基于CEEMDAN-Hilbert-CNN的滚动轴承故障诊断

在故障诊断方面,针对希尔伯特黄变换信号分解存在模态混叠和人工神经网络面对高维数据收敛性差、特征分类误差大等问题,提出一种改进的希尔伯特黄变换与卷积神经网络相结合的滚动轴承故障诊断的新方法:将希尔伯特黄变换的经验模态分解替换为自适应白噪声的完整经验模态分解,并与卷积神经网络相结合.提出的滚动轴承故障诊断新方法进行故障诊断...     

改进的EMD方法及其在滚动轴承故障诊断中的应用

针对经验模态分解中筛选终止条件和极值点的选择问题,定义了基于能量比值的筛选终止条件,采用抛物线插值拟合的方法,改进了确定极值点的位置和极值大小的方法,对仿真信号进行分解的结果显示了所提方法的优越性,最后将改进的经验模态分解方法与Hilbert谱结合应用于滚动轴承故障诊断,实验结果显示该方法的有效性.     

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EMD和模糊C均值聚类的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征,提出了一种基于经验模态分解和奇异值分解的特征提取与模糊C均值（FCM）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EMD分解,组成初始特征向量矩阵;并对该矩阵进行奇异值分解,将矩阵的奇异值作为故障特征向量;最后以FCM聚类为故障分类器,实现滚动轴承不同故障类型的识别。实验结果分析表明,该方法能有效地进行滚动轴承故障诊断。     

基于EEMD特征提取的滚动轴承故障诊断

针对滚动轴承故障振动信号非平稳性与非线性的特点,提出将集合经验模态分解(ensemble empirical mode decomposition, EEMD)方法用于轴承信号处理.滚动轴承故障诊断的重要环节是特征提取,其直接关系到轴承故障诊断的正确率.因此,将熵知识应用到轴承特征提取步骤中,应用奇异熵与能量熵知识,提出一种峭度值与以上两种熵进行特征融合的特征提取方法,完成滚动轴承故障诊断.该方法首先对滚动轴承的振动信号进行EEMD模态分解为若干个本征模态函数(intrinsic mode function, IMF)之和,对每个含有故障特征的IMF进行奇异熵、能量熵与峭度值求取;其次,将求得的三种数据输入核主元分析(kernel principal component analysis, KPCA)中进行特征融合与特征提取;最后,将提取的特征作为支持向量机(support vector machine, SVM)的输入参数进行故障分类.试验结果表明此方法能够准确有效地识别出滚动轴承的工作状态,实现了滚动轴承故障分类的自动化.     

基于小波-VMD-Teager能量算子的滚动轴承微弱故障诊断

针对滚动轴承的单一故障进行诊断,提出了将小波VMD-Teager能量算子相结合和小波CEEMD-Teager能量算子相结合的诊断方法。对于滚动轴承的故障信号首先是进行小波降噪,使用VMD分解得到IMF分量,利用峭度和相关系数的大小选择合适的IMF分量,进行重构。通过对重构的IMF进行Teager能量算子包络解调处理,最后可以得到不同故障程度的轴承故障的特征频率。对比VMD处理和CEEMD处理得到的故障信号包络图,利用实验数据验证表明, VMD处理能更有效提取滚动轴承的单一故障微弱特征。     

基于自适应变分模态分解和集成极限学习机的滚动轴承多故障诊断

针对滚动轴承多故障诊断中特征提取困难和分类准确性低的问题,从有效特征提取和故障分类准确性两方面出发,将变分模态分解(VMD)和极限学习机(ELM)方法结合,提出了一种自适应滚动轴承多故障诊断方法.针对VMD参数需人为事先设定导致信号分解效果差的情况,提出了灰狼算法(GWO)优化VMD实现自适应地获取最佳分解参数k和α....     

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

滚动轴承是旋转机械的重要零部件,当发生早期故障时,难以有效地提取其微弱的故障特征.针对这一问题,提出了优化参数K取值的变分模态分解（variational mode decomposition,VMD）早期故障诊断方法.首先,通过瞬时频率均值判断法确定模态数K的取值,然后用VMD方法对采集的轴承故障信号进行处理.通过筛选轴承故障信号分解得到本征模态函数分量,对其中的敏感分量进行包络谱分析,从而判断轴承的故障类型与严重程度.最后,分别比较EMD和原VMD算法得到的结果.结果表明：优化后的VMD算法能成功地提取滚动轴承早期故障特征,实现轴承早期故障诊断.

     

基于PSO-VMD与贝叶斯网络的滚动轴承故障诊断

为解决电机在变负载运行条件下滚动轴承振动信号故障的特征提取困难、故障诊断准确率低的问题,提出一种基于变步长粒子群的变分模态分解与贝叶斯网络相结合的滚动轴承故障诊断模型。通过变步长粒子群算法优化的变分模态分解与Hilbert变换,提取故障信息并离散化处理,构建贝叶斯网络故障诊断模型,对滚动轴承故障发生概率推理,并利用完备、不完备数据集以及噪声试验验证该方法的准确性。仿真结果表明,该方法能高效提取特征信息,实现对不确定信息的推理估计,提高滚动轴承故障诊断的准确率,在滚动轴承的故障诊断预测中具有较好的理论与应用前景。     

基于子领域自适应的变工况下滚动轴承故障诊断

针对变工况环境下采集到的滚动轴承振动数据特征分布不一致及待诊断样本标签较难获取的问题,提出了一种子领域自适应的深度迁移学习故障诊断方法.首先,为充分利用卷积神经网络图像特征提取能力,将滚动轴承振动信号采用连续小波变换生成图像数据集;其次,源域与目标域通用特征提取采用改进图像集预训练的ResNet-50网络结构,子领域自...     

EMD与同态滤波解调在滚动轴承故障诊断中的应用

根据滚动轴承的振动故障特征,介绍了一种新的基于经验模态分解(Empirical Mode Decomposition,EMD)与同态滤波解调相结合的滚动轴承故障诊断方法.EMD可将轴承故障信号分解成若干个IMFs(Intrinsic Mode Functions),各个IMF突出了原始信号的某些局部特征.再对某些IMFs有针对性地进行同态滤波解调,提取了轴承内圈故障特征频率,诊断出轴承内圈严重磨损故障.同时,为更突出同态滤波解调方法的优越性,与Hilbert包络进行了对比分析.仿真与应用结果表明,同态滤波解调方法要优于Hilbert包络法.     

EEMD-PE与M-RVM相结合的轴承故障诊断方法

滚动轴承振动信号中包含了大量轴承运行状态信息,但是由于振动信号具有非线性和非平稳性的特点,难以充分提取振动信号中的故障特征,导致现有基于模式识别的轴承故障诊断方法的故障识别准确率较低.为了提高滚动轴承故障识别的准确率,提出了一种基于集合经验模态分解-排列熵(EEMD-PE)特征提取与多分类相关向量机(M-RVM)相结合的轴承故障诊断方法.首先,该方法利用EEMD对非线性和非平稳信号的自适应分解能力,将轴承故障信号分解为一组包含故障特征的本征模态函数(IMFs).然后,利用排列熵提取由EEMD分解得到的IMFs中的故障特征,并组成特征向量.最后,采用EEMD-PE对不同故障状态下的训练样本集进行特征提取,组成特征向量集对M-RVM分类器进行建模,以概率输出的形式实现对滚动轴承的故障诊断.实验结果表明:EEMD-PE特征提取方法能够对滚动轴承振动信号的故障特征进行有效提取,M-RVM能够对故障滚动轴承振动信号包含的故障特征进行识别.与现有轴承故障诊断方法相比较,所提出的方法能够提高故障识别准确率,达到99.58%.     

基于经验模式分解和广义维数的机械故障诊断

结合经验模式分解方法和广义维数的特点,提出了基于经验模式分解和广义维数的机械故障诊断方法。先对信号进行经验模式分解,得到内禀模态函数,然后求每个内禀函数的广义维数,从中提取盒维数、信息维数和关联维数,组成广义维数矩阵。通过分析待检测信号和各样本信号的广义维数矩阵相关系数,判断故障状态。实验结果表明,该方法可以准确地识别机械故障状态,是一种有效的机械故障诊断手段。     

基于最小熵解卷积与稀疏分解的滚动轴承微弱故障特征提取

针对滚动轴承早期故障难以提取和最大相关峭度解卷积（maxim correlated kurtosis deconvolution,MCKD）降噪效果受滤波器长度L的影响,提出了基于互补集合经验模态分解（complementary ensemble empirical mode decomposition,CEEMD）和自适应最大相关峭度解卷积相结合的故障特征提取方法（CEEMD-AMCKD）.首先,利用CEEMD将信号分解得到一组固有模态分量,利用峭度值筛选出冲击成分明显的分量;然后,以排列熵值为标准,运用步长搜寻法确定最佳的MCKD滤波器长度,对前面筛选出的分量进行降噪处理;最后,将降噪后的分量及其他分量进行信号重构并根据包络功率谱提取故障特征频率.通过仿真和试验验证了该方法的有效性.

     

经验模态分解在相关峰检测和测向中的应用

互相关测向法在低信噪比时检测不到相关峰,无法实现有效的方位估计.经验模态分解可以在突出信号局部特征的基础上,把信号分解成多个固有模态函数.采取对互相关函数进行经验模态分解,适当选取分解出的IMF重构互相关函数.重构的互相关函数有明显的相关峰,可以有效地提高检测目标的能力.将经验模态分解与互相关测向法相结合,可以实现低信噪比下的时延估计,从而更好地估计目标的方位.仿真结果表明重构的互相关函数较原互相关函数,其相关峰较最高伪峰的相对值提高了约4.9 dB,从而可以更好地实现时延估计.方位估计结果显示此方法在信噪比为-14 dB时,仍能准确地估计目标的方位.     

基于时延自相关预处理的Hilbert-Huang变换解调

针对具有噪声干扰的旋转机械故障振动信号解调问题，提出基于时延自相关运算和经验模态分解（
EMD）方法相结合的新方法.讨论了时延相关算法的降噪原理、离散信号时延相关算法和Hilbert Huang变
换理论.采用矩形窗截断故障振动信号自相关函数的无偏估计, 获取较长时间差的部分，得到时延相关函
数.利用EMD方法对时延相关函数进行自适应滤波, 得到固有模态函数（IMF），对IMF进行Hilbert变换，
求得解调结果.不同噪声强度仿真数据和滚动轴承故障振动信号实验数据分析表明，该方法比直接解调或
仅采用时延相关解调更能有效抑制噪声，凸现信号调制信息.     

基于局域波法和KPCA-LSSVM的滚动轴承故障诊断

针对故障滚动轴承振动信号具有非平稳性,提出基于局域波法和核主元分析 最小二乘支持向量机(KPCA LSSVM )的故障诊断方法.先对轴承振动信号进行局域波分解得到若干内禀模式函数(IMF),分别计算各IMF分量的特征能量、奇异值和AR模型参数作为原始特征向量,再用KPCA将原始特征向量映射到高维特征空间提取主元构造新的特征向量,将其作为LSSVM分类器的输入来实现轴承的故障诊断.故障诊断试验结果表明,KPCA LSSVM诊断方法通过KPCA得到更多的识别信息,改善了LSSVM的分类性能,相对于直接LSSVM诊断方法具有更优的泛化性,可准确识别轴承的故障类别和严重程度.     

基于EMD与ICA的滚动轴承复合故障诊断

针对单通道情况下滚动轴承复合故障难以分离问题, 提出基于经验模式分解 (empirical mode decomposition, EMD) 的独立分量分析 (independent component analysis, ICA) 算法.该方法首先对单通道采集的轴承复合故障信号进行EMD分解, 得到多个基本模式分量函数 (intrinsic mode function, IMF) , 然后依据帩度指标及相关系数值, 选取有效的IMF分量与原观测信号组成新的观测信号, 对其进行ICA处理, 进而实现轴承复合故障的分离.实验结果表明, 该方法可有效地分离轴承早期的复合故障.     

基于随机共振和BBS/ICA的轴承故障诊断

针对不同状态滚动轴承振动信号之间的时域波形和幅值谱差别不大,难以判断轴承的运行状态,提出基于自适应噪声的完备经验模态分解（complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN）排列熵和最小二乘支持向量机（least square support vector machine,LS-SVM）的轴承状态分类方法.首先,该方法将采集的轴承振动信号分成一定数目的训练样本和测试样本.然后,对每个样本信号进行CEEMDAN分解,得到多个内禀模态分量（intrinsic mode functions,IMF）,并计算每个样本信号前几个IMF分量的排列熵,将其作为输入LS-SVM分类器中的特征向量.最后,利用LS-SVM分类器对轴承状态进行分类与识别.将该方法应用于4种不同状态轴承的分类中,并与基于原始振动信号排列熵的LS-SVM轴承状态分类进行对比.结果表明：该方法总的分类准确率从后者的62.5%提高到98.75%,有效地证明了本文方法的准确性和优越性.

     

深度神经网络在滚动轴承故障诊断中的应用

为了对滚动轴承发生的故障类型进行诊断,从而提升设备的安全性,提出了一种基于深度残差神经网络的智能故障诊断方法,并使用多传感器融合技术对深度残差神经网络进行了改进,使得诊断模型的识别精度和鲁棒性得到进一步提高.首先,通过多传感器技术来获取丰富的设备运行状态信息,然后利用时频分析方法短时傅里叶变换提取原始振动信号的初级特征...