基于EMD和LMS自适应形态滤波的滚动轴承故障诊断

针对铁道车辆走行部的滚动轴承故障特征,其故障信号通常被调制到高频,且还有大量噪声,提出了一种EMD(EmpiricalMode Decomposition)分解和基于LMS(least mean square)算法的自适应广义形态学滤波相结合的方法。先采用EMD分解得到高频信号,将低频干扰和噪声相分离;再使用LMS算法的形态学滤波和闭运算的方法进行形态解调。最后对其进行频谱分析,提取出故障特征。通过仿真实验和实例表明该方法能够有效的消除大量噪声和低频干扰,提取出滚动轴承故障特征。该方法计算速度快,易于实现,具有较好的实用价值。     

基于EEMD和改进VPMCD的滚动轴承故障诊断方法

针对原VPMCD方法在参数估计过程中存在的缺陷,用BP神经网络非线性回归方法代替原方法中的最小二乘法,解决了最小二乘法中存在的病态问题,因此,提出了改进多变量预测模型(Variable predictive mode based class discriminate,简称VPMCD)的滚动轴承故障诊断方法.首先采用总体经验模态分解(Ensemble empirical mode decomposition,简称EEMD)方法对滚动轴承振动信号进行分解得到若干个单分量信号,然后提取各分量奇异值组成特征向量作为改进VPMCD的输入,最后对滚动轴承工作状态和故障类型进行识别.实验结果表明,该方法能够有效地应用于滚动轴承故障诊断.     

基于形态滤波优化算法的滚动轴承故障特征提取方法

针对轴承故障振动信号的非线性、非平稳性的特点,而且故障信号经常被各种噪声、干扰所淹没,提出了一种基于局部均值分解(local mean decomposition,LMD)与自适应多结构元素多尺寸差值形态滤波器相结合的方法。原始故障信号先经过局部均值分解得到若干乘积函数(product function,PF)分量,然后采用峭度值准则,选取峭度值最大的PF分量,再将其经过自适应多结构元素多尺寸差值形态滤波器进行滤波解调,最后解调结果进行频谱分析,提取故障特征。为了体现其可行性和优越性,与包络解调、LMD-形态闭运算和LMD-形态差值滤波三种方法进行了比较,仿真信号和实测轴承故障信号的分析结果表明,它具有更强的噪声抑制和脉冲提取能力,可以有效地提取滚动轴承故障特征信息,实现故障的精确诊断。     

基于最大李雅普诺夫指数的滚动轴承故障诊断研究

针对滚动轴承故障后期的非线性行为以及判断故障的劣化趋势标准问题，提出了最大李雅普诺夫（Lyapunov）指数判别方法。利用包络解调法对轴承原始信号进行了0～1000，2000-3000及3000-4500Hz分频段降噪处理，研究了不同时段轴承故障劣化程度与Lyapunov指数的关系以及信号噪声对Lyapunov指数的影响。结果表明，在0～1000比频段内，轴承早期故障的Lyapunov指数为0．612，运行5个月后，Lyapunov指数增大到0．8105，2000-3000Hz及3000-4500Hz频段内，Lyapunov指数也呈缓慢增大趋势，说明Lyapunov指数能够反映轴承故障劣化程度，因此可以把Lyapur剐指数作为判断轴承故障严重程度的特征参量，这为轴承故障的劣化判断提供了一条有效途径。     

基于最大李雅普诺夫指数的滚动轴承故障诊断研究

针对滚动轴承故障后期的非线性行为以及判断故障的劣化趋势标准问题,提出了最大李雅普诺夫(Lyapunov)指数判别方法。利用包络解调法对轴承原始信号进行了0~1 000,2 000~3 000及3 000~4 500 Hz分频段降噪处理,研究了不同时段轴承故障劣化程度与Lyapunov指数的关系以及信号噪声对Lyapunov指数的影响。结果表明,在0~1 000Hz频段内,轴承早期故障的Lyapunov指数为0.612,运行5个月后,Lyapunov指数增大到0.810 5,2 000~3 000 Hz及3 000~4 500 Hz频段内,Lyapunov指数也呈缓慢增大趋势,说明Lyapunov指数能够反映轴承故障劣化程度,因此可以把Lyapunov指数作为判断轴承故障严重程度的特征参量,这为轴承故障的劣化判断提供了一条有效途径。     

基于固有时间尺度分解与多尺度形态滤波的滚动轴承故障特征提取方法

为了准确提取出滚动轴承的故障特征并对轴承状态进行评估,提出了一种固有时间尺度分解(intrinsic time-scale decomposition,ITD)与多尺度形态滤波相结合的滚动轴承故障特征提取方法。首先,采用ITD方法将滚动轴承故障信号分解成多个固有旋转分量(proper rotation,PR);然后,对比各个PR分量与原始信号的相关性;最后,采用多尺度形态滤波算法对相关性较大PR分量进行滤波降噪,并提取滚动轴承故障特征频率。采用所建立方法对轴承外圈故障和内圈故障实验数据进行分析。结果表明,所提出的故障特征提取方法能够有效抑制噪声,清晰准确地提取出滚动轴承故障特征频率。     

形态滤波在滚动轴承故障声发射信号处理中的应用

滚动轴承的状态监测和故障诊断意义重大.为有效诊断轴承早期的微弱故障,将形态滤波方法用于轴承故障声发射信号的处理,提出采用多尺度形态开闭和闭开组合的滤波器对信号降噪处理,采用闭运算对降噪后的信号进行形态滤波解调得到明显的故障特征频率,并对比故障振动信号和声发射信号的处理效果.研究表明: 形态滤波用于轴承故障声发射信号特征提取效果明显,适用于轴承的状态监测和故障的早期诊断.     

变工况滚动轴承故障诊断方法研究

旋转机械设备在升降速、电源电压波动、载荷变化等情况下其转速将是非恒速的,将导致旋转设备中的滚动轴承在变速条件下运行,现有滚动轴承故障诊断方法中的共振解调方法在变工况条件下谱图将变得模糊,影响诊断的准确性,甚至无法获取故障特征频率。提出了对共振解调获得的包络信号采用阶比分析的方法,在无需鉴相硬件设备的前提下,提取滚动轴承的故障特征频率,实验结果证明包络信号的阶比谱可以很好地反映鼓掌特征;对精确诊断滚动轴承的故障有实际意义。     

基于EEMD散布熵-LPP的滚动轴承故障诊断方法

针对滚动轴承故障分类中采用单一尺度熵值难以完全表征故障特征的问题,基于散布熵(DE)、集合经验模态分解(EEMD)、局部保留投影算法(LPP)、k-近邻分类算法(KNN),提出了一种基于EEMD散布熵-LPP的滚动轴承故障诊断方法.首先对信号进行EEMD分解提取其前9个IMF分量作为特征信号,分别计算其散布熵值作为特征...     

基于包络解调滤波的滚动轴承复合故障诊断

针对在变转速工况下进行滚动轴承复合故障诊断时,由于故障间的相互作用使得多种故障特征混叠在一起,彼此干扰,造成误判﹑漏判等问题,以及时域滤波过程中共振频带参数难以获得这一问题,提出基于包络解调滤波的滚动轴承复合故障诊断方法。首先,使用多项式函数拟合轴承转速,并根据轴承各部分的故障特征频率系数和转速信息计算瞬时故障特征频率(IFCF)趋势线;其次,根据各部分IFCF趋势线的拟合函数,构造解调算法的相位函数,对原始信号经过Hilbert变换得到的包络信号解调;最后,以各部分IFCF拟合函数的初始值为中心频率构造窄带巴特沃斯带通滤波器,对解调信号进行滤波处理,并对滤波后的信号进行快速傅里叶变换(FFT)得到包络解调滤波信号的频谱。研究结果表明：该算法使轴承IFCF的能量集中在初始值的位置,使用巴特沃斯带通滤波器便可以在包络信号中提取解调后的故障信息。该方法既克服了转速变化引起的“频率模糊”现象,又避免了时域滤波中共振频带难以确定的问题。仿真算例和应用实例证明了该算法的有效性。     

机械故障诊断中常用解调方法的比较及应用

在介绍了解调在机械故障诊断中应用的基础上,对基于Hilbert变换的包络解调法和检波解调法的原理及实现方法进行了比较,并且给出了用包络解调法对滚动轴承进行诊断的实例,取得了满意的效果。     

基于鲸鱼优化算法的自适应共振解调轴承故障诊断方法

针对共振解调方法需要选取包含较多故障信息的共振频带这一特点,提出了一种基于鲸鱼优化算法的自适应共振解调轴承故障诊断方法。首先,使用鲸鱼优化算法,以峭度和包络谱峭度构造的复合峭度作为优化目标,对带通滤波器参数中心频率和带宽进行自适应选择。然后,使用寻优得到的最优中心频率和带宽对轴承故障信号进行滤波分析。最后,对滤波后信号进行包络解调处理,提取出故障特征频率,判断轴承故障类型。通过对仿真信号和轴承内、外圈故障信号的分析诊断,可以证明该方法能够满足共振解调方法中对共振频带选取的要求,完成轴承信号故障频率的提取,是一种有效的轴承故障诊断方法。     

基于ICEEMDAN和Hilbert包络谱的滚动轴承故障诊断研究

针对滚动轴承故障振动信号因属于非平稳特征信号而导致故障特征频率难以提取的问题,提出了基于改进自适应噪声完备集合经验模态分解(ICEEMDAN)和Hilbert包络谱的滚动轴承故障诊断方法.首先,利用ICEEMDAN对故障信号进行模态分解,产生一系列的固有模态分量(IMF);然后,找出与原信号相关度较高的模态分量,作该模态分量的Hilbert包络谱图,并提取滚动轴承的故障特征频率.最终,通过对滚动轴承外圈和内圈的故障信号进行分析,并将结果与经验模态分解(EMD)的结果比较,证明了经过ICEEMDAN分解后Hilbert包络谱图能够明显反映轴承故障的特征频率,该方法可有效诊断滚动轴承的外圈和内圈故障.     

EMD共振解调在滚动轴承故障诊断中的应用

针对人为加工的滚动轴承点蚀故障数据难以模拟真实疲劳失效过程的问题,提出将滚动轴承强化寿命试验的轴承疲劳失效过程数据作为故障诊断数据,结合经验模态分解(Em-piricalMode Decomposition,EMD)与共振解调技术对真实疲劳失效的滚动轴承进行故障诊断.依托经验模态分解的自适应性,有效的将携带故障信息的高频调制信号从原信号中分离出来,实现了信号的带通滤波;利用H ilbert变换进行解调分析得到包含故障特征信息的低频包络信号,经过频谱分析后实现对疲劳失效滚动轴承故障特征提取和故障辨识.实验结果表明:该方法能诊断真实情况的滚动轴承疲劳失效故障.     

形态分量分析在滚动轴承故障诊断中的应用

滚动轴承局部故障振动信号中的周期性冲击是识别故障的关键特征.形态分量分析在由多种形态原子组成的过完备字典基础上提取信号中的不同形态成分,基于这种思想提出了一种基于新型过完备复合字典的形态分量分析方法.依据滚动轴承故障振动信号中分量间的形态差异性,改进字典后该方法可以更具针对性地提取出包含故障特征的冲击分量,配合包络谱分析准确提取故障特征频率,诊断滚动轴承局部故障.对比基于快速谱峭度法的轴承故障诊断方法,该方法可以避免人为选择共振带产生的不准确性和非最优问题,提高了故障诊断效果.通过轴承仿真信号和故障实验信号分析验证了该方法的有效性.     

高阶频率加权能量算子在列车轴箱轴承故障诊断中的应用

针对轴箱轴承振动信号中微弱故障冲击难以识别的问题,提出了高阶频率加权能量算子的信号解调方法,进而完成轴箱轴承的故障诊断。频率加权能量算子(FWEO)通过在解调时加入信号中瞬时频率的权重,从而提高了干扰情况下解调的鲁棒性,但是当干扰信号能量较大时,FWEO依然无法有效解调轴承的故障冲击信息。因此,在FWEO基础上通过高阶的导数运算,形成了高阶频率加权能量算子(HFWEO)。HFWEO通过高阶导数运算提高了瞬时频率的权重,从而有效提高了HFWEO对干扰信号的抑制作用; 使用相关峭度准则确定合适的阶次,保证HFWEO在提高抗干扰性的同时又引入较少的高频噪声,从而实现更可靠的轴箱轴承故障诊断。使用所提出的解调方法对仿真信号与轴箱轴承振动信号进行解调,并与传统解调方法进行对比,结果表明,提出的HFWEO能量算子对干扰具有很好的抑制作用,可以在较低信号干扰比情况下具有良好的解调效果,同时所提的相关峭度准则可以准确地确定最佳的HFWEO阶次,在复杂干扰情况下依然可以有效提取轴承故障冲击,克服了传统解调方法在干扰严重时的局限性,抑制了干扰的影响,对信号中故障冲击识别更加有效,为更准确、快速判断轴承故障类型提供了可靠保证。     

自组织包络解调及其在轴承诊断中的应用

提出了自组织包络解调（ＳＯＥＤ）算法,利用这个算法对轴承振动信号进行分析,不但可以从其时域信号中提取出纯净的周期性冲击,而且还能将信号的频谱准确地恢复到其特征频率处,因此在具体诊断时,只要检验其特征频率处的幅值大小,即可判断故障。