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.     

强噪声背景下基于振动信号分析的齿轮故障诊断

煤矿机械齿轮传动过程中,齿轮振动信号因摩擦力、刚度非线性等因素表现出非平稳特征的同时还受工况现场的强噪声干扰,如何在强噪声背景下,有效提取故障信息、识别故障类型是该类故障诊断的关键。提出一种强噪声背景下基于振动信号分析的齿轮故障诊断方法,该方法包括小波阀值降噪处理、总体经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)熵特征提取、概率神经网络(Probabilistic Neural Network,PNN)识别三个过程。利用小波阀值降噪对采集到的振动信号进行去噪处理;对去噪后信号进行EEMD分解,得到一组消除模态混叠的固有模态函数(Intrinsic Mode Function,IMF)分量,并提取前3个IMF分量的样本熵特征作为故障特征信息;最终结合PNN实现强噪声背景下的齿轮故障诊断。实验结果表明:文中提出的方法可以实现强噪声背景下齿轮故障的准确识别,识别率可以达到90%以上,是一种有效的齿轮故障识别方法。     

基于经验模态分解、多尺度熵算法和支持向量机的滚动轴承故障诊断方法

针对滚动轴承振动信号的低信噪比、高复杂性及非平稳特性,提出基于经验模态分解、多尺度熵算法与支持向量机的故障诊断方法。对振动信号通过小波包降噪提高信噪比,然后利用经验模态分解得到多个本征模态函数分量,选择与降噪信号强相关的本征模态函数分量计算其多尺度样本熵,确认能区分故障类型的最佳尺度。将这一尺度下相应分量的样本熵作为特征向量,经过归一化处理后输入支持向量机进行故障分类。试验结果表明在小样本条件下可以准确识别滚动轴承故障类型,为滚动轴承的故障识别提供了一种高效诊断方法。     

滚动轴承故障小波核函数SVM分类识别研究

支持向量机(Support Vector Machine,简称SVM)是通过核函数来分类识别非线性样本的,为了提高SVM的分类识别精度,基于平移不变核函数条件,构造和证明了墨西哥草帽小波核函数SVM。实验中采集了轴承正常和内圈、外圈、滚动体点蚀的故障数据,利用总体平均经验模态分解(Ensemble Empirical Mode Decomposition,简称EEMD)和样本熵提取了故障特征信息,将EEMD样本熵作为小波核函数SVM的特征向量进行故障分类识别,并与径向基核函数SVM的分类识别结果进行比较,比较结果表明小波核函数SVM的分类识别准确性更高。     

基于总体平均经验模态分解与1.5维谱的滚动轴承故障诊断方法

针对滚动轴承早期故障冲击信号微弱,强噪声干扰下故障特征难以提取等问题,提出了基于总体平均经验模态分解(EEMD)与1.5维谱的滚动轴承故障诊断方法。由于经验模态分解(EMD)在对信号进行分解时容易产生模态混叠现象,引入总体平均经验模态分解(EEMD)。首先将最小熵解卷积(MED)作为前置滤波器,对原始信号进行降噪处理,再利用1.5维谱对经过EEMD分解得到的较为敏感的本征模态函数进行分析,得到各个分量的1.5维包络谱,最终判断轴承是否存在故障。通过仿真信号及实验信号验证了文中所论方法的可行性和有效性。     

基于MCKD和CEEMDAN样本熵的滚动轴承故障诊断

针对滚动轴承故障特征微弱以及振动信号的非平稳性,提出一种基于最大相关峭度解卷积(maximum correlated kurtosis deconvolution,MCKD)和自适应白噪声完备经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)样本熵相结合的滚动轴承故障诊断方法。首先采用MCKD算法降低滚动轴承信号内的噪声干扰,突出信号中的冲击特性;然后利用CEEMDAN方法对降噪信号进行分解,根据峭度-相关系数准则选择包含主要故障信息的敏感固有模态函数(intrinsic mode function,IMF)分量;计算各敏感IMF分量的样本熵构成高维特征向量;最后将高维特征向量作为支持向量机(support vector machine,SVM)的输入,对滚动轴承的工作状态和故障类型进行识别。通过实测滚动轴承故障信号的分析,证明了所提方法有效性,并为此类问题的解决提供了一种可行方法。     

基于多尺度本征模态排列熵和SA-SVM的轴承故障诊断研究

针对轴承振动信号的非线性、非平稳性,提出一种基于多尺度本征模态排列熵和模拟退火优化支持向量机(Simulated annealing-support vector machine,SA-SVM)的列车轴承故障诊断方法。该方法首先对获取的轴承振动信息进行小波降噪处理,接着通过集合经验模态分解(Ensemble empirical mode decompose,EEMD)将去噪信号分解成若干个平稳的本征模态函数(Intrinsic mode function,IMF),并提取多尺度本征模态排列熵作为SVM输入,在用样本训练SVM时,用SA对SVM的核函数进行优化,提高其分类准确率,最终实现智能化故障诊断。试验结果表明,基于多尺度本征模态排列熵和SA-SVM的列车轴承故障诊断方法能准确识别列车轴承故障类型,具有重要的实际工程应用价值。     

基于EEMD与空域相关降噪的滚动轴承故障诊断方法

针对滚动轴承早期故障信号非平稳、非线性,强噪声的特点,提出了一种将集成经验模态分解(EEMD)和空域相关降噪相结合的滚动轴承故障诊断方法。该方法首先采用EEMD对滚动轴承故障信号进行分解,得到若干个IMF分量,其次,采用峭度—度量因子准则筛选出有效的IMF分量进行信号重构,然后,采用空域相关降噪方法对重构信号进行降噪处理,最后,提取降噪后信号的故障特征频率对轴承故障进行诊断。采用建立的方法对某轴承内圈、外圈故障实验数据进行了分析与诊断,结果表明,方法能够有效克服信号分解的模态混叠效应,对故障信号噪声抑制效果明显,并能准确有效地提取出轴承的故障特征频率,实现对滚动轴承故障的精确诊断。     

基于CEEMDAN与自适应阈值降噪的滚动轴承故障诊断

针对滚动轴承故障信息受到噪声污染而难以识别的问题,提出一种基于自适应噪声完备集合经验模态分解和自适应阈值降噪(CEEMDAN-ATD)的滚动轴承故障诊断方法。首先对原始振动信号进行CEEMDAN分解;其次利用灰色关联分析法(GRA)筛选出噪声主导和信号主导的分量;然后对噪声主导分量分别进行自适应阈值降噪(ATD)处理,并与信号主导分量进行重构;最后通过分析重构信号的Teager能量谱实现滚动轴承故障的识别。采用凯斯西储大学轴承数据对所提方法进行验证,并与完全总体经验模态分解-自适应阈值降噪(CEEMD-ATD)和CEEMDAN-小波阈值降噪(CEEMDAN-WTD)2种方法作比较,结果表明,所提方法表现出较好的自适应性和去噪效果,能够较好地服务于滚动轴承故障诊断。     

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。