基于CCWEEMDAN和包络谱熵的轴承故障诊断研究

完全互补小波噪声辅助集总经验模态分解(CCWEEMDAN)是经验模态分解(EMD)的改进算法,是一种噪声辅助的自适应非线性非平稳数据处理方法。噪声辅助能克服EMD方法处理间歇信号出现的"模态混叠"问题。而相比较互补集总经验模态分解(CEEMD),完全互补小波噪声辅助集总经验模态分解能实现更优的性能。在轴承故障诊断的应用中,这里的方法利用小波分解高频段噪声细节成分,添加到原始轴承故障信号中,提取出本征模态信号。利用包络谱熵判断轴承故障导致的冲击响应特征所在本征模态信号,通过对轴承外圈、内圈局部故障状态下的特征提取进行故障诊断,结果表明该方法能有效提取故障冲击响应特征。     

基于Hilbert包络谱熵和GA-SVM的水轮发电机轴承故障诊断

水轮发电机轴承在运行时承受着整体机组的轴向负荷与复杂水推力,针对其产生的非稳态、非线性特征的振动信号,提出一种基于Hilbert包络谱分析与遗传算法支持向量机（GA-SVM）相结合的诊断方法,用于轴承故障状态的识别。首先对推力轴承运行时产生的振动信号进行集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）,分解成若干个固有模态函数（Intrinsic Mode Function,IMF）,依据峭度准则选取主要IMF分量并通过Hilbert包络谱分析,计算包络谱熵,将归一化后的包络谱熵作为特征向量输入GA-SVM进行训练与故障识别。仿真实验结果表明,基于EEMD包络谱熵分析法相比于时频域图像处理能更好地提取出复杂工况下的故障信号特征,遗传算法支持向量机识别准确率达96.87%,该算法模型可进一步应用于水轮发电机轴承故障诊断。     

基于形态分量分析和包络谱的轴承故障诊断

滚动轴承出现局部损伤时,其振动信号往往由包含轴承自身振动的谐振分量、包含轴承故障信息的冲击分量及随机噪声分量构成。提出了基于形态分量分析和包络谱的滚动轴承故障诊断方法。该方法根据轴承振动信号中各组成成分的形态差异,利用改进的形态分量分析对滚动轴承故障振动信号中的谐振分量、冲击分量和噪声分量进行分离,然后对冲击分量进行Hilbert包络解调分析,根据包络谱诊断滚动轴承故障。算法仿真和应用实例表明,该方法能有效提取滚动轴承故障特征。     

基于改进HVD和包络谱的轴承故障诊断方法

轴承是机械设备的重要零部件之一。希尔伯特振动分解与经验模态分解同样存在着端点效应,针对于端点效应提出了镜像延拓的改进方法,该方法通过在信号左右两端分别延拓一定的数据长度,信号分解后再截去左右延拓的数据。较之传统的希尔伯特振动分解方法,该方法能有效的抑制分离出的分量两端发生发散的现象,将改进的HVD与包络谱结合能够有效的应用于轴承故障诊断,能够有效地提取出轴承故障特征频率。     

基于IITD和包络信号1.5维谱的轴承故障诊断

为了有效识别轴承的早期故障特征,提出了一种基于改进的本征时间尺度分解(IITD)结合包络信号1.5维谱的轴承故障诊断方法。IITD方法是将端点延拓引入到传统的本征时间尺度分解(ITD)当中,用于改善其端点效应。轴承振动信号经IITD分解后得到一组PR分量和一趋势项,对PR分量的包络信号进行1.5维谱分析。结果表明,IITD分解得到的PR分量包络信号的1.5维谱,可以准确提取轴的转动频率、内圈故障特征频率和外圈故障特征频率,从而实现了轴承故障的有效诊断,证明了该方法的有效性和实用性。     

基于小波包和阶次包络谱的轴承故障诊断

研究旋转机械在变速过程中振动信号的分析方法。利用小波包提取了齿轮箱启动过程中振动信号的高频成分,并对其进行了角域重采样,在此基础上利用H ilbert包络解调得到轴承故障信息的阶次包络谱。结果显示:将小波包和阶次包络谱分析法相结合处理轴承瞬态信号时,能够有效地避免传统频谱方法无法解决的“频率模糊”现象,对轴承的早期故障有一定的识别能力,是对传统的频谱分析法的有力补充。     

基于多尺度Hermitian小波包络谱的轴承故障诊断

提出了一种基于多尺度Hermitian小波包络谱的轴承故障诊断方法。该方法综合利用了Hermitian小波和包络谱分析技术的优点,首先对轴承故障振动信号进行Hermitian连续小波变换,得到小波分解的实部和虚部,然后计算振动信号的多尺度包络谱。对齿轮箱轴承故障振动信号的分析表明,该方法在强噪声环境下能有效识别轴承内圈故障和外圈故障。     

基于小波包能量谱和包络分析细化的轴承故障诊断

提出了一种将小波包能量法和细化包络分析相结合的滚动轴承故障诊断方法。首先利用小波包变换将滚动轴承振动信号分解到独立的频段上,计算出不同频率段的能量,根据频段能量的变化情况,确定滚动轴承故障所在频段。重构故障频段信号。然后应用Hilbert变换对重构信号实现包络解调,提取故障特征频率。最后为了进一步提高包络谱的分辨率,采用线性调频Z变换细化频谱。实际的滚动轴承实验数据的处理和分析结果表明,该方法在滚动轴承故障诊断中是有效的。     

基于VMD与增强包络谱的轴承早期故障诊断方法

针对滚动轴承的早期故障信号容易受到噪声的干扰,造成信号的信噪比较低等问题,结合VMD和增强包络谱两种算法的优势,提出了一种基于遗传算法优化VMD与增强包络谱的轴承故障诊断方法。首先,使用包络熵与平方包络谱峭度的组合作为遗传算法的适应度函数,对变分模态分解的参数进行了寻优,得到了最优的模态分量个数和惩罚因子组合;然后,使用最优参数组合对轴承故障信号进行了变分模态分解,得到了若干模态分量,并选择了最小适应度值对应的最优模态分量;最后,为验证该方法的有效性,采用无刷直流电机轴承和全寿命加速退化轴承两种实测信号进行了轴承故障类型识别分析。研究结果表明：相比传统方法,采用基于VMD与增强包络谱的方法,其输出信噪比平均提升了5.94 dB,对于全寿命轴承退化数据可提前600 min识别出轴承的早期故障;该方法具有输出信噪比高、适应性好等优点,在轴承的微弱信号检测和早期故障识别方面具有较好的应用前景。     

阶次包络谱在轴承故障诊断中的应用

旋转机械的升降速过程包含丰富的状态信息,因而旋转机械的升降速过程对于旋转机械的故障诊断具有独特的价值.将常规的阶次分析技术与包络谱相结合,提出基于阶次包络谱的齿轮箱故障诊断方法.首先对齿轮箱升降速瞬态信号进行时域采样,再对时域信号实行等角度重采样,转化为角域平稳信号,最后对角域重采样信号进行包络谱分析,就可提取轴承的故障特征.通过对轴承内圈、外圈故障实验信号的分析,表明该方法能有效诊断轴承的故障.     

基于EMD和Hilbert包络谱的滚动轴承故障诊断

为了对旋转机械中滚动轴承的运行状态进行故障监测和诊断,提出了一种基于EMD和Hilbert包络谱的滚动轴承故障诊断新方法.通过在滚动轴承实验台上提取振动信号,用EMD对数据进行分解得振动信号的固有模态函数分量(IMF分量),然后对IMF作Hilbert包络并进行谱分析.结果表明,该方法能够准确地识别和诊断出滚动轴承的运行状态和故障类型,非常适合滚动轴承故障精确诊断,具有很高的工程实用价值.     

基于倒谱和包络解调的齿轮箱故障诊断

齿轮箱是设备上重要的传动部件,齿轮故障诊断对设备的长期安全运行起着至关重要的作用.根据齿轮振动机理及谱分析来进行振动信息处理和特征提取,是目前齿轮故障诊断中的一种有效方法.分析了齿轮箱的振动故障特性,提出了用解调谱和倒谱两种分析法相结合来对系统的输出信号进行故障诊断的方法.最后在齿轮故障模拟实验台上采集了故障下的振动信...     

基于冗余2代小波局部梯度谱熵的轴承故障诊断

用改进的冗余第2代小波包将滚动轴承振动信号分解为多个频带载波,以互相关系数最大原则确定最优载波,求其局部梯度及局部梯度谱图,并提出局部梯度谱熵指标对试验工况滚动轴承进行故障分类。结果表明:最匹配的故障轴承载波信号局部梯度功率谱能找到其对应特征频率及其倍频。局部梯度谱熵指标大小顺序基本为:外圈剥落最大,其次是内圈剥落、滚动体剥落和正常,能较好区分不同试验转速的轴承信号。     

包络直方图与循环谱相结合的旋转轴承故障诊断方法

采用时域包络直方图与频域循环谱相结合的方法,对非平稳状态的轴承振动信号进行故障分析和识别。首先利用包络直方图获取振动信号的能量分布,实时、直观地评估轴承的运行状态;然后对异常状态的振动信号进行循环平稳分析,通过特征频率获取故障的具体部位。二者相结合的方法既可以快速直观地实现故障识别,又可以保证故障诊断的细致和准确。     

基于AR模型和谱熵的自适应小波包络检测

针对传统故障诊断的包络问题,提出了一种基于自回归（auto regressive,AR）模型和谱熵的自适应复解析小波包络检测方法。通过AR模型从数据内在规律性上剔除机械振动信号中可线性预测的平稳成分,提取共振衰减的非平稳成分,在不同频带下进行复解析小波包络,结合谱熵在频域内与通带滤波的相关性选定最佳包络。仿真和试验数据分析结果表明,该方法能有效地提取故障特征频率,较传统方法自适应性更强,鲁棒性更高,包络效果更好,在工程应用中具有良好的前景。     

基于EEMD和Hilbert包络分析的轴承复合故障诊断研究

针对低信噪比的齿轮传动系统的轴承复合故障,首先采用EEMD对故障信号进行分解,得到各阶IMF分量和残余量;以峭度为特征指标,计算各阶IMF分量的峭度值;对峭度最大的IMF分量进行Hilbert包络解调。最终结果表明,该方法能有效地提高信噪比,从强背景噪声的齿轮传动系统中提取了轴承故障特征频率。     

基于短时滑移模糊熵和LPP的轴承故障诊断

针对旋转机械设备的故障特征微弱和环境噪声强等问题,提出了一种基于短时滑移模糊熵和局部保留投影法(locality preserving projection,简称LPP)的故障特征提取方法。首先,通过对滑移截断短时序列的架构分析,引入多尺度复合模糊熵,获得信号在不同复合尺度下的特征信息和故障潜在特征,能准确反应信号复杂度和不确定性;其次,应用LPP流形降维并保留信号的局部数据特征,设计最优带通滤波器,对轴承振动信号进行故障冲击特征提取。仿真分析和实验数据结果验证了该方法在强背景噪声情况下降噪抑制方面的有效性,具有快速识别和提取滚动轴承的微弱冲击特征的能力。     

基于边带相关算法和Hilbert包络谱的滚动轴承故障诊断

为了对旋转机械中滚动轴承的运行状态进行故障监测和诊断,提出了一种基于边带相关算法和Hilbert包络谱的滚动轴承故障诊断新方法。通过对滚动轴承产生振动的模型进行分析,可以将振动信号看成为多个调制信号的叠加,而边带相关算法可以在频谱图基础上找出调制性最强的频率区间,然后进行带通滤波得到此频率区间内的时域信号,最后对其进行Hilbert包络并进行谱分析,最终能得到调制信号中调制频率的大小。利用滚动轴承实验取得的振动信号进行分析验证,可以在滚动轴承具有外圈、内圈、滚动体缺陷的情况下的振动信号找出调制频率,有效地提取故障特征。结果表明该方法能够准确地识别和诊断出滚动轴承的故障部位和类型。     

相关系数包络谱联合指标CeK的轴承故障诊断方法

针对轴承故障冲击特征提取时存在噪声和转频等成分的干扰问题,提出一种相关系数包络谱联合综合指标C_eK的轴承故障诊断方法。在信号预处理阶段采用新的综合指标C_eK从总体平均经验模态分解(Ensemble empirical mode decomposition,EEMD)得到的多个本征模态分量(Intrinsic mode function,IMF)中选取最优分量,进一步使用最大相关峭度反褶积(Maximum correlated kurtosis deconvolution,MCKD)对最优分量进行滤波降噪处理,最后使用Laplace小波相关滤波法提取故障冲击相关系数的峰值,做相关系数的包络谱图。通过仿真信号的分析结果,验证了本文方法的可行性。借助于南昌铁路局采集的真实故障信号,并以峭度指标代替本文提出的综合指标进行后续处理以及自适应Morlet小波滤波提取故障特征的分析结果,突出了利用综合指标C_eK和相关系数包络谱提取故障特征频率的优越性。     

基于小波包近似熵的轴承故障诊断

将小波包变换与近似熵原理相结合,根据近似熵随着信号复杂程度的增加而变大的特征,可应用于轴承声发射信号分析,判断轴承有无缺陷。通过采集轴承在不同模拟缺陷、不同转速、不同载荷等工况下的声发射信号,将采集到的信号经过小波包降噪与分解后,找出能量最大的子带,进行近似熵计算。结果表明,故障轴承中近似熵随着径向载荷和转速的增加而增加,正常轴承的近似熵则不会随着工况的变化而变化,从而取得了较好的诊断效果。