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。     

基于改进EEMD的滚动轴承故障特征提取技术

在对集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)进行研究之后,提出了一种利用改进的EEMD进行滚动轴承故障特征提取的方法。该方法根据EEMD的分解过程中信号和加入的白噪声的特点来选择EEMD的参数,并且对分解后所得到的的固有模态函数(IMF)分量进行阈值处理后再重构,以降低噪声的干扰。对重构后的信号进行包络谱分析,提取其故障特征,最后将该方法与通用的EEMD方法进行对比,研究结果表明EEMD是一种很有效的滚动轴承故障特征提取方法。     

基于EEMD和自相关阈值降噪的滚动轴承故障诊断

为减少噪声对滚动轴承故障特征提取的影响,文章提出了一种基于集合经验模态分解(EEMD)和自相关阈值降噪相结合的滚动轴承故障诊断方法。首先对原始信号进行EEMD分解,然后将得到的各阶IMF分量分别进行自相关阈值降噪,最后重组降噪后的各阶IMF分量并通过包络分析提取故障频率特征进行故障诊断。通过仿真信号和实验数据验证表明,文章所提出的方法能够有效提取各阶IMF分量中的有用信号,有效解决了基于IMF系数选择方法的问题,证明文中提出的方法具有良好的可行性和有效性。     

EEMD能量熵与优化LS-SVM的滚动轴承故障诊断

针对滚动轴承振动故障信号非平稳、非线性难以有效诊断的问题,提出基于集成经验模式分解(ensemble empirical mode decomposition,EEMD)能量熵与优化最小二乘支持向量机(least square support vector machine,LS-SVM)的滚动轴承故障诊断方法。首先利用EEMD对滚动轴承的振动故障信号进行分解,得到各阶的内禀模态函数分量(IMF)并计算其能量构造成特征向量矩阵,随后将该特征向量矩阵输入给优化的LS-SVM进行故障模式的分类辨识。通过实验验证了该方法的有效性和可行性,结果表明,基于EEMD能量熵特征与优化LS-SVM的滚动轴承故障诊断方法能够有效的诊断滚动轴承的实际运行工况。     

基于CEEMDAN-深度信念网络的超低速滚动轴承故障诊断

针对超低速滚动轴承故障诊断困难问题,提出一种自适应噪声的完备集合经验模态分解(CEEMDAN)与深度信念网络(DBN)相结合的超低速滚动轴承故障声发射(AE)诊断方法。通过EEMD和CEEMDAN方法分别对轴承AE信号进行分解,结果表明,CEEMDAN具有较好的分解完备性和抗模态混叠性;将EEMD能量熵和CEEMDAN能量熵分别作为模式识别分类器的特征向量进行故障诊断,后者的识别准确率较高;通过与SVM、BP神经网络方法对比,DBN方法的模式识别效果更好,且表现出较好的稳定性。因此,文章所提方法能够有效的应用于超低速滚动轴承的故障诊断。     

基于EEMD的滚动轴承故障特征主元分析和PNN建模

利用滚动轴承各种工作状态下测量得到的声发射信号,建立了一种基于总体平均经验模态分解(EEMD)与概率神经网络(PNN)的滚动轴承故障特征提取和诊断方法。通过EEMD对信号进行自适应时频分解,在不同频段上分析本征模态函数(IMF)分量;计算IMF的能量值并做能量贡献分析,确定主元分量以组成故障特征向量;利用PNN网络实现故障特征向量与故障模式之间的函数映射,进行故障诊断。仿真结果和试验数据的对比证明了提出方法的有效性。     

基于多域空间状态矩阵奇异值与局部保持投影的滚动轴承故障特征提取方法

针对滚动轴承振动信号复杂且难以从中提取有效故障特征的问题,提出了一种总体经验模态分解(EEMD)、奇异值分解(SVD)和局部保持投影(LPP)相结合的故障特征提取方法。首先,对振动信号进行EEMD分解,利用EEMD分解后的固有模态分量(IMF)分别构造时域、频域和时频域空间状态矩阵;其次,利用SVD提炼时域、频域和时频域空间状态矩阵中的故障信息,筛选其中累加百分比大于90%的奇异值组成多域有效奇异值数组,构造多域奇异值特征矩阵;然后,利用LPP约简多域奇异值特征矩阵,提取低维、高区分度的故障特征;最后,利用支持向量机(SVM)对提出的故障特征提取方法进行评估。实验结果证明了该方法提取的故障特征可有效反映滚动轴承的故障状态。     

基于改进VMD-EWT联合降噪的滚动轴承早期故障检测

针对采集到的滚动轴承早期故障振动信号因故障特征微弱而导致难以检测的问题，提出一种基于改进的变分模态分解(VMD)和经验小波变换(EWT)联合降噪的滚动轴承早期故障检测方法。首先，利用改进包络谱有效边界划分方法(IEPEFP)确定VMD和EWT的分解分量个数，利用改进分解模态数目选择方法(IDMNS)对VMD的主要分量进行叠加从而完成初次降噪；其次，对初次降噪后的信号进行EWT分解，利用IDMNS对主要分量进行叠加进而完成二次降噪；最后，对降噪后的信号进行包络谱分析，从而实现滚动轴承早期故障检测。通过轴承加速寿命试验数据集进行试验验证，结果表明提出方法可有效提取滚动轴承早期微弱故障特征，准确检测轴承早期故障，具有一定的工程参考价值。     

基于多尺度排列熵的滚动轴承故障特征提取

针对现有滚动轴承故障识别精度低的问题,存在冗杂信息较多和分解识别计算量大的问题,将集合经验模态分解(ensemble empirical mode decomposition,EEMD)与多尺度排列熵、邻域粗糙集(neighborhood rough set,NRS)进行结合提出一种针对轴承系统故障特征提取的方法。文章对传统的邻域粗糙集算法进行改进,将故障信号进行EEMD分解和多尺度排列熵计算后形成条件属性,从而建立故障识别决策表,然后利用邻域粗糙集对决策表进行属性约简消除冗余的属性。最后将约简后的敏感特征子集输入概率神经网络中进行模式识别。通过实验结果表明,该文提出的方法对滚动轴承故障特征提取以及对于故障的精确识别是十分有效的,能够减小计算量同时精确实现故障诊断。     

基于迭代滤波和最大相关峭度解卷积的滚动轴承故障诊断方法

针对噪声环境下滚动轴承故障特征提取的难题,提出了基于迭代滤波和最大相关峭度解卷积的滚动轴承故障诊断方法。首先对轴承振动信号进行迭代滤波分解,然后通过相关系数和峭度准则筛选出敏感的内禀模态分量,对敏感的内禀模态分量进行最大相关峭度解卷积降噪,最后对降噪的信号进行频谱分析完成轴承故障诊断。对轴承仿真信号和滚动轴承故障振动试验信号进行了分析,结果表明文中方法能有效地应用于滚动轴承故障诊断。     

基于VMD瞬时能量与GA- RBF的滚动轴承故障诊断

针对滚动轴承早期故障的有效识别,提出了一种基于VMD瞬时能量与GA优化的RBF神经网络的滚动轴承故障诊断方法,可以有效对滚动故障做出诊断。首先,VMD将滚动轴承振动信号进行分解成合适数目的本证模态函数;其次,计算本证模态函数分量的瞬时能量并组成特征向量;最后,将特征向量输入到GA优化的RBF神经网络实现轴承故障识别。通过滚动轴承故障诊断实验对该方法进行验证。结果表明,该方法识别滚动轴承故障的准确率为96.43%,较默认参数的RBF神经网络和EEMD瞬时能量与GA-RBF神经网络有明显的提高,证明了所提方法的可行性。     

非局部均值去噪和LMD综合的滚动轴承故障诊断

局域均值分解(Local Means decomposition,LMD)是一种分解效果明显的时频分析方法,在故障诊断中应用广泛。但噪声对其分解有较大影响。为克服噪声的干扰,提出了一种能够应用于轴承信号处理,由非局部均值去噪算法和LMD相结合的新方法,该方法首先采用NLM对信号进行降噪预处理,然后以去噪信号做为输入进行LMD分解,对分解产生的PF分量与降噪信号做相关度分析,甄选PF分量,然后对有用PF分量进行包络谱分析。并将该方法应用在故障滚动轴承信号的特征提取上,结果表明该方法能有效的提取滚动轴承的故障特征,实现滚动轴承的故障诊断。     

基于改进VMD形态谱和FCM的滚动轴承故障诊断方法

针对滚动轴承故障信号的非线性特性及不同故障类型信号具有不同形态特征的特点,提出一种基于改进变分模态分解（VMD）形态谱和模糊C均值聚类（FCM）算法相结合的故障诊断方法。采用VMD方法对滚动轴承振动信号进行分解,针对分解过程中关键参数的选取,提出相关参数选择方法,并计算各固有模态函数(IMF)的能量波动系数,以获得对信号特征信息敏感的模态分量进行重构。计算重构信号的形态谱以反映信号的形态特征。通过FCM算法实现滚动轴承工作状态和故障类型的诊断。运用该方法对实测滚动轴承振动信号进行分析,并将所提方法同基于原始振动信号、经验模态分解、总体经验模态分解形态谱的故障特征提取方法进行对比。结果表明：所提方法能够更加有效提取滚动轴承信号的故障特征,实现故障类型的准确诊断。     

基于ALIFD模糊熵和GK聚类的滚动轴承故障诊断

针对滚动轴承故障振动信号具有非平稳性及非线性的特点，提出一种基于自适应局部迭代滤波分解（ALIFD）模糊熵和GK聚类的滚动轴承故障诊断方法。首先对滚动轴承故障振动信号进行ALIFD分解，得到若干个本征模态函数（IMF）分量，然后通过相关性分析筛选出前3个包含主要特征信息的IMF分量，并将筛选的IMF分量的模糊熵作为特征向量，最后利用GK聚类对所得的特征向量进行识别分类。将该方法应用于滚动轴承实验数据分析，并使用分类系数和平均模糊熵对分类性能进行评价，结果表明，与基于经验模态分解模糊熵和GK聚类的故障诊断方法进行对比，该方法具有更好的分类性能。     

基于EMD与对数能量的滚动轴承故障诊断方法

滚动轴承在发生损伤时,产生周期性脉冲振动,提取冲击振动的周期特征是故障诊断的关键。为了提取滚动轴承的故障特征频率,根据滚动轴承的振动响应信号特征,提出基于经验模态分解(EMD)和对数能量的故障特征频率提取方法。首先通过经验模态分解找到包含故障信息的本征模态函数（IMF）,然后对IMF的短时能量进行积分并取自然对数,获得信号的对数能量变化曲线,最后通过对曲线的谱分析,找到轴承的故障特征频率。仿真和实验数据验证了该方法的有效性,并和Hilbert包络法与能量算子法进行了对比,表明该方法能更显著地突出故障特征频率。     

基于变分非线性调频模态分解的滚动轴承多故障诊断方法研究

基于变分非线性调频模态分解,提出一种滚动轴承多故障诊断方法。对滚动轴承多故障振动信号分量的瞬时频率和瞬时幅值进行估计;在此基础上,通过最小化信号的带宽实现滚动轴承故障信号的重构。对比所提方法与变分模态分解法,通过实验案例对所提方法进行验证。结果表明：所提方法明显优于变分模态分解方法,即使在强噪声背景下,仍能有效地实现滚动轴承多故障信号的分解与重构,可以有效地诊断滚动轴承多故障。     

非参数互信息和多维尺度分析在滚动轴承故障诊断中的应用

针对轴承不同故障状态难以识别的问题,将特征选择方法应用于滚动轴承故障诊断。在互信息方法的基础上提出非参数互信息(NPMI)的特征选择方法:首先从原始信号中提取能够表征轴承运行状态变化的时频域统计特征并建立多域特征集;然后利用NPMI特征选择方法去除特征集中的无关特征和冗余特征,建立敏感特征集,再利用多维尺度分析对敏感特征集进行降维可视化处理,比较特征的类别可分及聚类能力;最后将降维后的特征向量输入到支持向量机中得到不同故障的识别结果。以分类器正确率为依据,验证了基于非参数互信息特征选择方法的有效性和优越性。     

基于MKurt-MOMEDA和Teager能量算子的柔性薄壁轴承的故障特征提取方法

与普通滚动轴承相比,柔性薄壁轴承存在背景冲击载荷,使得故障特征提取难度大。针对这一问题,提出基于MKurt-MOMEDA和Teager能量算子的柔性薄壁轴承故障特征提取方法。利用多点峭度谱(MKurt)对原始故障信号进行分析,确定柔性薄壁轴承故障周期,然后通过多点最优最小熵解卷积(MOMEDA)处理,再经Teager能量算子增强,最终提取柔性薄壁轴承外圈与内圈的故障特征频率,并与单一的MOMEDA算法、基于MKurt-MCKD与Teager能量算子故障特征提取方法进行了对比,证明了该方法明显增强了故障特征频率的幅值,为柔性薄壁轴承故障特征提取提供了参考。