基于VMD的自适应形态学在轴承故障诊断中的应用

为有效提取滚动轴承信号的特征频率,提出了基于变分模态分解(VMD)的自适应形态学的特征提取方法。首先利用VMD将目标信号分解为有限个模态信号,依据互信息法提取与原始信号相关的模态信号,将其进行求和重构;然后利用形态学对重构信号进行降噪处理,提取出滚动轴承的特征频率。针对形态学固有统计偏移和结构元素的选择问题,利用粒子群算法来优化改进的广义形态学滤波器,实现自适应滤波。通过数字仿真实验与滚动轴承故障试验分析,将其与基于经验模式分解(EMD)的自适应形态学、包络解调方法进行比较,结果表明该方法可以有效提取故障信号的特征频率。     

基于噪声辅助多元经验模态分解和多尺度形态学的滚动轴承故障诊断方法

为了从强噪背景中提取滚动轴承微弱故障特征,提出一种基于噪声辅助多元经验模态分解 (Noise Assisted Multivariate Empirical Mode Decomposition,NAMEMD)和数学形态学的滚动轴承故障诊断方法。NAMEMD是新提出的一种基于噪声辅助数据分析方法,其克服了集成经验模态分解的模态混淆和运算量大等问题。本文将NAMEMD与多尺度形态学相结合应用于滚动轴承故障诊断。该方法首先利用NAMEMD将多分量调频调幅故障信号自适应分解为一系列IMF分量;其次,选取能量高的IMF分量求和重构;最后利用多尺度形态学差值滤波器提取信号的故障特征频率。为了验证理论的正确性,进行了仿真试验和轴承故障试验,并与EEMD和包络解调进行了比较,结果表明本文方法在进一步降低模态混叠效应的同时,明显提高了运算速度,对滚动轴承外圈、内圈和滚子故障的检测精度更高,能够清晰地提取出故障信号的故障特征频率。     

基于EEMD的多尺度模糊熵的齿轮故障诊断

为准确利用振动信号进行故障诊断,提出基于EEMD多尺度模糊熵的齿轮故障诊断方法。利用集合经验模态分解(EEMD)对振动信号进行自适应分解,获得原始信号的不同尺度分量;据模糊熵能有效区分不同信号的复杂度,计算EEMD分解所得本征模态函数(IMF)分量模糊熵,获得原始信号多个尺度的复杂测度作为齿轮不同状态的特征参数;将该特征参数输入最小二乘支持向量机(LS-SVM)分类器判断齿轮故障。齿轮箱齿轮故障实验结果表明,该方法能提高齿轮故障诊断精度。     

基于ATF与EEMD变转速齿轮故障特征降噪方法

针对变转速下的齿轮故障特征的降噪问题,提出了一种基于自适应时变滤波(Adaptive Time-varying Filtering, ATF)与集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)的齿轮故障特征降噪方法。该方法首先用线调频小波路径追踪(Chirplet Path Pursuit,CPP)算法从变转速下的齿轮故障振动信号中估计出齿轮啮合频率,并依据该啮合频率设计时变滤波器;再利用该时变滤波器对齿轮故障振动信号进行滤波,将滤波器阻带内的噪声予以去除;然后采用EEMD方法对滤波后的信号进一步降噪,减少滤波器通带内的噪声干扰;接着利用时变滤波器对降噪后的信号再次进行滤波,消除EEMD降噪时在阻带带来的噪声干扰;最后对降噪后的信号进行阶次分析,提取齿轮故障特征。对齿轮局部故障的算法仿真和应用实例分析表明,该方法不仅可以消除阻带的噪声干扰,而且对通带内的噪声也有较好的抑制作用,可有效凸显齿轮的故障特征。     

基于EMD的多尺度形态学解调方法及其在机械故障诊断中的应用

为从机械故障信号中提取包含故障信息的特征频率,提出了基于EMD的多尺度形态学解调方法,该方法首先采用EMD方法将故障信号分解为有限个IMF分量,从中选取包含故障主要信息的IMF分量求和重构信号,再进行多尺度形态学解调,从而提取机械故障特征频率信息。将该方法用于滚动轴承、齿轮的故障诊断中,并与Hilbert包络方法比较,结果表明该方法能更好地提取故障特征频率,且对含噪故障信号也有较好的分析效果。     

基于EEMD降噪和FFT的转子故障振动分析

针对转子产生故障时的振动信号受噪声干扰大、故障特征不明显这一难题,提出基于集合经验模式分解(EEMD)降噪和傅里叶变换(FFT)的转子振动信号分析方法。首先利用EEMD方法将原始故障信号分解成若干本征模态分量(IMF),然后计算各分量与原始信号之间的相关系数,筛选出有用分量并进行信号重构。最后对重构信号进行傅里叶变换(FFT)得到振动信号的特征频率。数值模拟和实验结果证明该方法的有效性和实用性。     

基于LMD自适应多尺度形态学和Teager能量算子方法在轴承故障诊断中的应用

为了从故障轴承信号中提取包含故障信号的特征频率,提出了基于LMD自适应多尺度形态学和Teager能量算子解调的方法。首先,采用LMD将目标信号分解成有限个PF（Product function,PF）分量,分别对其进行多尺度形态学滤波,利用峭度准则优化形态学结构元素尺度,自适应寻求最优解,最后用Teager能量算子计算各PF分量的瞬时幅值,通过瞬时Teager能量的Fourier频谱识别轴承的故障特征频率。为了验证理论的正确性,进行了数字仿真实验和轴承故障模拟实验,并与EMD形态学和包络解调方法进行了比较,结果表明该算法明显优于其他两种方法,对滚动轴承外圈、内圈和滚子故障的检测精度更高,能够清晰地提取出故障信号的频率特征。     

一种自适应调整滤波参数的轴承故障诊断方法

针对机械振动信号中存在大量噪声和形态学滤波中结构元素长度不能自适应调整的问题,提出一种可自适应调整结构元素长度的滚动轴承故障诊断新方法。结构元素长度的不同会导致对信号特征提取效果的不同,该方法通过以峭度值为指标,找寻出使峭度值较大的一系列结构元素长度。然后通过计算不同长度滤波后信号的故障特征频率能量比值,找寻出使故障特征最突出、最明显的结构元素长度。以此长度为最优长度对信号进行滤波,能够较好地提取出滚动轴承的故障特征,找到故障特征频率。     

ACROA优化的自适应最稀疏窄带分解方法

提出了基于人工化学反应优化算法(artificial chemical reaction optimization algorithm,ACROA)的自适应最稀疏窄带分解(adaptive sparsest narrow-band decomposition,ASNBD)方法,将信号分解转化为对滤波器参数的优化问题,使用ACROA进行优化,以得到信号的最稀疏解为优化目标,在优化过程中将信号自适应地分解成若干个具有物理意义的局部窄带信号。对数值仿真和齿轮故障数据进行分析,结果表明该方法在抑制模态混淆、抗噪声性能、提高分量的正交性和准确性等方面要优于ASTFA方法、基于遗传算法(genetic algorithm,GA)的ASNBD方法及总体平均经验模态分解(ensemble empirical mode decomposition,EEMD)方法,并能有效识别出齿轮的典型故障。     

小波变换和EEMD-马氏距离的轴承故障诊断

机械故障的声发射信号中往往掺杂着各种干扰和噪声,为解决这一问题,提出了小波变换、集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)和马氏距离相结合的滚动轴承故障诊断方法;首次将马氏距离引入到轴承声发射信号的故障诊断中。该方法首先对故障轴承的声发射信号进行小波去噪处理,再对去噪后的信号进行EEMD分解,将其分解为多个固有模式函数(简称IMF)。其次采用马氏距离的方法消除EEMD分解结果中的虚假分量,提取能够反映轴承故障特征的IMF分量,突出高频共振成分。最后,通过瞬时Teager能量的Fourier频谱识别轴承故障的特征频率。仿真信号和滚动轴承外圈声发射信号的实例分析表明:此方法能很好地去除混杂在轴承声发射信号中的噪声,准确地识别出轴承故障的部位。     

基于ICEEMDAN方法和频率解调的行星齿轮箱故障电流信号特征分析

为了从电流信号中准确地提取行星齿轮箱故障特征,提出了基于改进自适应噪声完备集合经验模式分解和频率解调分析的故障诊断方法。通过改进自适应噪声完备集合经验模式分解将感应电机电流信号自适应地分解为一系列本质模式函数;根据故障频率调制供电频率的特性,以瞬时频率最接近供电频率为优选原则,优选出含有故障信息的本质模式函数作为敏感分量;并对敏感分量进行频率解调,通过频率解调谱诊断行星齿轮箱故障。齿轮箱试验分别采集太阳轮、行星轮以及齿圈三种局部故障状态的电机电流信号;信号分析结果表明该方法不仅可以减小定子电流噪声的影响,而且可以有效地提取复杂信号中的故障特征频率。     

基于倒谱预白化和形态学自互补Top-Hat变换的滚动轴承故障特征提取

为了消除振动信号中离散频率分量和强背景噪声对提取滚动轴承故障特征频率的干扰,提出了一种新的基于倒谱编辑(Cepstrum Editing Procedure,CEP)预白化和形态学自互补Top-Hat变换的方法用于滚动轴承的故障特征提取。CEP能够去除故障振动信号中的周期性频率成分,剩余只包含背景噪声和碰撞损伤引起的非平稳冲击成分的白化信号,通过分析构造的形态学自互补Top-Hat变换滤波器,提出采用故障特征幅值能量比(Feature Amplitude Energy Radio,FAER)的方法自适应确定最优结构元素的尺度,预白化信号经过形态学滤波有效消除了背景噪声的干扰,提取了较为清晰的轴承故障特征频率。对实测轴承滚动体、内圈故障信号进行了分析,结果表明该方法可有效提取滚动轴承故障冲击成分并抑制噪声。     

基于DEMD局部时频熵和SVM的风电齿轮箱故障诊断方法研究

为了有效地从非线性、非平稳性的风电齿轮箱故障信号中提取有用的信息成分,将微分经验模式分解、局部时频熵和支持向量机相结合,提出了一种微分经验模式分解局部时频熵和支持向量机的风电齿轮箱故障诊断方法。采用自适应多尺度的数学形态学对故障信号进行滤波;将滤波后的信号进行微分经验模式分解,获得齿轮振动信号的若干IMF分量;把每一个IMF进行分块,计算每一块的局部时频熵值;把局部时频熵值作为支持向量机的输入参数,通过支持向量机进行故障识别与诊断。实验结果表明,基于微分经验模式分解局部时频熵和支持向量机相结合的方法能够对风电齿轮箱故障信号进行准确有效地识别分类。     

一种带宽优化选取的ATF方法及其在齿轮故障诊断中的应用EI北大核心CSCD

自适应时变滤波(adaptive time-varying filtering,ATF)方法是一种基于数据驱动的非平稳信号处理方法,可有效分离变转速下的齿轮故障信号;但在ATF方法中,滤波带宽的选取需依据经验人为选取,具有较大的主观性。因此,针对ATF方法中滤波带宽的自适应优化选取,以齿轮啮合阶次与其临近阶次的能量比作为指标,提出了一种基于带宽优化选取的ATF方法;该方法先采用线调频小波路径追踪算法估计齿轮故障信号中的瞬时频率,然后设置不同的滤波带宽值构建自适应时变滤波器,再对滤波后的信号进行阶次分析,并计算齿轮啮合阶次与其临近阶次的能量比,最后挑选出最佳能量比所对应的滤波带宽作为最优带宽值来对信号进行滤波分析,进而诊断齿轮故障。对变转速下的齿轮局部故障进行了仿真和实例分析,并将之与集合经验模态分解(ensemble empirical mode decomposition,EEMD)方法对比,结果表明,该方法不仅可自适应选取滤波带宽,减少滤波误差,而且能有效提取齿轮故障特征信号,凸显齿轮故障特征。     

基于峭度准则EEMD及改进形态滤波方法的轴承故障诊断

针对轴承故障成分常以周期性冲击成分出现在振动信号中,而冲击响应成分常被强大噪声淹没,造成轴承故障特征提取困难等问题,将集成经验模态分解(EEMD)与改进形态滤波方法相结合,在本征模态函数(IMF)及形态学结构元素(SE)选取时均以峭度准则为依据,对筛选出的IMF分量进行信号重构后,再进行基于峭度准则的改进形态滤波方法处理。结果表明,该方法可避免共振解调中中心频率及滤波频带选取,自适应性较好;通过对实际滚动轴承内外圈故障分析,该方法可清晰准确提取到故障特征信息,噪声抑制效果好,可用于轴承故障精确诊断。     

基于EEMD和改进的形态滤波方法的轴承故障诊断研究

轴承故障会导致振动信号中出现冲击响应成分,可通过对冲击响应成分的周期的检测与提取, 进行局部故障诊断。但在复杂工况下,故障脉冲易被周围噪声淹没,在分析EEMD和形态学滤波方法的基础上,将EEMD方法与形态学滤波方法相结合,提出结构元素(SE)选择方法,并用于本征模态信号中冲击响应特征的提取。通过将该方法用于轴承外圈、内圈局部故障状态下的特征的检测,结果表明该方法能有效提取周期性脉冲成分并抑制噪声。     

信号相关性和EEMD-Hilbert包络在滚动轴承故障诊断中的应用

针对传统信号包络的带通滤波器的中心频率和带宽的选择不确定性和经验模式分解(EMD)在非线性非平稳信号处理中存在的模态混叠问题,提出了一种以信号的相关性为判据,获取总体经验模式分解（EEMD）的最佳IMF分量,并对其进行Hilbert包络解调获取故障特征频率,实现滚动轴承早期故障的诊断的新方法。实验分析结果表明：该方法能够准确地识别和诊断出滚动轴承的早期故障类型,适合滚动轴承早期故障的精确诊断,具有一定实用价值。     

LMD的LabVIEW实现及其在齿轮故障诊断中的应用

将局部均值分解(local mean decomposition,LMD)算法在LabVIEW平台上加以实现,开发出LabVIEW的LMD模块。为减小误差,采用三次样条插值法代替滑动平均法来获得局部均值函数和包络估计函数,用形态学滤波算法得到瞬时频率和瞬时幅值的平滑曲线,并通过仿真信号验证LMD算法对于多分量信号的分解能力。最后,利用开发的模块对实测齿轮磨损、断齿故障信号进行分析,成功提取出故障特征频率信息,结果表明开发的LMD模块可以有效应用于齿轮故障的诊断。     

基于改进自适应变分模态分解的滚动轴承微弱故障诊断

滚动轴承早期故障信息微弱,且混有大量背景噪声,难以提取其故障特征。提出了一种改进的自适应变分模态分解(AVMD)与Teager能量谱的微弱故障诊断方法。将最小平均包络熵(MMEE)作为目标函数,自动搜寻影响参数最佳值,确保变分模态分解(VMD)实现最优分解,并提出加权峭度指标(WK)用于选择有效模态分量进行信号重构,对重构信号进行Teager能量谱分析,从而识别故障特征频率。对轴承微弱故障振动信号的研究表明,所提方法改进了传统VMD算法分解精度受参数影响较大,导致信号出现过分解或欠分解的问题;与集合经验模态分解和局部均值分解算法相比所提方法具有更强的噪声鲁棒性和故障信息提取能力。     

EWT和ICA联合降噪在轴承故障诊断中的应用

在强背景噪声下提取非平稳振动信号的微弱故障特征时,系统信号和干扰噪声在频带互相混叠难以分离,传统消噪方法存在较大局限。为此提出一种基于经验小波变换(EWT)和独立分量分析(ICA)联合降噪的方法。利用EWT算法将振动信号进行分解,避免了经验模态分解(EMD)和总体经验模态分解(EEMD)存在的模态混叠和端点效应;依据峭度及相关系数准则选取相应分量,引入虚拟噪声通道;利用ICA对重组信号进行解混去噪,分离出源信号后进行Hilbert包络解调,提取故障特征频率,实现故障诊断。通过对实际轴承信号的分析,验证了该方法不仅对时变、非平稳的强噪声干扰具有较好的消除效果,还能更清晰、准确地提取故障特征信息。