基于多元变模式分解的机械设备故障诊断方法

机械设备在运行时,其振动信号往往表现为非平稳信号。传统的时频分析方法在处理含有强噪声和强调制的非平稳信号时,常表现出降噪效果不明显、不能准确提取故障特征频率等缺陷。为此,提出一种基于多元变模式分解的机械设备故障诊断方法。通过建立约束变分模型表达式,将多个信号在相同的频率尺度分解为相同数量的固有模态函数（IMF）之和,每一个IMF都是一个调频调幅信号。为验证所提方法的有效性,将所提方法应用于多传感器采集的轴承故障信号分析。结果表明：所提方法对复杂环境下机械设备振动信号的降噪和故障特征提取效果较好,验证了其可靠性。     

基于WPD-FWEO的轴承故障特征增强方法

用小波包分解(Wavelet Packet Decomposition,WPD)处理低信噪比信号时,常出现残存大量带内噪声的问题,严重影响了后期的故障诊断准确性。针对该问题,提出将频率加权能量算子(Frequency-Weighted Energy Operator,FWEO)作为小波包分解的后处理器,以消除其带内噪声,增强故障特征提取效果。对采样获得的故障数据进行3层小波包分解,得到各频带系数;对每个频带系数进行峭度计算,以峭度最大原则获取最优频带系数;以频率加权能量算子追踪最优频带系数的瞬时能量,从信号能量的角度消除信号中的带内噪声成分,二次增强信号中隐藏的故障脉冲信息;对其进行包络谱分析,得到最终诊断结果。仿真数据、实验室数据和工程数据验证了所提方法的有效性和实用性。     

EMD下轴承故障程度诊断技术的研究

对滚动轴承程度故障诊断进行了研究,重点研究了在经验模态分解(EMD)条件下的传统经典理论与现代智能理论,提出了EMD和频率散度指标相结合的诊断方法.阐述了基于EMD的轴承故障诊断原理以及故障程度诊断的现状,指出神经网络诊断的"黑箱操作"往往遗漏了信号内蕴藏的本质特性,并分别使用传统和现代方法对轴承滚动体3种不同剥落程度故障进行诊断.实验结果表明,所提出的传统诊断方法能够实现故障程度的正确诊断,更发现了滚动体频率散度指标存在着随剥落程度增大而减小的潜在本质规律,为轴承故障程度诊断提供了新思路和新方法.     

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。     

滚柱式超越离合器故障的脉冲诊断方法

滚柱式超越离合器的故障诊断是国内外工程界的难题。介绍利用脉冲诊断方法诊断离合器故障的新方法,并应用基于高斯函数的小波快速算法分离出了故障信号,进一步分析了冲击频率。实验结果表明方法行之有效。     

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。     

基于经验模态分解的螺栓连接状态敲击检测方法

螺栓在工程结构和机械系统中有着广泛的应用,作为整个系统中较为薄弱的部分,一旦发生松脱可能会造成灾难性的后果,所以很有必要对螺栓的连接状态进行实时监测。由于在不同拧紧状态下,螺栓内部的微观结构不同,对不同拧紧力的螺栓进行敲击产生的声信号也有一定的区别,对7种不同拧紧力矩下的螺栓进行敲击,并将敲击发生后0.26 s声信号的频谱图与经过经验模态分解处理之后前两阶IMF分量的频谱图进行对比。实验结果中对原敲击信号直接做快速傅里叶变换的主频值随拧紧力矩变化的规律并不明显,而原信号经过经验模态分解之后,敲击信号的前两阶模态函数的频谱图中峰值点对应的频率值均随螺栓拧紧力矩的增加而升高。结果表明对敲击声信号进行经验模态分解,通过分析前两阶IMF分量的峰值频率可有效识别螺栓的连接状态。     

基于奇异值分解及包络分析的齿轮局部故障特征提取

提出了将信号进行相空间重构后再采用奇异值分解,对分解后的主成分进行包络分析,从而提取信号的隐含特征的方法,并将该方法应用于齿轮的局部故障振动特征信号的提取中.数值仿真实验结果表明,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.采用该方法对齿轮振动信号进行故障特征提取与识别,结果与实际情况相符.     

基于全矢局部均值分解的齿轮故障诊断方法研究

针对齿轮故障信号大多数是难分解的多分量的调幅-调频信号的问题,提出一种新的信号处理方法——全矢局部均值分解(FVLMD)方法。局部均值分解(LMD)可将多分量信号自适应地分解为多个单分量信号;全矢谱技术可以解决单通道信号不完整的问题。运用信息融合技术,将信号LMD分解得到的PF(Product Function)分量进行全矢谱融合分析,这样既可以将信号彻底分解,又可以保证其完整性。齿轮故障信号验证了该方法的有效可行性。     

基于经验模态分解方法的高频薄壁铝焊管涡流探伤初探

通过分析对比几种常见的无损检测技术,提出用涡流探伤检测高频薄壁铝焊管焊缝质量的新方法,并针对输出的检测信号非线性、非平稳的特点,探讨了几种现代信号分析方法,并分析了它们的优缺点和经验模态分解(EMD)方法在检测涡流探伤信号上的应用优势,指出经验模态分解方法的应用前景。     

基于改进的共振稀疏分解的滚动轴承故障诊断

针对滚动轴承早期微弱故障湮没在高强背景噪声中、造成故障特征信息提取困难的特点,提出一种改进的共振稀疏分解方法。首先采用变分模态对信号去噪,根据峭度-相关系数准则选取包含故障特征信息量多的分量进行信号重构;然后对重构后的信号进行粒子群优化的共振稀疏分解;最后对分解得到的低共振分量进行包络分析,提取故障特征频率。实验结果证明了该方法比传统共振稀疏分解更能有效地提取故障特征频率,有效地减少了干扰成分。     

基于参数优化变分模态分解的滚动轴承微弱故障诊断研究

为了提高变分模态分解(VMD)对滚动轴承微弱故障特征提取的准确性,提出了一种基于参数优化VMD与奇异值分量及其熵相结合的滚动轴承故障诊断方法。该方法通过寻优算法确定VMD的模态数K和二次惩罚因子α;根据余弦-标准差指标提取VMD典型本征模态分量(IMF);计算IMF奇异值及其熵,并利用计算结果分别判断滚动轴承的不同故障状态。结合美国西储大学轴承振动信号数据,实验结果表明:相比经验模态分解奇异值故障诊断方法,基于参数优化VMD奇异值故障诊断方法能更明显地识别滚动轴承的不同故障类型,为区分滚动轴承微弱故障提供了一种可行的诊断思路。     

基于改进ITD和峭度准则的滚动轴承故障诊断方法

给出了改进的固有时间尺度分解方法 (Improved Intrinsic Time-scale Decomposition,简称IITD)及端点效应评价指标。为了实现滚动轴承故障的精确诊断,提出了一种基于IITD和峭度准则的包络解调方法。该方法首先利用IITD将振动信号分解为一系列固有旋转分量(Proper Rotation Component,简称PRC),然后利用相关系数-峭度最大准则挑选包含故障信息最丰富的PR分量进行包络谱分析。为了验证该方法在应用中的有效性,针对轴承内圈故障,与EMD包络谱分析进行了比较,结果表明:该方法可以有效地提取滚动轴承故障特征信息,能够实现滚动轴承故障的精确诊断。     

快速多分离字典学习的轴承故障诊断方法研究

为了提高轴承故障诊断的准确率,减小重构的时间,文章提出了一种快速多分离字典学习(Fast multi-separable dictionary learning,FMSeDiL)的稀疏表示算法。与传统的字典学习方法不同,该方法首先利用相空间重构将一维故障信号重构到高维相空间,获得重构信号的矩阵,以此组成轴承故障诊断原始特征集;再对该矩阵进行分块处理,通过QR分解对每个类别矩阵信号的可分字典进行优化,并对分离的信号进行重构,由于分类所获得的欠定字典表示的信号单一,极大的提高了重构的效率。研究结果表明,基于相空间重构的快速多分离字典学习算法能有效获取轴承的非平稳故障特征信息,并且重构速度更快。     

基于VMD和Teager能量增强谱的滚动轴承故障诊断方法

针对强噪声干扰下滚动轴承故障特征难以提取的问题,提出一种变分模态分解和Teager能量增强谱的滚动轴承故障诊断方法。该方法首先通过变分模态分解(Variational Mode Decomposition,VMD)将非平稳的轴承故障振动信号分解成一系列平稳的窄带分量;然后根据峭度-相关性最大准则挑选包含故障特征信息最丰富的窄带分量作为主分量;最后对选取的主分量进行Teager能量增强谱,提取滚动轴承的故障特征。通过仿真和实例分析的结果表明:该方法能有效地提取出滚动轴承早期故障特征,且能够抑制强烈的噪声干扰和增强故障冲击特征,优于传统包络谱分析和基于经验模态分解(Empirical Mode Decomposition,EMD)和Teager能量谱的方法的分析结果。     

基于EEMD-FSK的滚动轴承故障诊断

为了解决轴承故障特征提取中经验模态分解(EMD)出现的模态混叠现象,提出一种集合经验模态分解(EEMD)、快速谱峭度选频和共振解调技术相结合的滚动轴承故障诊断方法。对原始振动信号进行EEMD处理,分解为多个本征模态函数(IMF);将符合峭度准则的IMF分量筛选出来,对其进行信号重构,对重构信号进行快速谱峭度计算得出快速谱峭度图,从图中选出最优频带中心和带宽,确定FIR带通滤波器设计参数;最后通过共振解调技术对滤波信号进行包络分析,得出包络谱确定滚动轴承故障特征信息。通过滚动轴承实验分析,验证了此方法的可行性。     

基于MIGA-VMD和t-SNE的轴承故障诊断方法

针对从汽轮机轴承的非线性、非平稳振动信号中提取故障特征困难而导致诊断识别率低的问题,提出一种基于MIGA-VMD和排列熵、t-SNE的特征提取方法.变分模态分解(VMD)在轴承故障诊断中的分解效果很大程度上取决于分解个数和惩罚参数的选取.为实现VMD相关参数的最优选择,采用多岛遗传算法(MIGA)对VMD参数进行优化....     

基于CEEMDAN-IGWO-SVM的轴承故障诊断研究

为了提高支持向量机(SVM)在轴承故障诊断时的准确率和识别效率,提出了一种基于具有自适应白噪声的完整集成经验模态分解方法(CEEMDAN)、改进灰狼优化算法(IGWO)和支持向量机(SVM)相结合的故障诊断方法。首先用CEEMDAN与Shannon熵对振动信号消噪、分解,获得典型故障的敏感信号;其次,将粒子群算法(PSO)惯性权重w与粒子“飞行”速度v引入灰狼优化算法(GWO),得到IGWO,通过IGWO算法优化SVM得到诊断模型的最优参数,增强SVM的学习能力和泛化能力;最后,利用美国西储大学的轴承试验数据验证优化模型的有效性。结果表明,IGWO算法优化SVM的模型可以准确、高效地对轴承进行故障诊断;与GA、PSO、和GWO算法优化的SVM模型相比,该方法的故障诊断准确率和识别效率更高。