强背景噪声下滚动轴承轻微磨损故障特征提取方法

针对轴承轻微磨损故障信号容易被强背景噪声淹没，故障特征微弱难诊断的问题，提出了强背景噪声下滚动轴承轻微磨损故障特征提取方法。利用VMD对轴承振动信号进行分解，基于峭度最大准确选择最优本征模态函数，以最优本征模态函数的功率谱熵最小为目标，设定提前终止准则，实现VMD参数自适应优化选择。轴承早期故障信号经参数优化后的VMD方法分解为多个本征模态函数，选择峭度最大的本征模态分量进行包络解调分析，结合快速傅里叶变换得到包络谱，实现故障特征频率的提取。通过对加强背景噪声的不同型号轴承的实测故障信号分析，结果均表明该方法能够在强背景噪声干扰下有效提取轻微磨损故障信号的故障特征，实现轴承轻微磨损故障的准确诊断，验证了该方法的有效性。     

基于小波包和EMD的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征,提出了一种基于小波包和经验模态分解(Empirical Mode Decomposition,简称EMD)的滚动轴承故障诊断方法。该方法用小波包对振动信号进行预处理,用Hilbert变换求重构信号的包络,采用EMD方法将包络信号分解为若干个IMF分量,让故障信息得到凸显,然后根据某个分量的频谱,判断滚动轴承的故障类型。实验结果表明,比传统的时频分析方法,该方法能够更有效地提取轴承故障特征,诊断轴承故障。     

基于零空间追踪和包络谱的滚动轴承故障诊断

从振动信号中提取故障特征是滚动轴承故障诊断的常用方法。提出了利用零空间追踪算法和包络谱分析进行滚动轴承故障诊断的方法。首先对轴承故障振动信号进行零空间追踪(Null Space Pursuit)分解,降低噪声的干扰,提取高能量成分。然后对高能量分量进行包络谱分析得到振动信号特征频率,与理论故障特征频率对比后确定故障类型。仿真和试验结果显示该方法能够成功提取特征频率,辨别轴承故障类型,具有一定的实际意义。     

基于EMD和Hilbert包络解调的滚动轴承故障诊断方法研究

滚动轴承的运行状态会直接影响到整个旋转机械的性能,提出一种将经验模态分解和Hilbert包络分析相结合的方法对滚动轴承进行故障诊断。经验模态分解具有自适应性,能有效地将携带故障信息的高频调制信号从原信号中分离出来;利用Hilbert变换对包含滚动轴承故障所在的高频段进行包络谱分析,提取故障特征频率。将提取的特征频率与根据轴承型号参数和转速所得的滚动轴承的故障特征频率进行对比,能够辨识出滚动轴承的故障。通过对实验采集的滚动轴承振动信号进行分析,证明了该方法有效性和准确性。     

基于EEMD降噪和HMM的采煤机摇臂滚动轴承故障诊断

提出一种集合经验模态分解(EEMD)降噪与隐马尔科夫模型(HMM)的采煤机摇臂滚动轴承故障诊断方法。采用基于峭度准则的EEMD对采集到的振动信号进行降噪预处理,筛选出包含主要特征频率的本征模态函数(IMF),通过求取IMF信息熵提取出敏感特征集,结合训练好的HMM分类模型,对滚动轴承故障类型进行诊断识别。实验数据分析表明,所提出的基于EEMD降噪和HMM的故障诊断方法可以准确区分滚动轴承故障类型,对于4种状态轴承的识别率达到90%以上,是一种有效的采煤机摇臂滚动轴承故障诊断方法 。     

基于VMD-PE和M-RVM的滚动轴承故障诊断

针对传统EMD易产生模态混叠,原始SVM、RVM方法存在核函数选取困难、识别效率低等问题,提出一种基于变分模态分解(VMD)、排列熵(PE)以及混合蝙蝠算法(BA)优化的多分类相关向量机(M-RVM)的轴承故障智能诊断方法。首先,VMD分解故障信号,获得本征模态函数(IMF);然后将PE用于IMF的故障特征提取过程,形成特征序列;最后,将所得的特征序列输入基于混合BA优化的M-RVM故障诊断模型,对不同故障进行分类识别。对试验数据的分析结果表明,基于VMD-PE与M-RVM的滚动轴承故障诊断可以提高轴承故障诊断的准确度。     

基于包络谱分析的滚动轴承故障诊断方法研究

分别用小波分解、小波包分解和EMD分解处理滚动轴承故障数据,并结合Hilbert变换进行包络谱分析实现滚动轴承故障诊断。对滚动轴承故障数据进行小波阈值降噪。小波阈值降噪后分别进行小波分解、小波包分解和EMD分解。分别求出小波分解、小波包分解和EMD分解后各个频带的能量谱。再根据能量谱确定故障频带范围并对其进行信号重构。采用Hilbert变换对重构信号进行包络谱分析实现滚动轴承故障诊断。通过对滚动轴承内圈故障信号的分析验证了小波分解、小波包分解和EMD分解结合Hilbert变换进行包络谱分析的滚动轴承故障诊断方法的有效性。     

基于小波降噪和CEEMD的轴承故障诊断

针对滚动轴承故障振动信号难以提取出准确的故障特征的问题,提出了一种基于小波新阈值降噪与互补集合经验模态分解(CEEMD)的轴承故障诊断方法。该方法充分结合了以上2种方法的优点,有效地解决了故障特征提取难的问题。首先构建出新的小波阈值函数,再用此小波阈值降噪,可以有效地消除背景噪声的影响;将降噪后的故障信号用CEEMD方法进行处理,然后重构根据信号的相关系数挑选出的相关性较大的分量;最后将重构信号进行Hilbert变换包络,从包络图中提取故障特征。运用此方法对轴承进行试验分析,结果证实了该方法的有效性和实用性。     

基于EMD和相关的滚动轴承故障包络谱分析

提出了一种基于EMD和相关的滚动轴承故障包络谱分析方法。根据相关函数的性质,对测得的振动信号进行相关分析,以实现一次降噪。把信号的自相关函数通过EMD分解成不同特征时间尺度的固有模态函数(IMF),再对包含主要信息成分的IMF分量进行Hilbert变换求其包络,通过对包络信号进行频谱分析,提取滚动轴承故障特征频率。某型坦克变速箱上的7216滚动轴承滚动体点蚀故障的试验结果表明,该方法能有效地识别滚动轴承的故障。     

基于小波包包络分析的滚动轴承故障诊断

提出一种基于小波包、能量分析和包络分析相结合的滚动轴承故障诊断方法。对实测振动信号进行小波包去噪,提取出有用的振动信号。利用小波包将去噪后的信号分解,求出分解后各频带的能量,根据各频带内能量分布,确定故障所在频带,并以此作为特征分量。对特征分量进行Hilbert解调分析,将包络谱谱峰处的频率与理论计算的滚动轴承故障频率进行对比,诊断轴承故障并确定故障位置。