基于参数自寻优变分模态分解的信号降噪方法EI北大核心CSCD

针对滚动轴承故障信号具有非线性、非平稳、噪声强的特点,提出了一种基于参数自寻优变分模态分解(variational modal decomposition,VMD)的信号降噪方法。以模态复合熵作为适应度函数,采用改进粒子群算法进行VMD参数自适应寻优,确定变分模态分解最优模态数K和二次惩罚因子α;基于最优K和α,对原始信号进行VMD分解,得到K个本征模态函数(intrinsic mode function,IMF)分量;利用相关系数筛选法,进行模态分量的有效模态和含噪模态识别,利用小波阈值去噪方法对含噪模态进行去噪处理;将有效模态与去噪后的模态进行重构,实现信号降噪。分别用滚动轴承故障仿真信号和试验信号进行验证,并与EMD降噪方法进行比较,结果表明该方法可有效提高故障信号的信噪比,降噪效果明显,有利于滚动轴承故障特征的提取。     

基于SVD-MEEMD与Teager能量谱的滚动轴承微弱故障特征提取

针对滚动轴承早期微弱故障特征难以提取的问题,提出一种基于奇异值分解(Singular Value Decomposition,SVD)、改进的集总经验模态分解(Modified Ensemble EMD,MEEMD)和Teager能量谱的滚动轴承微弱故障特征提取方法。该方法首先采用Hankel矩阵理论对滚动轴承的故障信号进行相空间重构得到重构矩阵,并根据奇异值差分谱理论对重构矩阵进行SVD处理,实现信号的初步降噪;其次,对降噪后的信号进行MEEMD分解得到一组本征模态分量(Intrinsic Mode Function,IMF)和一个余量,依据峭度-相关系数规则选取出一个冲击特征敏感的IMF分量,计算其Teager能量算子;最后,通过分析能量谱图实现对滚动轴承微弱故障的模式辨识。采用美国西储大学的滚动轴承故障数据对所提方法进行验证,并与其它模式的组合方法进行比较。结果表明,该方法具有良好的降噪效果和敏感特征筛选能力,从而能更准确提取出滚动轴承早期故障频率,实现故障类型的准确辨识。     

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VMD-SVD能量标准谱-Teager能量算子的轴承故障诊断方法

对难以提取处于微弱故障状态的滚动轴承非线性、非平稳时变特性振动信号中故障特征频率的问题,提出基于VMD-SVD能量标准谱-Teager能量算子联合诊断方法。首先,对预处理后轴承微弱故障信号进行VMD分解,根据各模态分量(IMF)中心频率确定最优模态数K,再由各IMF分量峭度和相关系数指标确定包含故障信号的敏感IMF。然后,对选取模态分量的Hankel矩阵进行SVD分解,由奇异值能量标准谱确定有效奇异值数量,实现对信号的降噪重构。最后,利用瞬时Teager能量算子及其频谱分析识别微弱故障产生的周期性冲击特征频率。运用该方法处理滚动轴承微弱故障信号,能准确提取故障特征频率及倍频,文中证明了其准确性和有效性。     

基于MCKD和VMD的滚动轴承微弱故障特征提取EI北大核心CSCD

针对滚动轴承早期故障特征非常微弱,易受随机噪声和其他信号干扰而难以提取等现象,提出了用最大相关峭度解卷积(Maximum Correlated Kurtosis Deconvolution,MCKD)和变分模态分解(Variational Mode Decomposition,VMD)相结合的方法提取滚动轴承故障特征。首先用MCKD进行信号增强,然后利用VMD得到一系列模态,应用互相关系数和峭度准则筛选包含故障信息较为丰富的模态进行重构降噪,最后对重构信号进行包络解调提取故障特征。通过仿真分析和轴承故障模拟实验验证了该方法的有效性,可以精确地分离轴承故障振动信号的不同频率成分。     

基于MCKD和VMD的滚动轴承微弱故障特征提取

针对滚动轴承早期故障特征非常微弱,易受随机噪声和其他信号干扰而难以提取等现象,提出了用最大相关峭度解卷积(Maximum Correlated Kurtosis Deconvolution,MCKD)和变分模态分解(Variational Mode Decomposition,VMD)相结合的方法提取滚动轴承故障特征。首先用MCKD进行信号增强,然后利用VMD得到一系列模态,应用互相关系数和峭度准则筛选包含故障信息较为丰富的模态进行重构降噪,最后对重构信号进行包络解调提取故障特征。通过仿真分析和轴承故障模拟实验验证了该方法的有效性,可以精确地分离轴承故障振动信号的不同频率成分。     

基于FVMD的滚动轴承故障特征提取方法EI北大核心CSCD

针对变分模态分解(variational mode decomposition,VMD)中模态数K和惩罚因子α无法自适应确定的问题,提出了基于快速变分模态分解(fast VMD,FVMD)的滚动轴承故障特征提取方法。首先,利用频谱趋势分割方法对滚动轴承振动信号进行分析,确定频谱趋势分割边界,进而自适应确定VMD的分解模态数K和惩罚因子α、模态初始中心频率ω;其次,根据参数K、α、ω,完成原始振动信号的自适应分解,并基于有效权重峭度准则提取有效本征模态函数(intrinsic mode function,IMF)分量;最后,利用希尔伯特包络解调计算有效IMF分量重构信号的包络频谱图,完成滚动轴承故障特征的提取。使用仿真信号、美国凯斯西储大学(Case Western Reserve University,CWRU)和美国航空航天局(National Aeronautics and Space Administration,NASA)的滚动轴承数据完成所提方法与传统VMD方法的对比试验。结果表明,所提方法能够自适应确定VMD的分解模态数K和惩罚因子α,提高VMD的计算效率,同时有效提取到滚动轴承的故障特征频率,证明了所提方法的有效性和可行性。     

传感器优化布置的齿轮箱轴承故障特征提取

为诊断齿轮箱轴承故障,构建一种传感器优化布置的齿轮箱轴承故障特征提取方法。提取齿轮箱上箱体模态振型,运用K-medoids算法对节点振型进行聚类,用有效独立法初选测点,以模态置信准则(MAC)为适应度函数,运用遗传算法(GA)寻优,实现传感器位置优化,以构建的综合评价指标对传感器数量进行评价,以此得到齿轮箱传感器优化布置方案;将传感器布置在上箱体采集齿轮箱振动信号,对各路信号进行奇异值(SVD)降噪,对降噪后信号进行基于方差贡献率的信息融合;对融合信号进行变分模态分解(VMD),以信息熵最小为原则对VMD参数优化,选取信息熵最小本征模态分量(IMF)进行Teager能量谱分析,提取滚动轴承故障特征;采用ZDH10型齿轮箱故障试验台进行试验验证,证明所构建方法的可行性。     

基于VMD的自适应形态学在轴承故障诊断中的应用

为有效提取滚动轴承信号的特征频率,提出了基于变分模态分解(VMD)的自适应形态学的特征提取方法。首先利用VMD将目标信号分解为有限个模态信号,依据互信息法提取与原始信号相关的模态信号,将其进行求和重构;然后利用形态学对重构信号进行降噪处理,提取出滚动轴承的特征频率。针对形态学固有统计偏移和结构元素的选择问题,利用粒子群算法来优化改进的广义形态学滤波器,实现自适应滤波。通过数字仿真实验与滚动轴承故障试验分析,将其与基于经验模式分解(EMD)的自适应形态学、包络解调方法进行比较,结果表明该方法可以有效提取故障信号的特征频率。     

基于SSA-VMD-MCKD的强背景噪声环境下滚动轴承故障诊断EI北大核心CSCD

为在强背景噪声环境下有效提取滚动轴承微弱故障特征并准确诊断故障,提出奇异谱分析(singular spectrum analysis, SSA)、变分模态分解(variational mode decomposition, VMD)和最大相关峭度解卷积(maximum correlated kurtosis deconvolution, MCKD)结合的滚动轴承故障诊断方法。首先,利用SSA算法将故障信号分解,根据时域互相关准则对分解信号筛选重构;其次,利用鲸鱼优化算法(whale optimization algorithm, WOA)分别优化VMD的参数alpha,K以及MCKD的参数L和M,利用参数优化的VMD对重构信号进行分解,根据峭度指标从分解所得的本征模态函数(intrinsic mode function, IMF)中提取故障特征信号;再次,利用参数优化的MCKD算法增强故障特征;最后,通过频谱包络进行故障诊断。仿真和试验表明,所提方法能在强噪声干扰下有效提取并诊断轴承故障。     

基于奇异值分解和变分模态分解的轴承故障特征提取

为了有效提取轴承故障,提出了基于变分模态分解和奇异值分解降噪的故障特征提取方法。通过对故障信号进行变分模态分解,获得其本征模态函数。基于峭度指标,选择包含故障信息的本征模态函数进行信号重构。利用奇异值分解降噪技术对重构信号进行处理,提高信噪比。最后对降噪信号进行包络解调提取故障特征频率。与常见的故障特征提取方法相比,该方法能有效辨别滚动轴承的典型故障,突出故障特征,提高滚动轴承的故障诊断效果。     

基于VMD和SVD联合降噪方法的球磨机振动信号随机噪声压制

针对球磨机筒体振动信号中存在大量噪声信号,难以提取其有效信息的问题,提出一种基于变分模态分解(VMD)和奇异值分解(SVD)的联合降噪方法。该方法首先利用VMD算法对球磨机振动信号进行分解,得到K个本征模态分量(IMF),其中K值采用瞬时频率均值法确定;然后通过互相关系数法选取大于等于互相关系数阈值的IMF分量,将选出的分量视为敏感模态分量,再利用奇异值分解算法对敏感模态分量进行去噪处理;最后将经过奇异值去噪的敏感模态分量重构,得到最终降噪信号。仿真分析验证该方法的有效性,将该方法运用到实测球磨机筒体振动信号中,结果表明,该方法能够去除磨机筒体信号中的噪声,提高了信号后续分析处理的可靠性。     

基于EMD和MKD的滚动轴承故障诊断方法

针对滚动轴承早期微弱故障特征难以提取的问题,提出基于经验模态分解(Empirical Mode Decomposition,EMD)与最大峭度解卷积(Maximum Kurtosis Deconvolution, MKD)的滚动轴承故障特征提取方法。利用EMD方法分解振动信号得到一组固有模态分量(Intrinsic Mode Function,IMF),然后根据时域峭度和包络谱峭度,筛选出敏感IMF分量进行信号重构。然后对重构信号进行最大峭度解卷积处理以增强故障信息,最后得到包络功率谱,从而获得轴承故障特征频率信息。通过实验台信号验证了所述方法的有效性及优点。     

变分模态分解和改进的自适应共振技术在轴承故障特征提取中的应用

针对滚动轴承早期故障特征提取困难的问题,提出了基于变分模态分解(Variational Mode Decomposition,VMD)和改进的自适应共振技术的滚动轴承故障特征提取方法。针对轴承故障信号所在频带难以选择的问题,提出了基于改进的自适应共振技术(Improved Adaptive Resonance Technology,IART)的IMF选取方法。首先,确定模态数,提出了峭度最大值的模态数确定方法;然后,对原始振动信号进行VMD分解,获得既定数目的本征模态分量(Intrinsic Mode Function,IMF);其次,利用IART选取包含丰富故障信息的IMF分量;最后,(如有需要)对选取的IMF分量进行基于IART的带通滤波,并进行包络解调分析提取故障特征频率。将该方法应用到轴承仿真数据和实际数据中,能够实现轴承故障特征的精确诊断,证明了该方法的有效性。     

基于变分模态分解奇异值熵的滚动轴承微弱故障辨识方法

针对滚动轴承微弱故障难以识别的问题,提出一种基于变分模态分解(Variational Mode Decomposition,VMD)与奇异值熵融合的滚动轴承微弱故障辨识方法。该方法对滚动轴承的振动信号进行VMD分解获得4个本征模态函数(Intrinsic Mode Function,IMF),并根据一种均方差-欧氏距离指标选择出含丰富故障信息的IMF分量进行信号重构;对重构信号进行奇异值分解获得奇异值对角阵,进而结合信息熵理论求取对角阵的奇异值熵;利用奇异值熵的大小区分滚动轴承的工作状态和故障类型。用美国西储大学的滚动轴承振动信号对所述方法进行验证的结果表明:相比传统EMD奇异值熵故障诊断方法,该方法能够更清晰地划分出滚动轴承微弱故障的类别区间,有助于实现微弱故障类型的准确辨识,为滚动轴承微弱故障诊断提供了一种可靠的评估依据。     

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VMD和1.5维Teager能量谱的滚动轴承故障特征提取

为准确提取非线性、非平稳的滚动轴承故障信号中的故障特征,提出基于变分模式分解(Variational Mode Decomposition,VMD)和1.5维Teager能量谱的滚动轴承故障特征提取方法;变分模式分解(VMD)是一种新的信号自适应分解方法,1.5维Teager能量谱具有1.5维谱良好的降噪效果和Teager能量算子强化信号瞬态冲击的优点。故障特征提取过程:首先,对滚动轴承故障信号进行VMD分解得到一组分量,根据峭度-相关系数准则筛选出2个冲击特征明显分量进行信号重构;再次,对重构信号进行1.5维Teager能量谱分析;最后根据能量谱图的分析,提取出滚动轴承的内圈和滚动体故障特征。仿真信号和试验信号的分析都验证了提出方法的有效性;通过与EEMD分解比较,采用VMD变分模式分解和1.5维Teager能量谱的分析方法更具有区分性,可以有效识别滚动轴承的故障特征。     

基于改进变分模态分解和快速谱峭度图的滚动轴承检测方法

针对滚动轴承早期故障信号微弱、复杂且提取困难的问题,提出一种基于改进变分模态分解(Variational Mode Decomposition,简称VMD)和快速谱峭度图的滚动轴承检测方法。首先利用粒子群算法对VMD最佳影响参数组合进行搜索,采用多尺度模糊熵(Multiscal Enproty,简称MSE)作为适应度函数,并利用优化参数的VMD对原始信号进行分解,得到多个本征模态分量(Intrinsic Mode Function,简称IMF);其次计算原始信号和各模态分量的快速峭度图;再次找出原始信号和各个IMF谱峭度最大值所处的频带区间;然后通过比较原始信号和IMF谱峭度最大值所处频带区间的从属关系来选择最佳IMF;最后,重组最佳IMF并通过共振解调技术求其包络谱图。实验结果表明基于改进变分模态分解和快速谱峭度图的滚动轴承检测方法能更有效诊断出滚动轴承的早期故障。     

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。     

基于优化VMD与改进阈值降噪的滚动轴承早期故障特征提取

针对复杂工况和强背景噪声干扰下,滚动轴承早期故障信号微弱导致故障特征难以提取的问题。提出了优化变分模态分解(VMD)与改进阈值降噪的滚动轴承故障特征提取方法。首先,通过鲸鱼优化算法(WOA)优化VMD实现振动信号的自适应分解,建立了L-峭度和相关系数的最优模态分量选取准则;然后对选取的最佳分量进行改进阈值降噪;最后,对降噪后的信号进行希尔伯特包络谱分析实现故障特征频率的提取。在仿真信号和美国西储大学工程数据集上,对提出的方法进行了验证,同时与Teager能量算子降噪的方法和基于包络熵准则的优化方法进行了对比,结果表明提出的方法效果更优。