基于WOA-VMD联合MOMEDA的轴承外圈故障特征提取方法

滚动轴承工作环境较为复杂，在复杂的环境因素影响下，其故障特征信号容易受到噪声的影响，导致其难以被识别。针对这一问题，提出了一种基于鲸鱼优化算法(WOA)的变分模态分解(VMD)联合多点最优最小熵解卷积(MOMEDA)的滚动轴承外圈故障特征提取方法。首先，利用变分模态分解(VMD)对仿真信号进行了分解，使用鲸鱼优化算法(WOA)确定了最佳分解层数以及各分量的样本熵；然后，以样本熵最小值为目标寻优，得出了包含故障信号的最佳分量，对得到的最佳分量进行了MOMEDA重构，从重构信号的包络谱中获得了仿真信号故障特征频率及其倍频；最后，为了验证WOA-VMD联合MOMEDA的有效性，在实验台上采集数据，对滚动轴承的外圈故障信号进行了特征提取。实验结果表明：使用该方法可以高效地进行信号的分解寻优，能较为准确地得到仿真信号的故障频率(100 Hz)和实验台提取信号的近似故障频率(87.5 Hz),验证了该方法的有效性。研究结果表明：低信噪比的工况条件下，采用WOA-VMD联合MOMEDA的方法可以有效地提取滚动轴承的故障特征信号，并能从重构信号中提取故障特征频率。     

SGMD-MOMEDA滚动轴承故障特征提取方法研究

针对滚动轴承的振动信号因非线性、非平稳且信噪比低而造成故障特征难以提取的问题,基于辛几何模态分解(Symplectic Geometry Mode Decomposition, SGMD)和多点最优最小熵解卷积调整(Multipoint Optimal Minimum Entropy Deconvolution Adjusted, MOMEDA)理论,提出了SGMD-MOMEDA故障提取方法。首先,使用SGMD对故障信号进行分解,得到一列的辛几何分量(Symplectic Geometry Components, SGC);其次,依据相关性准则选取SGC进行信号重构,并确定MOMEDA分解参数;最后,使用MOMEDA方法对重构信号进行处理以提高信噪比,并利用包络谱分析对处理后的信号提取故障特征。仿真和实验结果表明,该方法能够准确地提取滚动轴承的故障频率,且与经验模态分解(Empirical Mode Decomposition, EMD)方法的对比结果显示了SGMD方法作为预处理其分解结果更加准确,在故障诊断领域具有较大的应用价值。     

基于参数优化MOMEDA与CEEMDAN的滚动轴承微弱故障特征提取研究

针对强背景噪声环境下滚动轴承故障特征信息微弱,单一利用自适应噪声完备集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)方法提取效果不佳的问题,提出了基于参数优化的多点最优最小熵解卷积(Parametric Optimized Multipoint Optimal Minimum Entropy Deconvolution Adjusted,POMOMEDA)与CEEMDAN的滚动轴承微弱故障特征提取方法.由于MOMEDA的滤波效果受其中参数-故障周期T、滤波器长度L影响较大,提出采用变步长搜索法对其进行参数寻优.首先利用多点峭度和排列熵指标筛选MOMEDA中的故障周期T与滤波器长度L,对原始信号实现自适应MOMEDA降噪;然后采用CEEMDAN方法分解降噪信号,根据加权峭度(WK)指标选取包含故障信息丰富的固有模态分量(IMF)进行信号重构;最后对重构信号做包络谱分析,提取故障特征信息.通过仿真信号和实测信号分析表明,该方法能够有效提取滚动轴承微弱故障特征信息,具有一定的可靠性.     

基于LMD和MOMEDA的滚动轴承早期故障特征提取研究

采用局域均值分解(LMD)提取强噪声背景下的滚动轴承的故障特征效果并不理想,针对该问题,将多点优化最小熵解卷积(MOMEDA)与局域均值分解(LMD)相结合,进行了滚动轴承微弱故障信号处理研究。首先,利用局域均值分解(LMD)对外圈故障轴承的振动信号进行了信号重构;其次,利用多点优化最小熵解卷积(MOMEDA)滤波,进行了包络分析来提取故障特征;最后,将所提出的方法与局域均值分解(LMD)重构后,用最小熵解卷积(MED)滤波故障特征提取方法进行了对比;此外,采用所提方法分析了内圈故障。研究结果表明:所提出的方法对微弱故障特征提取有更好的适用性,能在包络谱中看到多倍频峰值,且峰值附近干扰很少;仿真与试验结果验证了方法的有效性。     

LMD-MOMEDA滚动轴承故障特征提取方法研究

由于滚动轴承的故障信号在强噪声的背景之下很容易被淹没,并且具有非线性、非平稳等特点致使故障特征提取困难,在分析了滚动轴承振动信号的特点后提出了一种将局部均值分解（LMD）与多点最优最小熵解卷积（MOMEDA）相结合的故障特征提取方法。首先将滚动轴承的故障信号进行LMD分解,得到一系列的PF分量;然后根据相关系数准则对相关程度较高的PF分量进行重构,用MOMEDA方法对重构后的信号进行降噪,提取故障特征。并通过实验验证了该方法的有效性。     

应用多分辨SVD和ICA的轴承复合故障诊断研究

针对滚动轴承复合故障信号中故障特征难以分离的问题,提出了基于多分辨奇异值分解(SVD)和独立分量分析(ICA)的复合故障诊断方法。首先利用多分辨SVD将复合故障振动信号分解为几个分量实现维数的增加;然后将分解得到的分量组合为混合信号,并利用ICA进行欠定盲分离;最后对分离后的独立分量进行Hilbert包络解调,由此实现对复合故障特征信息的分离和故障识别。通过对滚动轴承内外圈复合故障的试验信号分析表明,该方法可以有效地分离和提取轴承复合故障的特征信息。     

改进的共振稀疏分解方法及其在滚动轴承复合故障诊断中的应用

滚动轴承复合故障信号中各故障特征受到传输路径和其他干扰源的影响,在多缺陷共存条件下提取单个缺陷诱发的故障特征存在困难。提出一种基于双参数优化、子带重构改进的共振稀疏分解(RSSD)滚动轴承复合故障诊断方法：首先利用人工鱼群算法自适应选择RSSD的品质因子和分解层数以构造与故障特征匹配的最优小波基,获得包含瞬态冲击的低共振分量;然后依据提出的子带筛选准则选择并重构低共振分量中包含瞬态冲击成分的最佳子带;最后通过多点最优最小熵反卷积（MOMEDA）方法识别并提取重构信号中周期性故障冲击。仿真信号和轴承全寿命周期复合故障信号分析结果表明,与RSSD-MCKD方法相比,所提出方法能有效提取复合故障信号中各故障特征,精确实现轴承复合故障诊断。     

基于LMD能量熵的滚动轴承故障特征提取

为了对滚动轴承运行状态进行有效的判断,利用局部均值分解(LMD)对滚动轴承振动信号进行分解,将复杂的多分量信号分解成多个单分量信号;针对分解后的单分量信号在各频域范围分布不均匀特点,利用LMD能量熵提取出滚动轴承振动信号的故障特征。实验结果表明,LMD能量熵具有较强的信号表征能力,可以有效提取出滚动轴承故障特征。     

基于RLMD和Kmeans++的轴承故障诊断方法

为了提升轴承故障诊断性能,提出了一种基于鲁棒局部均值分解(RLMD)和Kmeans++的轴承故障诊断方法.利用RLMD方法对轴承振动信号进行分解,得到乘积函数(PF),根据PF分量与原始振动信号的相关程度选择敏感PF分量,叠加敏感PF分量构成重构信号;通过计算原始振动信号和重构信号的时域、频域统计特征形成轴承故障特征集;利用线性判别分析(LDA)提取轴承故障的Fisher特征;通过Kmeans++聚类的方法对故障特征进行聚类,得到各工况轴承的聚类中心;通过计算测试样本与聚类中心之间的汉明贴近度来实现轴承故障诊断.利用含有不同信噪比的仿真轴承故障数据和Paderborn大学轴承数据中心的轴承故障数据评价所提出方法的有效性.结果表明,该方法即使在样本数较少的情况下也能够准确地识别出不同类别和级别的轴承故障.     

基于改进MOMEDA的齿轮箱复合故障诊断

总体经验模态分解(ensemble empirical mode decomposition,简称EEMD)对信号分解时由于白噪声选取不当,常造成能量泄露;通过计算多点峭度可以提取冲击性故障周期,但在强噪声环境下其追踪效果并不理想;考虑到多点最优最小熵反褶积(multipoint optimal minimum entropy deconvolution adjuste,简称MOMEDA)提取故障时准确度受到故障周期区间范围的影响,提出了基于组合模态函数-多点最优最小熵反褶积(combined mode function-multipoint optimal minimum entropy deconvolution adjuste,简称CMF-MOMEDA)的自适应齿轮箱复合故障特征提取方法。首先,通过EEMD对信号分解,将信号按高低频依次分开;其次,取与原信号相关性强的本征模态函数,通过组合模态函数(combined mode function,简称CMF)将原信号分解为高低两个频带C_h和C_L,分别求其多点峭度谱图,提取故障周期成分;然后,设定合适的周期范围,通过MOMEDA提取故障特征;最后,将该方法应用于齿轮箱故障特征提取,以验证其可行性。     

MOMEDA结合数学形态滤波的齿轮故障特征提取

为了实现齿轮故障特征的有效提取,针对齿轮早期故障振动信号非线性、非平稳且信噪比低的特点,提出了一种基于多点最优最小熵反卷积(MOMEDA)和数学形态滤波的齿轮故障特征提取方法。首先利用MOMEDA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,最后对滤波结果求取频谱以进行故障特征提取;通过对仿真结果和实验数据的分析验证了该方法的可行性和有效性。结果表明,该方法具有抑制噪声和提取周期性故障冲击特征的能力,能够实现齿轮故障特征的提取。     

基于参数优化VMD的齿轮箱故障特征提取方法

为解决齿轮箱故障振动信号信噪比低、故障特征提取难的问题,提出了基于参数优化变分模态分解(VMD)的齿轮箱故障特征提取方法。首先,以分解结果的局部极小包络熵最小为目标,利用果蝇算法搜寻VMD分解参数K和α的最优组合;将原始信号分解成若干IMF分量,从中选择包络熵较小的分量进行信号重构,并对重构信号进行包络解调运算,从重构信号的包络谱中提取故障频率特征。结果表明,利用此方法对实测信号进行处理,成功降噪、提取齿轮箱故障特征,并且比利用经验模态分解方法降噪效果更好,提取的故障特征更加明显。     

基于MVMD-FRFT的滚动轴承早期故障特征提取研究

滚动轴承的振动信号具有非平稳、非线性的特点,造成其早期故障信号的特征提取困难,针对这一问题,对滚动轴承状态监测中常用的特征提取方法进行了研究,提出了一种基于多元变分模态分解(MVMD)和分数阶傅里叶变换(FRFT)的特征提取方法,并将其应用于滚动轴承的故障诊断中。利用MVMD算法将多传感器同时采集的多通道振动信号进行了同步分解,有效地提高了多通道数据融合处理能力,同时得到了若干个固有模态函数(IMF)分量;依据相关系数法从分解后得到的IMF分量中选取了包含故障信息最多的分量作为最优分量,利用FRFT对最优分量进行了滤波,降低了噪声对微弱故障信号的干扰;对滤波后的信号进行了1.5维包络谱解调,通过分析滤波后信号的包络谱,提取了滚动轴承的故障特征。研究结果表明:应用MVMD和FRFT相结合的方法能够有效地避免模态混叠现象,充分地利用故障特征信息,削弱低频信号与噪声的干扰,从而有效地提取出了滚动轴承的故障特征信息。     

轴承振动信号的去趋势分析和故障特征提取方法研究

针对传统经验模式分解(EMD)确定含噪模式分量缺乏具体评价指标的问题,首先利用互补集合经验模式分解(CEEMD)将故障信号分解,然后利用去趋势波动分析(DFA)计算每一个模式分量对应的标度指数,有用分量和含噪分量通过标度指数的幅值阈值进行区分,最后小波分析用于对识别出的高频含噪分量进行降噪处理,其目的是最大程度地保留高频模式分量中的故障信息,实现信号的自适应降噪。通过对轴承故障信号和数值仿真信号的分析结果表明:提出的方法能够更好地识别和提取轴承的故障特征。     

基于谱峭度和CEEMD的滚动轴承声信号故障诊断研究

使用声信号来诊断轴承故障越来越受到重视。针对滚动轴承故障信号的强背景噪声特点,提出一种基于谱峭度和互补集合经验模态分解(CEEMD)的故障特征提取方法。该方法首先对滚动轴承声信号进行快速谱峭度计算并进行带通滤波预处理,使滚动轴承声信号变得简单且噪声小,故障冲击成分明显;然后利用CEEMD将滤波信号进行分解运算,得到一系列本征模态(IMF)分量;再利用相关系数法和时域特征指标峰值因子选取包含故障信息最丰富的IMF分量;最后用Hilbert算法包络解调分析选取的IMF分量,得到清晰的故障特征频率。经滚动轴承故障实验分析,该方法可以对滚动轴承故障进行有效的诊断。     

奇异值分解与LMD结合的滚动轴承故障诊断研究

针对滚动轴承故障信号具有的非线性和非平稳性,其故障特征难以提取的问题,提出一种奇异值分解(SVD)和局部均值分解(LMD)相结合的滚动轴承故障特征提取和诊断方法。首先,将轴承故障信号进行LMD分解得到若干PF分量;然后选取和原始信号相关度较大的PF分量,利用奇异值序列来构造其故障特征向量;最后,将得到的故障特征向量作为学习样本输入到支持向量机(SVM)中,对故障类型进行分类和识别。实验结果表明,LMD和SVD结合的故障特征提取方法,能有效提取滚动轴承不同状态下的故障特征,对不同故障状态做出准确分类。     

基于DEMD的高压隔膜泵单向阀早期故障诊断

针对高压隔膜泵单向阀的早期故障特征提取困难的问题,提出基于微分经验模态分解(differential empirical mode decomposition,简称DEMD)的高压隔膜泵单向阀早期故障诊断方法。首先,对振动信号进行微分运算,提高高频成分的振幅比,使微弱高频成分在后续分解中更易提取;其次,对得到的新信号进行经验模态分解(empirical mode decomposition,简称EMD),并将分解后的本征模函数(intrinsic mode function,简称IMF)分量信号进行积分还原;最后,计算分量信号与原振动信号的Kullback-Leibler散度(Kullback-Leibler divergence,简称K-L散度)值,选取K-L散度值较小的分量信号进行重构,并利用Hilbert边际谱对重构信号进行瞬时频谱分析,以提取故障振动信号的特征。仿真与工程实验分析表明,该方法能够较好地提取出单向阀早期故障特征信息。     

基于改进EMD和谱峭度法滚动轴承故障特征提取

针对滚动轴承故障信号的强背景噪声特点,提出一种基于改进经验模态分解(empirical mode decomposition,简称EMD)与谱峭度法的滚动轴承故障特征提取方法.首先,利用EMD方法对原故障信号进行分解,得到若干平稳固有模态分量(intrinsic mode function,简称IMF);然后,采用灰色关联度与互信息相结合方法剔除传统EMD分解结果中存在的虚假分量;最后,运用谱峭度法和包络解调方法对真实IMF分量进行分析,提取故障特征频率.通过对实际滚动轴承故障信号的应用表明,该方法可有效地提取滚动轴承故障特征,且能够取得比传统包络解调分析更好的效果.     

基于VMD-LPP融合的轴承故障特征频率提取

为提高轴承故障特征频率的提取效果,提出了变分模态分解(VMD)和局部保持投影(LPP)相融合的轴承故障特征频率提取方法.该方法主要有三个步骤:一是利用VMD对信号进行分解,得到若干个本征模态分量(IMF),并将各分量组成高维信号矩阵;二是利用LPP对高维信号矩阵进行降维得到低维信号矩阵,而后进行信号重构,得到重构信号;三是对重构信号进行包络分析,根据包络谱中突出的频率成分判断轴承故障类型.轴承故障诊断实例验证了方法的有效性.     

基于SK-MOMEDA的滚动轴承微弱故障特征提取

针对滚动轴承早期周期性瞬态冲击不明显及谱峭度在低信噪比情况下分析效果差的问题,提出多点优化最小熵解卷积(Multipoint optimal minimum entropy deconvolution adjusted,MOMEDA)和谱峭度相结合的轴承微弱故障特征提取方法.首先,采用MOMEDA作为前置滤波器对含有强噪声的微弱故障冲击信号进行降噪,突显信号中的周期性冲击性成分;然后,通过谱峭度分析,以最佳中心频率和带宽对降噪的信号进行带通滤波;最后,对滤波后的信号进行Hilbert包络谱分析,便可以准确地获得轴承信号的故障特征频率.仿真信号和实验分析结果表明,该方法可有效增强振动信号的周期性瞬态冲击特征,提取出滚动轴承早期微弱故障特征.