基于自适应局部迭代滤波和能量算子解调的滚动轴承故障特征提取

为了提高滚动轴承的故障特征提取可靠性,该文提出了一种基于自适应局部迭代滤波(Adaptive local iterative filtering,ALIF)和能量算子解调的滚动轴承故障特征提取的方法。该方法首先利用ALIF将轴承的故障振动信号分解为若干个本征模态函数(Intrinsic mode function,IMF)分量,然后对包含故障信息最多的分量进行能量算子解调,得到分量的包络谱来提取轴承的故障特征。仿真结果表明:ALIF能够准确获取IMF分量,解决经验模式分解(Empirical mode decomposition,EMD)带来的模式混叠问题,结合能量算子解调方法能更好地凸显故障信号的包络谱特征,有效地提取轴承故障特征频率。     

CEEMD与广义形态差值滤波结合的故障诊断方法研究

为了提取滚动轴承早期微弱故障特征信息,提出一种互补总体平均经验模态分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD)与广义形态差值滤波结合的故障诊断方法.该方法首先对振动信号进行CEEMD分解成若干不同尺度的本征模函数(Intrinsic Mode Function,IMF)分量,利用相关系数-峭度准则来选取故障信息丰富的IMF分量信号,并对其进行重构;然后采用广义形态差值滤波器对重构后的信号进行滤波,以滤除噪声干扰;最后利用Teager能量算子(Teager-Kaiser Energy Operator,TKEO)对去噪后的振动信号进行分析,提取振动信号的故障特征.滚动轴承振动信号分析试验结果证明了本文方法的有效性.     

PSO VMD结合Teager包络谱的滚动轴承 故障诊断方法

为了解决VMD方法在处理非平稳信号时,人为确定输入参数会影响模态分解精度的问题,提出一种基于PSO算法优化VMD输入参数的PSO VMD方法,用于滚动轴承故障信号的模态分解,并使用Teager能量算子(TEO)对模态分解结果进一步计算,得到各模态分量的Teager包络谱.通过滚动轴承内环单点故障、外环单点故障和滚子单点故障实测振动故障信号的模态分解与故障诊断,验证PSO VMD方法的有效性和实用性.     

基于能量峰定位的经验小波变换及在轴承微弱故障诊断中的应用

为了解决经验小波变换在轴承振动信号频谱分割不当的问题,提出了一种基于自适应能量峰定位的经验小波变换。该方法采用Teager能量算子对傅里叶频谱进行能量集中,降低噪声和无关分量影响;利用多尺度寻峰定位算法自适应确定频谱分割边界;通过构建小波滤波器组提取各模态分量。依据峭度指标挑选故障信息最大的模态分量,最后通过Hilbert包络解调提取轴承的故障特征频率。仿真和实验分析结果表明:提出的方法从能量角度入手,鲁棒性更强;频段划分考虑频谱的形状,能自适应识别故障频带;与原始经验小波变换方法相比,改进方法能明显增强早期微弱故障特征,提高轴承早期故障诊断性能。     

EEMD结合能量特征和小波降噪的轴承故障诊断

为解决在强背景噪声条件下滚动轴承故障诊断问题,开展基于能量特征和小波降噪的总体经验模态分解(EEMD)研究。首先以仿真信号为研究对象,对其进行总体经验模态分解,得到9个固有模态函数(IMF)和1个余项( Res),然后考虑各模态函数的能量特征,将分解后的9个IMF分量与原始信号的能量比作为判断标准,剔除附加5个低频分量,最终得到4个有效的IMF分量和1个余项,与仿真信号相符。在仿真信号分析的基础上,对含噪声信号的滚动轴承故障信号进行故障诊断试验研究,采集信号经小波降噪后,利用总体平均经验模态分解并结合能量特征,得到3个IMF分量和1个余项,然后对3个IMF分量进行包络谱分析,提取故障特征频率157.5 Hz,与滚动轴承故障内圈特征频率157.9 Hz相比,误差为0.25%,说明该方法能很好地提取含有噪声信号的轴承故障信息。该研究为强背景噪声下滚动轴承故障信息的提取提供了一种有效的方法。     

基于奇异值分解和共振解调的滚动轴承故障特征提取

针对共振解调方法容易受到噪声干扰,以及带通滤波器参数难以确定,很大程度上依赖经验的问题,提出一种基于奇异值分解和共振解调的滚动轴承故障特征提取方法;利用奇异值分解算法,将轴承振动信号分解成多个奇异值分量,计算各分量的峭度值,选择峭度值最大的分量,利用谱峭度算法确定中心频率和带宽,并对该分量信号进行带通滤波和包络解调分析。结果表明,提取性能以及鲁棒性能实验证明了该方法能够自适应确定滤波频带,降低噪声干扰的影响,并且在带通滤波器失效情况下有良好的稳定性。     

基于优化VMD和MCKD的滚动轴承早期故障诊断方法

针对滚动轴承早期故障信号易受噪声等背景信息干扰难于提取故障特征的现象,提出了将优化K值的变分模态分解(VMD)和粒子群优化算法(PSO)优化参数L,M的最大相关峭度解卷积(MCKD)相结合提取滚动轴承故障特征频率的方法.首先,确定VMD中K值,对信号进行分解后得到一系列模态分量;然后利用EWK指标选择包含故障信息最多的有效模态分量进行后续分析,利用优化的MCKD对其进行增强;最后对增强信号进行包络解调提取故障特征频率,验证所提方法的有效性.仿真和实验表明该方法可以精确地提取出轴承故障信号中的特征频率,实现故障诊断.     

改进Hilbert-Huang变换的滚动轴承故障诊断

以自适应噪声完备集合经验模态分解(CEEMDAN)为基础,提出了一种改进的Hilbert-Huang变换(HHT)时频分析法。对滚动轴承振动信号进行CEEMDAN获得一组本征模态函数(IMF)。通过自动提取敏感IMF算法,筛选特征敏感IMF分量,计算特征敏感IMF分量的Hilbert包络谱和HHT二维时频谱,提取故障特征频率信息。研究结果表明:CEEMDAN算法有效降低了模态混叠,比经验模态分解(EMD)算法和集合经验模态分解(EEMD)算法具有优越性。将改进的HHT与自动提取敏感IMF算法相结合,可以有效分解信号的特征信息,筛选出含有故障特征信息的敏感IMF,剔除背景噪声和无故障IMF的干扰,有效提取轴承振动的故障特征频率,诊断出轴承故障的发生部位。     

基于一种EEMD的能量算子解调机械故障诊断

针对在强噪声背景下轴承振动信号的非线性、非平稳性以及信号出现的复杂调制现象,提出了一种基于小波包熵与EEMD(总体模态分解)相结合的能量算子解调故障诊断方法.根据信号的小波包熵值对信号小波包降噪,采用EEMD方法选取相关度最大的IMF(本征模态分量)以避免选取信号的盲目性,对该分量进行能量算子解调,实现提取该分量下的故障信号的幅值和频率信息.对机械故障振动信号进行实验分析表明,相对于EMD分析存在的模态混叠现象以及普通Hilbert解调法的运算精度满足不了诊断需求的情况,该方法能够有效解调出故障频率信息,以实现对故障类别的推断.     

参数自适应VMD在高速列车轴箱轴承故障诊断中的应用

针对高速列车轴箱轴承故障特征提取困难和变分模态分解(VMD)参数的人为设置影响分解效果的问题,提出参数自适应VMD轴箱轴承故障诊断方法。首先,以平均包络谱熵为适应度函数,利用麻雀搜索算法自适应地寻找不同工况下的最优模态数K和惩罚因子α;其次,对原始轴承时域信号进行VMD分解,利用快速谱峭度图分析最小包络熵的IMF分量,并根据分析结果对该IMF分量进行带通滤波以增强故障特征;最后,对滤波后信号进行希尔伯特包络解调分析,并将分析结果与理论计算所得特征频率进行对比,对轴箱轴承故障进行分类辨识。研究结果表明：与经验模态分解(EMD)、局域均值分解(LMD)、集合经验模态分解(EEMD)等自适应信号分解方法相比,本文所提方法能更有效地降低噪声的影响,提取复杂耦合工况下轴箱轴承振动信号中的故障特征。     

EEMD-SVD方法及其在高速列车滚动轴承故障诊断中的应用

结合聚合经验模态分解(Ensemble empirical model decomposition,EEMD)优秀的非平稳信号分解能力和奇异值分解(Singular value decomposition,SVD)的强去噪能力,提出了一种高速列车滚动轴承故障检测的新方法。该方法是应用EEMD对轴承轴箱位置的振动信号分解得到基本模式分量(Intrinsic Mode Function,IMF),对IMF矩阵做SVD得到正交化结果,分别利用各奇异值重构信号,应用各特征信号的Hilbert包络解调处理得到的包络谱诊断轴承故障类型。利用仿真信号数据和人工伤轴承试验数据对该方法进行验证,结果表明,该方法能有效提取轴承的故障特征信息,特征波形清晰准确,相比传统EEMD方法,在强噪声干扰时故障特征的诊断能力得到了显著提高。     

基于变分模态分解与独立分量分析的轴承故障特征提取方法

针对滚动轴承早期故障振动信号能量小且易受背景噪声干扰,从而导致故障特征提取困难等问题,提出基于变分模态分解(VMD)与独立分量分析(ICA)相结合的故障特征提取方法;该方法首先将原始故障信号进行VMD,得到若干正交的本征模态分量(IMF),然后依据峭度准则对分解后的信号进行分组重构,作为ICA的输入矩阵,最后采用Fast ICA算法实现故障信号与噪声信号的分离,从而提取机械故障特征信息;将轴承故障数据作为研究对象进行故障特征提取,并与集成经验模态分解-独立分量分析(EEMD-ICA)方法对特征信号的提取效果进行对比。结果表明,基于VMD与ICA的轴承故障特征提取方法提高了分解效率,解决了信号易受噪声干扰的问题,实现了轴承故障的精确诊断。     

基于改进的EMD方法和能量算子解调法的齿轮故障诊断

针对齿轮发生故障时其振动信号常常带有非平稳性和调制的特点,提出了基于改进的EMD分解和能量算子解调的故障诊断方法。首先对故障信号进行EMD分解,得到一族IMF分量;然后对各分量进行基于能量原理的虚假模态消除;最后对新得到的一族IMF进行能量算子解调,得到其频谱,实现了齿轮故障的识别与诊断。分析结果表明,EMD与能量算子解调相结合的分析方法在齿轮故障诊断中具有有效性。     

基于快速峭度图算法与平方包络共振解调的滚动轴承自适应故障诊断方法

针对共振解调技术应用在滚动轴承故障诊断中存在信噪比低和带通滤波器参数需要依靠经验确定的问题,提出了一种基于快速峭度图算法与平方包络共振解调技术相结合的滚动轴承自适应故障诊断方法.根据快速峭度图算法的自适应性,确定带通滤波器的参数,并提取滚动轴承故障振动信号高频共振带中包含的故障特征频段;计算去直流后信号的信噪比,若其信噪比大于1,则利用平方包络方法进行重构,以突出故障特征信号;对重构信号进行频谱分析,得到其故障特征频率,识别出相应的故障类型.通过故障滚动轴承试验,验证了该方法的有效性和准确性.     

基于改进的EEMD数据融合方法在轴承故障诊断中的应用

提出一种基于改进的EEMD谱峭度的多传感器联合轴承故障诊断方法,通过多个加速度传感器联合采集振动信号,利用EEMD自适应地将信号分解成多个分量,通过计算每个IMF分量的互相关系数法进行自适应重构以突出故障特征信号;对合成后的信号画快速峭度图,获得峭度最大时的中心频率和带宽;根据快速峭度图自适应确定电子谐振器的参数,并对此合成信号进行谐振增益;对谐振增益后的信号进行Hilbert解调,并与理论计算的轴承故障特征频率比较,从而确定故障部位.通过仿真的故障轴承信号和滚动轴承实验进行了验证,结果表明:该方法对滚动轴承故障的检测精度更高,提取精度和抗噪声能力方面有了明显的改进,对工程实践具有重要的指导意义.     

参数优化变分模态分解方法在滚动轴承早期故障诊断中的应用

针对滚动轴承早期故障特征提取困难的问题,提出一种基于参数优化变分模态分解的轴承早期故障诊断方法。首先利用粒子群优化算法对变分模态分解算法的最佳影响参数组合进行搜索,搜索结束后根据所得结果设定变分模态分解算法的惩罚参数和分量个数,并利用参数优化变分模态分解算法对故障信号进行处理。原故障信号经过处理后被分解为若干本征模态函数分量,由此筛选出最佳信号分量并进行包络解调运算,最终通过分析信号的包络谱可判断轴承的故障类型。利用参数优化变分模态分解方法对轴承故障仿真和实测信号进行分析,均成功提取出微弱特征频率信息,表明参数优化变分模态分解方法可实现滚动轴承早期故障的有效判别,具有一定的可靠性和应用价值。     

基于小波包分析与互补集合经验模态分解的轴承故障诊断应用

针对滚动轴承早期故障信号特征微弱且难以提取的问题,提出结合小波包分析与互补集合经验模态分解的故障诊断方法;凭借小波包在分解时能处理噪声的功能,通过预处理振动信号初步消除噪声,然后利用互补集合经验模态分解得到各本征模态函数分量,并结合快速谱峭度的频带范围和相关系数计算,从而筛选出真实分量用以重构获得有效的故障特征信号。结果表明,该方法能较好地识别并提取目标轴承的故障特征信息,具有一定的可行性和有效性。     

基于EEMD降噪与二次相位耦合的滚动轴承故障诊断

针对滚动轴承出现故障时故障信号常常被强的背景噪声所淹没,故障特征难以准确提取的问题,提出了一种基于总体平均经验模态分解(EEMD)降噪与二次相位耦合的故障诊断方法.对原始信号进行EEMD分解,通过相关系数-峭度值的大小选取EEMD分解后得到的固有模态函数(IMF).对筛选出来的IMF进行了重构从而达到降噪的目的.对重构后的包络信号进行1.5维谱分析,提取二次相位耦合产生的非线性特征,从而得到滚动轴承故障特征频率信息.通过实测滚动轴承数据验证了该方法可以有效地提取轴承内圈和外圈的故障特征,从而识别轴承的故障.     

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GOA优化支持向量机滚动轴承故障诊断

针对滚动轴承早期故障难以辨别,提出了一种采用变分模态分解法(visual molecular dynamics, VMD)提取特征,基于蚱蜢算法(grasshopper optimization algorithm, GOA)和优化支持向量机(support vector machines, SVM)的故障诊断方法。首先采用贪心策略预处理滚动轴承的振动信号数据,然后基于变分模态分解处理振动信号数据得到多个本征模态分量(intrinsic mode function, IMF),其次计算各IMF分量的能量和相关时频特征构成多模态特征矩阵,最后利用蚱蜢算法优化的支持向量机进行故障的诊断和识别。通过实验测试大量数据得出的滚动轴承故障诊断结果表明VMD-GOA-SVM不仅可以识别滚动轴承不同的故障类型,同时相比传统方法亦有较高的准确度和运行效率。