基于ISSA-VMD的滚动轴承早期故障诊断方法

针对滚动轴承早期信号微弱导致故障特征难以提取和故障诊断准确率不高的问题,提出了一种基于改进麻雀搜索算法-变分模态分解(ISSA-VMD)和样本熵(SE)的滚动轴承早期故障特征提取方法。首先,在轴承早期故障诊断过程中,模态分解个数和惩罚因子的选择对变分模态分解(VMD)的分解效果有着很大的影响,为消除人为选择参数的影响,将麻雀搜索算法(SSA)优化为改进麻雀搜索算法(ISSA),利用ISSA参数优化后的VMD方法对信号进行了分解;然后,计算了敏感固有模态函数(IMF)分量的样本熵,构成了特征向量;最后,将特征向量作为支持向量机(SVM)的输入,进行了滚动轴承早期故障类型的识别。研究结果表明：ISSA-VMD+样本熵特征提取模型的故障诊断准确率为98.3%,与SSA-VMD+样本熵、灰狼优化算法(GWO)-VMD+样本熵、鲸鱼优化算法(WOA)-VMD+样本熵、传统VMD+样本熵、经验模态分解(EMD)+样本熵等特征提取模型相比,故障诊断准确率分别提高了3.3%、6.6%、5%、3.3%、5%;该模型可以准确地提取故障特征,提高故障诊断准确率。     

基于EEMD-CNN的滚动轴承故障诊断方法

为了提高滚动轴承故障诊断的准确性,提出了基于集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)与卷积神经网络(Convolution Neural Networks,CNN)的故障诊断方法.首先使用EEMD对信号进行分解,并根据相关系数以及峭度值选取适当的本征模态函...     

基于经验模态分解的滚动轴承故障诊断方法

提出了一种基于经验模态分解的滚动轴承故障诊断方法，并定义了能量熵的概念。从不同状态的滚动轴承振动信号的能量熵值中发现，当滚动轴承发生故障时，各频带的能量会发生变化。为了进一步对滚动轴承的状态和故障类型进行分类，再从若干个包含主要故障信息的IMF分量中提取能量特征参数作为神经网络的输入参数来识别滚动轴承的故障类型。对滚动轴承的正常状态、内圈故障和外圈故障振动信号的分析结果表明，以经验模态分解为预处理器提取各频带能量作为特征参数的神经网络诊断方法比以小波包分析为预处理器的神经网络诊断方法有更高的故障识别率，可以准确、有效地识别滚动轴承的工作状态和故障类别。     

基于VMD和MED的滚动轴承故障诊断方法

为有效提取振动信号中的轴承故障特征,降低背景噪声和齿轮传动噪声影响,将VMD和MED相结合,首先采集强噪声轴承故障信号并进行VMD降噪,选取与原信号相关系数大的分量重构;然后将重构信号进行MED处理以增强故障信息;最后对信号进行包络谱分析,从中获得轴承故障特征频率信息。经实测信号并与EMD的对比分析比较表明:VMD+MED能够从实测信号中有效地提取齿轮箱轴承的故障特征频率及其倍频,而且较EMD法更具优势。     

基于CITD和同态滤波解调的滚动轴承故障诊断方法

针对轴承故障振动信号的非平稳特征和本征时间尺度分解(intrinsic time-scale decomposition,ITD)方法的缺点,提出了基于三次多项式的本征时间尺度分解方法(cubic polynomial-based intrinsic time-scale decomposition,CITD)和同态滤波的解调方法。首先采用CITD方法对轴承振动信号进行分解,将其分解为若干个合理旋转(proper rotation,PR)分量之和,然后用相关系数筛选出最能表征故障信息的PR分量进行重构,最后对重构信号运用同态滤波解调来提取故障特征。仿真信号与轴承故障诊断工程实例的分析验证了该方法的有效性。     

基于CITD和同态滤波解调的滚动轴承故障诊断方法

针对轴承故障振动信号的非平稳特征和本征时间尺度分解(intrinsic time-scale decomposition,ITD)方法的缺点,提出了基于三次多项式的本征时间尺度分解方法(cubic polynomial-based intrinsic time-scale decomposition,CITD)和同态滤波的解调方法。首先采用CITD方法对轴承振动信号进行分解,将其分解为若干个合理旋转(proper rotation,PR)分量之和,然后用相关系数筛选出最能表征故障信息的PR分量进行重构,最后对重构信号运用同态滤波解调来提取故障特征。仿真信号与轴承故障诊断工程实例的分析验证了该方法的有效性。     

基于EEMD和快速谱峭度的滚动轴承故障诊断研究

从经验模态分解(EMD)中得到的本征模态函数(IMF)存在模态混合现象,并且其末端效应影响分解效果,针对这一问题,以西安交通大学XJTU-SY滚动轴承中的振动数据为例,对其外圈振动的正常数据和失效数据分别进行了对比研究。首先,采用集合经验模态(EEMD)分别对正常和失效轴承的振动信号进行了分解,得到了各阶IMF分量;然后,通过峭度准则选择关键的IMF分量进行了信号重构,计算了重构的信号快速谱峭度,根据快速谱峭度得出的中心频率和带宽为依据,对重构信号进行了带通滤波处理;最后,对包络谱进行了对比分析,获得了滚动轴承的准确故障特征信息。研究结果表明:通过EEMD分解和快速谱峭度得出滤波后的重构信号降噪效果明显,可以得到良好的故障带宽和中心频率;该方法能有效测出XJTU-SY滚动轴承出现外圈故障时的振动频率。     

基于SAVMD与CNN结合的轴承故障诊断方法

由于长期受到复杂环境和设备的噪声信号干扰,旋转机械中轴承的早期不稳定、非线性的故障信号被掩盖,无法准确捕捉原始振动信号的故障特征,正确识别故障类型。针对现在故障状态的缺点,通过研究变分模态分解（Variational Mode Decomposition,VMD）法中的参数[K,α],使用物理系统退火的方式来选取全局优解,提出了模拟退火变分模态分解（Simulated Annealing Variational Mode Decomposition,SAVMD）的特征提取方法。用加权峭度评价指标重构本征模态函数（Intrinsic Mode Function,IMF）分量,将重构信号输入到卷积神经网络（Convolutional Neural Network,CNN）模型进行故障分类,再通过美国凯斯西储大学公开的轴承数据集验证所提方法,诊断准确率达99.28%。引入-6 dB的白噪声模拟高斯噪声环境进行验证,准确率达93.6%,结果表明能够在复杂干扰工况下实现故障轴承的诊断分类。     

基于形态学滤波和EEMD方法的风力发电系统滚动轴承故障诊断

将形态学滤波方法与EEMD方法相结合,提出一种新的滚动轴承故障诊断策略。设计开-闭、闭-开级联而成的组合形态滤波器对轴承故障振动信号进行消噪处理,然后利用EEMD自适应地将信号分解成多个分量,通过互相关系数方法消除EEMD分解结果中的虚假分量后,从而得到更准确的Hilbert-Huang谱,由此提取故障信息,判断故障类型。通过轴承故障诊断实例证明了该方法的有效性。     

基于改进的集合经验模态分解的电动机滚动轴承故障诊断研究

针对电动机轴承早期故障信号非线性非平稳性特征,造成故障信号特征提取和故障诊断困难,提出一种改进的基于添加自适应白噪声的完备集合经验模态分解与支持向量机结合的电动机轴承故障诊断方法。将美国凯斯西储大学测得的电动机轴承正常运行、滚动针体故障、外圈故障、内圈故障共4种信号分别用CEEMDAN和EEMD进行分解,得到多个模式分量,再将IMF能量法计算得到的特征向量引入支持向量机,进行电动机轴承故障识别。试验对比研究表明,该方法能更有效进行电动机轴承早期故障识别。     

基于NSP和SVM的滚动轴承故障诊断方法

针对滚动轴承故障诊断中难以获得大量典型的故障样本,以及统计参数对于滚动轴承故障的多分类效果不理想问题,提出了一种基于零空间追踪算法和支持向量机的故障模式识别方法。首先,根据轴承振动模型估计出相应的微分算子;然后,利用上述微分算子将轴承故障信号分解为一系列具备轴承故障特征的窄带信号之和;最后,计算各窄带信号的统计参数,构造特征向量并利用SVM进行故障模式识别。与传统SVM的对比分析试验结果表明:该方法的诊断准确率高达95%,比传统SVM提高了15%,可有效实现滚动轴承故障的模式识别。     

基于多特征参数和概率神经网络的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的非平稳特性,提出了一种基于多特征参数和概率神经网络的滚动轴承故障诊断方法。首先利用经验模态分解（EMD）方法将采集到的滚动轴承原始振动信号分解为有限个固有模式函数（IMF）之和,然后提取表征故障信息的若干个IMF的能量、峭度和偏度作为概率神经网络的输入参数来进行故障分类。试验结果表明,该方法可以准确、有效地识别滚动轴承的工作状态和故障类型,是一种可行的滚动轴承故障诊断方法。     

基于ICEEMD-FastICA的滚动轴承故障诊断方法

针对滚动轴承早期故障特征信号提取困难的问题,提出了一种改进完备集成经验模态分解(Improved Complete Ensemble Empirical Mode Decomposition,ICEEMD)和独立分量分析(Independent Component Analysis,ICA)联合故障诊断方法.该方法利用峭度准则将经ICEEMD得到的固有模态分量(Intrinsic Mode Function,IMF)重构后结合快速独立分量分析(Fast Independent Component Analysis,FastICA)进行降噪解混,明显降低被测信号中的噪声,并且在故障特征频率处能量幅值取得最大值,便于辨识故障特征.通过试验研究分析,表明该方法可以明显降低噪声干扰,突出故障频率成分.和ICEEMD与包络谱结合的方法对比,信噪比提高了 29.54％,能更准确地识别故障特征,达到对滚动轴承故障的判别需求,从而为轴承故障特征提取提供了一种新思路.     

基于改进VMD的滚动轴承故障诊断

为了降低环境噪声对滚动轴承故障特征信息提取结果的影响,并且提高诊断的准备率,提出了基于改进VMD的滚动轴承故障特征提取方法。首先应用VMD算法对采集的轴承原始信号进行分解,根据能量差曲线确定最佳的分解层数k;然后依据峭度准则,选取峭度值最大的分量作为敏感分量进行后续的分析,最后采用Hilbert算法对选取分量进行解调分析;从最后得到的谱图中便可准确地提取到故障特征频率。通过对仿真和实验室信号的分析,证明了改进VMD算法的有效性与可行性。     

基于WOA-VMD与PSO-SVM的滚动轴承故障诊断

滚动轴承工作环境恶劣且振动信号容易受到噪声干扰,使得轴承故障不易被识别。针对此问题,提出了鲸鱼优化算法变分模态分解（whale optimization algorithm variational mode decomposition, WOA-VMD）和粒子群算法优化支持向量机（particle swarm optimization support vector machine, PSO-SVM）的滚动轴承故障诊断方法,首先,采用WOA-VMD寻找分解层数和惩罚因子最优参数组合;其次,将轴承正常信号以及故障信号作为输入进行变分模态分解（variational mode decomposition, VMD）,得到若干个本征模态函数（intrinsic mode function, IMF）,计算各模态分量的样本熵值作为特征向量;再次,将特征向量分成训练集和测试集;最后,将分组的特征向量分别输入到支持向量机（support vector machine, SVM）模型与PSO-SVM模型中进行训练与故障诊断。结果表明,SVM模型故障诊断率分别为89.1667%和86.250 0%,PSO-SVM模型故障诊断率分别为100%和99.583 3%,轴承故障得到了有效识别。     

基于改进标准化EMD的滚动轴承故障诊断方法

基于传统的标准化经验模态分解方法在实际应用中存在没有考虑插值误差的影响、停机准则过于苛刻和计算得到的瞬时幅值不光滑带有毛刺等不足,提出了改进方法,并运用该方法对实际的轴承振动信号进行处理。结果表明:该方法可以有效提取滚动轴承故障特征频率,提高了轴承故障诊断的准确性。     

基于MEEMD-DHENN的滚动轴承故障诊断

针对滚动轴承故障信号非平稳、非线性的特点,提出了把改进的经验模态分解（ModifiedEnsembleEMD,MEEMD）与双隐层Elman神经网络（DoubleHidden-layerElmanNeuralNetwork,DHENN）相结合识别故障类型的方法。用MEEMD选出主要本征模态函数（PrincipalIntrinsicModeFunction,PIMF）,先计算出经补充的总体平均经验模态分解（ComplementaryEnsembleEmpiricalModeDecomposition,CEEMD）得到的各IMF的排列熵值,剔除虚假分量;再对其余分量进行重构用经验模态分解（Empiricalmodedecomposition,EMD）,计算各IMF的方差贡献率,排除贡献率最小的,即为PIMF,经希尔伯特变换求出其能量熵值,构成特征矩阵。构建了双隐层Elman神经网络对故障类型进行识别,通过经验公式与实验得到最佳隐层节点组合,最后与EMD-DHENN和MEEMD-ENN的测试结果相对比,表明基于MEEMD-DHENN识别方法只需迭代26步即可对轴承故障准确分类。     

基于EEMD和CS-SVM的滚动轴承故障诊断研究

针对数据驱动的滚动轴承故障诊断大多采用支持向量机进行分类,而传统支持向量机的分类方法容易陷入局部最优,无法准确进行故障诊断的问题,对滚动轴承振动信号的特征选择和支持向量机的优化方法进行了研究。分析了粒子群算法优化支持向量机和遗传算法优化支持向量机的不足;基于莱维飞行的布谷鸟搜索算法,引入了一种对支持向量机的参数进行寻优的方法,用于提高滚动轴承故障诊断的识别准确率;该方法首先使用集合经验模态分解对信号数据进行了处理,然后计算本征模态函数的均方根作为特征向量,输入布谷鸟搜索算法优化的支持向量机;最后进行了训练和测试。研究结果表明:利用该方法对实测信号进行分析和诊断,可以准确地识别故障发生的位置以及严重程度;通过与传统优化方法进行对比,验证了该算法的优越性。