基于信息熵优化变分模态分解的滚动轴承故障特征提取EI北大核心CSCD

针对变分模态分解(Variational Mode Decomposition,VMD)的参数需事先人为确定的问题以及如何选取包含故障特征信息的本征模态分量(Intrinsic Mode Function,IMF)的问题,提出了基于信息熵的参数确定方法和基于信息熵的IMF选取方法。该方法首先对原始故障信号进行变分模态分解,通过信息熵最小值原则对其参数进行优化,获得既定的若干IMF分量;在优化参数时获得信息熵最小值所在的IMF,选取其为有效IMF分量进行包络解调分析,提取轴承故障特征频率。通过轴承仿真信号和实际数据分析,表明该方法能够提取滚动轴承早期故障信号的微弱特征,并实现故障的准确判别。     

基于变分模态分解和排列熵的滚动轴承故障诊断EI北大核心CSCD

滚动轴承早期故障信号特征微弱且难以提取,为了从轴承振动信号中提取特征参数用于轴承故障诊断和识别,提出基于变分模态分解(Variational Mode Decomposition,VMD)和排列熵(Permutation Entropy,PE)的信号特征提取方法,并采用支持向量机(Support Vector Machine,SVM)进行故障识别。对轴承振动信号进行变分模态分解,得到不同尺度的本征模态函数;计算各本征模态函数的排列熵,组成多尺度的复杂性度量特征向量;将高维特征向量输入基于支持向量基建立的分类器进行故障识别分类。通过滚动轴承实验数据分析了算法中参数选取问题,将该方法应用于滚动轴承实验数据,并与集合经验模态分解和小波包分解进行对比,分析结果表明,基于变分模态分解和排列熵的诊断方法有更高的诊断准确率,能够有效实现滚动轴承的故障诊断。     

变分模态分解方法及其在滚动轴承早期故障诊断中的应用EI北大核心CSCD

介绍了一种自适应信号分解新方法——变分模态分解(Variational mode decomposition,VMD),并且针对滚动轴承早期故障识别困难这一问题,提出了基于VMD的诊断方法。首先通过基于分数高斯噪声的数值模拟试验对VMD方法的等效滤波特性进行研究,验证了其类似于小波包分析的频域剖分特性,继而分析了惩罚因子及分量个数的设置对VMD方法滤波特性的影响。为了在轴承故障检测过程中,减少人为主观选择影响参数存在的弊端,提出了基于包络谱特征因子(Feature factor of envelope spectrum,EFF)的影响参数自动搜寻策略,最后通过仿真信号及试验信号对所述方法进行验证。分析结果表明:该方法能够有效提取轴承早期故障信号中的微弱特征信息,实现故障类型的准确判别。     

基于稀疏指标的优化变分模态分解方法EI北大核心CSCD

针对复合信号源信号数目未知,无法正确预设分解模态数K值而不能对信号进行有效变分模态(variational mode decomposition,VMD)的问题,提出了一种基于稀疏指标的优化VMD法。该方法基于VMD所构建变分模型中各个分量的稀疏先验知识,实现了VMD自适应寻优K值,其将最佳K值确定为稀疏指标由上升至下降的转折点;在计算VMD各个分量的稀疏度时,考虑到不同分量间的能量差异加入了能量权值因子,最后将稀疏指标确定为分解后各分量边际谱稀疏度的平均值。仿真信号与实际信号分解试验验证表明:相较于其他两种VMD的K值确定方法,该方法确定的K值结果更为准确,实现的优化VMD自适应性更强,较其他信号分解法如经验模态分解(empirical mode decomposition,EMD)有更好的分解效果,为源信号数目未知的复合信号VMD提供了新思路;此外,噪声的鲁棒性试验证明所提基于稀疏指标的优化VMD法还具有一定的抗噪能力,较稳健,可开发应用于实际工程。     

组稀疏低秩矩阵估计的变转速滚动轴承故障特征提取EI北大核心CSCD

早期轴承故障特征的有效提取对于避免严重机械事故具有重要的意义。表征轴承故障的脉冲信号往往淹没在强背景噪声干扰中,并且轴承常常在变转速工况下运行,这使故障特征的提取较为困难。针对这一问题,提出一种用于变转速工况下滚动轴承故障特征提取的组稀疏低秩矩阵估计算法。首先,根据变转速工况下轴承故障脉冲信号的角度时间循环平稳特性,利用阶频谱相关(order-frequency spectral correlation, OFSC)将测量信号转换至阶频域中;其次,揭示了轴承故障脉冲在阶频域中的组稀疏性和低秩性,并据此构建一种凸优化问题来增强这两种特性,引入非凸罚函数来提高故障特征的稀疏性;再次,在交替方向乘子法(alternating direction method of multipliers, ADMM)和优化最小化(majorization-minimization, MM)框架下求解该凸优化问题,推导出组稀疏低秩(group sparse low-rank, GSLR)矩阵估计算法;最后,通过构建增强包络阶次谱(enhanced envelope order spectrum, EEOS)对求解得到的目标分量进行故障特征检测。仿真和试验信号的分析验证了该方法在故障特征提取中的有效性。     

基于变分模态分解与流形学习的滚动轴承故障特征提取方法EI北大核心CSCD

提出了一种基于变分模态分解(VMD)和局部切空间排列算法(LTSA)相结合的滚动轴承早期故障诊断方法。首先利用VMD算法分解圆柱滚子轴承不同运行状态下的振动信号,通过求取瞬时频率均值并绘制特征曲线筛选出与原始信号最为相关的几个分量;然后,提取有效模态分量的时域指标和小波包频带分解能量所构成的频域指标,两者结合初步提取高维故障特征后,再应用LTSA对故障特征进行二次提取;最后输入到K-means分类器进行故障类型识别;通过对圆柱滚子轴承故障诊断的对比实验分析,发现:(1)与时频特征+LTSA、EMD+LTSA特征提取方法相比,VMD+LTSA方法在分类效果和识别精度上更具优势;(2) LTSA算法相比较于PCA、LPP、LE、ISOMAP和LLE这5种算法,其降维后的特征故障敏感性最好。研究结果表明所提出的方法在圆柱滚子轴承故障诊断方面具有一定的优越性。     

基于局部联合稀疏边缘嵌入的滚动轴承故障诊断EI北大核心CSCD

滚动轴承是机械设备的重要零部件之一,对其进行及时有效地监测和诊断对机械设备的安全运行有着重大意义。针对多源信息融合导致的高维性、信息冗余等问题,提出了一种基于局部联合稀疏边缘嵌入(locally joint sparse marginal embedding,LJSME)的轴承故障诊断方法。LJSME利用L 2,1范数来重构类间矩阵和类内矩阵并引入局部图保留高维特征间的邻域关系,且将L 2,1范数作为目标函数的正则项以保证特征提取的联合稀疏性,从而提高特征的敏感性和鲁棒性。首先从轴承振动信号中提取由时域和频域信息组成的高维特征数据集;随后利用LJSME提取高维特征空间数据集中的敏感低维特征;最后利用K-近邻分类器实现滚动轴承的故障模式识别。通过两组滚动轴承故障数据集对所提出的方法进行验证,与其他三种降维算法相比,所提算法能够有效地提取滚动轴承振动信号的敏感性特征。     

基于改进变分模态分解的滚动轴承故障诊断方法

提出一种改进变分模态分解的轴承故障信号诊断方法。使用改进的奇异值分解降噪方法对信号进行降噪,然后对信号进行变分模态分解;利用分量信号的能量之和占原信号能量的比值,判断变分模态分解的分解效果,从而找出最佳分解层数;根据分量信号间的相关系数,判断中心频率相邻的分量信号是否来自信号中的同一调制部分;最后通过主要分量的包络谱找出故障特征频率,判断故障类型。通过对仿真信号和实际轴承故障信号进行处理,成功提取微弱频率特征信息,验证了该方法的有效性。     

基于自适应变分模态提取的低速重载滚动轴承故障诊断方法EI北大核心CSCD

变分模态提取(variational mode extraction,VME)作为一种以极低计算度提取特定信号模态的新方法,其通过设置期望模态中心频率来获得固有模态函数。但是,VME只能针对一个中心频率提取一个分量,无法实现多分量信号的自适应分解。对此,通过依据信号数据长度与带宽自适应设置多分量模态中心频率参数,把信号分解问题转化为多模态优化问题,在此基础上,提出了一种自适应变分模态提取(adaptive variational mode extraction,AVME)方法。此外,为解决单一指标无法衡量最优解调分量全面信息特征的问题,提出将峭度、相关系数和正交性进行融合来凸显及筛选有用分量进行解调和诊断。通过对滚动轴承故障仿真信号和实测信号进行分析,将所提的方法与现有多种信号分解方法对比,结果表明了该方法在计算耗时上和降噪方面的有效性。     

基于稀疏带宽模态分解的变转速滚动轴承故障诊断

针对以往信号处理方法存在的缺陷,提出了一种新的非平稳信号分析方法—稀疏带宽模态分解(Sparse bandwidth mode decomposition,SBMD).该方法将信号分解转化为约束变分问题,自适应地将信号分解为若干个IMF分量之和。另外,在变转速工况下,滚动轴承故障振动信号中含丰富的状态信息,将SBMD、阶次追踪分析和包络谱相结合应用于变转速工况条件下的滚动轴承故障诊断问题。实验分析结果表明,采用SBMD阶次包络谱方法可以及时有效的诊断变转速工况下的滚动轴承故障诊断问题。     

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。     

自适应模态总数变分模态分解方法及其性能评估EI北大核心CSCD

VMD方法目前广泛应用于转子系统故障诊断以及二维图像分解等领域,但传统VMD算法需要预先给出模态总数,且VMD对信号能量较弱的非中心频段存在重构效果差,含噪声下提取能力差,容易遗漏故障特征等问题;基于上述问题对VMD修改了信号的约束准则,并引入信号未处理以及残差信号的多元约束目标,使模态总数可通过收敛得到;对模拟内圈轴承信号和试验信号的时频域重构分析以及分解模态信号的分析,对比三种算法的在非中心频段的重构效果以及特征提取能力的优劣。     

迭代广义解调齿轮信号分离的变转速滚动轴承故障诊断EI北大核心CSCD

变转速工作模式下齿轮啮合会掩盖故障轴承冲击特征,使得轴承故障特征信息微弱,针对变转速工作模式下齿轮啮合对轴承信号干扰的问题,提出了迭代广义解调齿轮信号分离的变转速滚动轴承的故障诊断方法。首先采用峰值搜索算法从包络时频谱中提取峰值啮合倍频(Instantaneous Dominant Meshing Multiply,IDMM),通过IDMM趋势线构造各广义解调函数的相位函数;其次利用迭代广义解调算法(Iterative Generalized Demodulation,IGD)分离出齿轮啮合频率及倍频信号,对剩余信号采用谱峭度算法确定由故障轴承引起的高频共振滤波参数并进行带通滤波;最后,以提取的IDMM趋势线作为轴承转频,对滤波结果进行角域重采样,根据阶次谱对滚动轴承运行状态予以判断。仿真信号和实测信号的处理结果证明该方法在无转速计设备的情况下能有效的实现变转速滚动轴承的故障诊断。     

希尔伯特振动分解在滚动轴承故障诊断中应用

将希尔伯特振动分解(HVD)应用于滚动轴承故障诊断。在介绍HVD方法原理基础上,与经验模式分解(EMD)进行对比表明,通过仿真信号可分析HVD更高频率分辨率,HVD能有效分解引起EMD模态混叠的含异常事件信号;将HVD用于滚动轴承故障信号分解,选含丰富故障信息分量进行包络分析,利用相应包络谱图识别轴承故障特征频率,进而识别故障模式,并实验验证该方法的有效性。     

基于变分模态分解与深度卷积神经网络的滚动轴承故障诊断

针对滚动轴承振动信号非平稳、非线性特点以及特征提取困难问题,提出一种基于变分模态分解(VMD)与深度卷积神经网络相结合的特征提取方法并应用于滚动轴承故障诊断.利用VMD将原始振动信号分解得到若干不同频率的限带本征模态分量,通过卷积网络中的多组卷积核自动学习各模态数据的不同特征,保证了特征提取的自适应性、全面性和多样性....     

基于经验模态分解和主成分分析的滚动轴承故障诊断研究

针对传统的振动信号特征提取效率低、诊断时间较长等问题,提出了基于经验模态分解与主成分分析的滚动轴承故障诊断方法。首先利用经验模态分解将振动信号分解为有限个本征模函数和一个残差函数,提取主要的本征模函数能量及其局部平均频率特征,最后将复合特征向量作为主成分分析分类器的输入,完成对故障的识别。实验结果表明:复合特征向量能够有效地反映轴承的运行状态;相比于BP神经网络、支持向量机、K-近邻算法,主成分分析分类法不仅能够准确地识别故障,而且训练时间短、使用方便。     

基于MTF-CNN的滚动轴承故障诊断方法EI北大核心CSCD

针对传统故障诊断方法在滚动轴承实际工况复杂多变、数据集较小时对轴承故障诊断识别准确率较低的问题,提出了MTF-CNN滚动轴承故障诊断模型。首先采用马尔科夫转移场(MTF)编码方式将原始一维振动信号转化为具有时间相关性的二维特征图像,然后将特征图作为卷积神经网络(CNN)的输入进行自动特征提取和故障诊断,最后实现对不同故障类型的分类。为了验证所提方法的有效性和优越性,选用凯斯西储大学滚动轴承数据进行试验验证,并在负载改变时和不同数据集规模下对所提出方法的泛化性能进行测试,同时与传统智能算法进行对比分析。结果表明,相较于其他常用的故障诊断方法,所提出模型在数据集较小、负载改变的环境下对滚动轴承故障诊断具有更好的泛化性能和识别效果。     

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。     

基于典型谱相关峭度图的滚动轴承故障诊断方法EI北大核心CSCD

针对工程实际中滚动轴承发生故障的类型具有典型性和故障冲击信号具有周期性的特点,提出了一种典型谱相关峭度图算法。该算法在借鉴典型谱峭度图算法区间划分的思想基础上,将相关峭度指标代替峭度指标,不但避免了宽频带解调引入的噪声干扰,而且充分利用了典型故障冲击的周期性信息,并通过优化谱相关峭度值,快速定位典型故障冲击信号所在的频率区间,并将该算法应用于最优解调频带的确定。通过对仿真信号和轮对轴承实验信号的分析表明,该算法无论在准确性还是在稳定性方面均表现出了极大的优越性,能够有效的自适应定位共振频带。