自适应VMD联合MOMEDA的滚动轴承故障提取

针对强背景噪声下滚动轴承微弱故障特征提取问题,提出了一种基于参数自适应优化变分模态分解(VMD)与多点最优最小熵解卷积(MOMEDA)相结合的轴承故障特征提取方法。首先对滚动轴承时域振动信号进行VMD分解,然后基于自相关函数脉冲谐波噪声比指标(AIHN)最大化原则进行挑选得到最佳模态分量(BIMF)并对其进行MOMEDA滤波,包络解调后得到故障特征频率,最后将本文所提方法体应用于数值仿真信号上可以明显观察到故障特征频率131.1Hz,应用于实际轴承故障信号可以有效识别轴承故障特征频率294.5Hz,与原始包络谱提取的311Hz以及MCKD提取的320Hz相比更加接近理论故障特征频率294Hz。     

基于改进CEEMD和RF的低压串联故障电弧识别方法

了解决完整集合经验模态分解(complete ensemble empirical mode decomposition, CEEMD)得到的固有模态函数分量数目及其频段不固定,以及故障电弧特征难以准确提取导致故障识别准确率低的不足,引入T检验和方差贡献率形成了一种改进CEEMD方法,进一步提出一种基于改进CEEMD和随机森林(random forest, RF)的串联故障电弧识别方法。首先,依托串联电弧故障试验平台,采集不同负载的电流信号。然后,采用改进CEEMD对信号进行分析并提取故障特征量,以TreeBagger函数进行特征降维,形成特征向量样本集。最后,结合RF构建故障电弧诊断模型,对样本集进行分类识别。结果表明：改进CEEMD能有效地提取不同负载电流的故障特征,所提故障电弧识别方法的识别准确率达到97.50%。通过进行不同特征提取方法和不同分类模型对诊断结果影响的消融实验,进一步证明了所提方法的可行性。     

基于自适应多尺度形态学和CEEMD的谐振接地故障选线研究

为解决小电流谐振接地系统的故障选线不准确的问题,提出了一种基于自适应多尺度形态滤波和互补集合经验模态分解(CEEMD)相结合的选线方法。利用自适应形态学滤波方法可以有效地抑制电力系统故障过程伴随的宽带白噪声和孤立脉冲噪声。去噪后通过比较故障线路与非故障线路经CEEMD分解和希尔伯特黄变换(HHT)的特征分量一阶差分极性与相位进行选线。与经验模态分解(EMD)和集成经验模态分解(EEMD)相比,CEEMD能够更好地减小模态混叠的影响,同时减小分解误差。在MATLAB仿真软件中,对不同故障位置、过渡电阻、故障初始角进行分析,对上述方法进行了验证。大量仿真表明,该方法不受初始故障角、故障位置及过渡电阻的影响。     

基于CEEMD和NTEO的故障行波定位方法

针对传统行波检测方法中定位不准确、计算量大等问题,提出了一种基于补充总体平均模态分解(complementaryensembleempiricalmodedecomposition, CEEMD)和改进型Teager能量算子(novelTeagerenergy operator,NTEO)的行波定位方法。该方法采用CEEMD算法来分解故障行波信号,滤除故障信号中的低频分量。然后采用NTEO能量算子对分解后的信号进行差分运算,增强行波波头的突变特征,实现故障行波波头的精确标定。仿真结果表明,所提方法能够精准地标定故障行波波头,并且有良好的去噪能力。与传统方法相比具有更好的检测效果和更小的定位误差,可以有效地提高配电网行波定位的精确性。     

基于CSBP的滚动轴承故障智能诊断方法

针对滚动轴承故障诊断问题,结合重采样方法和CSBP神经网络进行滚动轴承的故障诊断研究。首先利用输入轴转速对轴承的振动加速度信号进行重采样,选择振动加速度信号的均方根值、峭度与样本熵作为CSBP神经网络训练输入参量,应用标签数据进行训练得到优化训练模型。然后对正常状态、轴承内圈故障滚动体故障实验数据进行了计算,并对结果进行了集中趋势分析和转速影响分析。结果表明,检测数据分析结果显示利用该方法判断轴承故障类型和故障程度可达到94%,可提高滚动轴承故障诊断中在不同转速条件下的适用性和智能性;同时利用集中趋势分析可实现对模型诊断结果进行评价,进而提高模型的可靠性。研究可以为高速列车及其他设备使用的滚动轴承诊断提供分析方法和技术参考。     

家用水泵电机滚动轴承的故障及其维护

滚动轴承（以下简称轴承）是电机运转时的重要组成部件。若轴承装配错误、质量不佳、缺乏及时维修和运行监视等关键因素,必将导致轴承早期老化。本文介绍防止家用电器电机轴承的故障及早期老化的维护方法。１　轴承装配过紧故障现象：当轴承内圈受强力套入轴颈位置时,轻者滚道的底部有严重的球形磨损轨迹,重者在滑道内、外圈和漆珠上均有裂口和剥皮。故障原因：滚珠与滑道间隙压得过小,从而使扭矩增大,摩擦增加,轴承运行温度上升,使磨损与疲劳加快而失效。维护方法：恢复轴承圈间幅向间隙,减少过盈量。如轴颈的直径应大于轴承内圈直…     

电动机滚动轴承故障的原因及检测

从轴承的非正常磨耗、安装、选型以及运行条件等几个方面分析了电机滚动轴承故障的原因,提出了更换轴承型号、加固电动机基础、改进轴密封等措施,介绍电机滚动轴承故障的识别和检测,从而保证了安装前将有故障隐患的轴承检测出来。     

电动机滚动轴承失效故障的分析与处理

通过对电动机滚动轴承损坏失效的典型事例分析，总结出电动机滚动轴承损坏失效的原因及现场检修过程中应注意的事项，以提高电动机抢修的速度和质量。     

基于谱相干滤波冲击增强的轴承故障诊断

针对优化特征改进包络谱(IESFO)存在早期故障弱特征提取能力较弱和对频率分辨率要求较高的不足,提出了基于谱相干滤波冲击增强的轴承故障特征提取方法。首先使用IESFO算法选取优化解调频带并进行带通滤波;然后对滤波后信号使用多点优化最小熵反褶积(MOMEDA)算法增强信号中轴承故障产生的冲击;最后进行包络分析。基于实测信号的研究结果表明,和现有方法相比,本方法在轴承性能退化过程中可以提前提取到轴承早期故障信息,且可用于提取滚动轴承复合故障信息。     

基于CEEMD能量比重谐振接地系统故障选线方法

本文利用补充的总体平均经验模态分解(CEEMD)方法对零序电流进行分解,得到固有模态函数(IMF)分量以及剩余分量,CEEMD在克服模态混叠的同时,有效的中和了添加的白噪声,使分解更具有完备性。在此基础上将IMF分量所对应的频带能量,同时将IMF分量与原零序电流进行相关性分析得到相关系数,然后把相关系数作为权重系数赋予到频带能量中,将经过加权后的频带能量累加得到每条线路的能量,进行归一化得到能量比重形成选线判据。在Matlab/Simulink上搭建线缆混合配电网模型进行仿真,结果表明,该方法受故障合闸角,故障距离,过渡电阻等影响小,方法简单,一定程度上提高了选线准确性。     

基于小波阈值去噪和CEEMD的混合三端直流输电线路故障测距

针对行波法测距精度受波速、行波波头标定的精度以及噪声的影响,提出一种基于小波阈值去噪和CEEMD-HT结合的混合三端直流输电线路测距方法。首先利用小波阈值去噪对故障信号滤噪,然后对滤噪后的信号使用互补集合经验模态分解和希尔伯特变换标定初始波头的到达时间。再根据故障行波到达测量端时间比值识别故障支路。最后考虑到行波波速难以精确确定,基于已知线路长度和初始波头到达时间,提出一种不受波速影响的测距方法。仿真结果表明,所提方法能够有效标定波头,且测距结果不受波速、故障距离、故障类型、过渡电阻及噪声的影响。与利用波速计算的双端法、HHT及小波包测距算法相比,该方法的测距误差更小。     

改进复合插值包络经验模态分解的滚动轴承故障特征提取方法

针对复合插值包络经验模态分解(CIEEMD)方法存在非平稳系数阈值无法自适应确定的问题,提出了一种改进复合插值包络经验模态分解(ICIEEMD)方法。首先,以边长为ε的网格覆盖振动信号求出其分形盒维数,实现信号非平稳阈值自适应选取,分解得到若干固有模态函数(IMF);其次,结合互相关系数、时域峭度和包络谱峭度建立互相关系数-TE峭度(C-indexTE)复合指标,筛选出有效IMF分量并重构信号,使用Teager能量算子解调获得重构信号的能量谱,实现滚动轴承故障特征提取;最后,基于仿真信号和实验台滚动轴承数据集进行实验分析,与CIEEMD方法和谱峭度法相比,所提方法能够提取出更加清晰的故障特征频率,证明了所提方法的可行性和有效性。     

基于MPE与PSO-SVM的滚动轴承故障诊断

滚动轴承是旋转机械的重要部件之一,针对滚动轴承故障诊断问题,本文提出了一种多尺度排列熵（MPE）与粒子群优化（PSO）的支持向量机（SVM）相结合的算法。利用MPE方法得到轴承故障信号的故障特征,并将其作为特征向量输入PSO-SVM模型中,使用凯斯西储大学轴承故障数据进行验证,发现此方法可以有效进行滚动轴承的故障识别。同时将此方法与多尺度排列熵结合传统的SVM方法以及使用网格搜索优化的SVM方法所得故障分类结果进行比较,发现该方法在滚动轴承故障诊断的时效性以及准确率方面具有一定的优越性。     

基于DCT和EMD的滚动轴承故障诊断

根据轴承故障振动信号特点,提出了一种离散余弦变换和经验模态分解相结合的轴承振动信号故障诊断新方法。将离散时间序列经过离散余弦变换处理成对应的系数向量,在阈值处理的基础上,重构信号提高故障信号的信噪比;对重构信号进行经验模态分解,通过相关系数计算去除伪分量,并进行频谱分析。仿真信号和轴承故障信号的分析表明,该方法提高了信噪比,降低了EMD运算成本,减少了IMF的数量,保证了IMF的物理意义,成功完成微弱故障诊断。     

基于CEEMDAN和CNN-LSTM的滚动轴承故障诊断

针对滚动轴承工作环境复杂,轴承振动信号受噪声干扰难以提取故障特征以及传统故障诊断算法准确率较低的问题,提出了利用自适应噪声完备集合经验模态分解算法（CEEMDAN）联合卷积神经网络（CNN）内嵌长短期记忆神经网络（LSTM）的滚动轴承故障诊断方法。首先,利用CEEMDAN算法对轴承原始振动信号进行分解得到本征模态函数（IMF）;然后计算重构后的信号的排列熵,归一化后作为特征向量;最后将特征向量输入至CNN-LSTM结合建立的深度学习模型中进行诊断识别。结果表明：所提方法具有更快的拟合速度和更高的准确率,平均故障诊断准确率达到98.63%。     

基于复局部均值分解和复信号包络谱的滚动轴承故障诊断方法

提出了一种基于复局部均值分解(CLMD)和复信号包络谱(CSES)的滚动轴承故障诊断新方法。首先通过互相垂直安装的加速度传感器采集2个方向的振动信号,并将其组成一个复数信号;然后利用CLMD对二元复数信号进行自适应分解,将分解得到的复数信号的实部和虚部包络信号组成一个复包络信号,根据复傅里叶变换具有幅值增强和综合频率特性,直接对复包络信号进行复傅里叶变换,提取的故障特征频率更为清晰。通过滚动轴承不同位置的外圈故障实验,证明了所提方法能够实现故障特征增强,可用于诊断滚动轴承微弱故障和复合故障。     

基于CEEMD与排列熵相结合的谐波检测方法研究

为消除基于互补集合经验模态分解（Complementary Ensemble Empirical Mode Decomposition,CEEMD）的谐波检测法易受到迭代次数与辅助白噪声的干扰而产生虚假分量与模态混叠等问题,以及CEEMD方法在检测噪声背景下的谐波信号精度不高的缺陷,提出一种基于排列熵（Permutation Entropy,PE）算法与CEEMD相结合的PE-CEEMD谐波检测方法。首先对谐波信号进行互补集合经验模态分解,得到若干频率由高到低排列的固有模态函数（Intrinsic Mode-Function,IMF）,利用排列熵算法快速选定随机性较大的噪声分量进行剔除,对剩余信号再进行CEEMD分解。仿真实验数据表明,相较于CEEMD方法,PE-CEEMD方法能够较好地克服模态混叠与虚假分量等问题,并且针对复杂谐波信号的各次谐波频率成分与幅值的检测精度分别提高了4.424%与9.3%。