基于小波-VMD-Teager能量算子的滚动轴承微弱故障诊断

针对滚动轴承的单一故障进行诊断,提出了将小波VMD-Teager能量算子相结合和小波CEEMD-Teager能量算子相结合的诊断方法。对于滚动轴承的故障信号首先是进行小波降噪,使用VMD分解得到IMF分量,利用峭度和相关系数的大小选择合适的IMF分量,进行重构。通过对重构的IMF进行Teager能量算子包络解调处理,最后可以得到不同故障程度的轴承故障的特征频率。对比VMD处理和CEEMD处理得到的故障信号包络图,利用实验数据验证表明, VMD处理能更有效提取滚动轴承的单一故障微弱特征。     

基于LCD和Teager能量算子的滚动轴承故障诊断

提出了一种基于局部特征尺度分解和Teager能量算子包络解调的滚动轴承故障诊断方法.首先,在定义具有物理意义瞬时频率的单分量信号—内禀尺度分量(intrinsic scale component,ISC)的基础上介绍了一种全新的信号自适应分解方法—局部特征尺度分解(local characteristic-scale decomposition,LCD).然后,在滚动轴承故障模拟试验台上采集振动信号,并对信号进行局部特征尺度分解,将其分解成为若干个内禀尺度分量,之后对包含故障信息的ISC进行能量算子包络解调,从而得到轴承故障的特征频率.实验和工程实践的轴承故障信号分析结果表明:该方法可以准确识别滚动轴承的故障,可以应用于工程实践.     

基于Teager能量算子和EEMD的滚动轴承故障诊断方法

针对应用集合经验模态分解(ensemble empirical mode decomposition,EEMD)方法难以提取强噪声背景下滚动轴承微弱故障特征的问题,提出了将最小熵反褶积(minimum entropy deconvolution,MED)和小波阈值去噪与EEMD相结合的改进方法.先采用MED对滚动轴承振动信号降噪,增强冲击特征;然后利用基于EEMD的小波阈值去噪方法处理降噪后信号得到一组固有模态分量(intrinsic mode function,IMF),并依据相关系数准则剔除虚假分量;对重构后信号进行Teager能量算子解调分析,提取其微弱故障特征.通过仿真信号和实验台信号验证了该改进方法的有效性.     

基于改进MED-SSD的齿轮箱复合故障诊断方法

针对齿轮箱在强噪声环境下复合故障信号微弱、故障特征难以提取等问题,本文提出了一种改进的最小熵反褶积(MED)与奇异谱分解(SSD)结合的方法。首先,构建边际功率谱峰度指数(MPSK),利用MPSK对MED进行参数优化;为弥补SSD的不足,将改进的MED作为SSD的前置滤波器;然后利用相关系数分析法选择有意义的奇异谱分量(SSC);最后对信号进行频谱分析,确定具体的故障模式。采用仿真信号与齿轮箱试验台的复合故障信号对所提方法进行了应用,验证了方法的有效性和优越性。     

基于LMD与奇异值差分谱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线性非平稳特性及强噪声特性,提出了一种基于局部均值分解(local mean decomposition,LMD)和奇异值差分谱的滚动轴承故障诊断方法.首先对原始信号进行LMD分解,得到若干乘积函数(product function,PF)分量,然后对故障特征明显的分量构建Hankel矩阵并进行奇异值分解,求出奇异值差分谱曲线,找到奇异值差分谱最大突变点来确定奇异值重构分量的个数,进而对包含故障特征频段的分量进行消噪和重构,再对重构信号进行Hilbert包络谱分析,提取故障特征.实验结果和工程应用表明:LMD和奇异值差分谱结合的信号特征提取方法,能准确、有效地提取滚动轴承的故障特征频率,对故障类型作出准确判断.     

改进的EEMD算法及其在多项流检测中的应用

针对应用集合经验模态分解(ensemble empirical mode decomposition,EEMD)方法难以提取强噪声背景下滚动轴承微弱故障特征的问题,提出了将最小熵反褶积(minimum entropy deconvolution,MED)和小波阈值去噪与EEMD相结合的改进方法. 先采用MED对滚动轴承振动信号降噪,增强冲击特征;然后利用基于EEMD的小波阈值去噪方法处理降噪后信号得到一组固有模态分量(intrinsic mode function,IMF),并依据相关系数准则剔除虚假分量;对重构后信号进行Teager能量算子解调分析,提取其微弱故障特征. 通过仿真信号和实验台信号验证了该改进方法的有效性.

     

基于ITD-AR模型的故障诊断方法研究

消减噪声干扰,提取振动信号故障特征是旋转机械设备故障诊断的关键问题,为此本文提出了基于固有时间尺度分解(Intrinsic Time Scale Decomposition,ITD)-自回归(Auto Regressive,AR)模型的故障诊断方法.首先用ITD将振动信号分解成一系列的固有旋转(Proper Rotation,PR)分量;然后通过峭度准则对PR分量进行筛选,并对峭度值大的PR分量建立AR模型;最后对AR模型进行Teager能量算子(Teager-Kaiser Energy Operator,TKEO)分析,绘制Teager能量频谱,提取振动信号的冲击特征.将该方法应用于滚动轴承的故障诊断,实验结果表明,该方法能够准确地提取故障特征信息.     

MCKD-Teager能量算子结合LSTM的滚动轴承故障诊断

为解决滚动轴承故障时产生的信号具有强背景噪声而导致弱周期冲击特征难提取,以及在对轴承故障模式进行智能诊断时一般的诊断模型对故障振动信号的时序特征识别效果不强这两大问题,提出一种基于最大相关峭度解卷积(MCKD)、Teager能量算子和长短期记忆网络(LSTM)的故障诊断方法。使用MCKD算法对滚动轴承振动信号进行降噪处理,提取出信号中被噪声掩盖的周期冲击特征,并利用Teager能量算子检测信号的瞬态冲击,得到Teager能量序列;将结果分为训练集和测试集,将训练集输入到建立的LSTM故障诊断模型中进行学习,不断更新网络参数并提取出时间维度的特征信息;将训练好参数的LSTM模型应用于测试集,输出故障诊断结果。实验结果表明,提出的方法以端到端模式可以一次性诊断多种类型、尺寸的故障,具有很高的识别精度,是一种可以有效利用强背景噪声信号中时序特征的故障诊断方法。     

基于MODWPT的包络阶次谱在滚动轴承故障诊断中的应用

为了有效提取滚动轴承的故障特征,提出了基于MODWPT的包络阶次谱故障诊断方法.采用MODWPT将多分量的滚动轴承振动信号分解为若干个分量,对各个分量信号进行包络分析并对包络信号进行角域重采样;最后对重采样后的信号进行频谱分析,得到包络阶次谱,从而判断滚动轴承的工作状态和故障类型.采用该方法分别对仿真信号和实验信号进行了分析,结果表明了该方法的有效性.     

基于复小波和奇异值比谱的轴承故障检测方法

提出一种基于包络分析和奇异值比谱的滚动轴承振动故障监测和诊断方法。首先利用具有解析带通特性的复Morlet小波来获得信号的包络,然后采用扫频方式检测奇异值比谱最大峰值自动提取、增强、重构包络信号中的主周期分量,提取到轴承故障特征。该方法已成功地应用到了对滚动轴承故障检测实验,验证了该方法的有效性、可行性。     

基于Hermitian小波的时间-小波能量谱滚动轴承故障诊断方法

针对滚动轴承早期故障微弱特征难以提取的问题,提出了一种基于Hermitian小波时间-能量谱的滚动轴承故障诊断方法.该方法针对轴承故障振动信号具有奇异性的特点,首先利用Hermitian小波对原始信号进行连续小波变换;再根据小波变换的结果求取信号能量在时间轴上的分布情况,利用谱峭度指标作为选择最佳累积尺度的标准,得到时间-小波能量分布;最后对时间-小波能量分布进行谱分析得到时间-小波能量谱以提取故障特征.利用时间-小波能量谱对仿真信号和轴承外圈及内圈点蚀故障信号进行分析.结果表明:该方法可有效地提取出强噪声环境下微弱故障的特征成分,并与普通的时间-小波能量谱作对比,特征提取效果更为明显,非常适用于滚动轴承早期故障诊断.     

基于LMD切片双谱和SVM轴承故障诊断研究

针对滚动轴承发生点蚀故障时峭度和1倍频能量都会发生变化的情况,提出了基于局部均值对故障信号进行分解的方法。该方法取峭度值较大有效分量信号进行重构,再做切片双谱进一步降低高斯噪声对特征频率的影响,提取故障特征1倍频、2倍频和3倍频并进行归一化处理得到特征向量。利用支持向量机对提取的特征向量进行训练与测试,从而识别故障与否及发生点蚀故障的程度。通过对实测滚动轴承振动信号的分析与诊断,验证了该方法的有效性,说明其具有良好的应用前景。     

CS-VMD与Teager包络谱在齿轮故障特征提取中的应用

针对传动系统中齿轮故障特征不明显、难以准确提取以及在进行模态分解时VMD输入参数需要人为设定的问题,提出一种CS-VMD与Teager包络谱相结合的齿轮故障特征提取方法。首先,使用CS算法对VMD方法的模态分解个数、二次惩罚因子和时间延迟进行参数自适应确定;其次,使用参数自适应确定的CS-VMD方法对齿轮故障仿真信号和实测信号进行模态分解;最后,对分解得到的各模态分量进行Teager包络谱分析,进而提取各模态分量中的齿轮故障特征。仿真与实测信号分析结果表明:所提出的方法可以有效地分解齿轮故障非平稳信号和提取齿轮故障特征频率,验证了该方法在齿轮故障特征提取中的可行性。     

基于LMD-ICA降噪的滚动轴承故障特征提取方法研究

在滚动轴承进行故障识别中,针对局部均值分解(LMD)方法分析非平稳、非线性含噪信号时,存在端点效应,易产生虚假分量和单通道独立成分分析(ICA)盲源分离时的欠定问题,提出了基于LMD-ICA降噪的振动信号特征提取算法.首先对原始信号进行LMD,并抑制端点效应,得到n个瞬时频率具有物理意义的乘积函数(PF)之和;然后对得到的PF分量以连续的3阶PF分量为一序列组合进行ICA,可以得到n-2个重构分量;最后利用n-2个分量进行重构,得到降噪后的故障信号,并再次进行LMD或功率谱计算,提取故障特征.经验证,该方法可有效识别滚动轴承的多类故障.     

应用奇异值分解和峭度分离滚动轴承复合故障

滚动轴承多故障特征影响故障诊断结果,为此提出一种结合奇异值分解和峭度的复合故障诊断方法。将采集的双通道多故障特征振动信号进行多层奇异值分解,利用奇异值差分谱和归一化峭度进行筛选和重构,实现对多故障特征的分别提取;通过滚动轴承内外圈故障实验,最终分离出轴承的2种故障。与直接采用原始信号诊断相比,该方法能够在背景噪声下准确分离频率相近的微弱故障成分,提高提取瞬态冲击信号特征的能力,能有效识别滚动轴承的故障类型和发生部位,提高复合故障诊断的准确性。实验结果表明,该方法可以有效地分离和提取滚动轴承多故障特征。     

局部Hilbert边际能量谱在滚动轴承故障诊断中的应用

针对滚动轴承振动信号非线性的特点,提出一种基于局部希尔伯特边际能量谱和马氏距离判别法相结合的故障诊断方法。首先,采用镜像延拓方法抑制经验模态方法将待分析信号分解成多阶固有模态函数和的形式,并根据相关性判别算法选取含有主要故障信息的IMF分量;其次,利用局部Hilbert边际能量谱提取故障信号能量特征参数;最后,利用马氏距离算法对滚动轴承的工作状态进行判别。通过相关试验证明了此方法的有效性,具有一定的工程应用价值。     

基于CEEMD和自适应MCKD诊断滚动轴承早期故障

针对滚动轴承早期故障难以提取和最大相关峭度解卷积(maxim correlated kurtosis deconvolution,MCKD)降噪效果受滤波器长度L的影响,提出了基于互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)和自适应最大相关峭度解卷积相结合的故障特征提取方法(CEEMD-AMCKD).首先,利用CEEMD将信号分解得到一组固有模态分量,利用峭度值筛选出冲击成分明显的分量;然后,以排列熵值为标准,运用步长搜寻法确定最佳的MCKD滤波器长度,对前面筛选出的分量进行降噪处理;最后,将降噪后的分量及其他分量进行信号重构并根据包络功率谱提取故障特征频率.通过仿真和试验验证了该方法的有效性.     

基于奇异值分解和经验模态分解的航空发动机健康信号降噪

提出了一种基于奇异值分解(Singular value decomposition,SVD)和经验模态分解(Empirical mode decomposition,EMD)的信号降噪方法。首先采用EMD方法对原始信号进行分解并提取出信号趋势分量。然后对信号剩余部分采用SVD方法降噪,并根据奇异值差分谱方法自适应选择奇异值进行信号重构。最后将重构后的信号与趋势分量叠加得到最终的降噪信号。采用该方法对模拟信号和实际航空发动机健康信号进行了降噪试验,结果表明:该方法能够准确地选择用于重构信号的奇异值,并能够有效地去除信号噪声。     

EEMD与SVD的齿轮故障诊断技术研究

对齿轮信号奇异值分布规律进行研究,提出一种EEMD-SVD差分谱组合模式。对原始信号做集合经验模态分解得到一系列固有模态分量,对其进行有效的筛选并且重构,对重构的信号构造Hankel矩阵,再通过SVD对矩阵做正交分解,利用奇异值差分谱来选择奇异值进行SVD重构,由此实现对弱故障特征信息提取。从齿轮信号的处理结果看出,该方法对复杂信号中的弱故障特征信息具有优良的提取效果。     

基于RSSD和小波变换的滚动轴承故障诊断

滚动轴承故障被视作瞬态冲击成分,在信号共振稀疏分解中一般被分解到的低共振分量当中。由于噪声影响,低共振分量的希尔伯特解调包络谱中依然存在大量的干扰频率,使得故障特征提取有时不明显,或不易观察,因此本文提出了一种基于信号共振稀疏分解(RSSD)与小波变换相结合的故障诊断方法。在滚动轴承早期微弱故障的诊断中,采用小波分析技术对隐藏于低共振分量的故障特征进行提取,可以更加有效地凸显故障特征;通过对滚动轴承内圈和外圈单一故障振动信号的分析应用,成功提取了故障特征,验证了这一方法在滚动轴承早期故障诊断应用的有效性。