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。     

EEMD与EFICA在单通道复合故障诊断中的应用

针对转子不对中和滚动轴承微弱损伤的复合故障诊断问题,提出了一种基于平均经验算法(Ensemble Empirical Mode Decomposition,EEMD)和高效快速独立分量分析(Efficient Variant of FastICA,EFICA)的盲源分离故障诊断方法。利用EEMD算法将单通路复合故障信号分解成多个不同信号特征的本征模函数(Intrinsic Mode Function,IMF),解决了盲源分离中的欠定问题。在此基础上利用EFICA算法对各个不同信号特征的IMF进行故障特征分离。通过仿真实验和转子实验台的实验结果,表明该算法可以有效分离出各个不同的故障特征。     

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EEMD能量熵和混合算法的电机轴承故障诊断

针对提升机电机轴承振动信号的非平稳特性和单一粒子群算法(PSO) 优化径向基函数（RBF）神经网络时存在网络收敛速度慢和适应度值易陷入局部最小的缺点，提出基于集合经验模态分解（EEMD）能量熵和模拟退火粒子群混合算法（SAPSO）优化RBF神经网络的提升机电机轴承故障诊断方法。基于EEMD求取振动信号各固有模态函数分量的能量熵，并使用相关性分析方法剔除虚假的分量，把筛选后的有效数据作为故障识别的特征向量；利用模拟退火（SA）算法具有局部概率突跳的特性，将SA算法和PSO算法相结合，在优化RBF诊断模型隐含层参数时以实现不同算法间的优劣互补。仿真结果表明，使用SAPSO算法优化后的RBF神经网络模型在提升机电机轴承故障诊断中能够加快网络收敛速度和提升故障识别精度。     

基于IMF聚合与SVD的城轨车辆牵引电机轴承故障诊断

为有效提取城市轨道车辆牵引电机轴承的故障特征,提出一种基于本征模式分量(IMF)聚合与奇异值分解(SVD)相结合的轴承故障诊断方法.该方法首先运用经验模式分解(EMD)将原始振动信号分解成一系列本征模式分量;其次在利用皮尔逊积矩法进行本征模式分量的筛选后将剩余的分量聚合重构,再将重构信号运用奇异值分解降噪;最后对降噪信号进行Hilbert谱分析,实现轴承故障特征向量的提取.城市轨道车辆牵引电机轴承实测数据的分析结果表明该方法能够有效提取故障特征信号,对轴承故障进行有效的诊断.     

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EMD方法的煤矿绞车轴承故障诊断

根据煤矿绞车齿轮箱轴承在变速变载工况下振动信号的频率一直发生变化的特征,提出采用EMD方法进行绞车轴承故障诊断。在较大拖动力与较大转频阶段,根据轴承座在正常状态与故障状态下振动信号的IMF分量的能量与总能量的比值及均方根能量来判断轴承工作状态,通过提取故障信号频率的边际谱判断故障位置。实验结果证明了EMD方法能够有效检测出绞车齿轮箱轴承故障。     

风电机组轴承早期故障特征提取研究

针对风电机组滚动轴承早期故障振动信号微弱、强干扰、非平稳、非线性的特点,提出基于自适应噪声完整集成经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)-排列熵(Permutation Entropy,PE)-遗传算法(Genetic Algorithm, GA)的特征提取方法。方法先计算振动信号经CEEMDAN分解得到多个本征模态函数(Intrinsic Mode Function,IMF)的排列熵值和方差贡献率,剔除虚假、低贡献率分量;根据识别误差最小和特征子集数目最少两个目标,构造了适应度函数,通过GA进行特征选择选出最优特征子集。仿真分析,上述方法能够快速有效提取不同故障的振动信号特征指标,为故障模式识别问題提供良好的思路和方法。     

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.