变分模态分解和形态学滤波在滚动轴承故障诊断中的应用

针对滚动轴承早期故障信号易被强烈的背景噪声淹没及故障特征难以提取的特点,提出了基于变分模态分解(VMD)和形态学滤波相结合的滚动轴承早期故障诊断方法。首先利用VMD将早期故障信号自适应地分解为一系列IMF分量,然后选择峭度值最大的前两个IMF分量重构,并对重构信号进行形态学滤波,最后通过Teager能量算子计算重构分量的能量谱来提取滚动轴承的故障频率,判断故障类型。将该方法应用于滚动轴承仿真信号与实际故障数据中,分析结果表明该方法能够更加有效提取故障特征频率信息,实现了滚动轴承故障的精确诊断。     

基于LCD和奇异值分解的轴承故障诊断

针对滚动轴承故障信号在初期特征频率微弱而且难以提取的问题,提出一种基于局部特征尺度分解(LCD)和奇异值分解相结合的故障诊断方式。首先对采集到的目标信号进行LCD分解,得到一系列内禀模态分量(ISC),然后再通过峭度—相关系数筛选用来重构真实的ISC分量,利用奇异值分解对重构分量进行分解。接着求出所对应的差分谱,根据差分谱理论再次进行重构,最后再对重构信号进行能量算子包络解调。通过实验验证,相比于传统包络解调,所提的方法能够有效地提取出故障轴承的特征频率。     

CEEMDAN辅助快速谱峭度的滚动轴承故障诊断方法

为解决集合经验模态（EEMD）存在分量重构误差大和提取的故障特征不明显问题，课题组提出一种自适应噪声完备集合经验模态分解（CEEMDAN）辅助快速谱峭度的故障诊断方法。首先采用CEEMDAN将故障信号分解为多个IMF分量，计算分量的谱峭度值，选择峭度和相关度最大的分量进行重构；然后通过快速谱峭度图确定最大共振频带，进行带通滤波分析，获得故障信息；最后采用某滚动轴承实验数据分别对内圈故障和外圈故障进行实验分析。结果表明：与原始故障信号相比，该方法获得的包络谱更清晰，故障频率更明显，内圈故障频率为162 Hz，外圈故障频率为107 Hz。该方法提取故障特征突出，可以得到有效的故障频带。     

宏雅与新变：张说颂文管窥

总体经验模式分解 (Ensemble Empirical Mode Decomposition, EEMD) 方法由于其自适应性和抗混叠的特性,在轴承故障诊断领域得到广泛应用。针对总体经验模式分解 (Ensemble Empirical Mode Decomposition, EEMD) 方法中参数难以准确获取的问题,提出了基于改进的EEMD分解和Teager能量算子的滚动轴承故障诊断方法。首先对故障信号进行预处理,自动获取EEMD方法中的加入白噪声大小和总体平均次数两个重要参数。之后对信号进行EEMD分解,得到若干个本征模态分量 (Intrinsic Mode Function, IMF),利用峭度准则选取其中峭度最大的分量并进行Teager能量算子解调,最后通过能量谱识别出滚动轴承的工作状态和故障类型。将该方法应用到滚动轴承仿真故障数据和实际数据中,实验结果表明,该方法可有效提取滚动轴承故障特征频率信息,验证了所提方法的可行性。     

基于组合降噪的卷积神经网络轴承故障诊断方法

针对滚动轴承振动信号包含不同频率复杂噪声,单一降噪方法难以去除多种噪声,导致最终故障诊断率低的问题。提出一种基于组合降噪的卷积神经网络的轴承故障诊断方法。首先,通过SVD分解方法,根据奇异值差分谱,一次降噪并重构信号,去除信号内能量较低的宽频率噪声;再根据降噪重构信号,自适应选取CEEMD分解的参数,并进行自适应CEEMD分解,利用线性相关系数与峭度交集法滤除相关程度低、故障特征信息少的IMF分量,同时二次降噪并重构信号;最后,构建一维卷积神经网络并进行轴承故障诊断。通过原信号和组合降噪后信号的时频分析,轴承故障诊断实验,验证了该方法的有效性。     

基于MEEMD小波软阈值函数的去噪方法

结合互补集合经验模态分解(CEEMD)和基于排列熵的信号随机性检测,提出了MEEMD方法。通过采用MEEMD方法将一个含躁信号分解为几个固有模态(IMFS),用软阈值函数来抑制高频固有模态的噪声,提高信号的信噪比(SNR)。对比该方法与基于EEMD和小波软阈值的联合去噪、基于CEEMD和小波软阈值联合去噪等方法得到的信噪比(SNR)和平均平方误差(MSE),发现基于MEEMD小波软阈值去噪方法的去噪效果较好。     

基于EMD和Wigner分布的轴承故障诊断研究

将经验模态分解和Wigner—Ville分布应用于轴承故障诊断的研究。首先将故障信号分解成一系列固有模态函数，再对分解后的固有模态函数进行Wigner—Ville分布分析，可有效抑制频率干扰现象，使时频分布图更加清晰，仿真信号和轴承故障实验信号的研究结果表明：基于经验模态分解和Wigner—Ville分布的分析方法，能有效地诊断轴承的故障。     

基于CEEMD SE和LSTM的滚动轴承剩余寿命预测

针对滚动轴承退化数据的复杂性和传统的寿命预测方法不能充分利用数据的相关性从而导致预测精度不高的问题,课题组提出了一种基于多频率尺度样本熵(SE)和长短期记忆神经网络(LSTM)相结合的寿命预测模型。该模型采用互补集成经验模态分解(CEEMD)结合相关系数分析,从滚动轴承振动信号中提取包含主要退化信息的IMF分量,并提取其样本熵矩阵,用于训练和测试LSTM。通过滚动轴承全寿命试验证明该模型可以准确预测滚动轴承剩余寿命,与BP神经网络和极限学习机(ELM)的预测效果对比验证了该模型的有效性。     

基于自适应增强形态滤波的滚动轴承复合故障分离法

针对滚动轴承复合故障难以分离的问题，课题组提出了一种自适应多尺度形态滤波分离方法。首先，利用具有提取周期性特征的多尺度形态滤波器和峭度特征能量积(kurtosis feature energy product，KF)提取出一种主要的故障特征分量；然后，利用奇异值分解(singular value decomposition，SVD)降噪方法对提取的故障特征进行降噪处理，增强故障特征；最后，对去噪信号进行迭代筛选分离，得到多个故障特征模式分量。通过仿真信号与异步牵引电机实际故障信号对比实验，结果表明：该方法能够分离复合故障特征，并有效提取噪声干扰下的故障特征信息。该方法滤波效果强于传统方法，具有较好的工程应用价值。     

齿轮故障振动信号精确幅值解调方法

齿轮故障振动信号中通常包含幅值调制成分,当信号过调制时,常用的包络解调无法准确表示真实的调幅信号。因此,基于希尔伯特变换、平方解调与最小二乘优化算法,提出了一种精确的幅值解调方法。该方法利用希尔伯特变换构造优化目标函数,加入基于平方解调构造的约束方程,通过最小二乘优化算法求解调幅参数,实现了精确的幅值解调。仿真表明:该方法在信号欠调制和过调制时均可以精确重构出真实的调幅信号,具有通用性,抗噪性好。实验分析表明:严重的平稳型故障会导致振动信号出现过调制,断齿故障导致全频带内产生的离散谐波成分影响啮合频率附近振动信号的调制强度。解调结果验证了该方法处理两类齿轮故障的有效性。     

基于MED和WMSDL的滚动轴承内圈故障特征诊断

针对滚动轴承早期内圈故障特征较为微弱，并伴随环境噪声的干扰，微弱的故障特征信息易被环境噪声所淹没的问题，课题组提出基于最小熵解卷积(MED)和加权多尺度字典学习（WMSDL)的滚动轴承早期故障诊断方法。课题组通过设置一个滤波器使故障特征信号峭度最大实现解卷积，利用WMSDL对解卷积后的信号稀疏分解后进行平方包络解调突出内圈故障特征频率。仿真分析和实例分析结果表明：解卷积后信号的信噪比明显提高，内圈冲击成分明显增强。课题组的研究可有效提取滚动轴承故障特征频率。     

PSO-COT与EEMD的变转速滚动轴承故障特征提取

针对滚动轴承在变转速工况下微弱故障特征难以提取的问题,提出了PSO-COT与EEMD的变转速滚动轴承故障特征提取方法。首先,通过粒子群优化算法(particle swarm optimization, PSO)寻找最优过采样率,对采集到的滚动轴承振动信号进行过采样;然后,利用计算阶比跟踪(computed order tracking, COT)将过采样后的时域信号转变成角域的平稳信号;最后,通过集合经验模态分解(ensemble empirical mode decomposition, EEMD)去噪,经过阶次谱分析滚动轴承故障特征阶次。实验表明该方法具有较好的故障特征提取精度,可以有效提取变转速工况下滚动轴承故障特征信息。     

基于同步提取变换和DRSN的滚动轴承故障诊断研究

针对旋转设备在复杂运行工况下,滚动轴承故障信号特征难以准确提取及识别的问题,结合深度残差收缩网络(depth residual contraction network,DRSN)的优势,将同步提取变换(simultaneous extraction transformation,SET)和深度残差收缩网络结合的故障诊断方法应用于轴承故障诊断。首先利用同步提取变换时频分辨率高的特点,对采集到的滚动轴承外圈信号进行模态分解和处理,得到分解后的时频图像:然后对图像进行灰度处理,并进行降维,以适合DRSN模型输入,最后进行故障特征识别,实现滚动轴承故障诊断。实验结果表明,该方法有效实现了复杂工况下对滚动轴承故障信号的特征提取,提高了故障识别率。     

基于邻域相关性小波去噪的滚动轴承包络解调及故障分类

将邻域相关性的冗余第二代小波应用于滚动轴承信号降噪,用Hilhert包络解调法提取的故障特征频率,比较不 同转速和载荷下的提取效果,提出包络幅值峭度指标,并将其输入BP神经网络进行故障诊断。结果表明：基于邻域相关 性的冗余第二代小波降噪方法能很好的抑制噪声,保留原信号的信息;降噪后的故障信号经过Hilbert包络解调能找到 特征频率及其倍频,其效果优于原始信号的包络解调分析。工况会影响分析效果,且速度对提取效果的影响大于载荷。 包络幅值峭度指标能很好区分不同工况的故障信号,结合BP人工神经网络诊断正确率为100%。     

基于改进EMD 的地震信号去噪

压制随机噪声是地震数据处理过程中的一个重要环节,目前大多数去噪技术都不同程度存在去噪效果差、易损伤有效信号等问题。利用经验模态分解可将信号自适应地分解为不同特征尺度固有模态函数的优点,及小波变换模极大值滤波方法对噪声的依赖性较小且适合于低信噪比信号去噪的优势,构造了一种经验模态分解与小波变换模极大值相结合的新的去噪算法,该算法很好地实现了地震有效信号与随机噪声的分离,有效提高了地震数据信噪比。将该算法应用于仿真实验和实际地震数据处理,结果都表明该方法明显优于常规经验模态分解去噪效果。     

基于DTCWPT分频特征和BiLSTM的滚动轴承剩余寿命预测

针对滚动轴承退化状态不稳定和传统退化指标不能准确描述轴承退化状态从而导致预测精度不高的问题，课题组提出一种基于快速谱峭度与双树复小波包DTCWPT结合双向长短时记忆网络BiLSTM的轴承寿命预测方法。该方法首先使用快速谱峭度计算故障中心频率；然后使用双树复小波包对信号进行分频处理，选取包含故障中心频率的分频带重构信号提取退化特征，并通过时间相关性、鲁棒性进行特征筛选；最后使用BiLSTM进行寿命预测。试验结果表明课题组所提出的预测方法可以准确预测轴承剩余使用寿命，对比LSTM方法进一步验证了课题组所提方法的有效性。     

基于自适应Morlet小波变换滚动轴承声学故障诊断的研究

基于声音信号的测试与分析是滚动轴承故障检测与诊断的一种新方法,提出了基于自适应Morlet小波变换诊断轴承声学信号故障的新方法。首先利用最小Shannon熵对Morlet小波的形状参数进行优化,找到与所测声音信号特征成份最匹配的小波,再对小波系数矩阵进行奇异值分解,通过奇异值与变化尺度的关系曲线得到最佳小波变换尺度,最后对滚动轴承故障信号进行Morlet小波变换进行故障特征提取。结果表明:该方法能有效地从强噪声背景下提取出轴承声学信号的故障。     

多通道相关-经验模式分解在滚动轴承故障诊断中的应用

在处理非平稳振动信号时,经验模式分解(EMD)的应用较为广泛。针对滚动轴承的早期故障信号中含有强烈的背景噪声,诊断效果有时也不够明显的情况,本文提出了多通道相关-经验模式分解方法。首先通过EMD将滚动轴承故障信号分解成若干本征模态函数(IMF)分量;然后对IMF分量进行多相关处理,取相关性最强的IMF分量进行自适应重构;最后通过循环谱分析识别出滚动轴承的故障类型。将该方法应用到滚动轴承的仿真故障数据和实际数据中,分析结果表明,该方法可以更加有效地提取滚动轴承故障特征频率信息,突出故障频率。     

神经网络的滚动轴承故障诊断

文章通过旋转机械故障实验平台,采集旋转机械故障实验台轴承的3种工作状态分别是轴承正常、轴承内圈裂缝、轴承外圈裂缝的振动加速度信号.对信号进行零均值化处理后,选择频率成分幅值较大的频率进行信号重组,提取其时域量纲特征值,利用神经网络进行故障类型的识别；通过实验,取得了很好的诊断结果.     

基于优化VMD与BP神经网络结合的滚动轴承故障诊断方法研究

为解决滚动轴承微弱故障信号不明显、识别故障类型准确率不高及变分模态分解(VMD)分解时参数主要依靠人为设定的问题，提出一种基于麻雀搜索算法(SSA)优化VMD参数与BP神经网络相结合的故障诊断方法。首先，使用麻雀搜索算法对VMD分解的模态分解个数及惩罚因子进行优化，搜索全局得出最优参数组合；利用优化后的参数对故障信号进行VMD分解，将分解后的本征模态分量导入BP神经网络进行模式识别。结果表明：与EMD、未优化VMD相比，优化参数后的VMD具有更高的故障诊断率99.53%,使故障诊断效果进一步提升。