基于能量熵和EEMD结合的滚动轴承故障诊断方法

采用了一种基于小波包能量熵结合集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)方式完成对高速列车轴箱轴承仿真振动信号和实测振动信号的故障诊断.在完成仿真轴承应力状态分布分析和仿真振动信号故障提取方式检验以及实测振动信号时域参数分析和对轴承故障初步诊断的基础上,对振动信号进行三层小波包分解以及降噪处理;将处理后的剩余信号进行重构,再对重构后的8个小波包频段进行能量熵和能量百分比的计算,找出所含剩余信息量较大的频段,进行EEMD方式分解;对分解后的IMF1分量进行频谱和包络谱转换,从而准确提取出轴箱轴承故障特征信号,完成轴承早期微弱故障特征提取.     

基于改进双树复小波变换的轴承多故障诊断

针对双树复小波变换产生频率混叠的缺陷,提出了改进双树复小波变换的轴承多故障诊断方法,该方法综合利用了双树复小波包变换和经验模态分解技术。首先,利用双树复小波变换将振动信号分解成不同频带的分量;然后,将各小波分量进行经验模态分解,获得各小波分量的主频率分量信号;最后,计算各小波分量的主频率分量信号的包络谱,根据包络谱识别齿轮箱轴承的故障部位和类型。通过仿真信号和齿轮箱轴承多故障振动实验信号的研究结果表明,该方法不仅消除了频率混叠现象,提高了信噪比和频带选择的正确性,而且提高了从强噪声环境中提取瞬态冲击特征的能力,能有效识别轴承的故障类型。     

基于经验小波变换的轴承故障诊断研究

针对经验模态分解(EMD)易产生模态混叠、受噪声影响大的难题,提出了一种基于经验小波变换(EWT)的轴承故障诊断方法。EWT综合利用了经验模态分解和小波变换的优点,通过构建自适应的小波滤波器组,提取信号中包含的不同固有模态分量,能有效消除模态混叠现象,提高信噪比。首先利用EWT将振动信号分解成不同特征时间尺度的单分量固有模态函数,然后计算各固有模态函数的包络谱和时频谱。通过仿真信号和齿轮箱轴承故障振动信号的研究表明:EWT能有效提取强背景噪声中的微弱信号,提取轴承故障特征,其性能优于EMD和总体平均经验模态分解(EEMD)。     

基于改进谐波小波包分解的滚动轴承复合故障特征分离方法

为解决滚动轴承单通道振动信号中复合故障特征难以分离的问题,提出了基于改进谐波小波包分解的轴承复合故障特征分离方法。首先,改进了二进谐波小波包分解方法,提出了连续谐波小波包分解方法,克服了信号分解后子带个数和带宽范围受二进制划分的缺陷;然后,采用谐波窗分解提取信号中频率成分集中的频段,根据轴承各单点故障特征频率确定分解层数,进行连续谐波小波包分解,利用能量算子包络解调得到子带信号中各个单点故障的权重因子;最后,重构轴承各单点故障信号,实现复合故障的特征分离和提取。对仿真信号和实测轴承内、外圈复合故障信号分析的结果表明,该方法能将轴承单通道复合故障信号分解到不同的通道中,实现了复合故障特征的分离,具有一定的工程实用价值。     

EEMD样本熵在轴承故障SVM识别中的研究

滚动轴承故障支持向量机(SVM)智能识别的关键技术是故障信息的提取。由于小波变换和经验模态分解分别存在非自适应和模态混叠的缺陷,采用总体平均经验模态分解(EEMD)和样本熵来提取滚动轴承故障信息。实验中采集了3种工况和3种点蚀直径下的滚动轴承振动信号并进行小波降噪,降噪后信号用EEMD分解为若干个IMF分量,用样本熵表征主要分量的复杂性,同时设计了以EEMD样本熵作为训练和识别样本的SVM滚动轴承故障分类识别器。实验结果表明该方法在小样本的情况下能准确识别轴承正常和内圈、外圈、滚动体故障,并且随着样本数量增加识别准确性提高。     

基于小波包熵与EMD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,非平稳性以及调制源微弱难以提取故障特征的问题,提出了一种基于小波包熵值与EMD(经验模态分解)结合的能量算子解调故障诊断方法。该方法首先对信号进行小波包熵值降噪,进而选取相关度最大的IMF(本征模态分量)进行能量算子解调,从而实现了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,相对于普通Hilbert解调法的运算精度与运算速度满足不了诊断需求的情况下,该方法能够有效解调出故障频率信息,实现对故障类别的推断。     

基于小波去噪和EEMD包络解调分析的滚动轴承故障诊断方法

针对强噪声背景下的故障信号诊断问题,提出一种基于小波去噪和改进型总体经验模式分解算法(Ensemble Empirical Mode Decomposition,EEMD)包络解调分析的滚动轴承故障诊断方法。由于经验模态分解方法易产生虚假分量和模态混叠现象,引入EEMD。首先将采集到的振动信号进行软阈值去噪,然后对去噪信号进行EEMD分解,抽取能量较大的前4个内禀模态函数(IMF)进行Hilbert变换,得到包络信号,最后对包络信号进行细化谱分析,得到轴承故障特征频率。小波去噪可解决噪声造成的包络信号粗糙这一问题,提高了包络提取精度。将该方法应用于滚动轴承的内圈和外圈故障诊断,诊断结果均表明该方法能够准确有效地提取故障特征频率。     

基于完全抗混叠DTCWPT和包络谱熵的轴承故障诊断

针对经典小波包和双树复小波包(dual tree complex wavelet package transform,DTCWPT)能量泄漏和频率混叠的缺陷,提出完全抗混叠的DTCWPT改进算法,该算法解决了经典小波包存在负频率以及经典小波包和DTCWPT滤波器频率不完全截止问题。根据高斯白噪声频率充满整个频带的特性,通过小波包变换对高斯白噪声进行分解,利用频带能量泄漏的定量分析方法,验证了改进DTCWPT具有完全的抗频带能量泄漏特性。将改进DTCWPT方法和包络谱熵引入到轴承故障诊断中,该方法的核心是:对轴承振动信号进行改进DTCWPT变换得到不同尺度的分解信号,分别计算各分解信号的包络谱熵,合并熵值较小的几个分量信号的包络谱,最后根据合并的包络谱来检测轴承故障。该方法在消除经典小波包变换和DTCWPT频率混叠和能量泄漏的同时还解决了小波包分量选择盲目的问题。最后应用轴承故障试验数据对该方法进行试验验证,结果表明:改进DTCWPT结合包络谱熵选择的方法能够很好提取出轴承故障特征频率的基频、倍频,提高了轴承故障的诊断效果。     

集成经验模态分解与相关峭度在滚动轴承故障诊断中的应用

船舶设备中的滚动轴承其振动信号成分复杂,故障信号易被背景噪声湮没,常规诊断方法难以有效提取轴承故障信息。为了从复杂的轴承振动信号中提取弱故障信号,将集成经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)应用到滚动轴承故障诊断中,并引入了相关峭度的定义,提出了一种新的滚动轴承故障特征提取方法。该方法首先利用EEMD将轴承振动信号分解为若干个分量信号,然后根据相关峭度最大原则选取分量信号,提取出滚动轴承的弱故障信号。通过对轴承内圈故障的仿真和实验研究验证了该方法的有效性。     

EEMD结合小波包的振动筛轴承信号降噪效果分析

为解决振动机械故障诊断中如何更有效地在复杂信号中提取有用的故障信号的问题,提出了一种优良降噪算法。先将原始信号用小波包降噪,对降噪后的信号进行EEMD分解,然后将分解得到的固有模态分量(IMF)构建不同的带通滤波器,利用算法逼近度指标和相关系数建立优良降噪算法的判断准则,以此来选择最优的滤波器组合。对振动筛轴承信号进行仿真,用新算法处理仿真信号,结果显示,故障信号被保留下来,其他信号均被滤除。同时用该降噪算法分析了实测振动筛轴承信号,所得的结果合理有效。     

基于改进EMD样本熵和SVM的风机滚动轴承故障诊断

风机齿轮箱振动信号成分复杂,而经验模态分解(EMD)在故障诊断中存在模态混叠和端点效应问题.针对此问题,研究了一种EEMD样本熵和高斯径向基核函数的SVM分类器的滚动轴承故障诊断方法.以风机齿轮箱滚动轴承为研究对象,提取了内圈故障、外圈故障、滚动体故障和正常轴承4种状态振动信号,利用EEMD和小波分别对振动信号分解降噪并筛选主要IMF分量;计算前4阶IMF分量的样本熵作为特征向量;最后将特征向量输入高斯径向基核函数的SVM模型进行故障识别.结果表明:EEMD算法对端点效应和模态混叠都有一定抑制作用,EEMD样本熵和SVM相结合可有效识别滚动轴承故障类型,故障识别率为97.5％,为工程应用中风机齿轮箱滚动轴承故障诊断提供参考.     

基于EEMD消噪和相关系数识别的滚动轴承故障诊断方法

针对往复泵动力端滚动轴承振动信号非平稳、非线性且含有大量噪声的特点,提出基于EEMD、距离因子、相关系数和小波包分解相结合的诊断方法。通过在轴承寿命试验台上测取轴承振动信号,利用EEMD对所测信号进行分解,根据距离因子和相关系数相结合的方法筛选并重构IMF分量,以突出故障特征信息且避免偶然误差影响,重构振动信号进行小波包分解后构造能量特征信号向量,然后计算特征向量的相关系数,通过比较所得相关系数的差值绝对值判断故障类型。此方法的故障识别率与直接对轴承振动信号进行相关系数分析相比,故障识别率有较大提高,而且无需像神经网络识别需要大量数据训练,是一种较好的轴承故障识别方法。     

基于EEMD与奇异熵增量谱的齿轮故障特征提取

针对齿轮振动信号非线性、非平稳的特点,提出一种基于集合经验模态分解(EEMD)与奇异熵增量谱的齿轮故障特征提取方法。首先,利用EEMD方法将齿轮振动信号分解为若干个平稳的本征模态函数(IMF)分量。EEMD方法利用正态分布白噪声的二进尺度分解特性,能够有效抑制经验模态分解(EMD)中的模态混叠现象。但由于背景噪声和残余辅助白噪声的影响,EEMD分解得到的IMF分量难以准确提取齿轮故障特征。利用奇异值分解(SVD)对IMF分量进行消噪和重构,根据奇异熵增量谱确定重构阶次,准确地提取齿轮的故障特征频率。仿真信号分析和齿轮箱齿轮故障实验验证了该方法的准确性和有效性。     

基于改进EEMD的滚动轴承故障诊断研究

滚动轴承的故障信号具有非平稳性、非线性等特点,在经验模态分解过程中会出现模式混叠现象。集合经验模态分解算法(EEMD)是在原始信号中引入随机高斯白噪声序列,改变信号的局部时间跨度,可以有效抑制常规经验模态分解过程中产生的模式混叠现象。在研究EEMD原理的基础上,引入白噪声的幅值标准差准则来选择EEMD参数,并且对分解得到的所有的固有模态函数(IMF)分量通过相关系数法提取有效本征模态分量,再对提取的有效本征模态函数分量阀值处理后进行重构。通过Hilbert变换对重构信号进行包络谱分析,提取滚动轴承的故障特征。轴承故障信号实验结果表明,EEMD方法可以有效应用于滚动轴承的故障诊断中。     

基于小波改进阈值去噪与EMD的滚动轴承故障诊断研究

针对传统阈值去噪方法在处理轴承故障信号时存在的不足,提出了基于小波改进阈值去噪与经验模态分解(Empirical Mode Decomposition,EMD)的滚动轴承故障信号的分析方法。为改善小波去噪产生的信号振荡和失真问题,构造了适用于滚动轴承振动信号的非线性阈值函数,并将其用为滚动轴承故障信号的噪声过滤器。采用经验模态分解将去噪后的信号分解成若干固有模态函数(Intrinsic Mode Function,IMF),并用统计分析的方法提取出谱峭度值、各固有模态函数与去噪信号之间的互相关系数最大的分量。最后,为了在频域内提取到故障特征频率,对抽取到的固有模态分量进行包络分析。仿真数据分析和模拟实验数据分析表明,所提方法可有效地提取轴承故障特征频率,实现轴承的故障诊断。     

快速Hoyer谱图及VNCMD的变转频滚动轴承故障诊断

针对变转频情况下滚动轴承振动信号出现频谱混叠现象而无法直接提取故障特征频率的问题,提出一种基于快速Hoyer谱图及改进变分非线性调频模态分解（variational nonlinear chirp mode decomposition,简称VNCMD）的变转频轴承故障诊断方法。首先,采用快速Hoyer谱图确定轴承故障冲击所处的共振频带,对信号进行带通滤波提取轴承故障冲击成分并与低通滤波后的信号进行融合;其次,通过多分量协同转频估计方法对转频及轴承故障特征频率脊线进行估计;最后,将估计的脊线作为VNCMD的输入参数,提取转频及轴承故障冲击成分,并通过阶次分析确定轴承的故障类型。相较于集合经验模态分解（ensemble empirical mode decomposition,简称EEMD）,所提方法可以获得更加精确的时频脊线,并通过信号分解得到正确的分量。仿真信号和实验信号均表明所提方法的有效性。     

基于EEMD和快速谱峭度的滚动轴承故障诊断研究

从经验模态分解(EMD)中得到的本征模态函数(IMF)存在模态混合现象,并且其末端效应影响分解效果,针对这一问题,以西安交通大学XJTU-SY滚动轴承中的振动数据为例,对其外圈振动的正常数据和失效数据分别进行了对比研究。首先,采用集合经验模态(EEMD)分别对正常和失效轴承的振动信号进行了分解,得到了各阶IMF分量;然后,通过峭度准则选择关键的IMF分量进行了信号重构,计算了重构的信号快速谱峭度,根据快速谱峭度得出的中心频率和带宽为依据,对重构信号进行了带通滤波处理;最后,对包络谱进行了对比分析,获得了滚动轴承的准确故障特征信息。研究结果表明:通过EEMD分解和快速谱峭度得出滤波后的重构信号降噪效果明显,可以得到良好的故障带宽和中心频率;该方法能有效测出XJTU-SY滚动轴承出现外圈故障时的振动频率。     

基于EEMD分解和改进小波阈值降噪的齿轮故障诊断

针对齿轮箱振动信号易受噪声影响以及齿轮箱振动信号比较复杂的特点,提出基于EEMD分解和改进小波阈值降噪的齿轮故障诊断方法。首先对经过EEMD分解的IMF分量中的高频分量进行改进小波阈值降噪处理,重构信号后得到降噪信号。实验结果表明应用该方法可以较为准确地识别齿轮故障。     

改进双树复小波包变换及在故障诊断中的应用

针对双树复小波包分解存在频带错位和频带重叠的缺陷,提出了一种改进的双树复小波包分解算法。该算法通过交换高频子带节点小波包分解后的两节点频带顺序来消除频带错位缺陷,引入切比雪夫滤波器滤去除低频、高频子带理想通带范围之外的频率成分,以消除频带重叠缺陷。将改进双树复小波包谱峭度方法应用于齿轮箱故障诊断,首先将振动信号分解成不同频带的分量,然后利用谱峭度理论自动确定最优带通滤波器参数,获取最佳频带,再采用Hilbert包络解调,准确识别出故障齿轮的转动频率。实验结果表明,该方法能更有效地提取强噪声干扰下的齿轮箱微弱故障特征,验证了该方法的可行性和有效性。     

提高双树复小波的齿轮箱复合故障特征提取

针对双树复小波变换分解层数需要先验确定和重构后各子带出现的频率混叠现象,提出了一种改进双树复小波变换的齿轮箱复合故障特征提取方法。首先,确定双树复小波变换的分解层数和有效的子带;对得到的各子带进行去频率混叠,确保消除频率混叠现象,使每个子带仅含有唯一的特征频率;然后,用所提方法和现有VMD(Variational Mode Decomposition)进行对比,验证了所提方法的可行性;最后将所提方法应用于齿轮箱复合故障振动信号中,成功提取出齿轮剥落和轴承外圈故障。所提方法为齿轮箱复合故障特征提取提供了一种新的思路。