经验模态分解与EOSA方法的滚动轴承故障诊断

提出了一种利用经验模态分解(EMD)与Teager能量算子解调算法(EOSA)相结合的滚动轴承故障诊断方法;故障轴承振动信号往往是多分量AM-FM信号,首先对滚动轴承内圈故障调制信号进行EMD分解,得到若干个不同特征时间尺度的内禀模态信号(IMF),然后利用Teager能量算子解调法计算各个内禀模态信号的瞬时幅值,对主要内禀模态信号的瞬时幅值包络谱进行分析,可提取轴承故障信号特征信息;实验分析结果表明,利用经验模态分解与EOSA相结合的方法,可有效提取6205-2RS型深沟球滚动轴承的内圈特征频率fi=162.2Hz及其倍频。     

敏感SVD和EEMD的故障诊断方法研究

在噪声干扰下有效提取振动信号所包含的微弱故障特征,是轴承故障诊断的关键问题,提出了一种基于敏感奇异值分解(SSVD)和总体平均经验模态分解(EEMD)的故障诊断方法.对时域振动信号进行敏感SVD分析,通过敏感因子选择反映故障冲击特征的敏感SVD分量,并利用定位因子定位分量信号所对应奇异值进行振动信号重构,以滤除噪声干扰;对降噪信号进行EEMD,根据峭度准则选取故障信息丰富的敏感固有模态分量(IMF),有效提取局部微弱故障信息;利用Teager-Kaiser能量算子(TKEO)计算故障信息的瞬时能量,并对其进行频谱分析,获取故障特征频率,以识别故障类型.方法应用于轴承故障诊断,实验证明了所提方法的有效性.     

基于谐波匹配补偿和无键相阶次跟踪的轴承故障诊断

煤矿机械设备轴承在强冲击、大载荷工况下产生的振动信号表现出强烈的瞬态非平稳与局部非线性特性。经典的时域统计分析方法和全局域变换方法难以识别故障特征;传统阶次跟踪方法存在设备安装不便、难以获取瞬时频率的问题;传统的无键相阶次跟踪方法在转速波动剧烈的条件下估计出的瞬时频率精度低,导致故障识别效果差。针对上述问题,提出了一种基于谐波匹配补偿和无键相阶次跟踪的轴承故障诊断方法。首先,利用基于谐波匹配补偿的时频分析方法对轴承振动信号进行处理,准确估计瞬时频率;其次,通过Vold-Kalman滤波方法自适应提取谐波分量信号;再次,采用Hilbert变换计算谐波的瞬时相位,进而获得时间域与角度域的映射关系,完成原始时间域信号在角度域的重采样;最后,对重采样的信号进行快速傅里叶变换,通过分析包络阶次谱,实现轴承故障特征识别。仿真和试验结果表明,该方法估计的瞬时频率与实际值之间的最大相对误差不超过1%,表征轴承故障特征阶次准确且明显,可有效诊断轴承故障。     

基于EMD和BP网络的轴承故障诊断方法

故障轴承的振动信号是非平稳信号,传统的非平稳信号分析手段存在许多不足;BP网络能够出色地解决传统识别模式难以解决的复杂问题。提出了经验模态分解(EMD)与BP神经网络相结合的滚动轴承故障诊断方法。采用EMD方法对振动信号进行分解,得到组成信号的多个内禀模态分量(IMF),提取重要的IMF分量的能量作为信号的特征量;采用BP网络作为模式分类器,对轴承的故障类型进行分类。经试验数据分析证明,该方法能够准确地对轴承故障进行诊断。     

轴承早期故障特征提取方法研究

针对滚动轴承早期故障信号被背景噪声淹没、故障特征不明显的问题,提出一种基于小波包分解和互补集合经验模态分解(CEEMD)的轴承早期故障信号特征提取方法.利用Matlab软件对采集到的轴承振动信号进行快速谱峭度分析,根据峭度最大化原则确定带通滤波器的中心频率和带宽,设计带通滤波器;对经过带通滤波器滤波后的信号进行小波包分解和CEEMD分解,根据峭度、相关系数筛选出有效本征模态函数(IMF)分量;利用IMF分量重构小波包信号,对重构小波包信号进行包络谱分析,提取轴承早期故障信号特征频率.该方法通过谱峭度分析降低背景噪声干扰,通过小波包分解增强故障冲击信号,并将CEEMD与小波包分解相结合,解决经典EMD分解存在的模态混叠、无效分量问题.仿真结果表明,相较于传统包络解调算法,重构后信号的背景噪声得到抑制,故障特征分量突出,验证了所提方法的可行性和有效性.     

希尔伯特-黄变换在电力谐波分析中的应用

电力系统中的故障暂态信号多为非线性非平稳信号,希尔伯特-黄变换(HHT)被认为是专门针对非线性非平稳信号的分析方法.将HHT引入到电力系统谐波检测中,利用经验模态分解(EMD)获得谐波信号的本征模态函数(IMF),通过选取IMF并对其进行Hilben变换,提取出IMF分量的瞬时频率和瞬时幅度.利用合成的IMF分量的Hilbert谱分布,对故障暂态进行了时间-频率-振幅的联合分析.仿真研究表明:基于HHT的故障检测方法能充分提取故障信息,故障定位准确,提高了故障检测的可靠性.     

基于EEMD和关联维数的小电流接地故障选线方法

针对小电流接地系统发生单相接地故障时,各线路零序电流的非平稳、非线性等复杂特性,提出一种基于总体模态分解(EEMD)和关联维数相结合的选线方法.EEMD算法是在经验模态分解(EMD)的基础上加以改进,能够消除模态混叠现象,同时保留了经验模态分解具有的良好的时频特性;EEMD能根据信号本身的特点对瞬时出现的信号进行分析,并将信号分解成若干个固有模态函数(IMF)分量和一个剩余分量.利用关联维数不易受噪声干扰特点,对分解的IMF信号分量进行处理,采用G-P算法计算关联维数,通过比较关联维数的大小选出发生故障的线路.仿真结果表明,该选线方法可靠性高且效果较好.     

矿用带式输送机驱动滚筒轴承振动信号降噪方法

针对现有振动信号降噪方法中经验模态分解存在模态混叠、独立分量分析要求采集的振动信号数不少于源信号数等问题,提出了一种基于集合经验模态分解(EEMD)和快速独立分量分析(FastICA)的矿用带式输送机驱动滚筒轴承振动信号降噪方法。首先,通过EEMD算法对采集的振动信号进行分解,得到若干不同尺度的包含故障特征频率的本征模态函数(IMF)分量;然后,基于相关系数对IMF分量进行重构,得到特征信号和虚拟噪声信号,将重构的特征信号和虚拟噪声信号组成输入矩阵,并作为FastICA算法的输入;最后,利用FastICA算法实现信号与噪声分离,达到信号降噪的目的。实验结果验证了该方法的可行性和有效性。     

自动扶梯链轮轴承的振动信号特征提取分类方法研究

为了提高自动扶梯链轮轴承故障诊断准确率,针对轴承振动信号特征提取方法的问题,本文使用经验模态对原始信号进行分解,通过包络谱方法选取优化分解后得到多个模态分量中的最优模态分量,引入多角度特征度量提取故障特征值.根据轴承振动信号数据的振动特性建立更趋向于故障特征类别信息的轴承信号特征组,避免了单一度量特征提取绝对化问题.使用模糊C均值聚类算法,让相似特性的样本数据聚类到同一簇区域,有效解决了单一度量分析无法表征出轴承振动信号复杂的内在特性问题.     

K值优化的VMD在轴承故障诊断中的应用

由于机械设备实际运行状态下环境噪声的影响,轴承早期非平稳振动信号的故障特征难以有效提取。为此,将K值优化的变分模态分解引入轴承的早期故障诊断方法中。首先利用小波包降噪法对轴承实际振动信号进行降噪;然后利用K值优化的VMD算法,通过合理设置参数K,将降噪信号分解为若干本征模态分量,利用峭度值选取最佳分量;最后提取最佳分量的样本熵和排列熵组成特征向量,利用模糊C聚类识别轴承的故障类型。实验结果表明,该方法避免了信号的过分解,能有效提取振动信号特征,实现轴承的早期故障诊断。     

基于经验模态分解和支持向量机的滚动轴承故障诊断

本文针对滚动轴承的故障诊断问题,首先提出一种自适应波形匹配的延拓方法对经验模态分解(EMD)存在的端点效应进行改进,然后基于改进的EMD和粒子群优化算法(PSO)优化的支持向量机(SVM)设计了一种两阶段的滚动轴承故障诊断方法.离线阶段对典型的正常、故障振动信号进行EMD分解并提取能量信息作为特征,送入PSO–SVM进行训练并保存模型待用,在线阶段对实时的振动信号进行EMD分解并提取特征,利用离线阶段训练好的模型进行诊断并输出诊断结果.使用美国西储大学轴承数据对该方法进行了验证,实验结果证明了该方法的有效性.     

极值域均值模式分解在轴承故障诊断中的应用

为了研究滚动轴承信号的非平稳特征,提出了将局域波方法和Parzen窗概率神经网络相结合的故障诊断方法.分析了局域波时频分析中极值域均值模式分解方法的改进方法,并提出了一种筛选停止准则.对分解所得分量,提取平均瞬时频率和能量比作为故障特征向量构造神经网络,进行状态判断.通过对现场采集的滚动轴承信号进行分析,说明了该方法的...     

A rotating machinery fault diagnosis method based on local mean decomposition

Local mean decomposition (LMD) is a novel self-adaptive time–frequency analysis method, which is particularly suitable for the processing of multi-component amplitude-modulated and frequency-modulated (AM–FM) signals. By using LMD, any complicated signal can be decomposed into a number of product functions (PFs), each of which is the product of an envelope signal and a purely frequency modulated signal from which physically meaningful instantaneous frequencies can be obtained. In fact, each PF is just a mono-component AM–FM signal. Therefore, the procedure of LMD may be regarded as the process of demodulation. While fault occurs in gear or roller bearing, the vibration signals picked up would exactly display AM–FM characteristics. So it is possible to diagnose gear and roller bearing fault by LMD. Targeting the modulation features of the gear or roller bearing fault vibration signal, a rotating machinery fault diagnosis method based on LMD is proposed. In this paper, firstly the LMD method is introduced; secondly, the LMD method is compared with another competing time–frequency analysis approach, namely, empirical mode decomposition (EMD) method and the results show the superiority of the LMD method; finally, the LMD method is applied to the gear and roller bearing fault diagnosis. The analysis results from the practical gearbox vibration signal demonstrate that the diagnosis approach based on LMD could identify gear and roller bearing work condition accurately and effectively.     

基于SVD-形态降噪的TKEO故障诊断方法研究

针对强噪声干扰背景下微弱故障特征信息难以提取的问题,提出了一种基于奇异值分解(SVD)-形态降噪的Teager能量算子(TKEO)故障诊断方法.首先对轴承振动信号进行SVD,对得到的分量信号进行形态滤波,以滤除噪声干扰;然后利用峭度准则对分量信号进行筛选,并对其进行重构;最后利用TKEO计算重构信号的瞬时能量,得到信号的能量谱,提取振动信号的特征.将提出的方法应用于滚动轴承故障分析,结果表明该方法能清晰地提取故障特征信息.     

基于蝙蝠算法优化相关向量机的轴承故障诊断方法

由于轴承振动信号具有复杂性和非线性,难以有效提取故障特征,影响故障诊断的准确率。为了提高故障诊断准确率,提出一种蝙蝠算法(BA)优化相关向量机(RVM)的轴承故障诊断方法。首先结合变分模态分解和多尺度熵从轴承振动信号中提取出故障特征,作为相关向量机的输入向量;接着采用蝙蝠算法优化相关向量机的核函数参数;然后训练相关向量机模型;最后使用训练后的相关向量机进行故障诊断。通过仿真实验评估故障诊断方法的有效性,实验结果表明,该方法的故障诊断准确为100%,故障诊断准确率高于SVM方法、RVM方法,说明BA-RVM故障诊断方法是可行和有效的,满足一般轴承故障诊断的精度要求。     

基于改进HHT的风力发电系统轴承故障诊断

轴承是风力发电机组中故障率较高的部件,其故障信号为非线性、非平稳信号,经验模态分解是一种自适应的信号处理方法,可用来分析此类信号,但是模态混叠使得经验模态分解无法准确地将固有模态分离出来。针对此问题,采用总体平均经验模态分解进行改进,利用高斯白噪声的频率均匀分布的统计特性,抑制模态混叠现象,并通过计算固有模态函数与故障信号的互信息来剔除虚假分量,从而得到更准确的Hilbert-Huang谱,由此提取故障信息,判断故障类型。仿真试验及轴承故障诊断实例均证明了该方法的有效性。     

基于SVD和TKEO的轴承振动信号特征提取

为了解决滚动轴承振动信号中微弱故障信息难以提取的问题,提出了一种基于奇异值分解（Singular Value Decomposition,SVD）和Teager-Kaiser能量算子（Teager-Kaiser Energy Operator,TKEO）的轴承振动信号特征提取方法。采用SVD将突变信息从背景噪声和光滑信号中分离,提取信号的突变信息;利用TKEO计算突变信息的瞬时能量,对该能量信号进行频谱分析,从而提取出轴承振动信号的能量频谱特征,用于故障检测。将该方法应用于轴承外圈、内圈局部故障状态下的振动信号特征提取,利用特征信息能够准确检测并识别出故障类型,表明了该方法的可行性和有效性。     

基于EMD和奇异值分解技术的滚动轴承故障诊断方法

提出了基于EMD(Empirical mode decomposition)和奇异值分解技术的滚动轴承故障诊断方法。采用EMD方法将滚动轴承振动信号分解成若干个基本模式分量(Intrinsic mode function，IMF)之和，并形成初始特征向量矩阵。然后对初始特征向量矩阵进行奇异值分解得到矩阵的奇异值，将其作为滚动轴承振动信号的状态特征向量，通过建立Mahalanobis距离判剐函数判断滚动轴承的工作状态和故障类型。实验数据的分析结果表明，本文方法能有效地应用于滚动轴承故障诊断。     

基于MED和边际谱的自动倾斜器轴承故障诊断

针对直升机自动倾斜器轴承早期微弱故障特征易被强烈背景噪声淹没的问题，提出了一种基于最小熵反褶积（Minimum Entropy Deconvolution，MED）和边际谱的自动倾斜器轴承故障诊断方法。采用MED对采集的振动信号进行滤波降噪，提高了信号的信噪比，突出了轴承早期微弱故障特征；通过Hilbert变换和经验模态分解（Empirical Mode Decomposition，EMD）获取去噪包络信号的本征模态函数（Intrinsic Mode Functions，IMF）集，并引入峭度筛选准则选取合理IMF集计算局部Hilbert边际谱，有效地提取了故障特征频率，能够通过故障特征频率进行故障类型判别。通过某型直升机自动倾斜器故障诊断试验系统验证了该诊断方法的合理性和可行性。