基于小波变换及HHT的轴承故障诊断应用研究

为研究滚动轴承故障问题,将小波变换及HHT(Hilbert-Huang变换)相结合的分析方法,应用于强噪声背景下轴承信号故障的提取.首先将轴承故障信号利用小波变换进行降噪处理,然后应用HHT得到希尔伯特边际谱,从中提取故障特征信息.为准确诊断故障,将方法应用于分析采集的分别具有外圈和内圈损伤的滚动轴承振动信号,并与直接运用HHT分析作比较.结果表明,方法降低了噪声对HHT对振动故障信号分析的干扰,能够更有效的提取轴承故障特征信息,提高轴承故障诊断率.     

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。     

基于MATLAB时频分析算法的滚动轴承故障研究

为了确定滚动轴承故障类型,文中首先通过理论计算得到滚动轴承各故障特征频率。其次,对该轴承外壳进行传感器的布置,提取该轴承的振动信号,利用MATLAB对振动信号进行时域分析,随后将FFT得到幅频特性曲线对比故障特征频率初步判断其故障类型。进一步对振动信号进行Hilbert的包络谱分析、利用EMD算法进行Hilbert-Huang变换求得Hilbert边际谱,最终确定故障特征。该时频分析方法所得诊断结果与实际轴承故障类型一致,故此算法可广泛应用于设备滚动轴承故障诊断中。     

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。     

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。     

滚动轴承故障诊断的仿真研究

研究滚动轴承故障诊断问题,故障振动信号具有非平稳性、突变性。由于运行中噪声影响识别故障信号,传统傅立叶变换或单一小波分析难以对特征信号进行准确提取,导致滚动轴承故障诊断正确率较低。为了提高了滚动轴承故障诊断正确率,提出一种小波分析和Hilbert变换的滚动轴承故障诊断方法。首先采用小波分析对采集滚动轴承信号进行分解,消除噪声信息,然后采用Hilbert变换对信号进行进一步精细分解。利用MATLAB软件对滚动轴承故障进行仿真,仿真结果表明,改进算法提高了滚动轴承故障诊断正确率,很适合处理滚动轴承的故障信号。     

BP神经网络在滚动轴承故障诊断中的应用研究

滚动轴承表面振动信号中包含着丰富的工作状态信息和故障特征信息,从其表面振动信号中提取时域特征参数,可以有效地识别轴承工作状态。通过试验采集振动信号作为识别故障的原始数据,建立基于振动信号的轴承故障诊断神经网络,并对网络进行训练得出标准故障模式,从而最终实现轴承的故障诊断。     

基于SVD-AR模型与VPMCD的轴承故障诊断方法

针对强噪声背景下振动信号故障特征难以提取的问题,提出了基于奇异值分解的自回归(SVD-AR)模型,用于提取振动信号的特征,并与变量预测模型模式识别(VPMCD)方法相结合应用于轴承故障诊断.对轴承振动信号进行SVD;然后,利用奇异值差分谱对分量信号进行筛选,对能够反映故障信息的分量信号建立AR模型,提取轴承振动信号的特征信息;采用VPMCD对滚动轴承运行状态进行识别.实验证明了方法的合理性和有效性.     

基于改进EEMD和谱峭度的滚动轴承故障诊断

针对滚动轴承早期故障振动信号受噪声影响、总体经验模态分解(EEMD)参数不易获取的问题,提出了基于改进EEMD和谱峭度的滚动轴承故障诊断方法。首先提取信号高频成分及设置期望分解误差确定EEMD参数,利用EEMD将信号分解为若干个本征模态分量(IMF),依据峭度准则选取相应分量进行重构以突出故障信息、提高信噪比;然后利用快速谱峭度图来选取带通滤波器的参数;最后对滤波信号进行能量算子解调分析。该方法应用到实测数据中的结果表明,其不仅能够自适应确定EEMD参数,降低了噪声的影响,还能清晰、准确地提取出故障特征频率,实现了滚动轴承故障的精确诊断。     

基于Gibbs抽样的轴承故障诊断方法

针对现有轴承故障诊断方法的不足,即诊断片面性问题,提出了一种基于Gibbs抽样的轴承故障诊断方法。首先对轴承振动信号进行局部特征尺度分解（LCD）得到内禀尺度分量（ISC）;然后对轴承振动信号和ISC分别提取时域特征,按照特征敏感度高低对时域特征排名,选择排名靠前的特征组成特征集;其次使用特征集训练产生基于Gibbs抽样的多维高斯分布模型;最后通过后验分析得到概率,实现轴承故障诊断。实验结果表明诊断正确率达到100%,与基于SVM的轴承诊断方法相比,在特征数为43个时诊断正确率提升了11.1个百分点。所提方法能够有效地对滚动轴承故障状态进行诊断,对高维复杂的轴承故障数据也有很好的诊断效果。     

煤机设备轴承故障诊断方法

煤机设备滚动轴承早期故障特征微弱,且易受载荷、工况等因素的影响而被噪声淹没,导致轴承故障诊断困难。现有研究大多采用单一算法处理轴承故障信号,故障特征提取精度和故障诊断准确性有待进一步提高。提出了一种融合局部特征尺度分解（LCD）和奇异值分解（SVD）的煤机设备轴承故障诊断方法：采用LCD方法将煤机设备轴承振动信号分解为若干个内凛尺度分量（ISC）,实现信号初步降噪;计算各ISC的香农熵,选择香农熵最小的ISC进行SVD,并构建SVD信号的奇异值差分谱,针对最大突变分量进行信号重构,实现信号增强去噪;对重构信号进行Hilbert包络解调,得到轴承故障特征频率,进而判断轴承故障。采用现场实测数据对基于LCD-SVD的煤机设备轴承故障诊断方法进行验证,结果表明,该方法可准确提取出轴承故障特征频率,从而实现煤机设备轴承早期故障诊断。     

基于LCD和改进SVM的轴承故障诊断方法

针对滚动轴承极易损伤,振动信号表现出非线性、非平稳性等特点,提出一种基于局部特征尺度分解(LCD)和改进支持向量机(SVM)的滚动轴承故障诊断算法。首先对采集到的轴承振动信号进行LCD,分解得到一系列内禀尺度分量(ISC),通过与经验模态分解(EMD)对比研究,证明了LCD方法的优越性;然后计算所有分量的能量熵值,提取出轴承信号的敏感特征集,输入到经过遗传算法(GA)进行参数优选后的SVM识别模型进行轴承状态的诊断识别。实验研究表明,基于LCD和改进SVM的轴承诊断算法能较好地提取出轴承故障特征信息,对4种轴承状态的识别率高达90%,是一种较为有效的轴承故障诊断方法。     

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.     

基于改进的EEMD-Hilbert包络解调轴箱轴承故障诊断

为解决在轴箱轴承故障诊断中,原始振动信号带通滤波器参数选择依靠主观工作经验,EEMD分解技术中多个IMF分量分析效率及准确性较低等问题,提出一种改进的EEMD-Hilbert包络解调方法.该方法采用EEMD对原始信号进行分解,利用双相关系数法及阈值法选取有效本征模态分量,通过对本征模态分量进行Hilbert包络解调,获取包络信号幅值谱作为故障特征量进行轴箱轴承故障诊断.并通过轴箱轴承实验台测试验证了该方法的有效性.     

经验模态分解结合包络谱LSSVM的滚动轴承故障诊断

针对滚动轴承故障诊断问题,提出了经验模态分解(EMD)包络谱分析结合最小二乘支持向量机(LSSVM)方法用于滚动轴承的故障诊断。EMD具有自适应性,可以有效分析非平稳,非线性信号。利用EMD将轴承信号分解为由高频到低频的固有模态函数(IMF),选取前4个主要包含轴承故障频率的IMF函数进行包络谱分析,采用每个分量函数的特征频率和轴承的时域特征作为轴承故障的识别特征,结合LSSVM方法建立轴承故障诊断定性识别模型。结果表明：单独采用频率特征的LSSVM判别模型无法实现轴承故障的准确识别,其正确识别率仅为82.5%;采用频率特征结合时域特征的LSSVM模型可以实现轴承故障类型的100%准确识别。EMD包络谱分析结合模式识别的方法可以实现轴承故障类型的有效识别。     

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.     

基于SVD优化EMD的电梯导靴振动信号故障 特征提取

针对电梯导靴振动信号采用经验模态分解(Empirical Mode Decomposition,EMD)难以直接提取早期微弱故障特征的问题,提出基于奇异值分解(Singular Value Decomposition,SVD)优化经验模态分解的电梯导靴振动信号故障特征提取方法。该方法首先对原始信号进行SVD分解,通过奇异值贡献率原则来确定相空间重组的最佳Hankel矩阵结构,利用曲率谱原则与奇异值贡献率原则相结合来确定有效奇异值的阶次;筛选出包含主要故障信息的奇异值进行信号重构,得到剔除噪声信号与光滑信号的突变信号;然后对突变信号进行EMD分解,得到信号的本征模态函数(Intrinsic Mode Function,IMF)分量。最后,对IMF分量作Hilbert变换,求得其Hilbert边际谱,从而获得电梯导靴故障特征频率信息。仿真结果表明该方法有效改善了EMD难以直接提取早期微弱故障特征的问题,更准确地提取了振动信号的故障特征频率,验证了所述方法的有效性。     

基于变分模态分解和混沌麻雀搜索算法优化支持向量机的滚动轴承故障诊断

针对滚动轴承振动信号中的故障特征难以提取的问题,提出一种基于变分模态分解(VMD)和混沌麻雀搜索算法(CSSA)优化支持向量机(SVM)的故障诊断方法.首先,利用VMD处理滚动轴承信号,提取本征模态分量(IMF)的能量谱和能量熵作为故障特征向量;其次,通过引入改进Tent混沌映射和自适应t分布策略,加入边界探索和警戒解除机制,对麻雀搜索算法(SSA)进行改进;最后,采用CSSA-SVM模型进行滚动轴承故障的识别和诊断.实验结果表明,CSSA-SVM模型能够有效识别滚动轴承的故障类型,拥有更高的诊断精度.     

基于DE-LSSVM的滚动轴承故障诊断

针对滚动轴承故障诊断难以获得大量样本的问题以及LS-SVM 模型参数选择方法易陷入局部最优的缺点,提出了一种集合经验模态分解能量熵和差分进化算法（DE）优化最小二乘支持向量机相结合的轴承故障诊断方法。首先原始振动信号采用EEMD分解得到一组固有模态函数（IMF）,从有效本征模态函数IMF分量中提取的能量特征作为输入建立支持向量机,通过计算不同振动信号的能量熵值大小来判断轴承的故障损伤程度。为了提高模型的诊断精度,采用差分进化算法对LS-SVM的结构参数进行优化,并与LS-SVM和PSO-LSSVM模型相比较。结果表明,DE-LSSVM 模型的故障分类准确性得到了提高,可以有效应用于滚动轴承故障诊断中。     

希尔伯特-黄变换在表音故障诊断的应用

针对钟表表音信号提取与分析存在较大困难的问题,提出了双麦克降噪采集装置和基于经验模态分解的手表表音希尔伯特-黄变换(Hilbert-Huang)方法。该方法提取机械手表的故障信号进行经验模态分解,进而对内禀函数进行希尔伯特变换得到希尔伯特谱和希尔伯特边际谱。仿真实验结果表明,边际谱能识别出故障信息,该方法能够定位误差并实现故障诊断。