EMD马氏距离与SOM神经网络在故障诊断中的应用研究

为实现对微弱动态响应的准确辨识及故障状态的早期诊断,提出EMD马氏距离与SOM神经网络的故障诊断方法,该方法首先对原始振动信号进行粒子滤波,提高信噪比,然后对其进行EMD分解,并对分解后的各模式分量进行分析,获得相关特征值组成特征向量,并求原始信号特征向量,为了选取能代表信号特征的模式分量,求各模式分量与原信号特征向量的马氏距离,将最优模式分量输入训练好的SOM神经网络,对故障分类,以轴承诊断为应用实例结果表明该方法切实有效。     

多频信号经验模态分解的理论研究及应用

对多频信号的经验模式分解进行了理论分析 ,分析表明分解结果取决于各分量的频率和幅值。得到了一个正确分解的充分条件 ,仿真试验证明了这一充分条件。将经验模式分解用于分析一个包含故障轴承的实际齿轮箱表面振动信号 ,分析结果表明在经验模式分解得到的固有模态函数中 ,轴承故障特征信息比原始信号相比得到显著增强。     

一种基于样本熵的轴承故障诊断方法

运用非线性动力学参数样本熵作为特征,对轴承正常、内圈故障、滚动体故障、外圈故障四种工况的振动信号进行分析识别。针对利用原始振动信号的样本熵只能在一个尺度域进行分析,无法准确区分轴承运行状况的问题,提出一种基于集成经验模式分解与样本熵的轴承故障诊断方法。首先利用集成经验模式分解方法将原始振动信号分解为有限个内蕴模式分量,从中选取包含故障主要信息的前几个内蕴模式分量的样本熵作为特征,然后利用支持向量机进行轴承故障诊断,这样可以在多个尺度对轴承信号进行分析,提高了轴承故障诊断的准确率。通过轴承故障实测信号的诊断实验,证明了该方法的可行性和有效性。     

分层自适应小波阈值轴承故障信号降噪方法

针对轴承振动信号易受到噪声干扰的问题,提出了一种分层自适应小波阈值降噪方法。首先将轴承振动信号进行小波分解,获得各分解层的小波系数;之后保留低频信号的小波系数,对高频信号的小波系数进行分层自适应阈值处理;最后将阈值处理后的小波系数进行小波重构,得到降噪后的信号。通过构建一种在阈值处连续且在小波域内可导的分层自适应阈值函数,可以改进传统阈值函数重构偏差和过度降噪的缺陷。轴承故障仿真信号的降噪实验结果表明,该方法的信噪比和均方根误差均优于其他方法,有更好地降噪效果;机械故障模拟实验台的轴承故障信号降噪实验结果表明,该方法在降噪的同时保留了更多的故障信息,能够有效提升故障诊断率,更有利于轴承故障信号的降噪。     

自适应小波降噪在轴承故障诊断中的应用

针对轴承振动的非平稳性特点和频谱成分的混杂性,提出了基于小波的信号自适应阈值降噪法。自适应阈值降噪法首先对信号进行离散正交小波多层分解,对分解后的各层细节系数中模小于某阈值的系数进行处理,然后将处理完的小波系数再进行反变换,重构出经过降噪后的信号。用仿真信号进行降噪处理,结果表明:通过选择合适的小波基和阈值选择规则,可以实现信号的完美降噪;实测轴承振动信号用小波降噪方法进行预处理,提高了信噪比,进一步作频谱分析得到了故障特征信息,为诊断决策提供了依据。     

基于Hilbert谱奇异值的滚动轴承故障诊断

提出一种基于Hilbert谱奇异值的故障特征提取方法,将其与支持向量机结合应用于轴承故障诊断。利用小波阈值降噪的方法对拾取的轴承故障振动信号进行滤波降噪,然后利用经验模式分解将降噪信号分解为若干个IMF分量之和,对每个IMF分量进行Hilbert变换得到振动信号的Hilbert谱,对Hilbert谱进行奇异值分解得到反映轴承状态特征的奇异值序列,再利用奇异值作为特征向量,应用支持向量机进行轴承故障诊断,并对不同核函数的诊断结果进行了分析比较。对正常轴承、内圈故障、外圈故障、滚动体故障的实际信号的诊断验证了该方法可的有效性。     

基于EWT和包络谱分析的轴承故障诊断研究

针对轴承故障早期信号非常微弱难以提取的特点,提出一种经验小波变换(EWT)和包络谱分析相结合的故障诊断方法。该方法应用EWT对信号进行自适应的分解处理,通过选取表征轴承故障的模态分量进行包络谱分析,对轴承故障进行判断,并在LabVIEW开发环境下实现,有效拓宽其适用环境。其中EWT是通过结合小波变换和经验模态分解各自的优点,建立自适应的小波滤波器来提取信号的模态函数。通过仿真信号和轴承故障实验信号的研究结果表明,LabVIEW开发环境下的EWT能够有效地对信号进行自适应分解,在与包络谱分析相结合后能够更为有效地提取并识别轴承故障类型。     

强背景噪声振动信号中滚动轴承故障冲击特征提取

针对机械早期故障引起的冲击特征微弱,易受强背景信号和噪声的干扰而难以提取的问题,提出一种奇异值分解(Singular Value Decomposition,SVD)差分谱与S变换相结合的微弱冲击特征提取方法。将原始信号构造成Hankel矩阵,采用SVD对重构矩阵进行分解;利用奇异值差分谱确定降噪阶次进行降噪;采用S变换对降噪后的信号进行时频分析,提取信号中的微弱冲击特征信息。通过数值仿真和实际轴承故障数据的对比,表明该方法可有效辨别轴承振动信号中故障引起的早期微弱冲击特征,为轴承故障诊断提供先验信息。     

基于改进SVD及参数优化VMD的轴承故障诊断

为解决轴承早期故障特征难以提取的问题,提出一种基于改进奇异值分解(SVD)及参数优化变分模态分解(VMD)的轴承故障诊断方法。首先,对原始故障信号进行SVD降噪、微弱故障信号的分离,通过包络熵最小、峭度最大原则对其重构矩阵的秩进行优化。其次,对改进SVD降噪后所得信号进行VMD分解,将包络谱幅值峭度和峭度构成新的指标(合成峭度),通过所有本征模态分量(Intrinsic Mode Function,IMF)的合成峭度均值最大原则对VMD的参数进行优化,获得若干的IMFs。最后,根据峭度-欧氏距离指标筛选出含故障信息丰富的IMF,进行包络解调运算,分析信号的包络谱判断轴承故障类型。通过对仿真信号和实测信号进行分析,可成功提取出微弱特征频率信息。由此表明,基于改进SVD及参数优化VMD的轴承故障诊断方法可有效地实现轴承早期故障诊断,具有一定的可靠性和实用性。     

基于稀疏分解和频域相关峭度的轴承微弱故障特征提取

在强背景噪声和复杂激励的干扰下,滚动轴承的早期微弱故障特征往往难以提取,提出一种稀疏分解与频域相关峭度相结合的方式,对轴承早期微弱故障特征进行提取。稀疏表示方法是分析非平稳信号的一种有效方式,在轴承故障诊断中常用的一种方法是利用K-SVD算法构造自适应字典,采用OMP算法对采集到的数据进行稀疏分解。利用频域相关峭度能够准确识别出轴承等旋转机械的循环冲击序列的特性,将其引入到字典构造过程中,求解稀疏分解时每次迭代逼近信号的频域相关峭度,并且找到最大频域相关峭度值所在位置,根据当前位置的信号重构原始信号,计算其包络及包络谱,分析故障类型。仿真信号和试验信号的结果表明:所提方法能够准确识别出轴承故障,验证了该方法在识别循环冲击序列的有效性和优越性。     

基于最优品质因子信号共振稀疏分解的滚动轴承故障诊断

滚动轴承常常在复杂工况下工作,当滚动轴承出现局部故障时,其振动信号中除了与故障信息相关的周期性瞬态冲击成分外,还包含轴转频等谐波成分和背景噪声。因此,在滚动轴承故障早期,对滚动轴承振动信号直接进行包络解调分析往往效果不佳。针对上述问题,提出了基于最优品质因子信号共振稀疏分解的滚动轴承故障诊断方法。该方法首先以信号共振稀疏分解低共振分量的峭度最大为目标,利用遗传算法对信号共振稀疏分解方法的品质因子进行优化,得到最优品质因子;然后利用最优品质因子对轴承振动信号进行信号共振稀疏分解,得到高共振分量和低共振分量;最后对低共振分量进行希尔伯特解调分析,提取轴承故障特征频率,进而诊断滚动轴承故障。仿真信号和试验信号的分析结果表明,该方法能有效提取轴承故障振动信号中的冲击成分,诊断轴承故障。     

改进MBCV法在滚动轴承故障诊断中的应用EI北大核心CSCD

针对传统最大类间方差法(Maximum Between‑Class Variance,MBCV)在分离轴承故障信号过程中存在的分割阈值适应性差、分离效果不佳的问题,提出一种基于MBCV动态阈值曲线的滚动轴承故障诊断方法。该方法通过MBCV法获得频谱均分子区间的各分割阈值,然后高阶拟合各部分阈值进而获得动态阈值曲线,再通过调整优化频谱分段数量并以分离信号与原信号之间的均方根误差最小化为目标确定最优阈值曲线;依据最优动态阈值曲线将信号频谱分割为高、低两部分,对低幅值部分进行傅里叶逆变换及平方包络谱分析进而诊断故障。此方法能有效消除强干扰成分,最大化提取轴承故障特征。实验分析结果表明,相比于传统MBCV法,该方法提取的故障特征更加明显。     

基于LMD与MCKD的风电机组轴承早期故障诊断方法

当滚动轴承出现早期故障时,其故障特征信号微弱,且环境噪声较大,因此其早期故障特征一般难以提取。针对上述问题,提出基于LMD与MCKD的滚动轴承早期故障诊断方法。为了克服局部均值分解（LMD）在早期故障诊断中易受噪声影响的不足,该方法对其包含故障信号大部分能量的前4 个乘积函数（product function, PF）分量进行最大相关峭度解卷积（MCKD）,突出轴承信号中淹没在噪声信号中的周期脉冲成分,最后再对其进行包络解调,便可得到轴承故障特征频率,进而对滚动轴承早期微弱故障进行诊断。实验信号验证了该方法的有效性。     

基于MS-EEMD的滚动轴承微弱故障提取研究

在实际工况下,轴承的早期故障信号与强噪声信号相比属于微弱信号,而轴承的早期故障特征从强噪声环境中提取出来一直是故障诊断课题的一大难点。基于上述问题,提出一种基于MS（Mask Signal）和EEMD（Ensemble Empirical Mode Decomposition）方法的滚动轴承微弱故障提取方法。由于EEMD方法在噪声背景下分解出的IMF分量存在模态混叠现象,很难辨别故障频率的真伪,所以引入掩膜信号法对分解出的IMF分量进行处理,抑制虚假频率,将故障频率提取出来。通过将掩膜信号法与EEMD方法相结合的方式,对存在噪声的故障信号进行处理,提取出故障特征。     

基于改进小波阈值降噪的滚动轴承故障诊断方法

针对滚动轴承早期故障信号存在大量噪声使得提取故障特征困难的问题,提出了一种基于新改进小波阈值的降噪方法。该方法是通过采用互补集合经验模态分解（CEEMD）方法将原始故障信号进行分解,得出各阶本征模态函数（IMF）分量;选取关键的IMF分量进行重构信号,将重构信号经过新改进小波阈值算法和快速谱峭度进行滤波降噪;进行Hilbert包络解调,得出滚动轴承的故障特征频率。分别用仿真噪声信号和滚动轴承的实验信号对该方法进行验证,并将新改进小波阈值算法与传统的小波硬阈值和小波软阈值算法进行比较分析,结果表明该方法可以有效提高故障信号的信噪比,降噪效果明显,能有效获得滚动轴承的故障特征频率。     

基于EMD分解和奇异值差分谱理论的轴承故障诊断方法

针对故障轴承振动信号中含有强烈的背景噪声,难以提取故障频率的现实情况,提出了基于经验模态分解(Empirical Mode Decomposition,EMD)和奇异值差分谱的轴承故障诊断方法.首先通过EMD方法将非平稳的原始轴承振动信号分解成若干个平稳的本征模函数(Intrinsic Mode Function,IMF);由于背景噪声的影响,从各个IMF的频谱中难以准确地得到故障频率.对IMF分量构建Hankel矩阵并进行奇异值分解,进一步找到奇异值差分谱,根据奇异值差分谱理论对某个IMF分量进行消噪和重构,然后再求其频谱,便能准确地得到故障频率.实验结果表明,提出的方法能有效地应用于轴承的故障诊断.     

基于改进VMD与包络导数能量算子的滚动轴承早期故障诊断EI北大核心CSCD

针对滚动轴承早期故障比较微弱,特征信息难以提取且变分模态分解(VMD)中分解层数k的大小需要使用者反复尝试而不能有效确定的问题,提出了改进的VMD方法,以能量差作为评价参数自适应地确定分解层数k。在此基础上,将改进的VMD与包络导数能量算子结合,提出了VMD与包络导数能量算子的轴承早期故障诊断方法。采用VMD对轴承故障振动信号进行分解,根据能量差曲线确定最佳的分解层数k;依据峭度准则,从分解得到的k个本征模态分量中选取敏感分量进行重构;并用包络导数能量算子对重构信号进行解调分析,从其能量谱中便可准确地提取轴承的故障特征信息。通过仿真信号和实验数据的分析,验证了该方法的有效性与可行性。     

基于经验模式分解的滚动轴承故障诊断方法

针对水泵电机轴承故障振动信号噪声大和非平稳性的特点,提出了基于经验模态分解的诊断方法;通过对原始信号进行经验模态分解,得到包含故障特征的固有模态分量,从而可以提取出故障频率.该方法应用于外圈、内圈和滚动体故障诊断,取得了很好效果.     

基于改进VMD与包络导数能量算子的滚动轴承早期故障诊断

针对滚动轴承早期故障比较微弱,特征信息难以提取且变分模态分解(VMD)中分解层数k的大小需要使用者反复尝试而不能有效确定的问题,提出了改进的VMD方法,以能量差作为评价参数自适应地确定分解层数k。在此基础上,将改进的VMD与包络导数能量算子结合,提出了VMD与包络导数能量算子的轴承早期故障诊断方法。采用VMD对轴承故障振动信号进行分解,根据能量差曲线确定最佳的分解层数k;依据峭度准则,从分解得到的k个本征模态分量中选取敏感分量进行重构;并用包络导数能量算子对重构信号进行解调分析,从其能量谱中便可准确地提取轴承的故障特征信息。通过仿真信号和实验数据的分析,验证了该方法的有效性与可行性。     

基于LMD与MCKD的滚动轴承早期故障诊断方法

当滚动轴承出现早期故障时,其故障特征信号微弱,且环境噪声较大,因此其早期故障特征一般难以提取。针对上述问题,提出基于LMD与MCKD的滚动轴承早期故障诊断方法。为了克服局部均值分解(LMD)在早期故障诊断中易受噪声影响的不足,该方法对其包含故障信号大部分能量的前4个乘积函数(product function,PF)分量进行最大相关峭度解卷积(MCKD),突出轴承信号中淹没在噪声信号中的周期脉冲成分,最后再对其进行包络解调,便可得到轴承故障特征频率,进而对滚动轴承早期微弱故障进行诊断。实验信号验证了该方法的有效性。