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。     

基于参数优化的MCKD的滚动轴承早期故障诊断

针对滚动轴承早期故障被淹没在噪声信号下特征信号微弱,故障特征难以提取的问题,将最大相关峭度解卷积(maximum correlated kurtosis deconvolution,MCKD)应用于滚动轴承早期故障诊断。并针对MCKD参数滤波器长度及移位数需人为选择的问题,提出一种基于参数优化的最大相关峭度解卷积的滚动轴承早期故障诊断方法。首先,针对轴承工作的实际工况讨论了最优移位数;然后,以经解卷积后信号的形态能量熵作为评价函数,利用网格搜索法对滤波器长度进行寻优;最后,利用参数优化后的MCKD算法增强信号中的冲击成分,通过包络谱判断轴承故障类型。实验表明,该方法可有效的增强轴承信号中微弱的故障特征成分,实现滚动轴承早期故障的诊断。     

基于参数自适应VMD和MCKD的滚动轴承微弱故障特征提取

针对传输路径复杂和强噪声干扰条件下滚动轴承故障信号信噪比低、微弱故障特征难以提取的问题，提出一种将参数优化变分模态分解（Variational Mode Decomposition,VMD）与最大相关峭度解卷积（Maximum Correlated Kurtosis Deconvolution, MCKD）相结合的滚动轴承微弱故障特征提取方法。首先，利用经麻雀搜索算法（Sparrow Search Algorithm, SSA）优化的VMD对故障信号进行自适应分解，构建加权峭度指标以筛选有效模态分量；然后对有效模态分量利用经SSA优化后的MCKD进行增强；最后，对增强后的信号进行包络解调分析，提取出轴承故障特征频率。实验和工程实际案例分析表明，所提出的方法能够自适应增强轴承信号中的微弱冲击成分，有效提取出强噪声背景下的滚动轴承微弱故障特征。     

基于网格搜索法优化最大相关峭度反卷积的滚动轴承早期故障诊断方法

针对环境噪声下滚动轴承早期故障信号微弱难以检测的问题,提出了基于网格搜索法优化最大相关峭度反卷积(Maximum Correlated Kurtosis Deconvolution,MCKD)滚动轴承早期故障诊断方法。并针对MCKD方法受滤波器阶数和周期影响的问题,提出了利用网格搜索法优化最大相关峭度反卷积参数。首先,早期微弱故障信号集成经验模态分解后,采用相关系数以及峭度准则重构原信号;然后,以小波Shannon熵作为目标函数采用网格搜索法搜寻最优滤波器阶数以及周期,采用自适应MCKD方法对重构信号中故障脉冲冲击成分进行加强,最后通过包络谱、包络功率谱提取微弱故障特征。实验表明,该方法能够对早期微弱故障中冲击成分进行自适应增强,有效检测出被噪声淹没的微弱故障,实现滚动轴承故障的精确诊断。     

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。     

一种基于多点峭度谱和最大相关峭度解卷积的滚动轴承故障诊断方法

针对最大相关峭度解卷积(MCKD)方法需要预知准确的滚动轴承故障特征周期的不足,提出一种多点峭度谱(Mkurt spectrum)和MCKD相结合的滚动轴承故障诊断方法。利用多点峭度谱对采样信号进行处理,通过比较不同周期下解卷积结果输出的信号的多点峭度谱,对预先估计的故障特征周期进行修正,再将优化得到的故障周期的精确取值输入到MCKD算法中,增强原信号中周期性故障冲击特征,并通过包络解调来诊断故障类型。通过对仿真信号、6205轴承外圈故障和铁路货车轮对轴承复合故障的试验信号的分析表明:即使在未知准确转速的条件下,该方法依然可以有效地实现滚动轴承的故障诊断,具有较高的工程应用价值。     

基于自相关分析与MCKD的滚动轴承早期故障诊断

滚动轴承早期故障信号通常呈现出非平稳性、弱调制性、故障特征成分不突出以及背景噪声强烈等特点,有效提取轴承故障特征比较困难,因此难以准确判断轴承的故障位置。针对这一问题,提出了基于自相关分析与最大相关峭度解卷积(MCKD)算法的滚动轴承故障诊断方法:①利用有偏估计自相关分析方法对轴承信号作初步分析,抑制信号中噪声成分;利用MCKD算法对所得信号作进一步分析,突出信号中的原始冲击成分并进一步去噪,使得信号的信噪比进一步提高;③对信号进行包络谱分析,通过包络谱中的主导频率成分与滚动轴承各元件的故障特征频率对比从而判断轴承的故障位置。仿真数据和实测数据分析结果证明,所提方法能够有效提取故障信号中的特征信息,具有一定的有效性。     

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SVD降噪和盲信号分离的滚动轴承故障诊断

滚动轴承早期微弱故障特征信号往往淹没于系统噪声信号中而难于识别,奇异值分解技术（SVD ）可以有效降低噪声水平,提高周期成分的提取能力,盲源分离技术可以分离故障源信号并提取故障特征。本文将奇异值分解技术和盲信号分离技术的优势应用于滚动轴承故障诊断,利用奇异值分解降噪特性消除系统信号中的混合噪声,对降噪后的信号通过盲信号分离技术进行盲源分离,提取出原始故障信号。数值仿真及实验结果表明,该方法可以成功地分离出滚动轴承实测信号的典型故障,提高滚动轴承故障诊断的效果。