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。     

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。     

基于改进VMD的高速动车组轴箱轴承故障识别方法

针对高速动车组运行工况复杂、轴箱轴承故障率较高、背底噪声强和故障识别难度大的情况，提出基于改进变分模态分解（VMD）的动车组轴箱轴承故障识别方法。首先，运用能量差法和合成谱峭度法计算最优的变分模态分解关键参数；其次，基于相关系数、谱峭度及奇异值构建的评价参数，选取用于重构故障信号的本征模态分量；最后，对重构后的信号进行傅里叶变换，实现在强背底噪声情况下的故障特征频率识别，并通过模拟数据和真实动车组轴箱轴承试验数据对提出的方法进行验证。结果表明：提出的方法能够有效地在强背底噪声情况下重构带有预设的40或200 Hz故障特征频率的信号，重构后的信号最大程度保留了轴承的故障信息；故障特征频率识别效果好，能够为保障高速动车组的安全运行提供技术支撑。     

城市轨道交通车辆轴承故障诊断方法研究

基于谐波小波和加速度包络技术对轨道交通车辆滚动轴承的故障诊断方法进行研究。首先运用小波滤波对轴承的振动信号进行降噪;其次通过谐波小波包分解实现了对滚动轴承故障信号的特定频带选择;最后用加速度包络技术对分解后的信号进行包络解调,进行故障诊断。在轴承试验平台上对内圈故障轴承进行了试验,通过分析加速度包络谱,提取轴承故障特征频率,与理论值接近,验证了方法的有效性。     

改进经验小波变换在滚动轴承故障特征提取中的应用

针对高速列车齿轮箱滚动轴承故障特征提取困难的情况,提出了基于改进经验小波变换(Empirical Wavelet Transform,EWT)的轴承故障诊断方法。首先,对轴承振动信号进行EWT变换得到多阶固有模态分量,通过计算峭度值筛选出包含故障信息的固有模态分量,采用经验小波逆变换的方式对筛选分量进行重构,最后计算Hilbert包络解调谱对重构信号进行分析。研究表明,结合EWT,峭度系数和经验小波逆变换的方法可以准确的提取轴承的故障特征,为轴承监测和维修提供准确信息。     

基于EWT-SVD方法的高速列车滚动轴承故障诊断

针对高速列车齿轮箱滚动轴承早期故障特征提取困难的情况,提出了基于经验小波变换(Empirical Wavelet Transform,EWT)和奇异值分解(Singular value decomposition,SVD)的轴承故障诊断方法。首先对信号进行EWT变换得到各阶固有模态分量,然后计算各阶固有模态分量的峭度值并选取较大峭度值对应的分量。将选取的分量构造矩阵进行正交化奇异值分解,选择合适的阶数重构信号,最后对重构信号进行Hilbert包络解调分析。分别对仿真信号和滚动轴承发生外环故障进行分析,可以较为清晰地看到滚动轴承故障特征。研究结果表明,结合EWT、峭度系数和SVD的诊断方法可以准确、快速地提取轴承故障信息,从而可以对滚动轴承进行有效诊断。     

基于EMD和包络分析的城轨列车滚动轴承故障诊断

为了准确识别城轨列车滚动轴承故障类型,研究了一种基于经验模态分解（EMD,Empirical Mode Decomposition）和包络分析的滚动轴承故障诊断方法。对滚动轴承的振动信号进行EMD分解,得到若干个本征模态函数（IMF,Intrinsic Mode Function）之和,对包含主要信息成分的IMF分量作包络分析,根据包络谱的故障特征频率判断滚动轴承故障类型。实验结果表明,该方法能够准确有效地识别城轨列车滚动轴承的故障类型。     

基于谐波小波的轴承故障诊断方法的研究

提出了一种基于谐波小波的轴承故障诊断方法,并就滚动轴承内圈损伤、外圈损伤和滚动体损伤三类常见的运行故障,运用谐波小波变换提取了它们的故障特征。在武昌南机务段轴承检测的应用表明,该方法能有效提取滚动轴承振动信号的故障特征频率,具有良好的应用前景。     

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EMD分解和共振解调的滚动轴承故障诊断研究

在介绍滚动轴承的故障机理的前提下,采用振动信号分析法对滚动轴承状态监测和故障诊断进行研究。通过LabVIEW编程,应用EMD分解和共振解调相结合的方法,对振动信号进行分析,获取有用故障特征,进而确定故障类型。     

基于IMF熵价值的轮对轴承故障自适应诊断

针对集成经验模态分解(EEMD)方法中本征模态函数(IMF)不能自主筛选的问题,提出IMF价值评价方法,以此评价IMF价值高低。将IMF能量熵作为IMF价值高低的核心评价标准,并基于此建立轮对轴承故障自适应诊断模型。该模型将轴承振动信号进行EEMD分解得到不同尺度的IMF,依据IMF熵价值算法,筛选出价值更高的IMF进行信号重构,对重构信号进行希尔伯特变换,应用其边际谱提取轮对轴承振动特性频率。应用无故障轴承及三种不同故障轴承对本模型进行试验验证。结果表明,该方法能凸显轴承特性频率,能够有效提取轴承旋转频率倍频、故障特征频率及其倍频,并且轴承垂向和横向振动对轴承故障特征频率的检测在谱分辨率及故障表征上都有较好的表现力。     

基于自适应STFT的货车滚动轴承故障诊断

带故障的铁路货车滚动轴承振动信号表现为低频平稳信号与高频的周期性冲击信号的叠加。采用以三阶B样条函数作为窗函数的自适应短时傅立叶变换(STFT)对货车滚动轴承振动信号进行时频分析和故障信息提取。与传统的固定带宽的STFT相比,自适应STFT在不同频段自适应选取窗长,大大提高了振动信号的时频分辨率。应用该方法对197726型货车滚动轴承在内圈剥离、外圈剥离两种故障状态下的振动信号做了分析,求得故障频率分别为61.32 Hz和46.36 Hz,与内外圈的理论故障频率相符,可以有效地诊断出铁路货车滚动轴承内外圈故障。     

自适应小波分析和多层卷积极限学习码器的轴承故障识别研究

针对滚动轴承振动信号由于强时变和强噪声等特性导致其故障难以辨识的问题,提出一种基于自适应小波分析(AWA)和多层卷积极限学习自编码器(MLCELAE)的滚动轴承故障识别模型.首先,提出一种新的轴承振动信号频谱边界检测方法,对信号频谱进行自适应分割,进而将信号分解为若干本征模态分量;然后选择较能反映轴承故障特征的模态分量并重构;最后构造卷积极限学习自编码器,并逐层堆叠建立深层网络MLCELAE,将信号样本输入MLCELAE进行自动特征学习与故障识别.试验结果表明:提出方法的平均故障识别准确率达到了98.48％,标准差仅为0.17,相比于其他方法在轴承故障识别准确率方面更具优势,适用于滚动轴承故障的自动识别.     

高速轴承典型故障分析与故障预防措施

分析了滚动轴承的结构和基本参数,从振动角度描述了典型故障的振动机理和特征计算方法.以某1.5MW发电机为载体,分别分析了轴承正常、内圈和保持架故障、外圈故障、滚子故障下的振动信号,梳理了频谱和包络谱结构,验证了故障特点,并提出了滚动轴承的故障预防措施.     

地铁车辆滚动轴承振动信号的时域分析

针对地铁车辆滚动轴承故障,选取旋转机械固有的振动信号,运用信号的统计参数来进行故障诊断。滚动轴承的时域统计参数指标分析是利用电机带动轴承转动,给轴承施加一定的荷载,同时采集轴承旋转时的振动信号。试验设置了对照组,通过Matlab软件进行参数对照分析。通过时域分析发现,在常见的时域统计指标中,方根幅值、绝对平均值可作为诊断轴承故障的有效指标,均值、方差、均方根值可作为判断轴承故障类型的参考依据。     

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。     

基于仿真试验和BOA-VMD的轴箱轴承故障特征提取算法研究

针对城轨列车运行过程中轴箱轴承故障难以发现的问题，提出一种利用蝴蝶优化算法(Butterfly Optimization Algorithm,BOA)对变分模态分解(Variational Mode Decomposition,VMD）参数进行优化的轴承故障特征提取方法。首先构建基于轴承-车辆刚柔耦合的轴承故障动力学模型，提取轮轨激扰和轴承故障情况下的轴箱振动信号；然后利用蝴蝶优化算法对轴箱振动信号的VMD模态分量数和二次惩罚系数进行寻优，确定最佳参数组合；最后利用已确定的最佳参数对轴承振动信号进行VMD分解，得到不同本征模态分量(Intrinsic Mode Function,IMF)，并对最佳模态分量信号进行包络分析，识别到轴承故障时的特征频率。试验分析表明，基于优化参数的VMD分析方法能够有效提取轴承故障特征频率，通过经验模态分解(Empirical Mode Decomposition,EMD)分析方法对比，可以发现文章提出的分析方法效果更加有效。     

基于经验模式分解和11/2维谱的客车轴承故障诊断

为了保证高速客车的行车安全,开展了25型客车轴承故障检测诊断方法研究,使用振动信号对客车车轴轴承进行早期诊断和预警.分析了客车轴承振动信号特征,针对轴承故障特征频率包含的能量少且受到噪声干扰的特点,将经验模式分解和11/2维谱引入轴承振动信号分析,提出了基于经验模式分解和11/2维谱提取故障特征频率的客车轴承诊断方法....     

基于车辆总线和Laplace小波的机车轴承诊断系统

为保证高速客运机车的行车安全,开发基于车辆总线的机车轴承故障诊断系统,通过车辆总线监测温度和振动信号对机车走行部轴承进行早期诊断和预警。给出诊断系统的硬件结构、软件功能与特点。分析机车轴承振动信号特征,针对故障轴承冲击响应由一系列单边衰减振荡信号组成,轴承故障特征频率包含的能量少且受到噪声干扰的特点,将Laplace小波引入轴承振动信号分析,提出基于Laplace小波相关滤波和包络谱分析提取故障特征频率的机车轴承诊断方法。试验表明,所开发的系统有很强的鲁棒性,能有效诊断机车走行部各种类型的故障。