基于VMD共振稀疏分解的滚动轴承故障诊断

针对滚动轴承早期故障信息难以提取且信号呈现非平稳、非线性的特点。提出了一种基于变分模态分解和共振稀疏分解相结合的滚动轴承故障诊断方法。首先利用VMD将信号分解为一系列模态分量;然后根据峭度准则对包含故障信息最多的模态分量进行双Q因子的共振稀疏分解;最后对包含故障信息量丰富的低共振分量进行能量幅值谱分析从而得到轴承故障特征频率。其次将基于EMD共振稀疏分解应用于仿真信号作对比分析,证明VMD共振稀疏分解方法的有效性。基于此,将VMD共振稀疏分解方法应用于轴承内、外圈故障诊断中,成功提取出故障特征频率,验证了此方法的有效性。     

基于VMD和奇异值能量差分谱的风机滚动轴承故障特征提取方法

风电机组轴承处于早期故障阶段时,故障特征信号微弱,受环境噪声及信号衰减的影响较大,因此轴承早期故障特征的提取一直是个难点。为了有效提取风机滚动轴承的故障特征,提出了基于变分模态分解(Variational Mode Decomposition,VMD)和奇异值能量差分谱的特征提取方法。首先对轴承信号进行VMD分解得到一系列固有模态函数(Intrinsic Mode Function,IMF),然后选取敏感IMF进行奇异值分解,并利用奇异值能量差分谱选取有效奇异值进行信号重构,最后对重构信号进行包络谱分析,进而提取故障特征。实验分析结果验证了所述方法的有效性。     

基于变分模态分解和谱峭度的风电机组轴承故障诊断方法

针对风电机组轴承故障特征提取困难的问题,将谱峭度(Spectrum Kurtosis,SK)和变分模态分解(Variational Mode Decomposition,VMD)相结合,提出一种基于VMD-SK的故障诊断新方法。首先,对采集的轴承振动信号进行VMD分解,得到若干个固有模态函数(Intrinsic Mode Function,IMF);其次,对每一个IMF分量进行傅里叶变换,并计算其平方包络;再次,利用SK的滤波特性,选取故障特征频带所在的IMF分量来构建最优包络谱;最后,通过对包络谱分析可以诊断出风力发电机轴承故障。实验结果表明,VDM-SK法可以成功地提取风电机组轴承故障的特征频率,有效区分风电机组轴承的故障类型。     

广义形态滤波和VMD分解的滚动轴承故障诊断

滚动轴承早期故障信号的特征提取通常都会受到强噪声的影响,难以得到有效信息,因此提出了广义形态滤波和变分模态分解(variational mode decomposition,VMD)相结合的方法。首先利用不同结构元素构成的广义形态滤波去除故障信号中噪声信息的影响,突出故障信号的冲击特征;其次运用VMD对处理过后的信号进行分解,得到若干个模态分量;然后由峭度准则选取故障信息最为丰富的模态分量进行包络谱分析,获取滚动轴承的故障特征频率。通过对仿真信号和实测数据的处理结果表明,方法对噪声的去除效果显著,获取故障特征频率也十分明显,能够作为滚动轴承故障诊断的有效方法。     

基于随机共振和VMD分解的风电机组滚动轴承故障特征提取

以风电机组滚动轴承为研究对象,针对其故障诊断中强噪声背景下信号信噪比低、故障特征难以提取的问题,提出一种基于随机共振(SR)和变分模态分解(VMD)的故障特征提取方法。该方法首先利用随机共振对滚动轴承的振动信号进行降噪处理,提高信号的信噪比;然后对降噪后的振动信号进行VMD分解,通过求取固有模态函数(IMF)的幅值谱,从而发现滚动轴承的故障特征频率。将该方法应用于风电机组滚动轴承的实际数据中,分析结果表明,该方法能够提高信号的信噪比,实现风电机组滚动轴承的精确诊断。     

基于VMD和双谱的风电机组滚动轴承故障特征提取

针对背景噪声下风机滚动轴承故障特征提取的问题,提出了基于变分模态分解(Variational Mode Decomposition,VMD)和双谱的故障特征提取方法。运用VMD方法对信号进行自适应分解,根据峭度-相关系数准则筛选出故障特征明显的2个分量并进行信号重构;对重构信号进行双谱估计分析,仿真结果表明具有良好的噪声抑制能力;根据双谱图分析结果,提取出滚动轴承的故障特征,通过故障仿真验证了所提方法的有效性。将该方法应用于风机滚动轴承故障信号的故障特征提取,可以有效地识别出滚动轴承不同的故障特征,从而准确诊断出滚动轴承存在的故障。     

基于CEEMD和FastICA的滚动轴承故障诊断研究

由于滚动轴承振动信号易受噪声干扰的影响、故障特征提取较为困难。为此,提出了一种基于互补集合经验模态分解(CEEMD)和快速独立分量分析(Fast ICA)的轴承故障特征提取方法。该方法首先利用CEEMD算法将原故障振动信号进行分解运算,得到一系列模态分量(IMF);然后依据峭度准则选取一些模态分量来完成观测信号的重构,剩余其他的模态分量完成虚拟噪声通道信号的重构;再利用Fast ICA方法对重构信号进行降噪;引入Teager能量算子(TKEO)对降噪后的信号进行解调处理;最后对解调后的信号进行快速傅里叶变换(FFT)运算,分析变换后信号的频谱特征,提取出原信号的故障特征频率。将该方法应用到滚动轴承故障实际数据中,实验结果表明,该方法可以有效提取出滚动轴承故障的基频和倍频特征信息。     

基于VMD与自相关分析的滚动轴承故障特征提取

滚动轴承故障信号多呈现非平稳、多分量调制特性,早期故障信号调制特性微弱、易受周围设备噪声干扰,导致轴承早期故障特征淹没在噪声信号中,故障特征难以提取。为此,提出一种变分模态分解(variational mode decomposition,VMD)与自相关分析相结合的轴承故障特征提取方法。首先利用自相关分析消除故障信号中噪声干扰,提取周期成分;然后再用VMD算法将消噪信号分解成若干本征模态分量(intrinsic mode function,IMF),运用能量算子对相关系数及峭度值较大分量进行解调分析;最后通过能量解调谱来判别滚动轴承故障类型。将该方法应用到滚动轴承仿真故障数据和实测数据中,结果表明,该方法可降低了噪声的干扰,有效提取故障特征频率,能够实现滚动轴承故障的精确诊断。     

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VMD与快速谱峭度的滚动轴承故障诊断

针对滚动轴承故障信号易受环境噪声干扰,故障特征信息获取相对困难的问题,提出了基于变分模态分解(VMD)与快速谱峭度的滚动轴承故障特征提取方法.首先将轴承信号分解为若干个固有模态分量(IMF),然后利用最大相关峭度解卷积算法对各阶模态分量进行计算,选取相关峭度值相对较大的几个IMF分量作为故障信息最突出的研究对象,并对其...     

基于FastICA-BAS-MCKD的滚动轴承复合故障特征提取方法

针对强背景噪声下轴承复合故障特征难以分离提取的问题,提出了一种基于快速独立成分分析-天牛须-最大相关峭度 解卷积算法(FastICA-BAS-MCKD)的滚动轴承复合故障特征提取方法。 首先,引入 FastICA 对滚动轴承多通道故障信号进行盲 源分离;其次,利用 BAS 算法同步优化 MCKD 算法的解卷积周期 T、滤波器长度 L 和移位数 M,构建基于 BAS-MCKD 的滚动轴 承振动信号自适应分析方法;然后,应用 BAS-MCKD 方法处理分离后的信号,实现分离信号的降噪和特征增强;最后,应用希尔 伯特解调方法对 MCKD 处理后的信号进行包络谱分析,实现滚动轴承不同类型故障的识别。 仿真和实测信号的分析结果表 明,所提方法能清晰地从复合故障信号中提取出单一故障特征频率,为滚动轴承复合故障特征提取提供了一种有效的解决 方案。     

基于 SVD-VMD 和 SVM 滚动轴承故障诊断方法

针对故障滚动轴承振动信号中含有干扰信号,难以准确提取出故障信息,提出了一种基于奇异值分解(SVD)、变分模态分解(VMD)、和支持向量机(SVM)的滚动轴承故障诊断方法。首先利用奇异值分解对信号进行处理,根据奇异值峰度差分谱来确定分解后重构矩阵的有效阶数,然后根据该有效阶数重构信号,对重构后的信号进行VMD分解,根据上述有效阶数确定分解的本征模态函数(IMF)分量的个数,从分解后的IMF分量中提取故障特征参数,将其作为支持向量机的输入参数进行故障诊断。最后采用合肥工业大学轴承试验机进行验证,并与直接进VMD分解及基于带通滤波器信号去噪的故障诊断方法进行对比,结果表明该方法能有效识别滚动轴承的故障类型,可用于滚动轴承故障诊断。     

改进的 FEWT 及其在滚动轴承故障诊断中的应用

针对快速经验小波变换(FEWT)中使用软阈值函数造成的频谱划分不合理的问题,提出了一种基于折中阈值函数的改进的快速经验小波变换(MFEWT)方法。方法首先通过傅里叶变换及反变换计算信号频谱的趋势谱,使用小波折中阈值函数去噪方法对趋势谱进行优化;然后根据优化后的趋势谱建立滤波带,融合峭度准则和相关系数分量选取原则,完成EWT经验模态分量的重构和特征分量的筛选,并对重构信号进行最小熵解卷积,进而计算频谱特征频率;最后,通过理论特征频率的匹配,完成滚动轴承的故障诊断。实验结果表明,与FEWT相比较,改进的快速经验小波变换能够获得更理想的信号分解结果,包络频谱中的故障特征频率峰值更为明显;改进方法实现了EWT信号分解的性能的改善,提高了滚动轴承故障诊断的可靠性。     

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。     

基于集成经验模态分解和峭度准则的滚动轴承故障特征提取方法

为实现滚动轴承故障的精确诊断,提出一种基于集成经验模态分解(ensemble empirical mode decomposition,EEMD)与峭度准则的包络解调方法。该方法首先利用EEMD将振动信号分解,然后利用峭度最大准则选取EEMD分解后的本征模函数(intrinsic mode function,IMF),将该本征模函数进行包络解调从而获得滚动轴承的故障特征信息。该方法可以有效抑制经验模态分解(empirical mode decomposition,EMD)中的模态混叠问题,同时还避免了共振解调方法中中心频率及滤波频带的选取,具有良好的自适应性。利用该包络解调方法对实际滚动轴承发生内圈、外圈故障进行了分析,证明了该方法可以有效地提取滚动轴承故障特征信息,能够实现滚动轴承故障的精确诊断。     

基于 KL-VMD 和综合特征指标的 滚动轴承性能退化评估

针对滚动轴承早期性能退化点难以检测的问题,提出一种结合改进变分模态分解(VMD)和综合特征指标的滚动轴承性能退化评估方法。首先使用K-L散度优化VMD的参数,用优化后的VMD对轴承振动信号进行分解,通过Wasserstein距离筛选对退化特征较为敏感的模态分量,对其奇异值分解得到奇异值特征;结合信号的熵能比和置信值组成滚动轴承退化综合特征指标,最后构建支持向量数据描述模型计算性能退化指标,实现滚动轴承的早期微弱故障检测及性能退化评估。利用轴承全寿命实验数据验证方法的有效性,对早期性能退化点的检测结果相较于其他退化评估方法有所提前,为滚动轴承性能退化评估提供新思路。