轴承信号进行滤波;对经过滤波处理后的滚动轴承有效信号进行谱峭度分析,确定故障特征信号,再进行希尔伯特变换获得包络谱,最终获得准确的故障特征。仿真结果表明,通过自适应谱峭度特征提取后,倍频信号更加清晰,特征频率更加明显准确,能有效识别滚动轴承故障。     

基于差分进化变分模态分解的直升机行星轮系故障监测

作为传动系统的核心减速部件,行星轮系故障监测对直升机的飞行安全至关重要,而行星轮系复杂且独特的齿轮传动结构使振动信号呈现非常复杂的信号形态,针对复杂信号背景下故障特征的提取难题,提出了基于差分进化变分模态分解(Differential Evolution Variational Mode Decomposition,DEVMD)的直升机行星轮系故障监测方法。方法集成重叠组收缩(Overlapping Group Shrinkage,OGS)算法作为前置滤波进行背景噪声抑制,结合DEVMD方法的高性能模态分解能力剥离出其他旋转部件的信号分量,获得行星轮系故障敏感信号分量,最后提取出峭度-包络谱熵作为故障指示因子进行直升机行星轮系故障监测,实验结果证明了方法的有效性。     

基于变分模态分解改进方法的滚动轴承故障特征提取

针对滚动轴承早期故障振动信号信噪比低、故障特征提取困难的问题,提出了基 于多相关-变分模态分解(MC-VMD)的滚动轴承故障诊断方法。首先对多加速度传感器采集到的 信号进行多相关处理以突出故障信号特征;然后通过VMD 自适应地将信号分解成多个本征模 态分量(IMFs),运用谱峭度法和包络解调对相关峭度较大的分量进行分析;最后通过包络谱识 别出滚动轴承的工作状态和故障类型。将该方法应用到滚动轴承故障实例数据中,实验结果表 明,该方法可有效提取滚动轴承故障特征频率信息。     

基于奇异值分解及形态滤波的滚动轴承故障特征提取方法*

针对滚动轴承振动信号故障特征信息往往被强背景噪声淹没的问题,提出一种基于奇异值分解和形态滤波的振动信号故障特征提取方法。该方法利用信号时间序列重构的吸引子轨迹矩阵奇异值分布特征与信号自身特征的关系,选择轨迹矩阵中主要反映冲击信息明显的奇异值进行信号重构的方法来滤除信号中的平滑信号和部分噪声,获取带噪声的冲击信号;然后利用形态滤波能有效滤除脉冲干扰噪声的特点,反其道而行之,从而提取信号的冲击故障特征的方法,并将该方法应用于轴承的振动信号的故障特征提取。仿真与实例表明,该方法能有效提取强背景信号及噪声中的弱冲击特征信号,是一种有效的弱信号特征提取方法。     

基于卷积自编码神经网络的航空发动机轴承故障诊断方法研究

航空发动机轴承早期故障多是由于裂纹、疲劳剥落和保持架损坏造成的,这类型的故障在发动机振动信号中均会产生瞬时的冲击;但是,在早期故障中,振动信号由于夹杂过多部件耦合激励,缺陷冲击信号很难辨识,早期故障诊断十分困难;采用了基于卷积自编码网络的航空发动机轴承早期冲击故障特征提取方法,通过分析信号中冲击成分的周期性,利用卷积自编码网络的平移不变学习特性,自动捕获信号中的周期成分,将信号分解为由卷积核重构的多个特征分量,实现信号特征分量的自学习,考虑到峭度指标对信号冲击成分描述的特点,使用峭度指标作为最优特征分量的选取指标,进而实现早期冲击故障特征的提取;最后利用仿真数据和轴承数据验证了该方法的有效性.     

轴承早期故障特征提取方法研究

针对滚动轴承早期故障信号被背景噪声淹没、故障特征不明显的问题,提出一种基于小波包分解和互补集合经验模态分解(CEEMD)的轴承早期故障信号特征提取方法.利用Matlab软件对采集到的轴承振动信号进行快速谱峭度分析,根据峭度最大化原则确定带通滤波器的中心频率和带宽,设计带通滤波器;对经过带通滤波器滤波后的信号进行小波包分解和CEEMD分解,根据峭度、相关系数筛选出有效本征模态函数(IMF)分量;利用IMF分量重构小波包信号,对重构小波包信号进行包络谱分析,提取轴承早期故障信号特征频率.该方法通过谱峭度分析降低背景噪声干扰,通过小波包分解增强故障冲击信号,并将CEEMD与小波包分解相结合,解决经典EMD分解存在的模态混叠、无效分量问题.仿真结果表明,相较于传统包络解调算法,重构后信号的背景噪声得到抑制,故障特征分量突出,验证了所提方法的可行性和有效性.     

基于广义形态滤波和MRSVD的故障诊断方法研究

为了从复杂工况下获取滚动轴承故障信息,提出了一种基于广义形态滤波和多分辨奇异值分解（Multi-Resolution Singular Value Decomposition,MRSVD）相结合的方法。首先利用广义形态学滤波方法对振动信号进行降噪预处理;然后利用MRSVD对降噪后的振动信号进行分解;最后通过峭度准则选取故障特征最丰富的细节信号,并对其进行Hilbert包络谱分析。将提出的方法应用于滚动轴承的故障检测,实验结果表明该方法能清晰地提取故障特征信息。     

基于MOMEDA与双谱分析的滚动轴承早期故障诊断

滚动轴承早期故障阶段,故障特征微弱且环境噪声干扰严重,采集数据包含大量噪声信息,传统的包络谱分析难以提取故障特征信息。双谱分析理论上可以抑制高斯噪声,但很难从强背景噪声下提取出微弱故障特征。而多点最优调整的最小熵解卷积（Multipoint Optimal Minimum Entropy Deconvolution Adjusted,MOMEDA）方法能增强信号中的冲击特征,但其效果和故障信号周期区间等参数有关。利用MOMEDA与双谱分析进行信号处理,将提取到的信号高阶谱特征作为滚动轴承早期故障分类依据。利用MOMEDA方法对采集信号进行滤波处理,提取出有冲击特征的时域信号;对特征增强的信号进行双谱分析,从高阶谱中提取故障特征。经过仿真信号分析和实际轴承故障信号验证,该方法能有效地提取出滚动轴承早期故障特征,实现故障诊断。     

基于MCKD-EEMD近似熵和TWSVM的齿轮箱故障诊断

在复杂环境下齿轮箱信号往往会淹没在噪声信号中,特征向量难以提取;为了有效地进行故障诊断,提出了基于最大相关反褶积(MCKD)总体平均经验模态分解(EEMD)近似熵和双子支持向量机(TWSVM)的齿轮箱故障诊断方法;首先采用MCKD方法对强噪声信号进行滤波处理,在采用EEMD方法对齿轮箱信号进行分解,分解后得到本征模函数(IMF)分量进行近似熵求解,得到齿轮特征向量,最后将其输入到TWSVM分类器中进行故障识别;仿真实验表明,采用MCKD-EEMD方法能够有效地提取原始信号,与其他分类器相比,TWSVM的计算时间短,分类效果好等优点。     

一种有效的齿轮故障识别方法

针对齿轮故障特征信息往往被信号中的噪声淹没的问题,提出了一种基于谐波小波包、样本熵和灰色关联度的齿轮故障识别方法。首先,采用顺序形态滤波器,并结合实际选用最简单的直线结构元素,对实测齿轮振动信号进行顺序形态滤波降噪预处理。然后,采用谐波小波包将不同故障的齿轮振动信号分解到3层共8个频带上,并计算各频带的样本熵。最后,以样本熵为元素构造特征向量,通过计算标准故障模式特征向量与待识别样本的灰色关联度来判断齿轮的工作状态和故障类型。试验结果表明,该方法能够有效地应用于齿轮系统的故障诊断。     

A new gear fault feature extraction method based on hybrid time–frequency analysis

Gear is one of the popular and important components in the rotary machinery transmission. Vibration monitoring is the common way to take gear feature extraction and fault diagnosis. The gear vibration signal collected in the running time often reflects the characteristics such as non-Gaussian and nonlinear, which is difficult in time domain or frequency domain analysis. This paper proposed a novel gear fault feature extraction method based on hybrid time–frequency analysis. This method combined the Mexican hat wavelet filter de-noise method and the auto term window method at the first time. This method can not only de-noise noise jamming in raw vibration signal, but also extract gear fault features effectively. The final experimental analysis proved the feasibility and the availability of this new method.     

小波包络新方法在液压泵故障诊断中的应用

提出了一种基于小波簇的带通滤波和包络解调新方法。通过合理的选择小波参数,用多个单Morlet小波组成的小波簇可构成具有零相移、平顶通带及快速衰减过度带特性的带通滤波器,用于提取振动信号的高频成分。由于该小波簇的虚部是实部的Hilbert变换,可实现包络解调,从而提取振动信号在高频谐振带的包络成分。将该方法用于轴向柱塞泵故障的诊断中,结果表明可有效地提取了故障特征频率,诊断结果验证了该方法的有效性。     

基于奇异值分解和小波包分析的液压泵振动信号特征提取方法

针对液压泵故障特征提取问题,提出了一种基于奇异值分解和小波包变换的液压泵振动信号特征提取方法.通过奇异值分解将噪声非均匀分布的液压泵振动信号正交分解为噪声分布相对均匀的分量,对各分量进行小波包阈值去噪,重构去噪后分量,对去噪后信号进行小波包分解,提取各频带能量特征.以齿轮泵为例,将该方法对齿轮泵的气穴故障、齿轮磨损和侧板磨损3种常见故障和正常状态的振动信号进行特征提取分析,结果表明,该方法可有效提取齿轮泵故障特征.     

基于WP-ICA及SVM的齿轮故障诊断研究

针对旋转机械设备齿轮故障诊断问题,为全面提取反映齿轮运行状态的特征信息,提出了基于WP(小波包)与ICA(独立成分分析)相融合的特征提取及SVM(支持向量机)相适配的故障诊断方法。用小波包对信号进行分析并提取其能量特征,采用独立成分分析方法对提取的能量特征进一步优化,进而得到反映齿轮运行状态的特征向量。最后采用支持向量机对齿轮运行状态的四种类型(正常、轻微故障、中等故障、断齿故障)进行诊断评估。通过纵向比较和横向比较研究表明,所提特征提取方法较单一的小波包特征提取方法更能全面反映齿轮状态信息。采用SVM方法进行齿轮故障模式诊断,较其它方法具有更高的分类准确率,达到了很好的诊断效果。