基于小波包分析的滚动轴承故障诊断研究

理论分析和实例证明,峭度指标等滚动轴承振动时域统计参量可以判定轴承工作是否正常,但不能给出更多信息。通过小波包分析对振动信号进行分解,并有针对性地对包含有故障特征频率的频段信号进行重构,能有效地滤去各种干扰信号,显示故障特征信息,为滚动轴承的故障诊断提供了一种快速有效的途径。     

基于VMD和排列熵的滚动轴承故障诊断研究

针对难以识别的轴承运行振动信号中的状态特征,提出变分模态分解(VMD)和基于峭度准则排列熵结合的滚动轴承故障诊断方法.VMD分解算法受限于分解参数,分析参数对结果的影响,并通过定一求二的方法确定VMD的参数,使用设置好参数的VMD算法分解4种滚动轴承状态内圈故障、外圈故障、滚动体故障以及正常状态下的振动信号,由于滚动轴...     

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。     

基于改进滤波及峭度原则EEMD的转子故障特征识别方法

针对转子运转时的振动冲击和噪声较大从而容易掩盖振动信号中的故障特征的问题,提出了一种基于小波阈值去噪的EEMD故障特征识别方法。采用改进后小波阈值滤波方法对振动信号进行降噪预处理,对处理结果进行集合经验模态分解(EEMD),再依据峭度原则筛选分解得到的本征模态函数(IMF)。分析重构信号的频谱特征以识别故障。结果表明,该方法有效提高了信噪比且能提取到转子故障特征。     

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。     

EEMD降噪与倒频谱分析在风电轴承故障诊断中的应用

针对风电轴承故障时的振动信号为低频信号,并且出现不平稳、非线性等特点,一般很难检验出来,所以提出了一种新的轴承故障诊断方法:首先提出了基于相关系数与峭度相结合的EEMD降噪方法,对轴承振动加速度信号进行去噪,然后对降噪后的信号再次进行EEMD分解并与倒频谱相结合,对振动信号进行处理。此方案不仅提高了振动信号的信噪比,而且抑制了在经验模态分解中的模式混叠现象,提高了故障诊断的准确性,充分显示了其应用在风电轴承故障诊断系统中的可行性。     

基于EEMD的特征提取及其在齿轮裂纹故障诊断中的应用

为了提取齿轮裂纹故障的特征参数并识别不同裂纹深度齿轮的类型,以单级齿轮箱中的圆柱齿轮为实验对象,采集3种不同裂纹深度齿轮的振动信号。对采集到的信号进行时频域分析和EEMD分解,分别提取时域特征参数和EEMD能量特征参数,分析和构造齿轮裂纹故障特征向量,选用基于径向基核函数的支持向量机分类方法进行不同裂纹深度齿轮的识别。结果表明：结合时域特征参数和EEMD能量特征参数构造的齿轮裂纹故障特征向量能准确识别不同裂纹深度齿轮的类型。     

基于EEMD的相关排列熵的滚动轴承故障诊断

针对滚动轴承振动信号非线性、非平稳难以有效诊断的问题,提出了一种集合经验模态分解的相关排列熵的滚动轴承故障诊断方法。利用集成经验模态分解方法将振动信号分解为多个本征模函数,结合排列熵和相关系数进行特征提取。并通过滚动轴承故障实验验证了结合相关系数和排列熵方法在特征提取时的有效性和互补性,同时有效抑制了重构信号的模态混叠问题,并根据重构信号的包络谱分析完成了滚动轴承故障诊断。通过仿真和实验验证了本方法的有效性。     

基于声发射的滚动轴承故障诊断方法

为诊断低速滚动轴承故障,克服传统振动法诊断时故障信号极其微弱的缺陷。在实验室条件下对各类故障模式滚动轴承进行声信号采集,并对故障轴承声信号进行参量分析和波形分析的基础上,利用撞击数和神经网络技术对滚动轴承进行了故障诊断,提高了低速滚动轴承故障诊断的有效性和准确性。     

基于WPD-FWEO的轴承故障特征增强方法

用小波包分解(Wavelet Packet Decomposition,WPD)处理低信噪比信号时,常出现残存大量带内噪声的问题,严重影响了后期的故障诊断准确性。针对该问题,提出将频率加权能量算子(Frequency-Weighted Energy Operator,FWEO)作为小波包分解的后处理器,以消除其带内噪声,增强故障特征提取效果。对采样获得的故障数据进行3层小波包分解,得到各频带系数;对每个频带系数进行峭度计算,以峭度最大原则获取最优频带系数;以频率加权能量算子追踪最优频带系数的瞬时能量,从信号能量的角度消除信号中的带内噪声成分,二次增强信号中隐藏的故障脉冲信息;对其进行包络谱分析,得到最终诊断结果。仿真数据、实验室数据和工程数据验证了所提方法的有效性和实用性。     

基于EEMD的ICA算法在轴承-丝杠复合故障诊断中的应用

提出了一种基于EEMD的ICA算法,旨在解决单通道轴承-丝杠复合故障的信号分离。首先通过EEMD分解,将复合信号分解在不同的通道中,得到一系列IMF分量;再计算各IMF的峭度值和相关系数值,选取数值较大的几个IMF分量,与原始信号重新组成一组观测信号,作为ICA的输入,得到一系列IC分量;最后选取含有冲击成分较大的IC分量,进行包络分析,对故障类型进行诊断识别。通过实验成功分离并识别出两种故障类型,证明了该方法的有效性。     

基于小波奇异性检测技术的滚动轴承早期故障诊断研究

轴承早期故障的检测与诊断是实现安全生产、预防恶性事故的有效手段。用高精度加速度传感器采集轴承振动信号,采用小波软阈值降噪法剔除测试过程的噪声,提高采集信号的信噪比。基于小波变换奇异值检测技术,探讨了提取淹没在噪声背景中的早期故障特征的方法,同时指出了传统傅里叶变换的不足。研究表明,该方法是有效的,所提取的故障特征频率与理论计算的故障特征频率基本相同。研究结果为轴承早期故障检测与诊断提供了新途径。     

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。     

基于改进ACCUGRAM的滚动轴承故障诊断方法

滚动轴承故障信号的特征容易被强噪声淹没,难以提取信号中的冲击成分。针对这一问题,提出多点最优调整的最小熵解卷积（MOMEDA）优化的ACCUGRAM算法,并应用于滚动轴承故障诊断。首先利用MED算法对原始信号进行滤波预处理,突显信号中的有效循环冲击成分,提高MOMEDA优化ACCUGRAM算法中频带选择的分类精度,选择最佳的带宽和中心频率,最后对获得包含信息量最大的频带进行故障特征频率的提取和轴承的故障诊断。仿真和试验数据分析结果表明：该方法能够有效提取信号中的周期性冲击特征,具有一定的实用性。     

基于ADASYN和Swin Transformer的滚动轴承故障诊断研究

针对实际工况下,正常样本丰富、故障样本稀缺的类别不平衡情形,导致基于深度学习的故障诊断模型诊断能力较差这一问题,提出一种基于自适应综合采样方法(ADASYN)和Swin Transformer的故障诊断模型。使用自适应综合采样方法,改善数据分布,解决实际工况中故障样本与正常样本类别不平衡问题;使用Swin Transformer网络模型代替CNN网络 ,并使用深度迁移学习方法,使Swin Transformer网络模型掌握判别滚动轴承故障所需的浅层权重,深层权重通过反向传播方法训练获得;之后,将模型用于轴承故障测试,并对其进行调试;最后,将模型用于轴承故障实测,检验其实际工况下的诊断能力。实验结果表明：所提模型具有97%的诊断准确率,能够很好地适用于类别不平衡情形下的滚动轴承故障诊断。     

基于EEMD-FSK的滚动轴承故障诊断

为了解决轴承故障特征提取中经验模态分解(EMD)出现的模态混叠现象,提出一种集合经验模态分解(EEMD)、快速谱峭度选频和共振解调技术相结合的滚动轴承故障诊断方法。对原始振动信号进行EEMD处理,分解为多个本征模态函数(IMF);将符合峭度准则的IMF分量筛选出来,对其进行信号重构,对重构信号进行快速谱峭度计算得出快速谱峭度图,从图中选出最优频带中心和带宽,确定FIR带通滤波器设计参数;最后通过共振解调技术对滤波信号进行包络分析,得出包络谱确定滚动轴承故障特征信息。通过滚动轴承实验分析,验证了此方法的可行性。     

基于改进聚类评价的特征选择和轴承故障诊断方法

针对滚动轴承故障特征提取过程中存在低相关特征和特征信息冗余的问题,提出一种基于调整互信息(Adjust Mutual Information,AMI)和标准差(Standard Deviation,SD)的特征选择方法,量化评价统计特征并选择和故障状态相关度较高的统计特征用来进行轴承状态的判识;对于高维故障特征集采用线性判别分析方法实现数据从高维到低维的映射,提升基于支持向量机和极限学习机构建的故障诊断模型的性能。采用变负载情况下的12种滚动轴承故障数据进行实验验证所提方法的有效性和适应性,实验表明,所提方法能够有效筛选出相关特征,实现滚动轴承故障状态的准确识别,并具有良好的适应性。     

基于随机共振的轴承早期微弱故障诊断

针对早期轴承微弱信号难以发现、检测精度低等问题,提出一种基于随机共振的轴承早期微弱故障诊断方法。首先利用排列熵对周期信号的敏感特性,提出一种新的信号筛选方法来对信号进行初步滤波筛选;其次采用随机共振算法对故障信号进行噪声辅助增强,以信噪比为目标函数,采用麻雀搜索算法对随机共振系统参数k、a、b、h进行寻优,最后将寻优后的参数送入随机共振系统进行检测。仿真结果表明：该方法可以有效检测出强噪声中的未知微弱故障信号。