变分模态分解和K-L散度在振动筛轴承故障诊断中的应用

振动筛属于振动机械设备中的筛分设备,其结构特点与运行原理与一般的旋转机械有很大不同,因此提取出的振动信号同从旋转机械提取出的振动信号也同样有较大区别,主要体现在信号中不仅存在大量背景噪声,而且成分也较为复杂。对于此类信号,模态分解算法是个行之有效的方法,模态分解算法在去除大量高频噪声的同时,还能将振动信号分解成一系列具有单一成分的模态分量,从而能更好发现振动信号的物理意义。基于此,引入一种新的故障诊断方法,首先利用变分模态分解将故障信号分解为若干个窄带模态分量,然后根据K-L散度值选定最佳的分量,最后进行包络运算得出故障频率。通过仿真模拟实验与振动筛轴承故障诊断的实际应用,并与之前的经典模态分解算法——经验模态分解和集成经验模态分解进行对比,发现该算法更具有优越性和实用性。     

基于MS-EEMD的滚动轴承微弱故障提取研究

在实际工况下,轴承的早期故障信号与强噪声信号相比属于微弱信号,而轴承的早期故障特征从强噪声环境中提取出来一直是故障诊断课题的一大难点。基于上述问题,提出一种基于MS（Mask Signal）和EEMD（Ensemble Empirical Mode Decomposition）方法的滚动轴承微弱故障提取方法。由于EEMD方法在噪声背景下分解出的IMF分量存在模态混叠现象,很难辨别故障频率的真伪,所以引入掩膜信号法对分解出的IMF分量进行处理,抑制虚假频率,将故障频率提取出来。通过将掩膜信号法与EEMD方法相结合的方式,对存在噪声的故障信号进行处理,提取出故障特征。     

基于EMD和Teager能量算子的轴承故障诊断研究

提出了一种基于EMD和Teager能量算子的齿轮箱轴承故障诊断的新方法,该方法综合利用了经验模态分解和Teager能量算子分析技术.首先利用经验模态分解方法,将振动信号分解成不同特征时间尺度的单分量固有模态函数,然后用Teager能量算子计算各固有模态函数的瞬时幅值,最后对感兴趣固有模态函数瞬时幅值的包络谱进行分析,就可识别齿轮箱轴承的故障部位和类型.齿轮箱轴承故障振动实验信号的研究结果表明:该方法能有效地识别轴承的故障.     

利用微分算子增强EMD算法频带分解能力

针对传统经验模态分解(EMD)方法中信号所含频率分量较接近易出现模态混叠现象,导致分解出的本征模态函数失去原有物理意义问题,提出改进算法。将原始信号频带信号微分;对微分信号进行EMD分解;将所得IMFs进行积分处理获得原始信号有效的IMFs,能抑制EMD分解过程中的模态混叠现象。仿真计算与实际工程应用表明,该方法优于传统EMD算法,可有效分离频率接近的本征模态函数,扩大EMD方法的适用范围。     

柴油机缸盖振动信号分形特征研究

针对柴油机振动信号的非线性特征,将小波变换与分形理论结合;由此进行缸盖振动信号的分析及故障特征的提取,进而对柴油机气阀间隙异常故障进行诊断。随后计算信号小波包频带盒维数、小波变换模极大及信号的多重分形谱。结果表明,这种将分形维数和多重分形谱的结构作为系统的衡量指标和故障的表征参数,使诊断结果简单、现实可行。     

基于EMD的滚动轴承故障特征提取方法

故障特征提取是滚动轴承故障诊断的关键环节。首先系统研究经验模式分解方法；然后介绍在经验模式分解基础上提出的几种方法，包括：希尔伯特-黄变换，局域均值分解以及集合经验模态分解。分析各种方法的基本原理、应用和特点。EMD与多种故障特征提取方法相结合是轴承故障特征提取的研究方向。     

基于VMD及广义分形维数矩阵的滚动轴承故障诊断

提出基于变分模态分解及广义分形维数矩阵的滚动轴承故障诊断方法。对信号进行变分模态分解得到若干模态函数,根据不同权重因子计算得到每个模态函数的广义分形维数序列,排列构成广义分形维数矩阵,最后通过分析待测信号和各样本信号的广义分形维数矩阵的相关系数判断故障状态。实验结果表明该方法能精确、稳定提取故障特征,区分不同状态的信号。     

基于EMD模糊熵和SVM的转子系统故障诊断

提出一种经验模态分解、模糊熵和支持向量机相结合的转子系统故障诊断方法。该方法首先对转子系统故障信号进行经验模态分解,得到若干阶表征故障信息的固有模态函数,并运用基于能量原理的虚假模态消除方法剔除虚假模态分量;再利用模糊熵能够表示信号复杂程度且具有相对稳定性等特点,选取前4阶固有模态函数的模糊熵值作为各故障信号的特征向量;最后将该特征向量输入到支持向量机中进行转子系统的故障分类。试验结果表明,该方法能够有效的提取转子系统故障特征和对转子系统进行故障诊断。     

基于分形的航天器故障预报

提出了一种基于分形的航天器故障预报新方法,并给出具体预报公式。由于故障发生前都蕴含前兆因子,这些因子可导致测量信号分形维数的变化,根据这些变化可进行故障预报,该方法理论明确,参数简单,克服了传统故障预报方法易丢失故障信息的缺点。     

基于EMD分解和奇异值差分谱理论的轴承故障诊断方法

针对故障轴承振动信号中含有强烈的背景噪声,难以提取故障频率的现实情况,提出了基于经验模态分解(Empirical Mode Decomposition,EMD)和奇异值差分谱的轴承故障诊断方法.首先通过EMD方法将非平稳的原始轴承振动信号分解成若干个平稳的本征模函数(Intrinsic Mode Function,IMF);由于背景噪声的影响,从各个IMF的频谱中难以准确地得到故障频率.对IMF分量构建Hankel矩阵并进行奇异值分解,进一步找到奇异值差分谱,根据奇异值差分谱理论对某个IMF分量进行消噪和重构,然后再求其频谱,便能准确地得到故障频率.实验结果表明,提出的方法能有效地应用于轴承的故障诊断.     

利用小波分析和EMD的机械故障特征提取

故障特征提取是机械设备故障诊断的关键所在。利用小波变换多分辨率分析和经验模式分解的时频特性,将某机械运转机构的振动信号进行分解及重构,得到原始信号在不同频段上分布的详细信息,进而对不同尺度下的细节信号进行频谱分析,通过对比提取出运转过程中的失步故障特征。     

基于EMD与神经网络的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的非平稳特征，提出了一种基于经验模态分解(Empirical Mode Decomposition，简称EMD)和神经网络的滚动轴承故障诊断方法。该方法首先对原始信号进行了经验模态分解，将其分解为多个平稳的固有模态函数(Intrinsic Mode function，简称IMF)之和，再选取若干个包含主要故障信息的IMF分量进行进一步分析，由于滚动轴承发生故障时，加速度振动信号各频带的能量会发生变化，因而可从各IMF分量中提取能量特征参数作为神经网络的输入参数来识别滚动轴承的故障类型。对滚动轴承的正常状态、内圈故障和外圈故障信号的分析结果表明，以EMD为预处理器提取各频带能量作为特征参数的神经网络诊断方法比以小波包分析为预处理器的神经网络诊断方法有更高的故障识别率，可以准确、有效地识别滚动轴承的工作状态和故障类型。     

分形与几何特征融合的转子故障特征提取方法

转子系统故障信号是典型的非线性、非平稳信号,分形几何为描述转子系统故障信号的特性提供了一个分析工具,但仅仅依靠分形维数无法有效的提取转子系统的故障特征。本文引入紧密度和丰度两个量,与基于的分形维数一起,对转子系统故障信号进行分析;最后采用神经网络技术对转子系统的正常、不对中、不平衡、碰磨、松动五种不同的运行状态进行分类识别。实验结果表明,通过对分形维数和紧密度、丰度的联合可较好地评定和区分转子系统的运行状态。     

EMD与高阶累积量在滚动轴承故障诊断中的应用

共振解调是滚动轴承故障诊断中最常用的方法之一,但由于滚动轴承的早期故障信号中含有强烈的背景噪声,诊断效果不够明显。为此,提出一种基于EMD（Empirical Mode Decomposition）与高阶累积量(HOC)的滚动轴承早期故障诊断新方法。该方法首先对故障信号进行EMD分解获得多个基本模式分量,然后对各分量进行高阶累积量分析,并进行重构,最后运用包络解调进行故障诊断。故障实例证明,该方法与传统共振解调方法相比,具有较大的优势。     

基于改进奇异值分解和经验模式分解的滚动轴承早期微弱故障特征提取

针对滚动轴承早期微弱故障特征难以提取的问题,提出了改进奇异值分解(SVD)和经验模式分解(EMD)的滚动轴承早期微弱故障特征提取方法。首先用多分辨奇异值分解将信号分成具有不同分辨率的近似和细节信号,然后对近似信号用奇异值差分谱进行消噪,对消噪后的信号进行经验模态分解,将得到的各本征模函数分量进行希尔伯特包络解调,从而获得滚动轴承故障特征信息,最后通过对滚动轴承早期内圈故障的诊断实验证明了该方法的有效性     

一种基于层次熵和SVM的轴承故障诊断方法

针对样本熵在分析时间序列复杂度上的局限,在样本熵和多尺度熵的基础上提出一种新的基于层次熵（Hierarchical Entropy）的滚动轴承故障特征提取方法。首先用层次分解方法对实验数据进行分解,然后采用分解节点上的样本熵值作为特征向量,利用支持向量机（support vector machine,简称SVM）对故障进行识别。实验数据分析结果验证该方法的有效性。     

基于分形维数和GA-SVM的风电机组齿轮箱轴承故障诊断

对风机齿轮箱轴承故障诊断进行了研究,提出一种基于分形维数和遗传算法支持向量机(GA-SVM)相结合的故障诊断算法。基于常用的时域特征参数作为支持向量机的识别参数,引入分形维数特征参数来提升支持向量机的识别精度。提出了基于遗传算法(GA)的支持向量机参数优化的模型,通过GA的寻优自动获得最优的支持向量机参数。采用某风场的风电机组齿轮箱轴承数据进行故障诊断,实验表明,所提出的GA-SVM模型很好地解决了参数选择的问题,同时基于分形维数的特征参数也提高了风电机组轴承故障的识别准确率。     

基于局部特征尺度分解和形态学分形维数的滚动轴承故障诊断方法

提出了一种基于局部特征尺度分解与形态学分形维数的滚动轴承故障诊断方法。首先采用局部特征尺度分解方法将机械故障信号分解为若干个内禀尺度分量,然后利用形态学分形维数计算包含故障特征分量的分形维数,将得到的分形维数作为特征量判别信号故障的状态,实验结果表明基于局部特征尺度分解与形态学分形维数的故障诊断方法能够有效识别滚动轴承的内圈故障、外圈故障、滚动体故障和正常状态,实现滚动轴承故障诊断。     

EMD降噪的关联维数在齿轮故障诊断中的应用研究

本文运用分形理论中的关联维数计算方法,对齿轮正常、齿根裂纹和断齿三种不同工况的振动信号进行识别。为了降低噪声对关联维数计算结果的影响,提出EMD滤波方法对采集的信号进行预处理。通过对仿真信号和齿轮箱实测信号的诊断,证明了该方法的可行性和有效性。