基于改进变分模态分解及循环相关熵谱的轴承故障诊断

针对强背景噪声下非高斯脉冲噪声和高斯噪声对滚动轴承故障诊断产生严重干扰的问题,提出了一种基于改进变分模态分解(variational mode decomposition, VMD)并与循环相关熵谱(cyclic correntropy spectrum, CCES)相结合的故障诊断方法。首先,针对VMD传统重构指标易受噪声影响的问题,引入相关熵峭度(correlation entropy kurtosis index, CEK)指标对VMD分解后的模态分量进行选择与重构,去除高斯噪声;然后针对重构后信号仍存在的脉冲噪声影响问题,对重构信号进行CCES投影融合去除非高斯脉冲噪声干扰并增强特征;最后对融合结果进行分析与故障诊断。经仿真测试与实验表明,所提出的方法可以在高斯噪声和非高斯脉冲噪声背景下有效提取滚动轴承故障特征频率并实现故障诊断。     

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。     

滚动轴承故障振动信号特征与诊断方法

简述了恒转速条件下滚动轴承故障信号共振解调的优点和基本原理,通过实验和理论分析研究了变转速轴承故障振动信号的特点.指出了轴承损伤点冲击信号的非周期性、轴承共振频率随转速变化的变频特性,以及故障信号的双变频调制特性.建立了由变频转速信号为调制信号、变频共振衰减信号为载波的滚动轴承故障模型.给出了阶比循环平稳自相关函数的计算方法.利用循环平稳分析对旋转机械振动信号的解调功能,结合连续隐马尔可夫模型(CHMM)对动态信号的识别能力,提出了一种适用于变转速运转条件下的滚动轴承故障诊断方法,通过实验验证了方法的可行性.     

基于FrFT滤波和LMS降噪的变转速滚动轴承故障诊断

变速工况下的机械故障诊断逐渐成为旋转机械监控领域的一个热门课题,在变转速下故障更容易发生且伴随更大的噪声,而相应的降噪问题目前却没有可靠的解决方法。因此提出一种基于分数阶傅里叶变换（FrFT）滤波和最小均方算法（LMS）降噪的故障诊断方法,对变转速工况下轴承振动信号进行降噪,进而提取非平稳故障特征。首先,同时获得滚动轴承振动加速度信号和转速信号;然后对Hilbert解调后的振动信号进行峰值搜索FrFT,按照搜索得到的最佳阶次和分数阶域聚集位置进行FrFT滤波;再将FrFT滤波得到的信号作为参考信号,原包络信号作为输入信号,进行LMS自适应降噪;最后对降噪后的信号按照转速重采样进行阶次分析,将包络阶次谱中的突出特征与故障特征阶次对比,判断故障。该方法可成功应用于变转速工况下滚动轴承的试验数据处理,证明了方法的有效性。     

EEMD排列熵与PCA-GK的滚动轴承聚类故障诊断

针对滚动轴承故障诊断中,用振动信号的总体经验模式分解(EEMD)方法分解后的熵特征向量维数高,且样本熵(SE)计算效率差等问题,提出了一种基于EEMD排列熵(PE)的主成分分析(PCA)-GK滚动轴承聚类故障诊断组合方法。首先,使用EEMD方法将信号分解为若干个固有模态函数(IMFs),使用PE/SE计算其IMFs熵值;然后,使用PCA对熵特征向量进行可视化降维,并作为模糊C均值(FCM)与GK聚类算法的输入,实现对滚动轴承的故障诊断。利用分类系数和平均模糊熵,对聚类结果进行了评价与对比,实验结果表明:本文模型(EEMD-PE-PCA-GK)的聚类效果比其他3种模型(EEMD-SE-PCA-FCM、EEMD-SE-PCA-GK和EEMDPE-PCA-FCM)更好,且PE比SE的计算效率更快。     

基于VMD-MPE-KPCA特征提取与MRVM相混合的滚动轴承故障诊断方法

针对滚动轴承振动信号在强噪声环境下出现非线性、非平稳、强干扰特性,进而导致故障特征难以提取及故障诊断准确率低的问题,提出变分模态分解(VMD)-多尺度排列熵(MPE)-核主元分析(KPCA)特征提取与多分类相关向量机(MRVM)相混合的滚动轴承故障诊断方法.该方法首先通过VMD-MPE进行滚动轴承振动信号的高维故障特征提取,其次对提取的故障特征进行KPCA可视化降维,最后将降维后的故障特征输入可实现不同样本概率输出的MRVM进行滚动轴承故障诊断.通过美国西储大学的滚动轴承故障数据集对该方法的有效性进行验证,结果表明提出的VMD-MPE-KPCA特征提取与MRVM相混合的滚动轴承故障诊断方法能够有效提取和识别滚动轴承故障特征,所提出的混合智能故障诊断方法与相关文献报道的故障诊断方法相比较,故障识别准确率达到了99.18%.     

基于EEMD与形态滤波的滚动轴承故障诊断方法研究

为从滚动轴承故障信号中提取出包含故障信息的特征频率,提出集合经验模式分解法(EEMD)与形态滤波相结合的解调方法。该方法首先利用EEMD自适应地将信号分解成多个IMF分量,然后计算各IMF分量与原信号的相关系数,选择合适的IMFs进行信号重构,再对重构后的信号进行形态滤波,滤除脉冲干扰,提取出故障特征信息。将该方法应用于滚动轴承故障诊断实例中,并将分析结果与直接对原信号进行包络谱分析解调的结果进行对比。结果表明,该方法提取故障信息的效果较包络谱分析解调的效果要好。     

基于EEMD-HHT边际谱的轴承故障诊断

提出一种基于聚合经验模态分解 (ensemble empirical mode decomposition,EEMD)和Hilbert-Huang变换（HHT）边际谱的滚动轴承故障诊断方法。首先采用EEMD方法将轴承振动信号分解成若干个模态混叠得到较好抑制的固有模态函数（IMFs）,然后对各IMF进行Hilbert变换,求出轴承振动信号的总HHT边际谱,最后根据该边际谱的幅值特性,确定滚动轴承的故障特征。本文方法提供了一种滚动轴承故障诊断的有效工具。     

探地雷达信号的EEMD时域分析方法

经验模态分解(empirical mode decomposition,EMD)方法不能解决探地雷达信号的混频现象,文章提出了探地雷达信号时域集合经验模分解(ensemble empirical mode decomposition,EEMD)分析方法。通过分析可知,EEMD方法可以克服EMD方法的模态混频现象。文中由时域有限差分(finite difference time domain,FDTD)方法正演出探地雷达模型的信号,利用EEMD方法分离探地雷达特征模量,并对不同的特征模量进行分析,将受到白噪声干扰的探地雷达正演信号通过EEMD方法去噪,结果表明去除干扰效果显著。     

基于EEMD能量熵和支持向量机的齿轮故障诊断方法

针对齿轮振动信号的非平稳特征和现实中难以获得大量典型故障样本的实际情况,提出基于总体平均经验模态分解(EEMD)和支持向量机的齿轮故障诊断方法.通过EEMD方法将非平稳的原始加速度振动信号分解成若干个平稳的本征模函数(IMF);齿轮发生不同的故障时,在不同频带内的信号能量值会发生改变,故可通过计算不同振动信号的EEMD能量熵判断是否发生故障;从包含有主要故障信息的IMF分量中提取出来的能量特征作为输入建立支持向量机,判断齿轮的工作状态和故障类型.实验结果表明:文中提出的方法能有效地应用于齿轮的故障诊断.     

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。     

基于变分模态分解排列熵和粒子群优化支持向量机的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的非平稳性和低信噪比的特点,提出基于变分模态分解(VMD)排列熵和粒子群优化支持向量机(PSO-SVM)的滚动轴承故障诊断方法;该方法利用VMD对信号进行预处理,可得若干本征模态分量(IMFs),根据包含故障信息的数量筛选出有效IMFs,求其排列熵构造特征向量,建立支持向量机的滚动轴承故障诊断模型,并用粒子群算法优化参数,以提升分类性能;在滚动轴承故障诊断实例中,通过与VMD结合SVM和集成经验模态分解(EEMD)结合PSO-SVM进行对比。结果表明,本文中提出的方法故障诊断的准确率更高。     

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.     

总体平均经验模式分解与1．5维谱方法的研究

针对复杂背景下机车走行部齿轮箱齿轮裂纹故障微弱特征的提取问题,提出了总体平均经验模式分解(EEMD)与1.5维谱的故障特征提取方法.首先运用EEMD方法对振动信号进行自适应抗混分解,得到不同频带的基本模式分量(IMF),然后运用1.5维谱方法对停含有故障特征信息的IMF进行后处理.该方法具有避免模式混淆、抑制高斯白噪声、检测非线性耦合特征等特性,并以此来提取故障的微弱特征信息.根据待处理信号的时频特性与EEMD原理,提出了在EEMD方法中加入高斯白噪声的准则,通过信号仿真验证了EEMD方法的抗混分解能力.将EEMD与1.5维谱方法应用于机车走行部齿轮箱的监测诊断中,成功地提取出齿轮箱大齿轮齿根早期的裂纹故障.     

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.     

基于改进EEMD的卷积神经网络滚动轴承故障诊断

集合经验模态分解(EEMD,ensemble empirical mode decomposition)对信号进行分解,得到的模态函数(IMF,Intrinsic model function)在2端点存在严重的发散现象,如果将分解结果直接应用到故障诊断系统中,会导致诊断的准确率下降。首先将支持向量机(SVM,support vector machine)和EEMD算法结合进行信号分解,并利用仿真信号进行可靠性分析;其次对SVM(support rector machine)-EEMD分解的分量进行选择后再分解并构建能量向量,最后和卷积神经网络结合,构建滚动轴承故障诊断模型并通过实验验证。结果表明,改进EEMD算法可以有效缓解端点发散问题,构建的故障诊断模型提高了故障诊断精度。     

基于变量预测模型的模式识别方法在滚动轴承故障诊断中的应用

将基于变量预测模型(Variable Predictive Model based Class Discriminate,VPMCD)的方法引入滚动轴承的故障诊断,提出了基于EMD(Empirical Mode Decomposi-tion,EMD)和VPMCD的滚动轴承故障诊断方法.采用EMD方法提取滚动轴承振动信号特征向量后,以VPMCD作为模式识别方法对滚动轴承的工作状态和故障类型进行分类.对正常状态、外圈故障、内圈故障3种不同类别下的滚动轴承振动信号进行了分析,结果表明了该方法在滚动轴承故障诊断中的有效性.同时,与人工神经网络(Artificial neural net-work,ANN)算法的对比分析表明,VMPCD算法分类性能的稳定性以及计算效率均要高于ANN算法.     

采用集合经验模态分解和改进阈值函数的心电自适应去噪方法

针对心电信号中存在基线漂移、工频和肌电干扰等噪声对后续的分析和诊断带来干扰的问题,提出了集合经验模态分解(EEMD)改进阈值函数的心电自适应去噪方法。运用EEMD将含噪心电信号分解得到一组由高频到低频分布的固有模态函数(IMF)。采用过零率自适应判断各IMF的噪声类别:若IMF包含高频噪声,采用结合软硬阈值优缺点所提出的改进阈值函数以去除IMF分量中的高频噪声;若IMF包含低频的基线漂移,则采用中值滤波器抑制基线漂移。最后将处理后的IMF分量叠加,即可重构去噪后的心电信号。实验结果表明,与已有的小波阈值法去噪后的信噪比(SNR)和均方根误差(RSME)对比,所提方法对心电信号去噪效果更加显著,而且能完整地保留波形特征。     

VMD的时频特性及其在滚动轴承故障诊断中的应用

针对在强噪声干扰下的滚动轴承早期故障振动信号信噪比低导致故障特征提取困难的问题,提出了基于变分模态分解和Teager能量算子包络解调的滚动轴承故障诊断方法.该方法首先利用VMD算法对故障信号进行分解成若干不同频率的本征模态分量(Intrinsic Mode Function,IMF);通过峭度准则筛选出峭度值最大的IMF,将其作为故障特征最敏感分量;利用Teager能量算子解调算法对该分量进行包络解调分析,提取调制故障特征.将该方法应用到仿真信号和滚动轴承故障振动信号分析当中,同时与EMD、小波变换方法进行了比较.结果表明,该方法提高了信号的分解效率,在噪声鲁棒性和抑制模态混叠方面具有良好的性能,能够实现滚动轴承故障的精确诊断,具有一定的理论研究意义和工程实用价值.