基于改进EEMD和谱峭度的滚动轴承故障诊断

针对滚动轴承早期故障振动信号受噪声影响、总体经验模态分解(EEMD)参数不易获取的问题,提出了基于改进EEMD和谱峭度的滚动轴承故障诊断方法。首先提取信号高频成分及设置期望分解误差确定EEMD参数,利用EEMD将信号分解为若干个本征模态分量(IMF),依据峭度准则选取相应分量进行重构以突出故障信息、提高信噪比;然后利用快速谱峭度图来选取带通滤波器的参数;最后对滤波信号进行能量算子解调分析。该方法应用到实测数据中的结果表明,其不仅能够自适应确定EEMD参数,降低了噪声的影响,还能清晰、准确地提取出故障特征频率,实现了滚动轴承故障的精确诊断。     

基于EMD的谱峭度方法在滚动轴承故障检测中的应用

针对传统谱峭度方法中短时傅里叶变换不能保证对瞬态脉冲这种高度非平稳信号最优分解效果的问题,提出一种基于经验模式分解的谱峭度方法;该方法首先利用经验模式分解和Hilbert变换得到信号的时频分布,然后将信号的时频分布按照不同层数分成若干频段,通过计算各频段的峭度值得到相应的峭度图,再根据峭度最大原则选择滤波频段进行带通滤波,最后对滤波信号采用包络分析确定故障信息;实验结果表明:相比基于短时傅里叶变换的谱峭度方法,文章方法更能准确的获得轴承加速度信号的故障特征频率信息。     

基于EMD的谱峭度方法在滚动轴承障检测中的应用

针对传统谱峭度方法中短时傅里叶变换不能保证对瞬态脉冲这种高度非平稳信号最优分解效果的问题,提出一种基于经验模式分解的谱峭度方法;该方法首先利用经验模式分解和Hilbert变换得到信号的时频分布,然后将信号的时频分布按照不同层数分成若干频段,通过计算各频段的峭度值得到相应的峭度图,再根据峭度最大原则选择滤波频段进行带通滤波,最后对滤波信号采用包络分析确定故障信息;实验结果表明:相比基于短时傅里叶变换的谱峭度方法,文章方法更能准确的获得轴承加速度信号的故障特征频率信息.     

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.     

基于变分模态分解改进方法的滚动轴承故障特征提取

针对滚动轴承早期故障振动信号信噪比低、故障特征提取困难的问题,提出了基 于多相关-变分模态分解(MC-VMD)的滚动轴承故障诊断方法。首先对多加速度传感器采集到的 信号进行多相关处理以突出故障信号特征;然后通过VMD 自适应地将信号分解成多个本征模 态分量(IMFs),运用谱峭度法和包络解调对相关峭度较大的分量进行分析;最后通过包络谱识 别出滚动轴承的工作状态和故障类型。将该方法应用到滚动轴承故障实例数据中,实验结果表 明,该方法可有效提取滚动轴承故障特征频率信息。     

基于最大相关峭度解卷积与形态滤波的齿轮故障特征提取

为了准确地进行齿轮故障特征提取,结合最大相关峭度解卷积和形态滤波,给出了一种新的方法。首先利用最大相关峭度解卷积恢复信号中的周期性故障特征并实现信号的降噪,再运用形态差值滤波器对解卷积后的信号进行滤波以增强信号中的冲击特征并解调出包络,最后求取包络谱以进行故障特征提取;通过齿轮断齿故障振动数据的分析,验证了方法的有效性。     

基于MATLAB时频分析算法的滚动轴承故障研究

为了确定滚动轴承故障类型,文中首先通过理论计算得到滚动轴承各故障特征频率。其次,对该轴承外壳进行传感器的布置,提取该轴承的振动信号,利用MATLAB对振动信号进行时域分析,随后将FFT得到幅频特性曲线对比故障特征频率初步判断其故障类型。进一步对振动信号进行Hilbert的包络谱分析、利用EMD算法进行Hilbert-Huang变换求得Hilbert边际谱,最终确定故障特征。该时频分析方法所得诊断结果与实际轴承故障类型一致,故此算法可广泛应用于设备滚动轴承故障诊断中。     

奇异值分解结合频率切片小波变换的轴承故障提取方法

针对频率切片小波变换在强背景噪声条件下故障特征识别能力不足的缺点,提出了奇异值分解和频率切片小波变换相结合的故障特征提取方法。首先利用原始信号构造Hankel矩阵,根据奇异值差分谱单边极大值原则确定阶次并进行降噪处理;继而利用频率切片小波对降噪信号进行分析,得到全频带时频图后,对能量集中的时频区域进行细化分析;通过频率切片小波逆变换得到相应的重构信号;最终可以从重构信号的波形图中提取出轴承故障特征频率信息。仿真信号和实测信号分析表明,该方法能够实现滚动轴承运行状态的准确判别,对实际工程应用具有重要意义。     

基于广义形态滤波和MRSVD的故障诊断方法研究

为了从复杂工况下获取滚动轴承故障信息,提出了一种基于广义形态滤波和多分辨奇异值分解（Multi-Resolution Singular Value Decomposition,MRSVD）相结合的方法。首先利用广义形态学滤波方法对振动信号进行降噪预处理;然后利用MRSVD对降噪后的振动信号进行分解;最后通过峭度准则选取故障特征最丰富的细节信号,并对其进行Hilbert包络谱分析。将提出的方法应用于滚动轴承的故障检测,实验结果表明该方法能清晰地提取故障特征信息。     

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。     

滚动轴承局部故障的特征倍频诊断方法

建立了以故障特征倍频为基础的分析方法,以诊断滚动轴承局部故障。此方法引入故障特征倍频代替目前普遍应用的故障特征频率,在计算故障特征参数的时候剔除转速的影响,将不同转速下的故障判断标准统一起来,用几个确定参数来表征滚动轴承主要的局部故障类型,进而建立起能够综合分析不同转速下的故障信号的包络谱阵分析方法。依据轴承故障冲击振动包络频谱的本质分布形态,采用故障特征倍频背景,为数据分析和故障判断提供了直观、准确的参考。在实验中的应用表明,利用该方法诊断滚动轴承局部故障简捷有效。     

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。     

基于小波包分析的电机滚动轴承故障诊断

电机滚动轴承发生故障时的信号是非平稳的,小波包变换对故障特征提取有明显的优势,给出了利用小波包对故障信号进行分析的方法。确定轴承参数以及对故障信号的采集,并计算各类故障特征频率,选择小波基和确定最佳的分解层数,之后在Matlab软件环境下对信号进行小波包分解和重构,得到滚动轴承各类故障信号的功率谱,最后把实验结果与计算结果做对比,证实了该方法可以有效地把轴承中的故障信息成分检测出来,从而判断滚动轴承的故障类型。     

基于VMD-WPT和能量算子解调的滚动轴承故障诊断研究

针对滚动轴承早期故障振动信号具有能量小、易受背景噪声干扰,导致故障特征提取困难等问题,提出基于变分模态分解(VMD)和小波包变换(WPT)相结合的方法来提取故障特征。首先将振动信号进行VMD分解,得到若干本征模态分量(IMF);其次,通过峭度准则选取峭度值较大的分量进行重构;最后将重构分量采用WPT方法进行分解,并计算小波包的能量、选取能量集中的频段进行能量算子解调,从而提取故障特征信息。将该方法应用到滚动轴承实测数据中,并与目前最常用的方法 EEMD-WPT对特征信号的提取效果作对比。实验结果表明该方法可以更精确地提取出的故障特征频率,验证了其有效性。     

基于EEMD和改进多小波的故障诊断的研究

针对滚动轴承振动故障信号具有非线性和非平稳的特点以及多小波阈值函数的选取对去噪效果的影响,提出一种基于EEMD(总体经验模态分解)和改进多小波阈值结合的故障特征提取的方法。首先,使用EEMD方法对采集到的信号进行分解,根据峭度值以及能量值选取有效的IMF(基本模态)分量,再选取合适的多小波函数对选取的IMF分量进行去噪,最后利用频谱分析法对去噪后的IMF分量进行重构,从而识别出故障特征频率,并通过获取的频率判断故障类型。实验结果表明,此方法可行且取得了较好的效果。     

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SVD-形态降噪的TKEO故障诊断方法研究

针对强噪声干扰背景下微弱故障特征信息难以提取的问题,提出了一种基于奇异值分解(SVD)-形态降噪的Teager能量算子(TKEO)故障诊断方法.首先对轴承振动信号进行SVD,对得到的分量信号进行形态滤波,以滤除噪声干扰;然后利用峭度准则对分量信号进行筛选,并对其进行重构;最后利用TKEO计算重构信号的瞬时能量,得到信号的能量谱,提取振动信号的特征.将提出的方法应用于滚动轴承故障分析,结果表明该方法能清晰地提取故障特征信息.     

振动数据采集无线组网监测系统

针对工厂设备在工作过程中可能损坏的情况，设计了一套以STM32为主控的振动信号采集系统，并应用ZigBee无线通信模块进行数据传输，实现对设备滚动轴承的实时监测。首先通过加速度传感器获取振动数据，然后经过信号调理和A/D转换后存储，最后通过ZigBee组网无线传输的方式在数据处理终端对数据进行处理分析，实现机器故障监测功能。通过滚动轴承模拟试验台测试，该系统可以实现振动信号的采集；通过对数据以CEEMD与峭度系数分解重构后进行包络分析，提取故障特征频率。该系统可以应用于设备的异常振动监测。     

基于小波及AR模型的机车滚动轴承故障特征提取

滚动轴承失效是机车牵引传动系统的主要故障源之一。为了有效诊断滚动轴承故障,提出了基于小波变换及AR模型参数的机车滚动轴承特征提取方法,以提取能准确反映滚动轴承运行状态的特征信息。首先,通过小波变换对滚动轴承运行时产生的非平稳振动信号进行分解重构,得到不同尺度下的重构信号;然后对重构信号建立AR模型,提取AR模型的自回归参数作为表征滚动轴承运行状态的特征;最后采用支持向量机分类器对提取的特征进行故障分类与识别。仿真结果表明机车滚动轴承故障得到了有效诊断。     

矿用带式输送机齿轮箱混合故障诊断研究

针对基于振动信号分析的矿用带式输送机齿轮箱故障诊断方法存在不易处理混合故障信号的问题,提出了一种基于自组织映射网络的矿用带式输送机齿轮箱混合故障诊断方法。采用融入Shannon熵的小波阈值去噪方法对矿用带式输送机齿轮箱的标准多故障样本进行预处理,对预处理后的标准多故障样本建立高斯混合分布模型后,采用最大期望算法进行模型的参数估计,得到相应特征向量并输入自组织映射网络,自组织映射网络对不同混合故障类型的故障信号进行聚类和识别,从而判断故障类别。实验结果表明,该方法能有效诊断出矿用带式输送机齿轮箱的多故障混合信号对应的故障类别,整体诊断准确率为88%,在6种工况下诊断准确率为100%,为矿山机电设备的齿轮箱故障诊断提供了一种新方法。