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EMD和自适应STFT的货车滚动轴承故障诊断

提出了一种结合经验模态分解(EMD)和自适应短时傅里叶变换(STFT)的铁路货车滚动轴承故障诊断方法.该方法应用EMD方法把滚动轴承振动信号分解成有限个平稳的内蕴模型函数(IMF);根据滚动轴承故障信号的分布特征,应用以三阶B样条函数作为窗函数、在不同频段自适应选取窗长的自适应STFT对第一个IMF分量进行时频分析和故障信息提取.本文还对197726型货车滚动轴承在外圈剥离、内圈剥离两种故障状态下的振动信号做了分析,结果表明,该方法可以有效地在时频域上获取故障信息,为铁路货车滚动轴承故展诊断提供了一种新的方法.     

经验模态分解(EMD)在滚动轴承故障诊断中的应用

针对滚动轴承故障振动信号的非平稳特征，提出了基于经验模态分解(Empiri-cal Mode Decomposition，简称EMD)和神经网络的滚葡轴承故障诊断方法，首先对原始信号进行了经验模态分解，将其分解为多个平稳的固有模态函数(Intrinsic Mode functioll，简称IMF)之和，再选取若干个包含主要故障信息的IMF分量，并从中提取时城特征措标——峭度或裕度因子作为神经网络的输入参数来识别滚动轴承的故障模式，对滚动轴承的内圈、外圈故障信号的分析结果表明，以EMD为预处理器提取时域特征参数的神经网络诊断方法比直接从原信号中提取时域特征参数的诊断方法有更高的故障识剐率，可以准确、有效地识别滚动轴承的工作状态和故障类别。     

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.     

基于LMS算法的图像自适应滤波方法研究

在图象处理工作中,为了免除噪声的干扰,需要对图像进行预处理。本论文对现有的图像滤波方法与LMS算法进行了介绍,并针对目前的基于LMS的自适应滤波方法进行了介绍和研究。     

基于EMD-1(1/2)维谱熵的滚动轴承故障诊断

为了准确地诊断出滚动轴承的运行状态,将1(1/2)维谱熵引入滚动轴承故障诊断中。先对滚动轴承原始故障信号进行EMD(empirical mode decomposition)分解得到若干个固有模态函数(intrinsic mode function,IMF),进而再求取各个IMF的1(1/2)维谱熵值,作为表征滚动轴承故障类型的特征向量。将其作为Elman神经网络的输入参数,最后区分滚动轴承故障状态和故障类型。仿真分析和实验研究表明,该方法能够有效地提取出滚动轴承的故障特征,最后通过与小波包分析-BP神经网络故障诊断方法对比,显示出其具有更高的识别率,更加表明其可行性和有效性。     

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.     

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。     

滚动轴承故障诊断中的分形

简述了滚动轴承运转中时序列时表现时的自相似性，重构了振动信号对应的嵌入相空间的序列，计算得出分维数，实验结果表明，振动时域序列的分维数在不同工况，不同间隙下是有差别的，可以做为识别主要轴承的特征量。     

基于WDCNN-DLSTM的滚动轴承故障诊断方法

滚动轴承是机械设备中的核心部件,其运行状态对设备的运转有重要影响。深度学习作为滚动轴承故障诊断的重要方法越来越受到重视。由于传统的故障诊断方法没有充分利用数据时序性,提出了一种将第一层为宽卷积核的深度卷积神经网络(deep convolutional neural networks with wide first-layer kernels, WDCNN)和深度长短时记忆网络(deep long short-term memory networks, DLSTM)相融合的模型(WDCNN-DLSTM)。WDCNN将传统的CNN第一层卷积核尺寸加宽,提高了模型对一维振动信号中的空间特征信息的提取能力;DLSTM将多个LSTM模块进行堆叠,提高了模型对一维振动信号中时序信息的提取能力。WDCNN-DLSTM将二者通过连接层融合,优势互补,提高了模型的判别能力。通过实验结果表明,相较于一些其他模型,所提出的方法具有更高的精确度。在变负载的情况下,也仍然实现了更好的分类效果。     

小波分析在滚动轴承故障诊断中的应用

在共振解调技术的基础上，采用小波分析方法对滚动轴承的故障进行了有效的诊断，实例证明，小波分析对处理非平稳信号具有很好的应用效果。     

基于混沌和符号序列统计的滚动轴承故障诊断

针对滚动轴承故障的特征信号处于较低频带内、容易被噪声淹没、难以检测的问题，提出了基于混沌和符号序列统计的滚动轴承故障诊断方法．该方法利用混沌振子对微弱周期信号的敏感性，通过检测处于低频带内的故障特征周期信号来诊断轴承故障，同时采用符号序列统计量来识别振子状态的变化，达到了客观、自动识别振子状态和确定故障的目的．通过诊断滚动轴承的滚动体故障和内圈故障，验证了该方法的有效性．     

基于IGA-BP神经网络滚动轴承故障的诊断

为提高滚动轴承故障模式识别技术的研究,基于IGA-BP神经网络的故障诊断原理,运用IGA对BP神经网络的权值与阈值进行调整和优化,利用小波包分解获得轴承振动信号的特征向量,进行了滚动轴承故障的诊断实验研究,对故障模式进行识别。结果表明,IGA-BP神经网络方法具有很强的故障识别能力,说明利用IGA-BP神经网络方法进行轴承故障诊断是可行的。     

利用非线性流形学习的轴承早期故障特征提取方法

针对早期故障微弱特征难以提取的问题,提出了一种基于非线性流形学习的滚动轴承早期故障特征提取方法.在由时域指标和小波频带能量组成的原始特征空间中,结合局部切空间排列学习算法的特点,采用散布矩阵分类测度指标,实现了局部邻域的优化选取,从而提取出最优的敏感故障特征.通过实例应用,表明该方法有效地克服了主分量分析和非线性核主分量分析方法的不足,提取的融合特征敏感性更好,从而提高了故障模式的分类性能,实现了轴承的早期故障诊断.     

基于小波降噪和EMD方法的风力发电系统齿轮箱故障诊断

将小波降噪和经验模态分解相结合,提出一种风电机组齿轮箱故障诊断的方法。先对齿轮故障振动信号进行小波降噪预处理,再进行经验模态分解,对包含故障特征的固有模态函数用Hilbert变换得到包络谱,通过对包络信号做功率谱分析,提取故障特征频率,与未降噪信号处理的结果进行比较,降噪后诊断效果明显。