基于EMD模态相关和形态学降噪的齿轮故障诊断研究

为了从齿轮振动信号中提取出包含有故障信息的特征频率,针对现有EMD(Empirical Mode Decomposition)降噪算法中的IMF重构问题,提出了基于EMD模态相关和形态学降噪的齿轮故障诊断方法。首先采用EMD将目标信号分解为若干个IMF分量之和,利用模态相关分选准则选取噪声主导分量和信号主导分量的分界点,并利用各个IMF分量的自相关函数来验证该准则的正确性;然后将选到的噪声主导分量进行形态学滤波,利用峭度准则优化形态学结构元素尺度,自适应的寻求最优解;最后将滤波后的噪声分量与剩余分量进行重构,得到滤波重构信号,通过频谱分析识别齿轮故障特征频率。仿真数据和齿轮裂纹故障实验测试数据的分析表明,该方法滤波效果理想,能更有效地提取出齿轮故障特征。     

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。     

基于VMD-FastICA的齿轮箱故障诊断

针对齿轮箱故障信号微弱且易受周围噪声影响的问题,提出了一种基于变分模态分解(VMD)的独立分量(ICA)算法。该方法首先将采集的信号进行MCKD降噪,将降噪后的信号利用VMD算法分解为多个不同的本征模态分量(IMF),然后依据快速谱峭度图和相关系数选取有效的IMF分量进行重构信号,对于重构信号利用FastICA再次进行降噪处理,根据FastICA降噪后得到的故障特征分量,可以有效地识别故障。结果表明:该方法可以更清晰、准确地提取出故障特征频率和找出故障发生的位置。     

基于互相关—峭度和小波软阈值的EEMD降噪方法研究

针对目前EMD分解后IMF分量优选方法的不足,提出了一种基于互相关—峭度和小波软阈值的EEMD降噪方法。该方法利用EEMD对信号进行分解得到IMF分量,计算IMF分量的峭度值、标准差及其与原信号的互相关系数。根据互相关系数、标准差和峭度值,设置优选条件,将选定的IMF分量进行重构。与互相关系数、峭度准则单独作为优选条件的重构结果进行对比,结果表明这种新型优选方法的效果更好,利用基于互相关—峭度和小波软阈值的EEMD降噪方法对滚动轴承微弱故障信号进行处理,能够更精确地提取到轴承故障特征。     

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。     

EEMD降噪和谱峭度法在铁路货车轴承故障诊断中的应用

针对铁路货车轴承结构复杂,早期微弱故障往往淹没于强烈的背景噪声中而难于提取的特性,提出了基于EEMD降噪和谱峭度法的共振解调技术。首先,将轮对跑合实验台上测得的振动信号进行EEMD分解;然后,根据峭度、标准相关系数选取包含故障信息较多且与原信号相关性较大的IMF分量,分别对每个IMF分量进行谱峭度分析,确定带通滤波器的最佳中心频率和带宽;最后,将滤波后的IMF分量重构并进行包络解调和频谱分析。通过对轴承内、外圈故障的实验研究,验证了该方法的有效性和可行性。该方法在铁路货车轴承早期故障诊断中具有较好的实际应用价值。     

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。     

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。     

基于CEEMD和3点对称差分能量算子的滚动轴承故障诊断方法

为解决传统信号处理方法提取滚动轴承故障特征不精确和Teager能量算子解调信号的解调频率和幅值误差较大的问题，课题组提出一种基于互补集合经验模态分解和3点对称差分能量算子结合的轴承故障特征提取方法CEEMD DEO3S。课题组首先对滚动轴承进行CEEMD分解前进行去噪处理来增强信号的故障脉冲；然后利用CEEMD将去噪后信号分解为一系列固有模态函数，并依据相关系数原则选择最能表征故障的敏感分量，重构后进行DEO3S解调，依据解调后得到的幅值和频率计算信号的包络谱。实验分析表明：所提方法解调信号的误差更小，提取轴承故障频率更精确。     

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。     

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。     

基于EEMD和单通道盲源分离的齿轮箱复合故障诊断研究

针对齿轮箱复合故障诊断中,多级传动相互干扰,微弱的轴承故障会被强烈的齿轮故障和噪声湮没而难以提取的问题,提出了基于EEMD和单通道盲源分离的齿轮箱复合故障诊断方法。首先利用单个加速度传感器采集齿轮箱振动信号,对采集的信号进行EEMD分解,根据峭度准则和相关系数重构IMF分量;然后应用盲源分离方法对重构的IMF分量进行求解,对分离的信号进行包络解调分析,确定出齿轮故障通道,轴承故障通道和噪声通道;最后对齿轮故障通道进行傅里叶变换,轴承故障通道进行基于谱峭度的共振解调分析,提取出信号的特征频率,完成齿轮箱的复合故障诊断。通过实验验证了该方法的有效性和可行性。     

V/x型牵引变压器匝间短路识别方法研究

V/x型牵引变压器匝间短路是威胁重载货运专线牵引供电系统运行安全的重要因素,欲实现匝间故障的快速、准确识别,必须建立高效的模态特征提取方法。组合经验模态分解(EMD)和能量权重原理的多尺度能量熵识别方法,可从差动电流信号中准确提取牵引变压器匝间的动态特征信息。该方法首先对差动电流信号进行EMD分解,以获得若干固有模态函数(IMF)分量;然后计算差动电流信号和各个IMF分量的能量权重;最后构建基于能量权重的多尺度能量熵,并以熵值作为识别匝间短路的特征矢量。实验案例证明,该方法不仅能快速准确识别出变压器匝间短路,而且具有原理清晰、模式空间划分简单的优点。     

基于CEEMDAN和CNN TSA GRU的滚动轴承故障识别方法研究

为避免复杂噪声对滚动轴承智能诊断模型的准确率干扰，提出一种基于完全集合经验模态分解CEEMDAN和深度时间自注意力卷积网络CNN TSA的滚动轴承故障识别模型。该模型首先采用CEEMDAN将信号分解为若干固有模态函数(intrinsic mode function，IMF)分量，利用光谱放大因子SAF指标自适应筛选最优高信噪比分量；其次采用改进时间自注意力机制对数据分配权重并采用卷积神经网络CNN提取空间特征，弱化冗余特征信息，保留目标特征；最后利用门控循环单元GRU提取样本数据时间特征，使得网络得到更充分的学习，提高模型鲁棒性。经试验数据验证：所提出的深度学习智能故障识别模型故障识别准确率达到98.87%；对比一维CNN和CNN LSTM模型，识别准确率分别提高915%和8.86%，验证了该模型的有效性和优越性。     

一种自适应调整参数的形态学滤波新方法

针对形态学滤波在处理含有大量噪声的机械振动信号中结构元素长度不能自适应调整的问题,提出了一种可自适应调整结构元素长度的形态学滤波新方法。结构元素长度的不同会导致对信号特征提取效果的不同。该方法通过以峭度值为指标,找寻出使峭度值最大的一系列结构元素长度。然后通过计算不同长度滤波后信号的冲击特征比值,找寻出使故障特征最突出、最明显的结构元素长度。以此长度为最优长度对信号进行滤波,能够较好地提取出滚动轴承的故障特征,找到故障特征频率。通过实验台信号验证了所述方法的有效性和优点。     

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。     

基于字典学习形态分量分析的轴承故障诊断

在基于固定字典的形态分量分析(Morphological Component Analysis,MCA)方法基础上,提出了字典学习形态分量分析的滚动轴承故障诊断方法。分别以轴承内圈、外圈故障信号为训练样本,应用K-SVD(K-Singular Value Decomposition)字典学习算法对训练样本学习字典,寻求最优的字典空间;将学习到的字典取代MCA中的固定字典,根据信号所包含各成分的形态差异性,利用MCA对滚动轴承故障信号中的内、外圈故障特征和噪声成分进行分离;对包络后的故障特征分量做频谱分析诊断轴承的故障及部位。应用实例结果表明:该方法能在强噪声环境下有效地提取滚动轴承内、外圈的故障特征,性能优于固定字典的MCA方法,为MCA方法在选取字典时提供了新思路。     

基于小波包 核偏最小二乘的滚动轴承故障检测法

为了解决滚动轴承故障检测中出现的振动信号非线性问题，课题团队提出了一种基于小波包 核偏最小二乘（wavelet packet and kernel partial least squares method，WP KPLS）的故障检测方法。首先对采集到的信号进行小波包分解，将振动信号分解到独立的频段，提取不同频段的能量谱，并构建反映频谱状态改变的能量谱特征向量；再对得到的能量谱特征向量进行核偏最小二乘分析，建立故障检测模型，利用T2及SPE统计量来检测故障是否发生。实验结果表明：该方法能够较为准确地检测到轴承的内外圈故障，证明该模型是有效的。该方法综合了小波包对信号的分析优势和核偏最小二乘法在非线性情况下的数据处理优点，为解决故障检测中的非线性数据处理问题提供了一种新方法。