IVMD融合奇异值差分谱的滚动轴承早期故障诊断

针对滚动轴承早期故障阶段存在特征信号微弱、故障识别相对困难的问题,提出了融合改进变分模态分解和奇异值差分谱的诊断方法。原始信号经改进变分模态分解方法处理后,被分解为若干本征模态函数分量,利用包络谱稀疏度指标筛选出最佳分量构造Hankel矩阵并进行奇异值分解,求取奇异值差分谱后,根据差分谱中的突变点重构信号,最终通过分析信号的包络谱可判断轴承的故障类型。利用改进变分模态分解融合奇异值差分谱的方法对轴承故障模拟及实测信号进行分析,均成功提取出微弱特征信息,能够实现滚动轴承早期故障的有效判别,具有一定的可靠性和应用价值。     

基于VMD和奇异差分谱的滚动轴承早期故障诊断

针对强噪声环境下滚动轴承早期故障特征信息非常微弱且难以提取的问题,提出了基于变分模态分解(Variational Mode Decomposition,VMD)和奇异值差分谱的故障诊断方法。首先对轴承故障振动信号进行VMD分解得到一系列本征模态分量(Intrinsic Mode Functions,IMFS),由于噪声的干扰,很难从各个模态分量中提取有效的故障特征信息;然后根据相关系数准则,对相关系数较大的分量构建Hanke矩阵进行奇异值分解,求取奇异值差分谱,从差分谱中确定重构信号的有效阶次对信号进行降噪处理;最后对降噪处理后的信号进行Hilbert包络处理,从包络谱中即可准确地提取到故障特征频率。仿真信号和工程数据处理结果表明,该方法能够有效地降低噪声的影响,精确地提取到轴承微弱的故障特征频率信息。     

基于局部特征尺度分解和奇异值差分谱的滚动轴承故障诊断方法

为有效消除滚动轴承故障振动信号中噪声,更好提取故障特征频率,提出了基于局部特征尺度分解和奇异值差分谱的故障诊断方法。该方法首先利用局部特征尺度分解将非平稳信号分解成若干个不同频带的内禀尺度分量;然后对包含故障特征的分量构造Hankel矩阵并进行奇异值分解并求得奇异值差分谱曲线,利用差分谱最大突变点确定重构信号的阶数并重构信号;最后再求重构信号的包络谱,便可准确获得相应故障特征频率。滚动轴承故障诊断的试验结果证明,该方法能快速准确地提取出故障信息,具有一定的优势。     

轴承早期微弱故障特征提取的新方法

针对滚动轴承早期故障特征微弱,在强噪声下难以识别的问题,提出了一种基于软阈值归一化奇异值占比（SNSR-SVD）为准则的奇异值分解重构的方法。这种方法能够兼顾轴承早期故障特征的周期性和非平稳性,在重构信号中引入更多故障特征的细节信息。并且为了能够更好的提取轴承的冲击信号,将使用本方法重构后的信号通过以最大谱峭度法优化最优频率与带宽的滤波器,最后对滤波后的信号进行包络解调分析。通过与其他方法进行仿真与实验的对比验证,证明本方法的优越性。     

基于局部均值分解和奇异值差分谱的滚动轴承故障诊断研究

为了从复杂的轴承振动信号中提取微弱的故障信息,提出了一种基于局部均值分解(local mean decomposition,LMD)和奇异值差分谱的轴承故障诊断方法。首先通过LMD将非平稳的原始轴承故障信号分解为若干个PF(product function)分量,由于背景噪声的影响,难以从PF分量准确得到故障频率,对PF分量进行Hankel矩阵重构和奇异值分解,相应的得到奇异值差分谱,根据奇异值差分谱理论对某个PF分量进行消噪和重构,然后再求重构后PF分量的包络谱,便能准确地得到故障频率。仿真分析和滚动轴承内圈故障实例很好地验证了提出的改进方法的有效性。     

基于奇异值差分谱与改进包络分析的轴承故障特征提取

针对滚动轴承振动信号故障特征难以提取的问题,提出了一种基于奇异值差分谱与改进包络分析的轴承故障特征提取方法。首先,通过奇异值分解将原始轴承振动信号分解为一系列能够线性叠加的分量信号,利用故障特征分量和噪声分量在奇异值上的差异,根据奇异值差分谱的性质筛选出有效奇异值,选择包含故障特征的分量重构信号。针对奇异值分解去噪后仍存在残余噪声,采用改进包络分析,在频域中进一步去除重构信号中的残余噪声。最后对实测轴承信号进行分析,准确地提取到故障特征明显、故障频率突出的轴承故障信号,完成故障诊断。     

综合改进奇异谱分解和奇异值分解的齿轮故障特征提取方法

针对齿轮故障特征微弱，在强背景噪声下难以有效提取的问题，提出了一种改进奇异谱分解（ISSD）结合奇异值分解（SVD）的齿轮故障特征提取方法。针对奇异谱分解（SSD）算法中模态参数需凭经验选取的缺陷，基于散布熵优化算法对SSD算法进行了改进，在得到既定的一组奇异谱分量的基础上，根据峭度值最大准则筛选出了最佳奇异谱分量并进行了SVD处理，采用奇异值能量标准谱自适应地确定了信号重构阶数以还原信号和提高降噪效果。最后对信号进行包络解调以提取齿轮故障特征，将所提方法运用到仿真信号和齿轮实测信号中，并同传统包络谱、SSD包络谱以及经验模态分解结合SVD(EMD-SVD)方法进行了对比分析，结果表明，所提方法的降噪和特征提取效果更佳，能够更加有效地实现齿轮故障的判别。     

基于局部均值分解和最大相关峭度解卷积的滚动轴承早期故障提取

滚动轴承处于早期故障阶段的时候,特征信号比较微弱,同时受到干扰噪声的影响,造成故障特征难以提取。针对这一问题,提出了基于局部均值分解(Local mean decomposition,LMD)和最大相关峭度解卷积(Maximum correlated kurtosis deconvolution,MCKD)两者相结合的故障诊断方法。在强噪声背景条件下,LMD对微弱故障信号特征难以提取,故对LMD分解得到的一组乘积函数(Product function,PF),利用相关系数与峭度值筛选出敏感分量进行信号重构,然后利用MCKD进行滤波,突出故障信号尖脉冲,最后根据信号的包络功率谱提取故障特征频率。算法仿真和实验证明了该方法的有效性。     

基于HVD与1.5维Teager能量谱的滚动轴承故障诊断方法研究北大核心

针对强背景噪声下滚动轴承微弱故障信号特征难以提取的特点,提出了一种基于Hilbert振动分解(HVD)与1.5维Teager能量谱的滚动轴承故障诊断方法。首先将故障信号进行HVD分解,然后采用相关系数法重构原始信号,降低噪声的干扰,增强故障信号的冲击特征,最后对重构后的信号进行1.5维Teager能量谱运算,提取出滚动轴承的故障特征。     

基于HVD与1.5维Teager能量谱的滚动轴承故障诊断方法研究

针对强背景噪声下滚动轴承微弱故障信号特征难以提取的特点,提出了一种基于Hilbert振动分解(HVD)与1.5维Teager能量谱的滚动轴承故障诊断方法。首先将故障信号进行HVD分解,然后采用相关系数法重构原始信号,降低噪声的干扰,增强故障信号的冲击特征,最后对重构后的信号进行1.5维Teager能量谱运算,提取出滚动轴承的故障特征。     

基于奇异值分解拓展应用的故障特征提取技术

以奇异值分解理论为理论基础,通过对奇异值分解矩阵的架构分析,提出了滑移矩阵序列的架构方法。以该方法为指导,引入差异谱、主奇异和、最大特征值重构和最优化滤波器设计等方法,成功实现了滚动轴承故障特征提取。试验数据分析结果表明,提出的基于滑移矩阵序列奇异值分解的故障特征提取技术对于滚动轴承微弱冲击故障特征具有优越的识别和提取能力,对实现滚动轴承强噪声背景下的故障诊断具有重要意义。     

VMD和奇异差分谱在齿轮早期故障诊断中的应用

针对齿轮故障振动信号的多分量、多频率调制特性且早期故障振动信号信噪比低,故障特征微弱难以提取的问题,提出了基于变分模态分解(Variational Mode Decomposition,VMD)和奇异值差分谱的故障诊断方法。首先对采集到的齿轮故障振动信号进行VMD分解,得到一系列窄带本征模态分量(band-limited intrinsic mode functions,BLIMFS),由于噪声的干扰,从各个模态分量的频谱中很难对故障做出正确的判断;然后根据相关系数准则,选取与原始信号相关系数较大的分量构建Hankel矩阵并进行奇异值分解,求取奇异值差分谱,从差分谱中确定重构信号的有效阶次对信号进行降噪处理;最后对降噪处理后的信号进行Hilbert包络谱分析,即可从中准确地识别出齿轮的故障特征频率。仿真信号和齿轮箱齿轮故障模拟实验结果表明,该方法能够有效地降低噪声的影响,准确地提取到齿轮微弱的故障特征信息。     

基于LFK和熵谱差分准则的滚动轴承信号预处理方法研究

针对滚动轴承故障信息易被不确定性随机噪声湮没的问题,提出了基于LFK的滚动轴承信号降噪预处理方法。首先,通过局部特征尺度分解对信号进行分解并提出熵值差分谱对分量进行筛选重构;然后,对重构信号中可能存在的残余噪声,采用快速峭度图算法进一步滤波降噪,一定程度上去除了噪声的干扰;同时也较好地保留了故障特征信息。最后,利用仿真信号和滚动轴承内圈故障信号验证了该方法的有效性。     

基于VMD和快速谱峭度的滚动轴承早期故障诊断

针对滚动轴承故障发生初期,故障冲击特征微弱难以识别以及共振解调中带通滤波器参数难以选择的问题,提出了基于变分模态分解与快速谱峭度的轴承早期故障特征提取方法。首先采用VMD对轴承早期故障信号进行预处理,依据峭度准则选取峭度值较大的分量进行重构;然后应用快速谱峭度法确定滤波器最优参数,使用带通滤波器对重构信号进行降噪处理;最后应用Hilbert解调方法对消噪后信号进行包络解调,分析包络谱得到诊断结果。对仿真信号和轴承试验数据的诊断分析表明,该方法可有效识别出早期故障信号。     

基于VMD和MED的滚动轴承微弱故障特征提取

针对强噪声环境下滚动轴承故障特征信息非常微弱且难以提取的问题,提出基于变分模态分解(Variational Mode Decomposition,VMD)和最小熵解卷积(Minimum Entropy Deconvolution,MED)的滚动轴承微弱故障特征提取方法。基于VMD和MED的滚动轴承微弱故障特征提取方法首先采用VMD对滚动轴承故障信号进行分解,得到多个模态分量,由于噪声的干扰,很难从各个模态分量中提取有效的故障特征信息;然后根据相关系数准则,选取与原始信号相关系数较大的模态分量进行重构,再对重构后的信号进行MED降噪处理;最后对降噪处理后的信号进行Hilbert包络解调,从得出的包络谱中即可准确地提取到故障特征信息。轴承故障实验信号处理结果表明,该方法可以有效地降低噪声的影响,精确地提取滚动轴承微弱的故障特征信息。     

基于k值优化VMD的滚动轴承故障诊断方法

针对旋转机械中滚动轴承早期信噪比较低的故障特征提取困难问题,提出了一种基于能量的变分模式分解(variational mode decomposition,简称VMD)模态数k优化选取方法,用以提取滚动轴承早期故障特征,同时避免了信号分解过分或不足。首先,对振动信号进行VMD预分解,分别在不同k值条件下计算分量信号能量与原始信号总能量;其次,根据基于能量的模态数k选取准则,确定最佳模态数值对信号进行VMD分解;最后,通过峭度准则选择分量进行信号重构,对其进行包络分析,提取故障特征频率。将该方法运用到实际故障信号中,有效提取出滚动轴承内圈微弱故障特征,实现了早期故障特征判别,具有一定的应用价值和实际意义。     

基于MRSVD-SVD与VPMCD的交叉滚子轴承故障诊断研究

针对奇异值分解(SVD)提取工业机器人交叉滚子轴承振动信号微弱故障特征分量时,出现奇异值分辨率不足的问题,提出了一种基于最大分辨率奇异值分解(MRSVD)-奇异值分解(SVD)与变量预测模型模式识别(VPMCD)的工业机器人交叉滚子轴承的故障诊断方法。首先,以最大奇异值分辨率原则将一维振动信号构造成了Hankel矩阵,采用奇异值分解方法对Hankel矩阵进行了分解,得到了其奇异值序列,根据奇异值曲率谱理论选择有效奇异值,并进行了重构,得到了经降噪后的高信噪比信号,以重构信号构建了相空间矩阵,进行了二次奇异值分解,得到了其故障特征分量;然后,计算了故障特征分量的特征参数,构建了其特征向量;最后,采用了VPMCD分析了特征向量,完成了对交叉滚子轴承故障类型的识别,并与其它方法进行了识别准确率对比。研究结果表明：采用该方法对工业机器人交叉滚子轴承进行故障诊断,得到的故障类型识别准确率为98.66%,比SVD与共振解调相结合方法提高了9%;该方法通过构建最大奇异值分辨率矩阵提高了奇异值分辨率,可完整提取出工业机器人交叉滚子轴承振动信号的微弱故障特征分量,获得了更高的故障类型识别准确率。     

基于瞬时包络尺度谱熵的滚动轴承早期故障奇异点识别及特征提取

滚动轴承故障信号具有较强的非平稳特性,并且极易受齿轮等噪源污染,故障特征信息微弱,特别当滚动轴承处于故障早期,上述问题尤为严重。针对这一难点,提出基于瞬时包络尺度谱熵的滚动轴承早期故障奇异点识别及特征提取方法。应用重分配尺度谱对轴承的包络信号进行时频分解,计算每一时刻的功率谱熵,以获取信号的瞬时包络尺度谱熵(Instantaneous envelope scalogram entropy,IESE),则信号IESE曲线发生畸变的位置,即是轴承故障表征最为明显的时刻,进而可以提取轴承故障信号的最优故障表征时段(Optimal fault characterization phase,OFCP),应用包络解调和包络尺度谱分析OFCP,以提取轴承故障特征频率。实测信号分析结果表明,该方法能有效提取轴承故障早期的微弱故障特征信息。     

基于傅里叶分解与1.5维Teager能量谱的滚动轴承故障诊断方法

针对强背景噪声下滚动轴承微弱故障特征难以提取的特点,提出了基于傅里叶分解(FDM)与1.5维Teager能量谱的滚动轴承故障诊断方法。首先利用傅里叶分解的自适应性特点,将故障信号分解为若干个瞬时频率具有物理意义的固有频带函数,然后利用自相关系数法筛选固有频带函数进行信号重构,对重构后的信号求解1.5维Teager能量谱,从而得到故障特征频率,进行故障诊断。仿真结果表明,与传统的包络谱分析相比,该方法的故障特征更加明显,效果更好。最后将该方法成功地应用到实际的滚动轴承故障诊断中,进一步验证了该方法的有效性。     

基于LMD和FastICA的轴承故障诊断研究

针对恶劣环境影响下滚动轴承微弱故障特征难以提取的问题,提出一种基于局部均值分解(LMD)和快速独立分量分析(FastICA)算法相结合的新方法。首先,以快速谱峭度选取合适的滤波参数进行滤波;然后,利用LMD方法对滤波处理后的目标信号进行局部均值分解得到多个乘积函数(PF),并根据筛选准则选取合适的分量进行信号重构;最后,使用FastICA算法实现源信号和噪声的分离,有效地提取故障特征。