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.     

基于改进小波去噪和EMD方法的轴承故障诊断

将改进的小波阈值去噪与EMD分解相结合应用于轴承故障诊断中。该方法首先利用改进的小波阈值去噪法对原始信号进行去噪,然后采用EMD方法将去噪后的信号自适应地分解成一系列IMF分量之和,通过能量-相关系数法选取能够反映故障特征的IMF分量进行包络谱分析提取故障频率。实验结果表明该方法能够有效识别故障特征频率。     

基于EMD阈值方法的轴承故障振动信号去噪

针对随机噪声信号影响对有用信息的获取,提出了EMD分解阈值去噪方法,将小波阈值去噪原理应用于经验模态分解（Empirical Mode Decomposition,EMD）中。首先对实际含噪信号进行EMD分解,根据分解后得到的内蕴模态函数（Intrinsic Mode Function,简称IMF分量）,采用自适应阈值去噪,进行信号重构,得到消噪后的信号,获取有用信息。将该方法应用于实际工程故障振动信号中分析研究表明,该方法可以获得较高的信噪比,能够对实际信号进行有效的故障特征频率提取,降噪后比降噪前的诊断效果更明显。     

基于SVM与D-S证据理论的异步电动机转子断条故障诊断方法

目前异步电动机转子断条故障诊断方法都是基于从定子电流中提取出特征频率来对转子状态作出诊断的方法,当异步电动机空载或轻载时,该特征频率易受基频泄露的影响而很难得到,同时该特征频率受转速波动影响很大,单纯根据该特征频率对转子状态作出判断缺乏准确性。针对上述问题,提出了一种运用SVM与D-S证据理论对异步电动机转子断条故障进行识别的诊断方法。该方法基于扩展Park法与FFT变换法,分别从定子电流信号和振动信号中提取转子断条故障的特征信息,利用SVM对异步电动机的状态进行模式识别,并将识别结果形成彼此独立的证据,而后根据D-S证据融合规则进行融合处理,从而实现对异步电动机转子断条故障的准确识别。实验结果表明,该方法可以对异步电动机转子断条故障作出准确判断。     

基于EMD和BP网络的轴承故障诊断方法

故障轴承的振动信号是非平稳信号,传统的非平稳信号分析手段存在许多不足;BP网络能够出色地解决传统识别模式难以解决的复杂问题。提出了经验模态分解(EMD)与BP神经网络相结合的滚动轴承故障诊断方法。采用EMD方法对振动信号进行分解,得到组成信号的多个内禀模态分量(IMF),提取重要的IMF分量的能量作为信号的特征量;采用BP网络作为模式分类器,对轴承的故障类型进行分类。经试验数据分析证明,该方法能够准确地对轴承故障进行诊断。     

基于EEMD和多分辨SVD包的滚动轴承故障诊断方法

针对传统EEMD不能有效提取滚动轴承故障特征信息,提出了EEMD和多分辨SVD包的诊断方法。该方法首先使用EEMD方法分解故障信号,得到一组故障信号的IMF分量,再通过相似度计算,筛选出与故障信号相似度最高的IMF分量。使用多分辨SVD包分解已筛选出的IMF分量,根据分解后的频谱,与标准值作对比,诊断分析出轴承的故障类型。将本文方法应用到滚动轴承的故障诊断,实验结果表明本文提出的方法能有效地提取到轴承的故障特征信息。     

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。     

基于小波包和EMD的HHT时频分析方法在航空试验器轴承故障诊断中的应用

为适应高转速要求,航空试验器轴承通常选用陶瓷的球体和复合材料的保持架。这种轴承发热量小,同时保持架材料具有轻且脆的结构特点。轴承振动经过试验器传递到振动传感器后,常规的振动采集与温度监控都很难识别出有效的轴承故障信息,无法对轴承故障进行准确预判。针对这一问题,提出一种基于小波包、经验模态分解（EMD）和Hilbert-Huang变换（HHT）组合的轴承振动信号分析方法。首先,通过小波包对振动噪声的抑制作用,经由EMD方法,对非平稳信号进行平稳化处理;之后,通过HHT时频分析提取出轴承的故障频率。通过将仿真信号和航空试验器的高速工装轴承的故障试验信号进行对比分析,验证了该技术对提取该类轴承故障特征的有效性,可为轴承故障早期诊断方法的研究提供参考。     

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EMD和优化K-均值聚类算法诊断滚动轴承故障

考虑到滚动轴承振动信号的非平稳特征和实际应用中典型故障样本不易获得等原因,而在实际应用中,故障程度识别和故障类型诊断一样重要,提出一种滚动轴承故障类型及故障程度识别方法。首先对原始振动信号进行EMD分解,对含故障特征的IMF(intrinsic mode function)分量进行信号重构,随后对重构信号进行Hilbert包络谱分析,在提取特征量的基础上,应用优化K-均值聚类算法进行故障类型和故障程度分类。实验结果表明:基于EMD和优化K-均值聚类的故障类型和故障程度识别算法,可将含不同故障类型的样本集,按故障类型进行正确分类;也可将含同种故障类型、不同故障程度的样本集,按故障程度进行正确分类。     

基于EMD和神经网络的变速箱状态识别研究

针对变速箱故障信号的非平稳和时变特点,提出了EMD和奇异值相结合的变速箱故障诊断方法;以变速箱箱体振动信号作为分析对象,首先对信号进行EMD分解,提取包含主要信息成分的IMF分量构成特征向量矩阵,计算其奇异值和奇异值熵,分别作为特征向量,通过神经网络和K近邻法判别变速箱的工作状态;在某型装甲车辆的实车测试中,以奇异值作为神经网络的输入特征向量和以奇异值熵作为K近邻法的特征向量均取得了较好的识别效果.     

基于EMD方法的机电作动系统故障特征提取

提出基于经验模式分解(EMD)分析的特征提取方法,该方法自适应地将故障信号分解为不同频段上的基本模式分量(IMF)之和,由于只有少数IMF对故障敏感,从而可以有效提取故障特征。实验结果表明该方法可有效提取电机早期隐性故障特征,为飞机机电作动系统的故障预测和健康评估提供必要的前期准备。     

基于EMD功率谱方法的机电作动系统早期故障特征提取

提出一种改进的基于经验模态分解(EMD)功率谱分析的特征提取方法,该方法自适应地将故障信号分解为不同频段上的基本模式分量(IMF)之和,然后只提取对故障敏感的IMF分量的功率谱.由于只有少数IMF对故障敏感,该方法能获得具有较高信噪比的原数据特征信息,这对预测功率变换器早期故障趋势具有极其重要的应用价值.实验结果表明,该方法可有效提取早期隐性故障特征,为飞机机电作动系统的故障预测和健康评估提供必要的前期准备.     

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EMD和奇异值分解技术的滚动轴承故障诊断方法

提出了基于EMD(Empirical mode decomposition)和奇异值分解技术的滚动轴承故障诊断方法。采用EMD方法将滚动轴承振动信号分解成若干个基本模式分量(Intrinsic mode function，IMF)之和，并形成初始特征向量矩阵。然后对初始特征向量矩阵进行奇异值分解得到矩阵的奇异值，将其作为滚动轴承振动信号的状态特征向量，通过建立Mahalanobis距离判剐函数判断滚动轴承的工作状态和故障类型。实验数据的分析结果表明，本文方法能有效地应用于滚动轴承故障诊断。     

基于小波旁瓣相消器的轴承故障特征提取

为解决强背景噪声下声信号提取的轴承故障特征不显著问题,提出一种基于小波旁瓣相消器的故障特征提取方法。该方法利用小波滤波器组将含噪故障轴承声信号变换到小波域,进行小波域阵列广义旁瓣相消自适应波束形成,再通过小波滤波器组重构增强后的故障轴承信号,最后对重构增强后的信号进行包络解调并提取故障特征频率进行故障诊断。实验结果表明,该方法能够在强背景噪声下有效提取滚动轴承故障特征,并且相较于传统的延时求和波束形成器具有更好的降噪和故障特征增强效果。     

基于自相关和经验模态分解的转子碰摩故障分析

针对转子故障振动信号具有周期性的特点,提出一种用于分离转子故障振动信号的新方法,该方法首先应用自相关处理对振动信号进行降噪处理,然后采用经验模态分解(EMD)对振动信号进行分解,得出各个本征模态函数(IMF),并对IMF进行频谱分析,从频谱图上可以清晰地观察出转子的故障特征频率.试验结果表明,振动信号经自相关处理后起到了很好的降噪效果,碰摩所产生的冲击信号上下不对称;EMD分解方法能有效地突出故障特征频率成分,该方法可广泛用于旋转机械振动信号时频分析领域.     

基于阶次跟踪和HHT瞬时相位法的轴承故障诊断

提出了一种基于阶次跟踪和HHT(Hilbert-Huang transform)瞬时相位法的轴承故障诊断新方法。对齿轮箱启动时的振动信号进行角域重采样,并对角域里的信号进行经验模态分析(EMD)分解得到多个固态模态函数(IMF)分量及其各自的瞬时相位谱,最后对包含故障信息的瞬时相位分量进行了快速傅里叶变换(FFT)。结果表明,该方法能对轴承的故障部位和类型进行准确诊断。