基于多准则融合的滚动轴承振动信号消噪方法

针对滚动轴承早期微弱故障特征难以提取的问题,提出了基于多准则融合的滚动轴承振动信号消噪方法。该方法采用集合经验模态分解(EEMD)方法对原始振动信号进行分解得到一组IMF分量,计算各阶IMF分量和原始振动信号的相关系数、各阶IMF分量和原始振动信号包络谱的J散度、各阶IMF分量的峭度值;分别根据相关系数准则、J散度准则、峭度准则选取有效IMF分量,将同时保留的IMF分量作为有效分量进行信号重构。实验结果表明,该方法可以有效地提取滚动轴承早期微弱故障信息,能够有效抑制经验模态分解(EMD)中的模态混叠问题,同时削弱低频噪声,突出高频共振成分,具有良好的自适应性。     

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。     

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.     

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EMD及改进PSO_BP的电机轴承故障诊断

针对电机轴承故障模式识别和分类问题,提出了采用EMD（Empirical Mode Decomposition）作为振动信号特征提取的方法,并利用改进的粒子群优化（Particle Swarm Optimization,PSO）算法来优化BP神经网络,得到性能优异的分类器,以实现电机轴承的故障模式分类。首先利用EMD将原始电机振动信号分解为8个阶次的IMF(Intrinsic Mode Function)分量,计算每个IMF的能量,并求其占比。分析得到前6阶IMF能量占比在前99%以内,故选取前6阶IMF分量并结合原始振动信号的时域特征参数（峰值因子、波形因子、裕度指标）,得到9维特征参数矩阵。并对获得的特征参数进行主成分分析,以验证特征参数提取的有效性。然后将基于EMD方法的特征参数矩阵作为改进PSO_BP（Particle Swarm Optimization with Back Propagation Neural Network）方法的输入向量,对不同载荷与转速工况下的电机轴承进行故障模式识别。结果表明,基于EMD和改进PSO_BP的方法能够很好地提高电机轴承故障模式识别的准确率。     

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.     

基于阶次跟踪和HHT瞬时相位法的轴承故障诊断

提出了一种基于阶次跟踪和HHT(Hilbert-Huang transform)瞬时相位法的轴承故障诊断新方法。对齿轮箱启动时的振动信号进行角域重采样,并对角域里的信号进行经验模态分析(EMD)分解得到多个固态模态函数(IMF)分量及其各自的瞬时相位谱,最后对包含故障信息的瞬时相位分量进行了快速傅里叶变换(FFT)。结果表明,该方法能对轴承的故障部位和类型进行准确诊断。     

基于自相关和经验模态分解的转子碰摩故障分析

针对转子故障振动信号具有周期性的特点,提出一种用于分离转子故障振动信号的新方法,该方法首先应用自相关处理对振动信号进行降噪处理,然后采用经验模态分解(EMD)对振动信号进行分解,得出各个本征模态函数(IMF),并对IMF进行频谱分析,从频谱图上可以清晰地观察出转子的故障特征频率.试验结果表明,振动信号经自相关处理后起到了很好的降噪效果,碰摩所产生的冲击信号上下不对称;EMD分解方法能有效地突出故障特征频率成分,该方法可广泛用于旋转机械振动信号时频分析领域.     

基于EMD和AFD的齿轮断齿诊断技术研究

断齿作为齿轮失效的形式之一,对其进行故障诊断具有重要意义.传统的诊断方法如自适应滤波方法对于非平稳振动信号的分析效果不太明显.EMD(Empirical Mode Decomposition,简称EMD)方法是把复杂的振动信号分解为有限个本征模函数(Intrinsic Mode Function,简称IMF)之和,得到的IMF包含真实的物理信息,而且都是平稳的.这种基于信号的局部特征时问尺度分解的方法非常适用于非线性和非平稳过程的分析,该方法能够实现通过时域的分析,得到故障特征信号.本文提出基于EMD和自适应滤波分解(Adaptive Filtering Decompositon,简称AFD)的方法,利用边际谱分析齿轮故障特征.实验结果表明,该方法能够有效、准确地提取齿轮断齿的故障特征.