应用多分辨SVD和ICA的轴承复合故障诊断研究

针对滚动轴承复合故障信号中故障特征难以分离的问题,提出了基于多分辨奇异值分解(SVD)和独立分量分析(ICA)的复合故障诊断方法。首先利用多分辨SVD将复合故障振动信号分解为几个分量实现维数的增加;然后将分解得到的分量组合为混合信号,并利用ICA进行欠定盲分离;最后对分离后的独立分量进行Hilbert包络解调,由此实现对复合故障特征信息的分离和故障识别。通过对滚动轴承内外圈复合故障的试验信号分析表明,该方法可以有效地分离和提取轴承复合故障的特征信息。     

CEEMD和小波半软阈值相结合的滚动轴承降噪

针对滚动轴承振动信号降噪处理时如何保证信号边缘信息完整性的问题,提出将互补集合经验模态分解(complementary ensemble empirical mode decomposition,简称CEEMD)与小波半软阈值相结合的信号降噪方法,对滚动轴承故障高频振动信号进行降噪处理。首先,采用CEEMD方法对故障振动信号进行分解,针对信号特点自适应获取不同频段模态分量;其次,将对包含噪声污染的高频信号模态分量进行相关性分析,得到含噪成分较高的高频模态分量,进一步采用小波半软阈值进行降噪处理;最后,将降噪后的模态分量同残余分量进行信号重构,完成降噪过程。分析结果表明,相对于传统小波阈值降噪和CEEMD强制降噪方法,提出的方法能够有效去除高频信号的噪声,且最大程度地保证了原始信号的完整性,降噪效果更好。     

基于CEEMD的滚动轴承振动信号自适应降噪方法

针对滚动轴承故障特征信号容易被噪声掩盖难以提取的问题,提出了基于互补集合经验模态分解(CEEMD)的滚动轴承振动信号自适应降噪方法。为了准确判定噪声分量和有用信号分量的分界点,在对振动信号进行CEEMD分解后,设计了依据信噪分量自相关函数的单边波峰宽度特性自适应地判定分界点的方法。为了保证重构信号的完整性,利用改进的小波阈值降噪方法提取低频IMF分量中的高频有效信息。实验分析表明,结合改进阈值函数的CEEMD自适应降噪方法能够有效地去除故障振动信号中夹杂的噪声,并且很好地保留了滚动轴承振动信号的突变细节,达到了不错的降噪效果。     

EMD与ICA在故障诊断中的应用研究

由于经验模式分解(EMD)的自身分解能力的不足和外部信号的影响,在处理固有模态函数的精确分离和消除调制信号的干扰成分时存在困难,不能得到合适的IMF分量。提出了一种经验模式分解和独立分量分析联合的方法。该方法将振动信号进行经验模式分解(EMD)形成本征模式函数IMF,再基于互相关准则对分解后的本征模函数进行重新组合,组织虚构的采集信号通道,与源信号一起,最终形成Fast ICA的输入矩阵。此方法不但解决盲源分离算法中观测信号数目需大于等于源信号数目的问题,而且能分离出单独IMF分量的固有特性,保证每个IMF分量丢失的信息特征得到复原后,解决了各个分量之间的信息失真和模态混叠现象,充分发挥出经验模式分解和独立分量分析的特征提取优点。进行数据仿真和实验,验证了该方法在滚动轴承故障特征提取中具有明显效果。     

基于ICEEMD-EFICA联合降噪的滚动轴承故障诊断研究

针对滚动轴承早期故障信号十分微弱,故障特征提取困难的问题,对轴承早期故障信号的频域分解、信号重构、降噪解混等方面进行了研究,提出了一种基于改进后的完备总体经验模态分解(ICEEMD)和高效快速独立分量分析(EFICA)的联合降噪方法。首先,采用了ICEEMD算法,将振动信号分解成一系列固有模态分量(IMF);其次,设计了峭度准则,并选取相应分量完成了虚拟通道信号和振动冲击信号的重构;研究了EFICA对重构信号的盲源分离,有效降低了振动信号中的噪声,使故障频率的能量幅度最大,利于识别故障特征;最后,搭建了实验平台,进行了实际的滚动轴承早期故障诊断实验。研究结果表明:该方法能明显抑制噪声和调制频率成分干扰,突出故障特征频率成分;与CEEMD和EFICA结合的方法对比,采用该方法后信噪比提高了24.76%,能更准确地辨别故障信息,可以满足轴承诊断的要求。     

基于独立分量分析和相关向量机的轴承故障诊断研究

提出了将独立分量分析(ICA)与相关向量机(RVM)两者结合进行滚动轴承故障诊断的方法。在设计的系统平台上,首先对轴承振动测试信号进行预处理,以使其能较好地满足ICA的前提条件,再应用独立分量快速算法(Fast ICA)分离轴承状态信号并提取特征向量,然后,应用相关向量机做为故障分类器实现轴承故障状态识别。对6206普通球轴承在正常状态和内圈、外圈、滚动体故障状态所进行的故障诊断实验表明,该方法能够准确、有效地对滚动轴承故障进行识别。     

基于MVMD-FRFT的滚动轴承早期故障特征提取研究

滚动轴承的振动信号具有非平稳、非线性的特点,造成其早期故障信号的特征提取困难,针对这一问题,对滚动轴承状态监测中常用的特征提取方法进行了研究,提出了一种基于多元变分模态分解(MVMD)和分数阶傅里叶变换(FRFT)的特征提取方法,并将其应用于滚动轴承的故障诊断中。利用MVMD算法将多传感器同时采集的多通道振动信号进行了同步分解,有效地提高了多通道数据融合处理能力,同时得到了若干个固有模态函数(IMF)分量;依据相关系数法从分解后得到的IMF分量中选取了包含故障信息最多的分量作为最优分量,利用FRFT对最优分量进行了滤波,降低了噪声对微弱故障信号的干扰;对滤波后的信号进行了1.5维包络谱解调,通过分析滤波后信号的包络谱,提取了滚动轴承的故障特征。研究结果表明:应用MVMD和FRFT相结合的方法能够有效地避免模态混叠现象,充分地利用故障特征信息,削弱低频信号与噪声的干扰,从而有效地提取出了滚动轴承的故障特征信息。     

CEEMD-WVD多尺度时频图像的滚动轴承故障诊断

针对一般EMD-WVD方法在提取时频图像信息不充分的问题,提出一种基于CEEMD-WVD多尺度时频图像的滚动轴承故障诊断方法。该方法采用互补集合经验模态分解(CEEMD)方法对故障振动信号进行分解,自适应地获得不同频段的固有模态函数(IMF)分量;选取前几个高频信号IMF模态分量,运用Wigner-Ville分布(WVD)对各IMF分量分别做时频分析,进一步转化成对应的多尺度的时频图像;然后提取各尺度时频图像的局部二进制(LBP)纹理特征,并利用其特征训练SVM分类器;最后用训练好的分类器对不同的轴承故障振动信号进行故障识别。实验结果表明,该方法有较强的自适应性且能生成高分辨率图像,故障识别率高,在凯斯西储大学(CWRU)的滚动轴承数据库上进行5类故障的实验,诊断正确率为99.75%。     

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。     

齿轮箱复合故障振动信号的形态分量分析

在改进形态分量分析系数阈值去噪方法的基础上,将其用于齿轮箱复合故障振动信号的分析。齿轮箱中的齿轮出现局部故障时,其振动信号中往往出现调幅调频成分;而滚动轴承出现局部故障时,其振动信号中往往出现周期性瞬态冲击成分。调幅调频成分的幅值变化相对缓慢,可看作信号中的光滑部分;而瞬态冲击成分的幅值变化较快,可看作信号中的细节部分,故可依据此形态差异实现二者的分离。采用形态分量分析方法将齿轮箱复合故障振动信号分解为包含滚动轴承局部故障信息的冲击分量、包含齿轮局部故障信息的谐振分量及残余分量,根据冲击分量和谐振分量的Hilbert包络解调谱分别诊断滚动轴承和齿轮的局部故障。对齿轮箱复合故障振动信号的分析结果表明,该方法可有效分离滚动轴承与齿轮的故障特征,且效果要优于经验模态分解(Empirical mode decomposition,EMD)方法。     

基于CEEMD和RobustICA的机械设备故障特征提取方法研究

为有效提取复杂背景噪声条件下的滚动轴承故障特征,提出一种基于互补集合经验模态分解(CEEMD)和鲁棒性独立成分分析(RobustICA)相结合的方法。该方法先通过CEEMD分解故障信号并得到若干个不同频率的信号分量。然后依据所构建的组合权重指标体系完成有效信号分量的筛选与重构,并引入虚拟噪声通道。最后,通过RobustICA方法完成信号和噪声的分离,并将降噪后的信号进行包络解调。结果表明,所提出的方法不仅对强噪声干扰有很好的降噪效果,而且能够准确地提取出故障特征。     

基于变分模态分解的风机滚动轴承早期故障诊断

针对海上风电机组滚动轴承故障多且早期故障特征难以提取的问题,提出了一种基于变分模态分解的滚动轴承故障诊断方法。从频率方面研究了模态分量个数对信号特征信息的影响,提出故障特征信息提取时确定分解个数的一般原则,据此确定滚动轴承早期故障振动信号的分解个数并得到若干模态分量,从中筛选出最佳模态分量进行包络解调分析,最终通过对比包络谱特征频率对滚动轴承进行早期故障诊断。     

双树复小波包和ICA用于滚动轴承复合故障诊断

针对滚动轴承复合故障信号特征难以分离的问题,提出将双树复小波包变换和独立分量分析(independent component analysis,简称ICA)结合的方法应用到滚动轴承复合故障诊断中。首先,利用双树复小波包变换将复杂的、非平稳的复合故障信号分解为若干不同频带的分量;其次,引入ICA对各个分量所组成的混合信号进行盲源分离,从而尽可能消除频率混叠;最后,对从混合信号中分离出来的独立信号分量进行希尔伯特解调,即可实现对复合故障特征信息的分离和故障识别。试验结果表明,该方法可以有效地分离和提取轴承复合故障的特征频率,验证了方法的可行性和有效性。     

基于CEEMD与MCKD的滚动轴承早期故障诊断

针对滚动轴承早期故障信号中冲击成分能量低,背景噪声干扰严重的问题,提出了基于CEEMD与MCKD的故障诊断方法。首先,应用CEEMD方法对故障振动信号进行分解,依据相关系数准则从分解结果中选取敏感分量;然后,采用MCKD算法对所选取分量信号进行降噪并应用Hilbert算法对降噪后信号进行解调处理,从包络谱中提取故障特征信息;最后,通过仿真信号和轴承试验数据进行诊断分析验证了该方法的有效性。     

基于ICEEMD-FastICA的滚动轴承故障诊断方法

针对滚动轴承早期故障特征信号提取困难的问题,提出了一种改进完备集成经验模态分解(Improved Complete Ensemble Empirical Mode Decomposition, ICEEMD)和独立分量分析(Independent Component Analysis, ICA)联合故障诊断方法。该方法利用峭度准则将经ICEEMD得到的固有模态分量(Intrinsic Mode Function, IMF)重构后结合快速独立分量分析(Fast Independent Component Analysis, FastICA)进行降噪解混,明显降低被测信号中的噪声,并且在故障特征频率处能量幅值取得最大值,便于辨识故障特征。通过试验研究分析,表明该方法可以明显降低噪声干扰,突出故障频率成分。和ICEEMD与包络谱结合的方法对比,信噪比提高了29.54%,能更准确地识别故障特征,达到对滚动轴承故障的判别需求,从而为轴承故障特征提取提供了一种新思路。     

基于CEEMD和Teager能量算子的滚动轴承故障诊断研究

滚动轴承出现局部损伤时,故障时域信号中会出现周期性冲击特征,为了能够准确地提取故障特征信息,提出了CEEMD和Teager能量算子相结合的故障诊断方法。首先应用CEEMD方法对轴承故障信号进行预处理,结果得到一系列本征模态分量,依据相关系数准则,从分解结果中选取相关系数最大的分量作为研究对象;然后采用Teager能量算子对选出分量进行解调处理;最后从得到的能量谱图中即可准确地获取故障特征信息。通过对仿真信号和轴承实验数据进行诊断分析,结果验证了该方法的有效性。     

基于EEMD和ICA的轴承故障特征提取

为实现轴承故障混合信号中提取故障特征频率,提出基于EEMD和ICA的轴承故障特征提取方法。首先利用EEMD对采集滚动轴承故障加速度振动信号进行分解,利用相关系数和波形相似度判断具有分解前信号相似特征的IMF,其次累加相似特征弱的IMF作为噪声,最后利用Fast ICA方法从混合信号中提取滚动轴承的故障特征频率,试验证明该方法可以提取滚动轴承故障特征频率。     

基于经验模态分解包络谱的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的非平稳特征和传统包络分析法的缺陷,提出了一种基于经验模态分解包络谱的滚动轴承故障诊断方法.该方法首先采用经验模态分解将原始信号分解为若干个平稳的固有模态函数之和,然后求出包含主要故障信息的若干个固有模态函数分量的包络谱,再定义包络谱中故障特征频率处的幅值比为特征幅值比,最后以特征幅值比作为故障特征向量,输入神经网络,以神经网络的输出来判断滚动轴承的工作状态和故障类型.对滚动轴承内圈、外圈故障振动信号的分析结果表明,基于经验模态分解包络谱的故障诊断方法能有效地提取滚动轴承的故障特征.     

基于多小波和CEEMD的轴承故障诊断方法

滚动轴承振动信号中的强噪声背景对准确提取轴承的故障特征信息具有很大影响,本文提出利用多小波降噪与CEEMD方法相结合,提取滚动轴承的故障特征信号的方法:首先通过多小波方法自适应地消除滚动轴承故障信号中的噪声,然后利用CEEMD进行分解,将分解后的IMF的最大Shannon信息熵值作为判断标准,最大可能地保持原始信号中的故障信息,提取Shannon信息熵值最大的有效IMF进行频谱分析,利用频谱特性提取滚动轴承故障特征。利用数值算例和滚动轴承数据验证了该方法的可行性,为轴承故障诊断提供参考。     

CEEMDAN辅助快速谱峭度图算法的轴承故障诊断

针对滚动轴承的振动信号受到强噪声污染故障特征提取困难的问题,提出一种结合完整集成经验模态分解(CEEMDAN)辅助快速谱峭度图算法(Fast Kurtogram)的轴承故障诊断方法,首先将信号通过CEEMDAN分解为多个模态分量(IMF)及余量,计算出各个IMF分量的峭度值,并利用峭度值对分量信号进行重构;然后利用快速谱峭度图算法对重构信号进行处理,可以得到良好的故障带宽与中心频率。实测数据表明,该方法能够有效检测出轴承内圈故障。