基于CEEMDAN与混合算法的轴承弱故障研究

针对滚动轴承早期故障信号淹没在噪声中、故障特征难以精确提取、故障类别难以准确区分的问题,提出一种将自适应噪声的完备集成经验模态分解(CEEMDAN)与混合优化算法相结合的新方法。首先对经过奇异值降噪的故障信号进行CEEMDAN分解,得到一系列IMF分量,之后求得每个IMF分量的峭度、均方差和样本熵。为了选出最适合做故障特征提取的IMF分量,将最终分类错误率作为优化算法的适应度函数,优化以上三者的权重,最终得到对应不同类型故障的权重值和最高分类准确度。结果表明,该方法解决了不同类型的轴承故障信号在分解后IMF分量难以选择的问题,用该方法提取故障特征后,故障分类平均准确率高达97.2%。     

基于EEMD的提升机天轮轴承故障诊断方法

提出了一种基于EEMD的提升机天轮轴承故障诊断方法,该方法可以有效抑制经验模态分解过程中出现的模态混叠现象,从而提高轴承故障诊断的准确性。该方法的实现过程为：通过时域参数确定天轮轴承是否出现故障,如果出现故障,应用EEMD方法对故障信号进行处理,进而得到能够提取故障频率的Hilbert谱和边际谱,通过故障频率判断轴承故障发生的位置。通过实验验证了该方法的有效性,结果表明,该方法可以消除外界噪声和间歇性冲击的影响,准确提取轴承故障频率从而判断轴承故障的类型,为天轮轴承的检修维护提供依据,保证提升系统的运行安全。     

基于小波包包络分析的滚动轴承故障诊断

提出一种基于小波包、能量分析和包络分析相结合的滚动轴承故障诊断方法。对实测振动信号进行小波包去噪,提取出有用的振动信号。利用小波包将去噪后的信号分解,求出分解后各频带的能量,根据各频带内能量分布,确定故障所在频带,并以此作为特征分量。对特征分量进行Hilbert解调分析,将包络谱谱峰处的频率与理论计算的滚动轴承故障频率进行对比,诊断轴承故障并确定故障位置。     

基于零空间追踪和包络谱的滚动轴承故障诊断

从振动信号中提取故障特征是滚动轴承故障诊断的常用方法。提出了利用零空间追踪算法和包络谱分析进行滚动轴承故障诊断的方法。首先对轴承故障振动信号进行零空间追踪(Null Space Pursuit)分解,降低噪声的干扰,提取高能量成分。然后对高能量分量进行包络谱分析得到振动信号特征频率,与理论故障特征频率对比后确定故障类型。仿真和试验结果显示该方法能够成功提取特征频率,辨别轴承故障类型,具有一定的实际意义。     

基于小波降噪和CEEMD的轴承故障诊断

针对滚动轴承故障振动信号难以提取出准确的故障特征的问题,提出了一种基于小波新阈值降噪与互补集合经验模态分解(CEEMD)的轴承故障诊断方法。该方法充分结合了以上2种方法的优点,有效地解决了故障特征提取难的问题。首先构建出新的小波阈值函数,再用此小波阈值降噪,可以有效地消除背景噪声的影响;将降噪后的故障信号用CEEMD方法进行处理,然后重构根据信号的相关系数挑选出的相关性较大的分量;最后将重构信号进行Hilbert变换包络,从包络图中提取故障特征。运用此方法对轴承进行试验分析,结果证实了该方法的有效性和实用性。     

基于MED-AMMF的提升机天轮轴承故障诊断

针对矿井提升机天轮轴承故障信号微弱、背景噪声强、故障特征难以提取问题,提出了将最小熵反褶积(Minimum Entropy Deconvolution,MED)和自适应多尺度形态滤波(Adaptive Multi-scale Morphological Filtering,AMMF)相结合进行微弱故障特征提取的方法。MED作为前置滤波器,可以突出信号中较大的脉冲,弥补强噪声背景下AMMF对微弱故障信号提取的局限性。然后再对预处理后的信号进行AMMF处理,可以克服MED无法将微弱信号突显出来的不足。2种方法相互作用,充分利用了各自的优点,补偿了彼此在强噪声环境下的不足,最终得到了良好的降噪效果。仿真和实验结果表明,该方法能有效提取强噪声环境下低速重载轴承的微弱故障特征。     

冲击脉冲频谱检测轴承技术的应用

长期以来,轴承使用情况一般依靠拆卸后检测判断,不但影响生产,也不能准确判定轴承的损伤程度。使用冲击脉冲频谱方法,可以在运行中准确完成轴承的检测工作,还可以预报设备故障。     

基于小波包分解相对能量的高压漏电保护研究

小波包分析可以有效提取故障信号暂态分量。形态滤波方法能够在保留信号暂态特性的前提下,有效去除混杂在信号中的尖峰脉冲、白噪声和高频噪声的干扰,提高故障选线的准确性。仿真验证方法的可行性。     

基于HHT和SVM的矿山轴承故障在线监测技术

矿山轴承故障是矿业安全生产的隐患之一,轴承故障信号在线监测能够及时诊断轴承故障,排除安全隐患。采集轴承运行时的振动信号,通过希尔伯特黄变换方法分析振动信号。将振动信号首先进行EMD分解得到轴承故障信号的多层IMF分量,然后进行Hilbert变换得到信号的瞬时频率和边际谱频带能量。将各层IMF分量的平均频率MIF与各层IMF分量的能量比作为特征量,送入SVM中进行训练,可以实现矿山轴承的故障在线监测。     

基于EEMD和DT-CWT的滚动轴承在非稳定运行时的故障诊断研究

为解决滚动轴承在变转速工况下的频率谱模糊及强噪声工况下的微弱故障信息提取问题,提出基于EEMD和DT-CWT相结合的故障特征分离法。首先应用阶次跟踪技术将非平稳的时域信号转化为平稳的角域信号,再运用EEMD技术对角域信号进行预处理,应用互相关与峭度准则提取有效的IMF分量,最后对IMF分量进行DT-CWT降噪,分析降噪后的角域信号阶次谱,能够有效提取特征阶比。通过实验验证了该方法的有效性,为实际滚动轴承在非稳定运行时的微弱故障识别提供参考。     

基于WT特征增强的cICA带式输送机齿轮箱故障诊断

约束独立分量分析对于测量信号中的传感器噪声(测量噪声)具有很强的免疫能力,但对源噪声的免疫性却很差。针对这个问题,提出了小波变换特征增强的约束独立分量分析的齿轮箱故障特征提取方法。通过对测量信号小波分解,有针对性地选择某子频段小波系数重构,有利于提高信噪比,增强信号的统计独立性和非高斯性,从而增强约束独立分量分析方法提取齿轮故障特征的效果;而未经小波变换除噪时,约束独立分量分析的效果不佳。通过仿真分析和在矿用带式输送机齿轮箱故障诊断的应用结果综合表明,该方法能有效降低源噪声的影响,准确提取出齿轮故障特征,尤其是微弱低频故障特征。为矿用齿轮箱多通道振动状态监测与故障诊断提供了一种新的有效手段和途径。     

强背景噪声下滚动轴承轻微磨损故障特征提取方法

针对轴承轻微磨损故障信号容易被强背景噪声淹没，故障特征微弱难诊断的问题，提出了强背景噪声下滚动轴承轻微磨损故障特征提取方法。利用VMD对轴承振动信号进行分解，基于峭度最大准确选择最优本征模态函数，以最优本征模态函数的功率谱熵最小为目标，设定提前终止准则，实现VMD参数自适应优化选择。轴承早期故障信号经参数优化后的VMD方法分解为多个本征模态函数，选择峭度最大的本征模态分量进行包络解调分析，结合快速傅里叶变换得到包络谱，实现故障特征频率的提取。通过对加强背景噪声的不同型号轴承的实测故障信号分析，结果均表明该方法能够在强背景噪声干扰下有效提取轻微磨损故障信号的故障特征，实现轴承轻微磨损故障的准确诊断，验证了该方法的有效性。     

基于EEMD降噪和滑动峰态解调的滚动轴承故障诊断方法

针对滚动轴承早期故障特征十分微弱且易被强背景噪声淹没这一问题,引入零时滞4阶累积量(即峰态因数)用于描述信号中弱冲击成分偏离高斯分布的程度,从而提出一种基于EEMD降噪和滑动峰态解调的滚动轴承早期故障诊断方法。该方法首先将故障信号进行EEMD分解得到一组IMFs,根据度量因子和信息熵准则筛选出最能表征故障信息的IMF分量进行重构;然后,利用谱峭度方法自动确定带通滤波器参数进行带通滤波,对滤波后的信号采用滑动峰态算法计算峰态时间序列即峰态包络,并根据频谱分析结果诊断轴承故障发生部位。该方法解决了带通滤波器参数选择问题,同时可提取轴承早期故障振动信号中的微弱冲击成分。利用试验信号对新方法进行检验。结果表明:与传统方法相比,新方法能够有效解决强噪声背景下的早期微弱故障的特征提取问题。     

小波神经网络在双吸式离心水泵轴承故障诊断中的应用

提出了采用小波包的方法对供暖双吸式离心水泵轴承振动信号进行去噪和提取表征相应轴承故障的频带能量,并采用BP神经网络进行训练和故障识别,通过MATLAB进行了仿真,经试验验证该方法能够有效地识别出轴承故障。     

基于双树复小波变换和奇异谱熵的采煤机摇臂轴承故障诊断

该文提出基于振动信号分析的采煤机摇臂轴承故障诊断方法,对振动信号进行双树复小波变换(Double Tree Complex Wavelet Transform,DTCWT),将原始振动信号分解为不同频带的7层信号;针对各频带信号,结合奇异谱熵实现从信号奇异成分能量分布角度的故障特征量化提取,通过分析比较各频带奇异谱熵,可实现采煤机摇臂滚动轴承故障准确诊断。     

基于FDM和MED的滚动轴承故障诊断方法

针对滚动轴承早期微弱故障特征难以提取的问题,提出最小熵反褶积(MED)与傅里叶分解(FDM)联合降噪的方法。利用MED对采集到的滚动轴承振动信号进行处理以消除噪声影响,将降噪后的信号经过FDM得到若干傅里叶固有频带函数(FIBFs)。依据相关系数准则,选取故障特征信息较丰富的前3个分量进行重构,用包络谱对重构信号进行分析。实验结果表明,MEDFDM包络谱中特征频率及其倍频的幅值明显增大,噪声幅值减小,能有效地提取滚动轴承的早期微弱故障特征,且效果优于FDM。     

基于EEMD和相关峭度的齿轮故障诊断

振动信号中冲击特征的出现是齿轮发生故障的一个重要表现,然而由于强噪声的影响,冲击特征很难被有效识别。为准确识别故障,提出了基于聚类经验模态分解(EEMD)和相关峭度的齿轮故障诊断方法。该方法首先利用EEMD方法将振动信号分解为若干本征模态分量(IMF),然后选出最大相关峭度对应的本征模态分量,最后对该IMF进行包络分析,进而识别故障。     

利用经验模态分解改进的CEEMD故障诊断方法

针对互补集合经验模态分解(CEEMD)方法在分解过程中会产生模态分裂的现象,提出了一种利用经验模态分解改进的CEEMD方法。由于经传统CEEMD方法分解得到的IMF分量并不能满足IMF分量的严格定义,将这些分量定义为预分解IMF分量,然后利用经验模态分解对这些预分解IMF分量重新分解,得到正确的IMF分量。为了验证改进CEEMD方法的有效性,将它用于仿真信号分解中。仿真结果表明,该方法可以有效消除传统CEEMD方法出现的模态分裂现象,分解结果更符合实际情况。将改进的CEEMD方法对真实轴承故障信号进行分解,结合包络谱分析,可以准确提取故障特征频率,从而实现对轴承故障的有效诊断。     

基于ADMM的非凸正则化轴承故障诊断方法研究

旋转机械振动信号往往包含大量干扰,采用传统稀疏表示模型难以准确提取故障信息,针对此问题,提出了一种基于交替方向乘子法(Alternating Direction Method of Multipliers,ADMM)的非凸正则化稀疏表示方法.该方法首先构造一个非凸正则化稀疏表示模型,即在基于l1范数正则化的传统稀疏表示模型上增加非凸惩罚函数,然后运用ADMM算法求解构造的稀疏优化问题,最后将求得的稀疏重构信号进行Hilbert包络谱分析以提取故障特征成分,使用仿真及实测信号验证该方法的有效性,与正交匹配追踪(OMP)算法相比,基于ADMM的非凸正则化轴承故障诊断方法能够显著消除振动信号的噪声干扰,有效增强微弱故障特征,实现轴承微弱故障的准确诊断.     

基于EMD阈值降噪的轴承故障诊断研究

针对滚动轴承故障诊断提出了EMD阈值降噪法。通过振动传感器获得的轴承振动信号,利用经验模态方法将信号分解为多个IMF分量。因振动信号中含有的噪声主要表现在高频段,所以对IMF分量中的高频分量进行小波阈值降噪,并与IMF分量中低频分量进行重构,实现了振动信号的降噪,有利于轴承故障的判断。