基于EMD与功率谱分析的滚动轴承故障诊断方法研究

针对西部油田大型设备故障信号的非线性、非平稳特征,提出一种基于经验模态分解方法EMD（empirical mode decomposition）和功率谱的分析方法。首先对滚动轴承振动信号进行经验模态分解,然后对分解后包含轴承故障特征信息的固有模态函数分量作功率谱分析,得到各分量的功率谱图,清晰直观显示出故障特征信号的功率谱,从混有背景信号和噪声的振动信号中提取轴承故障信息。由于EMD方法具有自适应特性,适宜于非线性、非平稳信号的分解,该方法应用于滚动轴承的故障振动信号分析中,结果表明,该方法能够突出滚动轴承振动信号的故障特征,从而提高滚动轴承故障诊断的准确性。     

基于EMD和Hilbert包络谱的滚动轴承故障诊断

为了对旋转机械中滚动轴承的运行状态进行故障监测和诊断,提出了一种基于EMD和Hilbert包络谱的滚动轴承故障诊断新方法.通过在滚动轴承实验台上提取振动信号,用EMD对数据进行分解得振动信号的固有模态函数分量(IMF分量),然后对IMF作Hilbert包络并进行谱分析.结果表明,该方法能够准确地识别和诊断出滚动轴承的运行状态和故障类型,非常适合滚动轴承故障精确诊断,具有很高的工程实用价值.     

模糊聚类在机械故障诊断中的应用

介绍了模糊C均值聚类算法在机械故障诊断中的应用.以滚动轴承故障特征值的聚类中心来评定故障类别收到了良好的效果.与其他方法相比,模糊聚类方法实现只需要少量样本,从而使诊断工作量与诊断时间大为减少.     

基于EMD分解的聚类树状图轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征和故障征兆模糊性,提出了基于EMD和动态模糊聚类图的轴承故障诊断方法.运用EMD方法提取待诊断的轴承运行状态样本的能量特征指标,应用模糊聚类分析方法对特征参数进行聚类,并作出聚类树状图.结果表明,该方法不需要大量的样本进行学习,且能更直观、准确识别滚动轴承的运行状态.     

基于DLMD样本熵和模糊聚类的滚动轴承故障诊断

针对传统的局部均值分解(LMD)方法不能有效提取微弱高频信号成分的问题,提出了一种基于微分的微分局部均值分解(DLMD)方法,在此基础上,将DLMD、样本熵和模糊聚类分析相结合,提出了一种基于DLMD样本熵和模糊聚类的滚动轴承故障诊断方法。该方法首先对滚动轴承振动信号进行微分局部均值分解,得到若干具有物理意义的乘积函数(PF)分量,然后求取各PF分量的样本熵并将其作为特征向量,最后通过模糊聚类对特征向量进行识别分类。实验结果表明,基于DLMD样本熵和模糊聚类相结合的方法能够准确、有效地对滚动轴承故障信号进行识别分类。     

小波变换与EMD分析在滚动轴承故障诊断中的应用

针对滚动轴承故障信号的非平稳和调制特点,将小波变换与一种新的信号分析方法EMD(经验模态分解)相结合用于滚动轴承故障诊断。该方法首先利用小波分析技术对检测的信号进行分解,并对含有故障特征的信号进行重构。然后对重构信号进行EMD分解,选取能够反映故障特征的IMF分量进行边际谱分析,得出滚动轴承故障信号对应的频谱,由此确定轴承的故障模式。实验研究结果表明该方法正确有效。     

基于ITD模糊熵和GG聚类的滚动轴承故障诊断

提出了一种本征时间尺度分解模糊熵和GG模糊聚类的滚动轴承故障诊断方法。首先,将滚动轴承的振动信号进行ITD分解,得到若干个固有旋转分量和一个趋势项。然后,将PR分量分别与原始信号进行相关性分析,筛选出前3个含主要特征信息的PR分量,并将筛选的PR分量的模糊熵作为特征向量。最后,将特征向量输入到GG分类器中进行聚类识别。通过模糊熵、样本熵和近似熵对比,实验结果表明模糊熵能更好的表征故障信号的特征信息;通过GG聚类、GK 聚类和FCM聚类对比,实验结果表明GG聚类效果明显优于FCM、GK的聚类效果。因此,实验证明了基于ITD模糊熵和GG聚类的滚动轴承故障诊断方法的有效性和优越性。     

基于EMD的高速滚动轴承故障诊断

提出了一种基于经验模式分解（EMD）的高速滚动轴承故障诊断方法。首先介绍了经验模式分解方法的主要思想和算法;其次,针对高速滚动轴承,给出利用经验模式分解进行诊断的具体步骤;最后,成功地将此方法应用于某高速齿轮箱的滚动轴承故障诊断实践中。诊断结果表明,该方法能够有效提取出高速滚动轴承故障振动信号,从而提高了滚动轴承故障诊断的准确性。     

基于EMD的高速滚动轴承故障诊断

提出了一种基于经验模式分解(EMD)的高速滚动轴承故障诊断方法.首先介绍了经验模式分解方法的主要思想和算法;其次,针对高速滚动轴承,给出利用经验模式分解进行诊断的具体步骤;最后,成功地将此方法应用于某高速齿轮箱的滚动轴承故障诊断实践中.诊断结果表明,该方法能够有效提取出高速滚动轴承故障振动信号,从而提高了滚动轴承故障诊断的准确性.     

EMD和PCA融合在滚动轴承故障诊断中的应用

针对滚动轴承的特征提取问题提出了一种经验模态分解(Empirical Mode Decomposition,EMD)与主成分分析(Principle Component Analysis,PCA)相融合的算法。该算法先使用经验模态分解(Empirical Mode Decomposition,EMD)对故障信号进行分解,然后将得到的EMD与PCA结合提取特征。在滚动轴承故障识别中,将PCA提取的累计贡献率为95%及以上的特征主成分作为支持向量机(Support Vector Machine,SVM)的输入量,采用SVM实现故障分类。试验结果表明,融合算法故障诊断的准确率达到100%,优于单一算法PCA的诊断率。     

FAULT DIAGNOSIS APPROACH FOR ROLLER BEARINGS BASED ON EMPIRICAL MODE DECOMPOSITION METHOD AND HILBERT TRANSFORM

Based upon empirical mode decomposition (EMD) method and Hilbert spectrum, a method for fault diagnosis of roller bearing is proposed. The orthogonal wavelet bases are used to translate vibration signals of a roller bearing into time-scale representation, then, an envelope signal can be obtained by envelope spectrum analysis of wavelet coefficients of high scales. By applying EMD method and Hilbert transform to the envelope signal, we can get the local Hilbert marginal spectrum from which the faults in a roller bearing can be diagnosed and fault patterns can be identified. Practical vibration signals measured from roller bearings with out-race faults or inner-race faults are analyzed by the proposed method. The results show that the proposed method is superior to the traditional envelope spectrum method in extracting the fault characteristics of roller bearings.     

一种基于SVM和EMD的齿轮故障诊断方法

支持矢量机(Support vector machine,SVM)有比神经网络更强的泛化能力,且能保证找到的极值解就是全局最优解,同时它还较好地解决了小样本的学习分类问题。针对齿轮振动信号的非平稳特征和现实中难以获得大量故障样本的实际情况,提出了一种基于经验模态分解(Empirical mode decomposition,EMD)和支持矢量机的齿轮故障诊断方法。首先对原始信号进行经验模态分解,将其分解为多个平稳的固有模态函数(Intrinsic mode function,IMF)之和,然后对每一个IMF分量建立AR模型,最后提取模型的自回归参数和残差的方差作为故障特征矢量,并以此作为SVM分类器的输入参数来识别齿轮的工作状态和故障类型。试验结果表明,在小样本情况下仍能准确、有效地对齿轮的工作状态和故障类型进行分类。     

GEARBOX FAULT DIAGNOSIS BASED ON EMPIRICAL MODE DECOMPOSITION

Time synchronous averaging of vibration data is a fundament technique for gearbox diagnosis. Currently, this technique relies on hardware tachometer to give phase synchronous information. Empirical mode decomposition (HMD) is introduced to replace time synchronous averaging of gearbox vibration signal. With it, any complicated dataset can be decomposed into a finite and often small number of intrinsic mode functions (IMF). The key problem is how to assure that vibration signals deduced by gear defects could be sifted out by HMD. The characteristic vibration signals of gear defects are proved IMFs, which makes it possible to utilize EMD for the diagnosis of gearbox faults. The method is validated by data from recordings of the vibration of a single-stage spiral bevel gearbox with fatigue pitting. The results show EMD is powerful to extract characteristic information from noisy vibration signals.     

经验模态分解停止准则及在故障诊断中的应用

停止准则是决定经验模态分解能否完整准确地提取出信号的内禀模态函数的重要因素之一,文中在总结现有的标准偏差(standard deviation,SD)准则、G.Rilling准则和能量差跟踪法的基础上,提出新的结合G.Rilling准则和能量差跟踪法的停止准则,并对这些准则进行仿真和实测数据的比较验证,试验结果表明,文中提出的停止准则优于SD准则和G.Rilling准则,为故障诊断提供更可靠的依据。     

FAULT DIAGNOSIS BASED ON INTEGRATION OF CLUSTER ANALYSIS, ROUGH SET METHOD AND FUZZY NEURAL NETWORK

In order to increase the efficiency and decrease the cost of machinery diagnosis, a hybrid system of computational intelligence methods is presented. Firstly, the continuous attributes in diagnosis decision system are discretized with the self-organizing map (SOM) neural network. Then, dynamic reducts are computed based on rough set method, and the key conditions for diagnosis are found according to the maximum cluster ratio. Lastly, according to the optimal reduct, the adaptive neuro-fuzzy inference system (ANFIS) is designed for fault identification. The diagnosis of a diesel verifies the feasibility of engineering applications.     

滚动轴承振动的周期平稳性分析及故障诊断

分析滚动轴承出现故障后振动信号的特征,在给出滚动轴承冲击信号数学模型的基础上,指出滚动轴承故障为典型的非平稳信号,具有很宽的频带,用幅值谱难以获得故障特征.利用滚动轴承回转工作的特点,推导滚动轴承故障信号的循环平稳性,指出该故障信号为几乎周期平稳信号.简单介绍二阶循环统计量的解调特性,提出先对滚动轴承故障信号进行带通滤波,然后利用二阶循环统计量解调来进行故障特征识别.对工业现场故障数据的分析表明所提出方法的有效性.     

基于模糊聚类的油田往复压缩机气阀故障诊断研究

往复压缩机气阀是整个机体中故障率最高的部件,针对其故障模式复杂、难以辨识的特点,选取与气阀运行状态密切相关的6个振动参数作为特征参数,采用模糊聚类方法对气阀故障和运行状态进行评判.用现场实际采集的20个样本进行模糊聚类分析,求出故障特征,并与频谱分析和现场实际情况进行比较,聚类结果与实际情况相吻合,证明此方法应用于运行状态评判和挖掘故障特征是有效的.     

基于连续小波变换的信号检测技术与故障诊断

通过分析指出,连续小波变换具有很强的弱信号检测能力,非常适合故障诊断领域。从参数离散到参数优化系统研究了连续小波变换的工程应用方法,建立了“小波熵”的概念,并以此作为基小波参数的择优标准。论文最后把连续小波技术应用在滚动轴承滚道缺陷和齿轮裂纹的识别中,诊断效果十分理想。     

基于EMD与GA-SVM的轴承故障诊断

特征提取与特征选择是实现轴承故障诊断的关键.针对特征提取,首先将轴承振动加速度信号进行经验模态(empirical mode decomposition,简称EMD),得到一组固有模态函数(intrinsic mode function,简称IMF),计算各IMF的能量和IMF矩阵的奇异值分布,采用Shannon熵、Rrnyi熵度量能量和奇异值分布,同时提取原信号的部分统计特征共同构成原始特征子集;针对特征选择,采用遗传算法(genetic algorithm,简称GA)和最小二乘支持向量机(least square support vector machine,简称LS-SVM)的Wrapper方法选择最优特征子集.在实际轴承故障诊断中的应用,表明文中所提方法的有效性.