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.     

基于EMD的复合故障诊断方法

针对转子不平衡故障和滚动轴承微弱损伤性故障的复合故障诊断问题,提出了一种基于经验模式分解的故障诊断方法,进行复合故障的耦合特征分离和轴承损伤性故障信号特征提取研究. 该方法首先通过经验模式分解将复合信号分解为若干个本征模函数(intrinsic mode function, IMF);然后通过计算各IMF与原始复合信号的相关系数确定包含故障特征信息的主要成分,除去虚假分量;最后针对主要成分中的低频成分进行频谱分析提出转子故障特征,针对主要成分中的高频成分进行Hilbert包络解调提取调制故障特征,即轴承损伤性故障特征. 仿真及实验结果表明该方法的有效性和实用性.     

基于乌鸦搜索算法优化变分模态分解的滚动轴承故障诊断方法研究

针对滚动轴承故障信号的自适应提取和分解的问题，提出一种基于乌鸦搜索算法优化变分模态分解的滚动轴承故障诊断方法。将变分模态分解(variational mode decomposition, VMD)方法的关键参数K和α采用新型的乌鸦搜索算法(crow search algorithm, CSA)进行优化，得到最优参数组合；再将最优参数组合输入到变分模态分解算法中，对故障信号进行分解从而得到多个本征模态分量(intrinsic mode function, IMF);以样本熵值为适应度函数挑选最优分量，对最优分量进行包络解调，分析其包络谱判断出轴承的故障类型。结果表明，提出的方法在兼顾全局搜索和局部搜索的同时也能将复杂的轴承故障信号准确地进行分解，提取出最优分量进行分析从而判断出轴承故障类型。     

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。     

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。     

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。     

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。     

IFD与KELM结合的滚动轴承故障诊断方法

针对滚动轴承振动信号非线性、非平稳的特点,提出基于迭代滤波分解(iterative filtering decomposition, IFD)提取各分量特征,结合核极限学习机(kernel extreme learning machine, KELM)的故障诊断方法.通过对原始信号进行IFD分解,得到一组本征模态函数(intrinsic mode functions, IMF).计算包含主要故障信息在内的IMF分量能量与排列熵组成的故障特征向量,将特征向量作为KELM输入识别轴承的故障类型.实验分析结果表明,以IFD作为预处理器的特征融合方法比经验模态分解(empirical mode decomposition, EMD)为预处理器的特征融合方法有更高的故障识别率,并且该方法在少量样本情况下仍能有效识别故障类型.     

广义变分模式分解降噪在齿轮早期故障诊断中的应用

针对齿轮早期故障特征的微弱性和耦合性,本文提出广义变分模式分解(generalized variational mode decomposition, GVMD)-峭度-包络谱法诊断齿轮故障。首先利用GVMD的频域多尺度定频分解属性,根据齿轮故障频谱信息和信号特点设置GVMD主要参数,按需分解信号,准确获取微弱特征分量,避免VMD对微弱特征提取存在的不足和小波包变换能量泄漏引起的微弱特征混淆问题。然后结合峭度准则和齿轮故障频率信息选择故障冲击分量,融合更多故障信息重构降噪信号。最后对降噪信号进行包络解调分析,实现齿轮故障诊断。实际信号分析表明,由于GVMD能够按需获取微弱特征分量,本文所提方法能够获得更丰富的微弱故障信息准确识别齿轮早期故障位置。     

基于微分改进的EMD滚动轴承局部故障诊断

为了提高滚动轴承的故障诊断可靠性,该文针对传动系统滚动轴承局部故障分析了其滚动轴承故障特征及其故障演化过程。运用微分的方法对传统的经验模式分解(Empirical mode decomposition,EMD)在滚动轴承故障诊断中出现的混波问题并进行改进,通过提高其高频分量的能量比进行更好的故障分量提取,并结合Hilbert变换后的包络谱分析完成对滚动轴承故障类型的分析判断。仿真结果表明:基于微分方法改进的经验模式分解(Differential empirical mode decomposition,DEMD)能在一定程度上解决混波问题,同时结合包络谱分析可以提高故障分析的准确性。     

基于集成固有时间尺度分解和谱峭度的滚动轴承故障检测

针对固有时间尺度分解(ITD)方法中固有旋转分量存在局部波动的问题,提出一种集成固有时间尺度分解,将其结合谱峭度法,提高轴承故障检测的准确度。首先运用3次样条插值拟合基线控制点,实现振动信号的自适应频带划分,获得若干个固有旋转分量;然后根据K-L散度准则选取真实分量进行信号重构,使用谱峭度法确定带通滤波器的最优参数;最后分析滤波处理结果的包络谱,得到振动信号的特征信息。研究结果表明:与经验模式分解和单纯包络谱分析方法相比,采用集成固有时间尺度分解和谱峭度的包络方法(EITD-SK)能更好地提取滚动轴承故障特征信息,实现轴承故障的准确检测,结果与实际相符。     

基于特征量融合和支持向量机的滚动轴承故障诊断

为了提高滚动轴承的故障诊断率,提出了一种经验模态分解(empirical mode decomposition, EMD)结合时域分析后使用主成分分析(principal component analysis, PCA)融合特征量的特征提取方法。首先,通过EMD分解得到前5个本征模态函数(intrinsic mode function, IMF)分量的上、下包络值矩阵的奇异值;然后,对轴承原始信号进行时域分析得到各种时域特征参数;最后对奇异值和时域特征参数使用PCA降维融合后输入到多分类支持向量机(support vector machines, SVM)中进行分类。通过实验仿真验证,融合后的特征量诊断准确率达到了98.6%,该方法能充分地提取出轴承故障特征信息,诊断效果良好。     

一种自适应频率窗经验小波变换的滚动轴承故障诊断方法

为解决强背景噪声下经验小波变换(EWT)难以准确提取滚动轴承故障特征的问题,提出了一种自适应频率窗EWT方法。首先对轴承故障振动信号进行傅里叶变换,引入一个带宽可变的滑动频率窗对其频谱进行分割;然后利用水循环优化算法(WCA),通过所提出的包络谱谐波噪声比指标,自适应确定滑动频率窗位置;最后进行EWT筛选出最佳的模态分量信号,通过包络解调分析提取轴承故障特征信息。采用所提方法对滚动轴承故障实验信号进行分析,结果表明,该方法可以有效用于滚动轴承微弱故障特征的提取,而传统EWT方法因为受强背景噪声影响较大,无法准确提取故障特征信息。     

基于EEMD-Renyi熵和PCA-PNN的滚动轴承故障诊断

针对滚动轴承故障特征提取与状态监测问题,提出一种基于集合经验模式分解(EEMD)、Renyi熵、主元分析(PCA)和概率神经网络(PNN)的新方法.首先,将轴承振动信号通过EEMD分解成一组本征模态函数(IMF),计算每个IMF分量的Renyi熵值作为表征故障特征的向量,采用主元分析(PCA)对特征降维,提取主元输入概...     

基于小波包分解-峭度值指标-希尔伯特包络解调融合方法处理声发射信号的滚动轴承故障诊断

为实现对航空发动机主轴承进行故障诊断,以复杂传递路径下声发射信号的波形分析为基础,提出一种基于小波包分解(wavelet packet decomposition, WPD)、峭度值指标(kurtosis index, KI)以及希尔伯特包络解调(Hilbert envelope demodulation, HED)相结合的滚动轴承故障特征信息提取方法。采用WPD方法对滚动轴承声发射信号分解获得节点分量,基于KI对节点分量排序筛选进行信号重构,进而对重构信号进行HED分析,提取出轴承故障特征频率用于对比诊断。开展简单以及复杂传递路径下滚动轴承故障模拟试验,采用建立的方法分别针对滚动轴承外圈、内圈典型故障试验数据进行分析和诊断。结果表明：该方法可有效提取滚动轴承故障特征频率及其倍频,且针对复杂传递路径下处于工作状态的滚动轴承,仍可实现精准的特征信息提取和有效的故障诊断。     

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.     

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.