基于集合经验模式分解和交叉能量算子的滚动轴承故障诊断

振动信号的周期性冲击及其重复频率是滚动轴承故障诊断的关键.本文提出了一种基于集合经验模式分解和交叉能量算子提取滚动轴承故障特征的方法.首先,应用集合经验模式分解方法将振动信号分解为本征模式函数以满足交叉能量算子对信号单分量的要求.然后根据相关程度和峭度从本征模式函数中选取敏感分量,计算敏感分量和原始信号的瞬时交叉能量及其傅里叶频谱.最后根据交叉能量的频谱结构和特征频率识别轴承故障.通过分析滚动轴承故障仿真信号和实验测试信号,诊断了滚动轴承元件故障,验证了该方法的有效性.     

基于EEMD形态谱和支持向量机复合的滚动轴承故障诊断方法

针对滚动轴承的内圈、外圈和滚动体故障提出了一种新的诊断方法,该方法融合了集总经验模态分解(EEMD)、形态谱和支持向量机(SVM)三种方法的优势.首先,利用经验模态分解对滚动轴承故障振动信号进行分解,得到若干个具有物理意义的内禀模态分量(IMF);其次,基于最大能量法筛选出含有故障特征信息最丰富的一个内禀模态分量为故障诊断数据源;再次,对数据源在选定尺度范围内进行形态谱的提取,从而构造故障特征向量;最后,利用支持向量机对滚动轴承的三种故障进行诊断.研究结果表明,该方法能够有效地诊断出滚动轴承的三种故障,且具有很高的故障诊断正确率.     

基于EMD的复合故障诊断方法

针对转子不平衡故障和滚动轴承微弱损伤性故障的复合故障诊断问题,提出了一种基于经验模式分解的故障诊断方法,进行复合故障的耦合特征分离和轴承损伤性故障信号特征提取研究.该方法首先通过经验模式分解将复合信号分解为若干个本征模函数(intrinsic mode function,IMF);然后通过计算各IMF与原始复合信号的相关系数确定包含故障特征信息的主要成分,除去虚假分量;最后针对主要成分中的低频成分进行频谱分析提出转子故障特征,针对主要成分中的高频成分进行Hilbert包络解调提取调制故障特征,即轴承损伤性故障特征.仿真及实验结果表明该方法的有效性和实用性.     

基于小波包和径向基神经网络轴承故障诊断

针对滚动轴承故障精密诊断的需要,采用小波包分析方法提取了滚动轴承故障的特征信号,通过小波包分析将高频信号分解到8个频带中,以频带能量作为识别故障的特征向量,应用RBF径向基神经网络建立了从特征向量到故障模式之间的映射,现场采集的数据分析表明,采用小波包和神经网络相结合的方法可以比较准确地识别滚动轴承的故障。     

对称差分能量算子增压风机轴承故障诊断

文章针对烧结脱硫增压风机滚动轴承振动信号非线性、非平稳性,导致其故障特征难提取、难识别的问题,提出了融合自相关降噪与小波包分解的对称差分能量算子的解调方法,结果表明所提方法为增压风机滚动轴承的故障诊断提供一条新途径。     

形态分量分析在滚动轴承故障诊断中的应用

滚动轴承局部故障振动信号中的周期性冲击是识别故障的关键特征.形态分量分析在由多种形态原子组成的过完备字典基础上提取信号中的不同形态成分,基于这种思想提出了一种基于新型过完备复合字典的形态分量分析方法.依据滚动轴承故障振动信号中分量间的形态差异性,改进字典后该方法可以更具针对性地提取出包含故障特征的冲击分量,配合包络谱分析准确提取故障特征频率,诊断滚动轴承局部故障.对比基于快速谱峭度法的轴承故障诊断方法,该方法可以避免人为选择共振带产生的不准确性和非最优问题,提高了故障诊断效果.通过轴承仿真信号和故障实验信号分析验证了该方法的有效性.     

陡脉冲干扰下的心电信号滤波及QRS提取

为消除陡脉冲带来的干扰,分析了陡脉冲干扰的特点,建立了陡脉冲噪声数学模型,提出了基于变分模态分解（Variational mode decomposition, VMD）的心电信号滤波算法,提取叠加在心电信号中陡脉冲干扰分量、识别陡脉冲干扰分量并剔除陡脉冲干扰分量;为减少VMD分解层数、提高实时性并减少内存消耗,提出了心电信号预处理算法;针对医疗环境中的随机噪声伴随陡脉冲出现的情况,分析了VMD后子信号中随机噪声的特点,提出了基于VMD子信号能量估计的阈值去噪算法;利用变分模态分解的带通滤波器组特性,提出了基于变分模态分解子信号重组的QRS波群检测算法,配合滤波算法以提高心电信号特征检测精度。以添加了高斯白噪声和模拟陡脉冲干扰的MIT?BIH数据库心电信号和医疗环境中采集的心电信号为实验对象,分别实现对滤波算法和QRS波群检测算法的定量对比分析。      

基于多域流形的行星齿轮箱局部故障识别

行星齿轮箱振动信号包含多种频率成分和噪声干扰,频谱具有复杂的边带结构,容易对故障识别造成误导甚至引起错判.在不同故障状态下,行星齿轮箱振动信号的多域特征量将偏离正常范围且偏离程度不同,根据这一特点,提取振动信号的时域、频域特征参量用于故障识别.为了避免传统分析方法中负频率及虚假模态问题,增强对噪声干扰的鲁棒性,采用局部均值分解法将信号自适应地分解为单分量之和,提取时频域单分量瞬时幅值能量.针对多域特征空间构造过程中出现的高维及非线性问题,采用流形学习对数据进行降维处理.提出基于改进的虚假近邻点的本征维数估计及最优k邻域确定方法,并通过等距映射对多域特征空间进行降维分析.对于行星齿轮箱实验信号,根据样本流形特征聚类结果,分别识别出了太阳轮、行星轮和齿圈的局部故障,从而验证了上述方法的有效性.     

基于ELMD分解和MED的齿轮箱故障诊断分析

针对齿轮早期故障振动信号的非平稳特性和现实中受环境噪声影响严重,故障特征微弱难以提取的问题,利用总体局部均值分解对齿轮故障振动信号进行分解得到有限个单分量的乘积函数,从而凸显信号的局部特性。但由于噪声的干扰,从各分量的频谱中很难提取故障特征频率信息。文章基于此提出总体局部均值分解和最小熵反褶积的故障诊断方法。通过对齿轮故障仿真实验和工程案列分析,能够准确、有效地提取齿轮故障特征信息,为实际工程应用提供了一种新方法。     

迭代广义短时Fourier变换在行星齿轮箱故障诊断中的应用

短时Fourier变换(STFT)在分析非平稳信号的过程中,受调制系数的影响,时频分布图中的能量扩散至主导频率的周围,降低了时频分布的可读性.运用STFT分析瞬时频率缓变或恒定的信号时,调制系数的影响较小甚至可以忽略不计,而得到能量聚集程度很高的时频分布.根据这一特点,提出了迭代广义短时Fourier变换(IG-STFT),该方法有效改善了时频图的可读性.首先运用迭代广义解调分离出频率恒定的单分量成分,然后运用STFT分析信号的时频分布,最后依据STFT的分析结果和相位函数得到原信号的时频分布.通过行星齿轮箱仿真信号和实验信号分析,验证了该方法在分析非平稳信号中的有效性,准确诊断了齿轮故障.     

基于小波消噪的轴承振动测量及故障诊断研究

对识别滚动轴承工艺故障原理进行阐述,提出了轴承振动测试及故障诊断系统的总体框架,对系统的机械装置进行了分析,在通过传感器得到的轴承信号后,利用小波的分解与重构降噪来处理这些信息,再通过Matlab进行实现信号的消噪处理.     

分形维数在滚动轴承故障诊断中应用

将分形维数用于刻划滚动轴承在不同故障状态下表现的非线性行为,进而对轴承的运行状态进行判别.实验结果表明,滚动轴承振动信号在不同运行状态下的分形维数是不同的,可以将分形维数做为识别滚动轴承故障的特征量。

     

基于空洞卷积神经网络与注意力机制GRU的滚动轴承故障诊断

针对传统故障诊断方法需要人工提取特征的不足,以及大数据下滚动轴承故障振动信号自适应特征提取与智能诊断问题,利用空洞卷积神经网络(DCNN)可以在不增加计算量的基础上兼顾不同尺度空间特征的能力、门控循环单元(GRU)善于从动态变化的序列数据中学习到时间上的关联性的能力,提出了一种将DCNN、注意力机制和GRU多路径融合的端到端故障诊断方法。首先利用DCNN从原始数据中自动提取时序信号特征,然后将注意力机制(Attention)的GRU通路和DCNN通路进行融合,最后将提取到的特征融合之后送入分类层进行分类。试验结果表明,所提方法的诊断准确率平均为98.75%,高于比较方法,更加适用于滚动轴承故障诊断。     

基于特征波形稀疏匹配的滚动轴承故障模式识别

提出了一种基于特征波形稀疏匹配的滚动轴承故障模式识别方法.该方法通过自行设计的搜索算法从信号中提取多段特征波形,并对其进行学习优化,以优化后的特征波形作为基原子模型生成原子库及模式匹配库.将待识别信号在模式匹配库上进行一阶匹配分析,实现轴承故障的模式识别.对正常轴承、滚动体故障、内圈故障和外圈故障信号进行实验,验证了方法的有效性和鲁棒性.     

改进的谱相关分析方法及其在故障诊断中的应用

提出一种基于峭度能量的谱相关分析方法.它利用每个循环频率切片的峭度值来衡量该循环频率的调制能力,并以此作为加权因子进行循环频率的能量累积,最终实现故障特征的有效提取.相对于传统的谱相关分析方法,本文方法降低了信号中多倍频谐波对故障特征频率的干扰,能更清晰准确地提取出故障频率特征.利用传统的谱相关分析方法、本文方法和共振解调三种方法对仿真信号、低速重载试验台的滚动轴承外圈故障信号进行分析,证明了本文方法的有效性.     

声信号分析方法在轴承故障诊断中的应用

由于轴承故障声信号的混响及临近的机械设备的噪声,造成声信号的频域分析很困难．通过小波变换原理,对滚动轴承故障声信号进行时频分析．通过对声信号的多尺度分解,分离出由故障造成的声信号突变．实验结果表明,较之以往的时域、频域信号处理技术,该方法对声音信号分解更趋合理,是一种可靠和有效的滚动轴承故障诊断新方法．     

基于周期势系统随机共振的轴承故障诊断

提出基于普通变尺度和周期势自适应随机共振理论,检测噪声背景下轴承滚动体的故障特征.在具体实施过程中,首先用普通变尺度的方法满足随机共振中小参数的条件,然后用随机权重粒子群优化算法作为自适应随机共振参数寻优的优化算法,同时用改进的信噪比作为评价指标.噪声背景下含轴承滚动体故障的实验信号经过普通变尺度下的自适应随机共振处理和优化后,微弱的故障特征可以有效的提取出来.将普通变尺度下的双稳态自适应随机共振和周期势自适应随机共振进行了对比,结果表明周期势自适应随机共振比双稳态自适应随机共振能进一步提高信噪比,并且比双稳态自适应随机共振迭代次数少,用时短.这说明提出的基于普通变尺度和周期势系统自适应随机共振的轴承滚动体故障诊断方法具有优越性,尤其是在工程实际中,故障监测所需的数据量大,计算时间长,如能较早的预警,可以提高诊断效率并减少不必要的损失.因此,这种轴承滚动体故障诊断方法对提高机械设备故障诊断效率具有参考价值.