基于MCKD与小波包熵的齿轮箱轴承微弱故障信号提取

针对齿轮箱轴承故障信号含有大量噪声而特征难以提取的问题。文章提出一种基于MCKD(最大相关峭度解卷积)和小波包熵值相结合的齿轮箱微弱故障信号提取方法。首先根据MCKD对故障信号进行降噪,突出信号中的有效冲击成分。然后进行小波包分解得到包含故障特征成分的末层节点信号,并以互相关系数-小波包熵值为准则对最后一层节点信号进行筛选并获取敏感节点信号,最后通过对敏感节点信号进行重构从而获得降噪后的轴承故障信号。实验结果表明该方法能够很好的滤除信号中的噪声并且准确地提取故障信号中的冲击成分,是对齿轮箱微弱故障特征提取的一种新方法。     

MED方法及在滚动轴承故障诊断中的应用

介绍了最小熵解卷积（ Minimum Entropy Deconvolution, MED）的原理和实现步骤,说明了参数选择方法。为有效抑制噪声,增强故障特征信息,提出MED结合包络自相关的方法。通过实验台信号验证了所述方法的有效性及优点。     

基于MED和1.5维能量谱的滚动轴承故障诊断

1.5维谱因具有抗高斯白噪声的优异性能而被广泛应用于故障诊断领域,能量算子解调与1.5维谱相结合形成的1.5维能量谱用于轴承故障诊断效果更佳,然而该方法处理低信噪比信号效果不佳。针对强背景噪声下微弱故障特征提取难的问题,提出最小熵解卷积（MED）与1.5维能量谱相结合的诊断方法。先用MED对原始振动信号进行消噪,再对处理后的信号做1. 5维能量谱;分析包络谱中的频率成分并与对应故障特征频率相比较,得出诊断结果。仿真数据和多组实测数据均证实了所提方法的有效性和优越性。     

基于小波包和LCD的滚动轴承故障诊断

针对含噪背景下提取滚动轴承的非平稳非线性信号特征的问题,提出了一种将LCD(局部特征尺度)与小波包相结合的故障诊断方法。对待测信号进行小波包降噪预处理,再利用LCD分解得到ISC分量(内禀尺度分量),进一步根据峭度-相关系数筛选真实ISC分量用以重构获得有效的故障特征信号。最后通过对重构故障信息进行能量算子包络解调,从而得到轴承故障的特征频率。将基于LCD和小波包的时频分析方法引入轴承故障诊断中,实验结果表明该方法能有效地提取机械故障振动信号的特征。     

基于小波包能量和层次熵的D-S证据理论的轴承故障诊断技术

针对齿轮箱轴承故障识别率低、故障信号不平稳的问题,提出层次熵与小波包能量多源数据融合轴承故障诊断方法。采用小波包对轴承正常、内圈、外圈、滚动体故障等4种振动信号进行三层小波包分解并重构,计算各频段样本熵（即层次熵）和小波包能量作为故障特征向量集;应用归一化方法对2种特征向量处理后分别建立BP神经网络模型实现轴承不同故障模式的诊断;最后应用D-S证据理论,通过小波包能量和层次熵以及两者融合信息的故障诊断结果比较,表明基于神经网络和D-S证据理论相结合方法用于复杂机械的故障诊断是可行和有效的。     

基于MED-FWEO的滚动轴承故障检测

频率加权能量算子(FWEO)能够通过对信号瞬时能量的追踪消除信号中的噪声分量,突出故障冲击分量,对于轴承信号的处理具有较强的抗干扰性,然而对强噪声干扰下的信号则效果不够理想。针对该问题,提出将最小熵解卷积(MED)用于信号的预处理,以此消除信号采样过程中的传递噪声干扰,增强信噪比;而后以FWEO对处理后信号的瞬时能量进行追踪,从能量的角度进行故障特征的二次增强;最后通过包络谱分析获得诊断结果。仿真数据、实验室数据均表明所提方法能够在受强噪声干扰下的轴承故障信号中大幅消除噪声,准确提取出故障分量。     

样本熵改进小波包阈值去噪的轴承故障诊断

为了准确诊断出轴承故障,提出了样本熵改进小波包阈值去噪算法的轴承故障诊断方法。分析了样本熵与噪声大小、数据长度、信号固有特征的关系,得出了样本熵可以很好表征噪声大小、与数据长度、信号固有特征相关性极小的结论。使用样本熵从三个方面改进了小波包阈值去噪算法:提出了自适应阈值函数,使阈值函数随噪声分布情况进行自适应调整;以噪声信号样本熵值最大为依据,提出了最优阈值估计方法,使阈值随噪声大小自适应调整;以相邻分解层数的样本熵均值差值为依据,提出了分解层数确定方法。将样本熵改进小波包阈值去噪算法应用于轴承故障信号去噪中,去噪信号功率谱中轴承转动频率及倍频、外圈故障特征频率及倍频、两者的调制频率显露明显,能够明确判处出轴承为外圈故障,体现了极好的去噪效果。     

基于最小熵解卷积和能量算子的滚动轴承故障诊断方法

针对滚动轴承故障识别困难这一问题,提出了基于最小熵解卷积和能量算子的诊断方法。首先利用最小熵解卷积算法对原始振动信号进行预处理,削弱冗余噪声成分的干扰,增强故障特征,继而计算解卷积信号的Teager能量算子输出,并对所得的瞬时能量信号做频谱分析,最终通过分析能量谱中的频率成分实现故障类型的准确判定。实测信号分析结果表明,基于最小熵解卷积和能量算子的诊断方法能够有效提取轴承故障信号中的微弱特征信息,具有一定工程应用价值。     

基于最优熵与EEMD的滚动轴承微故障诊断方法

滚动轴承是易损件,为了更好并及时检测出在信噪比低的情况下的轴承早期微故障振动信号,提出了小波包最优熵和EEMD相结合的方法。运用小波包最优熵对采集信号实现信噪分离,突出了小波包降噪效果明显;通过EEMD将信号分解成多个分量;最后以互相关、峭度准则提取故障信号分量以避免分量选择的盲目性。结果表明:该方法对轴承初期故障具有良好的降噪效果,可以准确快速地检测出轴承故障,从而表明该方法是有效且可行的。     

基于Db4最优提升小波和T-K能量近似熵的轴承故障诊断

将Db4提升小波和Teager-Keiser能量算子结合分别对仿真信号和滚动轴承信号进行分析,用Db4提升小波根据小波系数最小熵原则获得最优细节信号,求其T-K能量谱提取特征信息,计算T-K算子的近似熵对轴承故障分类。结果表明:仿真和真实轴承信号经提升小波提取的细节信号,其T-K能量谱都可以提取故障特征,且T-K能量近似熵基本能对实验故障信号分类,效果较好。     

基于WTD和CEEMD的轴承故障特征提取方法

针对轴承故障信号常混有噪声干扰且故障特征难以准确提取问题,提出一种基于小波阈值去噪(WTD)和互补集合经验模态分解(CEEMD)的轴承故障特征提取方法。采用WTD对原始信号进行降噪预处理;对去噪信号进行CEEMD分解得到一系列本征模态函数(IMF);然后计算各个IMF和去噪信号的互相关系数,通过设定互相关系数阈值筛选有用IMF;最后将有用IMF重构并利用包络谱对重构信号提取故障特征频率。实测信号表明：所提出的方法能降低噪声干扰并有效提取故障特征信息,证明该方法在噪声环境下具有较高的可行性和较强的实用性。     

基于小波包样本熵及GA-BP网络的旋转机械故障识别

针对旋转机械故障信号具有非线性、非平稳性特点,提出一种基于小波包样本熵及GA-BP网络的故障识别方法。首先对故障信号进行小波包分解,计算重构节点信号能量较大的前4个子频带振动信号的样本熵作为特征向量;然后将特征向量输入GA-BP网络模型进行故障类型识别,并且与传统BP网络作对比。实验结果表明:转子实验台不同故障信号的小波包样本熵不同,该方法对转子故障区别度更有效果,故障识别率明显提高。     

基于多特征提取和LSSVM的轴承故障诊断

针对故障滚动轴承的振动信号具有非线性、非平稳的特点,提出一种基于时域指标、小波包能量和最小二乘支持向量机(LSSVM)的轴承故障诊断方法。分别对滚动轴承的原始信号进行时域分析计算和小波包分解,并提取状态差异较明显的时域指标和小波包分解后能量差异较大的小波包能量作为故障特征向量;将含有多个特征向量的数据样本分为训练样本和测试样本并进行归一化处理;训练样本作为LSSVM的输入来对该模型进行训练,通过训练好的LSSVM模型对测试样本进行分类和诊断。实验结果表明:采用该方法,轴承状态总体识别率为97.5%。     

SVD-LESE在滚动轴承微弱故障识别中的应用研究

矿用电机运行过程中环境噪声强且复杂,其滚动轴承的早期故障特征容易被淹没。提出一种有限包络谱熵(LESE)引导的振动信号奇异值分解方法,用于滚动轴承早期故障特征提取。根据待分解信号中频率和奇异值之间的对应关系,将对应同一振动信号成分的奇异分量进行累加作为一个信号子分量进行输出;提出LESE用来解决轴承微弱故障信号经SVD处理后故障敏感信号分量的筛选;最后通过对故障敏感信号分量进行包络谱分析从而确定滚动轴承的故障类型。实验结果表明：上述方法能够实现对轴承早期故障特征提取,有利于及时发现轴承问题,避免设备进一步劣化。     

基于改进VMD-EWT联合降噪的滚动轴承早期故障检测

针对采集到的滚动轴承早期故障振动信号因故障特征微弱而导致难以检测的问题，提出一种基于改进的变分模态分解(VMD)和经验小波变换(EWT)联合降噪的滚动轴承早期故障检测方法。首先，利用改进包络谱有效边界划分方法(IEPEFP)确定VMD和EWT的分解分量个数，利用改进分解模态数目选择方法(IDMNS)对VMD的主要分量进行叠加从而完成初次降噪；其次，对初次降噪后的信号进行EWT分解，利用IDMNS对主要分量进行叠加进而完成二次降噪；最后，对降噪后的信号进行包络谱分析，从而实现滚动轴承早期故障检测。通过轴承加速寿命试验数据集进行试验验证，结果表明提出方法可有效提取滚动轴承早期微弱故障特征，准确检测轴承早期故障，具有一定的工程参考价值。     

基于VMD混合域特征和SSA-SVM的滚动轴承故障诊断

滚动轴承早期故障信号易受噪声干扰,故障冲击成分难以提取,故障识别困难。为从多角度提取故障轴承振动信号特征参数,利用变分模态分解(VMD)将振动信号分解为若干本征模态分量(IMFs),基于包络熵、相关系数、峭度筛选IMF分量。提取所选IMF的时域和频域特征、信号VMD能量熵及各IMF能量比组成特征向量,从时域、频域和能量角度反映故障信息。使用麻雀搜索算法(SSA)优化SVM参数,确定最优参数,克服参数选择难题。将样本特征向量输入SSA-SVM中进行故障分类,轴承故障实验数据表明：该方法故障识别平均准确率在98.71%以上;与单一域特征相比,该方法对故障类型和损伤程度识别效果更佳。     

基于IFM-VMD与WTD-Hilbert结合的滚动轴承故障诊断

针对变模式分解(VMD)中分解层数K对分解结果准确度影响较大以及轴承振动信号夹杂的噪声极大地影响有用信息提取的问题,提出了一种利用瞬时频率均值(IFM)确定K值并结合小波阈值降噪(WTD)和Hilbert变换对轴承的振动信号进行分析的方法。首先利用瞬时频率均值选择合适的VMD中的K值,然后用VMD方法对含噪声的信号进行自适应分解,根据相关系数原则从分解的分量中选取含有主要故障信息的分量进行小波阈值降噪分析,最后进行Hilbert变换解调出故障特征频率。为验证此方法的可行性,首先通过仿真信号验证了所用降噪方法的可靠性,然后用提出的IFM-VMD与WTD-Hilbert结合的方法对实际轴承故障数据进行分析,该方法故障诊断的准确率达到99%以上,说明该方法可以很好地识别滚动轴承的故障信息。     

基于FOA随机共振和LCD_FSK的轴承故障特征提取

针对滚动轴承故障振动信号的非平稳性、受噪声干扰和传统的共振解调不易确定滤波器参数的问题,提出了一种基于果蝇优化算法(Fruit Fly Optimization Algorithm, FOA)的自适应随机共振和快速谱峭度(FSK)的方法。该方法首先利用FOA优化共振参数,使信号达到最优共振,时频增强。再经过局部特征尺度分解(Local Characteristic Decomposition,LCD),选取合适ISC分量进行重构,然后对重构信号进行快速谱峭度和Hilbert包络解调分析,从包络谱中得到故障特征。最后,将该方法运用于仿真信号和美国凯斯西储大学轴承数据中心的轴承故障信号,并将利用该方法得到的包络谱信号和未经过随机共振、未经过谱峭度的两种处理结果进行对比,进一步证明了该方法可有效地提取轴承故障特征。     

VMD与MCKD在轴承故障诊断中的应用与研究

针对传统解调分析难以提取轴承故障信息的这一特征,提出了一种变分模态分解(variational mode decomposition,VMD)与最大相关峭度解卷积(maximum correlated kurtosis deconvolution,MCKD)相结合的滚动轴承故障诊断方法。首先对轴承故障信号进行进行VMD分解并得到一系列窄带本征模态函数(intrinsic mode functions,IMFs);然后对各个IMF分量进行MCKD降噪,突出故障冲击成分;最后对降噪后的信号进行包络解调分析完成轴承的故障诊断。仿真信号和轴承故障振动信号的分析结果表明,基于VMD和MCKD的轴承故障诊断方法能够准确地获取轴承故障特征频率。     

基于IMF和预测滤波的轴承故障诊断方法

针对滚动轴承早期故障信息难以提取的问题,提出了基于固有模态函数(IMF)和线性预测滤波的诊断技术。首先,通过经验模态分解(EMD)把振动信号分解成一系列的固有模态函数。根据包络频谱相关信息提出了一种固有模态函数重构方法,将故障信息敏感的固有模态函数重构为一个新的信号。然后通过线性预测滤波加强重构后信号的冲击故障信息,最后利用信号的功率谱有效的展现了轴承的故障频率特性。通过实测滚动轴承信号对该方法进行了验证,结果表明该方法能准确的检测滚动轴承故障。