基于改进HHT的奇异值分解和马氏距离的滚动轴承故障诊断

针对滚动轴承振动信号的非平稳性以及故障诊断样本总量少的特点,提出一种基于改进希尔伯特-黄变换的奇异值分解和马氏距离相结合的故障诊断方法。首先,采用改进经验模态分解方法将所测不同工况下的滚动轴承信号分解成多阶固有模态函数,并根据各模态函数的特性选取对各工况信号敏感的模态分量;其次,对敏感模态函数分量组成的特征向量进行奇异值分解,并以分解结果的期望值作为诊断的特征值;最后,将马氏距离判别算法应用于滚动轴承的工况和类型判别。试验结果表明,本文所提方法能有效识别出滚动轴承的工作状态,具有一定的应用价值。     

基于HHT和模糊C均值聚类的轴向柱塞泵故障识别

提出了一种基于Hilbert-Huang变换(HHT)和模糊C均值聚类算法相结合的故障识别方法。利用HHT在处理非线性、非平稳信号方面的优势,对采集到的轴向柱塞泵泵壳振动加速度信号进行HHT处理。首先对信号分别进行经验模态分解(EMD)和集总经验模态分解(EEMD),结合短时最大熵谱分析选取对故障最为敏感的固有模态函数(IMF)分量,再对其分别进行二次分解。然后,采用本文提出的基于局部边际能量谱特征能量的方法求出故障特征向量。最后,采用模糊C均值聚类算法进行故障模式识别。识别结果表明:EEMD比EMD在迭代次数上大幅减少,故障识别准确率有了显著提高。     

基于SSD和Teager能量算子的滚动轴承故障诊断方法

针对滚动轴承早期故障冲击信号较难提取的问题,提出基于奇异谱分解(singular spectrum decomposition,SSD)和Teager能量算子的滚动轴承故障诊断方法。首先,利用SSD分解振动信号得到一组不同频带分布的奇异谱分量(singular spectrum component,SSC);其次,根据峭度准则选取最佳SSC分量,利用Teager能量算子计算该分量的瞬时能量信号并对其进行傅里叶分析,从而得到信号的Teager能量谱;最后,根据能量谱图提取故障特征频率。将该方法运用到仿真信号和滚动轴承实测信号中,并和包络谱、EMD及EEMD方法进行对比分析,结果表明,该方法能有效解调故障特征信息,准确识别轴承故障类型,诊断效果更佳。     

基于Hermitian小波的时间-小波能量谱滚动轴承故障诊断方法

针对滚动轴承早期故障微弱特征难以提取的问题,提出了一种基于Hermitian小波时间-能量谱的滚动轴承故障诊断方法.该方法针对轴承故障振动信号具有奇异性的特点,首先利用Hermitian小波对原始信号进行连续小波变换;再根据小波变换的结果求取信号能量在时间轴上的分布情况,利用谱峭度指标作为选择最佳累积尺度的标准,得到时间-小波能量分布;最后对时间-小波能量分布进行谱分析得到时间-小波能量谱以提取故障特征.利用时间-小波能量谱对仿真信号和轴承外圈及内圈点蚀故障信号进行分析.结果表明:该方法可有效地提取出强噪声环境下微弱故障的特征成分,并与普通的时间-小波能量谱作对比,特征提取效果更为明显,非常适用于滚动轴承早期故障诊断.     

基于小波包能量谱的滚动轴承故障检测

小波包具有对非平稳信号进行局部化分析的功能,可解决小波分析在高频部分分辨率差的问题,据此,提出一种基于小波包能量谱的滚动轴承故障分析方法。首先,将振动数据小波包分解为多个子频带,求出各频带的能量比例;然后,比较正常振动信号与故障振动信号的频带能量谱,识别出故障的频带;在此基础上,重构故障频带,运用Hilbert变换对重构信号包络解调,提取出故障频率。试验结果验证了采用小波包能量谱对滚动轴承故障检测的可行性。     

基于EMD模态能量分析的滚动轴承故障特征提取

针对滚动轴承振动信号具有非平稳性的特点,提出一种提取相同工况条件下正常信号与故障信号各固有模态函数能量比构建特征向量的特征提取方法。由于EMD分解后各模态分量存在模态混叠现象,导致分解结果具有不确定性,因此传统的能量特征提取方法在滚动轴承故障诊断中的故障识别率较低。通过引入相同工况条件下的正常信号,将各模态分量的能量特点转化为相对于正常信号的能量特征。仿真实验表明,本文所提方法能够有效地提取滚动轴承的故障特征,进而实现其故障诊断。     

基于改进HHT的微弱故障信号特征提取方法

针对微弱故障信号故障特征难以提取的问题,提出一种基于改进希尔伯特-黄变换的故障特征提取方法。该方法首先采用平均总体经验模态分解将故障信号分解成一系列固有模态函数,再选取对故障特征敏感的固有模态函数进行希尔伯特谱和边际谱分析,从中提取故障特征。仿真和实际试验证明:希尔伯特谱和边际谱能够清晰呈现故障信号时域和频域内的细微特性,为微弱故障信号的特征提取提供了一种切实可行的方法。     

基于CEEMDAN⁃SPSO⁃ELM的旋转电机滚动轴承故障检测方法

由于旋转电机滚动轴承振动信号存在不平稳、非线性的特征,传统时频分析法、小波分解法存在在信号分解过程中能量泄露、自适应能力差的问题,经验模态分解（EMD）法存在模态混叠等问题。提出一种基于噪声自适应完备总体平均经验模态分解方法（CEEMDAN）,利用具有麻雀捕食预警机制的粒子群算法（SPSO）优化极限学习机神经网络（ELM）的CEEMDAN?SPSO?ELM算法。利用所提方法对滚动轴承单一与多种损伤故障进行分析诊断,结果表明,所提算法具有有效性及诊断准确性。     

小波分析在滚动轴承故障诊断中的应用研究

为了能有效识别滚动轴承的故障信号,利用滚动轴承滚动体故障模型,构造相应的小波基;研究提升小波的预测器和更新器算法;利用小波基对故障特征信号敏感的特点,对轴承故障信号进行检测和分析.实验和仿真结果表明,利用提升小波对滚动轴承振动信号进行N层分解后,可在细节信号中容易地发现突变信号,再根据模极大值原理,有效地判断轴承故障是否存在;进一步对细节信号作Hilbert包络,检测功率谱中的故障特征频率,可准确判断滚动轴承滚动体是否存在损伤点.     

EMD遗传神经网络方法

针对BP(back propagation)神经网络搜索速度慢、容易陷入局部最小的缺陷,提出了经验模态分解(EMD)遗传神经网络方法,首先用对带噪的信号进行分解,得到信号的各阶本征模函数分量,每个本征模函数分量对应着一个能量不同的频段,即一种故障特征,将各频段能量的特征向量作为优化神经网络的输入样本;其次用遗传算法对神经网络的初始权值和阈值进行优化.利用EMD遗传神经网络方法对滚动轴承多类故障信号进行分析,可提高故障识别能力.     

FastICA遗传神经网络算法

针对反向传播（BP）算法和基于负熵固定点迭代快速独立分量分析（FastICA）方法各自的优缺点,提出了FastICA遗传神经网络算法,对滚动轴承进行故障识别.首先对信号进行FastICA分离,得到振动信号故障信息的独立分量,每个独立分量对应着相应的能量,将各个独立分量的能量构成特征向量;其次利用遗传算法对BP神经网络的初始权值和阈值进行优化,得到遗传神经网络;最后将特征向量作为遗传神经网络的输入样本进行故障识别.利用该方法对滚动轴承多类故障信号进行识别,提高了故障识别能力.     

基于LMD切片双谱和SVM轴承故障诊断研究

针对滚动轴承发生点蚀故障时峭度和1倍频能量都会发生变化的情况,提出了基于局部均值对故障信号进行分解的方法。该方法取峭度值较大有效分量信号进行重构,再做切片双谱进一步降低高斯噪声对特征频率的影响,提取故障特征1倍频、2倍频和3倍频并进行归一化处理得到特征向量。利用支持向量机对提取的特征向量进行训练与测试,从而识别故障与否及发生点蚀故障的程度。通过对实测滚动轴承振动信号的分析与诊断,验证了该方法的有效性,说明其具有良好的应用前景。     

基于MEMD与MMSE的滚动轴承退化特征提取方法

针对滚动轴承故障信号的非平稳性特征以及其退化状态难以识别的问题,提出了基于多维经验模态分解(MEMD)与多元多尺度熵(MMSE)的退化特征提取方法.该方法利用多维经验模态算法在多尺度化过程中能够有效地捕获信号不同尺度的成分的特性,更好地区分了不同退化状态的复杂度.首先,利用MEMD算法对滚动轴承不同退化状态对应的多通道信号进行同步自适应分解;然后,对多尺度IMF分量重构的信号进行多元多尺度熵分析.对试验信号进行处理,结果表明,该方法能有效反映滚动轴承退化趋势.     

基于EMD重构和SVM的滚动轴承故障诊断方法研究

针对滚动轴承振动信号非平稳性和故障特征难以提取的问题,提出一种基于经验模态分解重构和支持向量机相结合的故障诊断方法。首先,采用经验模态分解,将滚动轴承振动信号分解成一系列固有模态函数;其次,根据伪固有模态函数剔除法选取对故障特征敏感的模态函数进行信号重构;最后,以重构信号的有效值和峭度值作为支持向量机分类器的输入来识别滚动轴承的工作状态和故障类型。试验结果表明,该方法能有效地识别和诊断出滚动轴承的运行状态和故障类型,具有很高的工程实用价值。     

基于Teager能量算子和EEMD的滚动轴承故障诊断方法

针对应用集合经验模态分解(ensemble empirical mode decomposition,EEMD)方法难以提取强噪声背景下滚动轴承微弱故障特征的问题,提出了将最小熵反褶积(minimum entropy deconvolution,MED)和小波阈值去噪与EEMD相结合的改进方法.先采用MED对滚动轴承振动信号降噪,增强冲击特征;然后利用基于EEMD的小波阈值去噪方法处理降噪后信号得到一组固有模态分量(intrinsic mode function,IMF),并依据相关系数准则剔除虚假分量;对重构后信号进行Teager能量算子解调分析,提取其微弱故障特征.通过仿真信号和实验台信号验证了该改进方法的有效性.     

基于EMD的时频分析方法的电力故障信号检测

提出电力系统故障信号的经验模态分解(Empirical Mode Decomposition,EMD)时频分析方法.通过对检测点获得的故障电流信号进行EMD分解,得到一系列的本征模态分量(Intrinsic Mode Function,IMF),利用Hilbert变换得到Hilbert谱及边际谱,分析相应瞬时频率及其振幅,对故障信号进行时间-频率-幅值的联合分析.分析发现,通过瞬时频率突变能准确定位故障时刻,Hilbert谱的峰值变化也能反映故障时刻及故障特征信息;通过边际谱分析可以获得故障信号所含的真实频率,为进一步故障检测提供了依据.仿真试验证明了结论的正确性,表明EMD时频分析方法能准确地检测故障时刻,提取故障信息.     

改进型ESMD在齿轮箱轴承故障诊断中的应用

针对如何有效提取齿轮箱滚动轴承故障信息,提出了一种改进型极值点对称模态分解(IESMD)自适应消噪与共振解调技术(DRT)相结合的诊断方法.该方法首先利用IESMD对原始滚动轴承信号进行自适应分解成多个IM F分量;接着通过互相关系数方法对信号进行重构以达到消噪的目的;然后对重构信号进行谱峭度分析,通过冲击成分所在频带...     

改进的EEMD算法及其在多项流检测中的应用

针对应用集合经验模态分解(ensemble empirical mode decomposition,EEMD)方法难以提取强噪声背景下滚动轴承微弱故障特征的问题,提出了将最小熵反褶积(minimum entropy deconvolution,MED)和小波阈值去噪与EEMD相结合的改进方法. 先采用MED对滚动轴承振动信号降噪,增强冲击特征;然后利用基于EEMD的小波阈值去噪方法处理降噪后信号得到一组固有模态分量(intrinsic mode function,IMF),并依据相关系数准则剔除虚假分量;对重构后信号进行Teager能量算子解调分析,提取其微弱故障特征. 通过仿真信号和实验台信号验证了该改进方法的有效性.

     

基于ELMD和灰色相似关联度的滚动轴承故障诊断研究

针对滚动轴承发生故障时,其故障信号不同频带的能量分布变化与其故障状态之间存在一定关系的情况,提出了一种总体局部均值分解(Ensemble Local Mean Decomposition, ELMD)与灰色相似关联度相结合的滚动轴承故障诊断方法.首先,选取滚动轴承处于不同故障状态的样本信号,利用ELMD对其进行分解并得到若干乘积函数(Product Function, PF);然后,计算每个PF分量的能量分布并构造特征向量;最后,结合灰色相似关联度对滚动轴承故障状态进行分析和识别,并与LMD(Local Mean Decomposition, LMD)和EEMD(Ensemble Empirical Mode Decomposition)方法进行对比,其实验对比分析结果论证了方法的可行性,也为滚动轴承的故障诊断提供了新的解决方案.     

基于FV-FBE的滚动轴承故障诊断研究

针对单通道信号不能全面提取旋转机械的振动信息,为了从强背景噪声中准确提取出滚动轴承的微弱故障特征,提出了一种全矢频带熵(FV-FBE)的滚动轴承故障诊断算法。该方法采用短时傅里叶变换计算频带熵(FBE),根据FBE最小原则自适应设计双通道信号的带通滤波器带宽和中心频率,对滤波后的双通道信号采用全矢Hilbert包络解调,得到全矢包络谱进行滚动轴承的故障识别。实验结果表明:FV-FBE算法可以全面准确地提取滚动轴承故障特征,优于谱峭度算法得到的全矢包络谱,抗干扰能力强。