基于EEMD和RBFNN的列车滚动轴承故障诊断研究

针对列车滚动轴承振动信号的非高斯、非平稳性特征,提出一种基于集合经验模式分解(Ensemble Empirical Mode Decomposition,EEMD)和径向基函数神经网络(Radial Basis Function Neural Network,RBFNN)相结合的滚动轴承故障诊断方法,利用EEMD方法对振动信号进行分解,得到前8个本征模态函数(Intrinsic Mode Functions,IMF)分量,将归一后的IMF能量特征向量作为RBF神经网络的输入向量构建故障诊断模型,从而实现滚动轴承的故障识别。将RBF神经网络方法和BP(Back Propagation)神经网络进行对比,本文提出的方法能精确识别正常轴承、滚动体故障、外圈故障和内圈故障等4种轴承状态,为提高列车滚动轴承故障诊断的准确性和实时性提供了新思路。     

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。     

基于小波包分解和集合经验模态分解的列车转向架轴承智能故障诊断方法

提取故障特征不理想、诊断速度慢等是目前现有列车转向架轴承故障诊断方法存在的主要不足。本文提出了一种列车转向架轴承故障的智能诊断方法。该方法将小波包分解和集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)结合在一起,充分提取信号故障特征,并利用能量判别法和故障识别搜索算法进行故障模式识别,进一步提高了故障诊断速度。为了验证该方法的有效性,构建了轴承实验台,测试分析了广州地铁列车3种故障状态的转向架轴承。实验结果表明,该方法能够充分提取故障特征,迅速锁定搜索频段,准确识别轴承故障,提高了列车转向架轴承故障的诊断速度和准确性。     

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。     

模态特征分量(IMF)在轴承故障诊断中的选用原则综述

经验模态分解(Empirical Mode Decomposition, EMD)及其衍生算法近年来在轴承故障领域得到了广泛应用。该类算法可以基于振动信号自身的特点对其进行自适应分解，得到一组蕴含不同频率成分的固有模态函数(Intrinsic Mode Function, IMF)。但是该类算法由于自身分解规则的缺陷不可避免地存在端点效应与模态混叠现象，从而产生了一些虚假IMF分量，影响轴承故障诊断的准确性。此外，EMD类算法分解得到的IMF通常是噪声或干扰信号，只有少数分量能够反映轴承故障特征。因此，如何筛选含有丰富故障信息的敏感IMF是该类算法的关键。文章首先介绍了EMD及其衍生算法，然后总结了目前在滚动轴承故障诊断领域中选取敏感IMF的主要准则，并阐述了其优缺点。     

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。     

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。     

基于三阶Teager能量算子的轴承诊断技术研究

周期性的冲击信号是诊断滚动轴承缺陷的关键指标,有效地提取缺陷的冲量对精确检测轴承故障非常重要。受到噪声的影响,滚动轴承故障信号的冲击特征始终处于被淹没状况。为了将周期性冲击信号自低信噪比信号内提取出来,可通过一类三阶Teager能量算子对滚动轴承故障进行诊断。通过三阶Teager能量算子对故障振动信号的瞬时总能量进行求解,借助傅里叶变换开展频谱分析,自三阶Teager能量算子谱内进行故障特征的提取。结果表明,三阶Teager能量算子谱能够突出地显示出故障特征,效果明显优于传统的频谱分析法、包络谱分析法与二阶Teager能量算子谱法。     

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。     

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。     

基于AFD算法的滚动轴承故障诊断方法

基于自适应傅里叶分解(AFD)算法,将滚动轴承的振动信号分解为一系列单一分量信号并计算它们的峭度;将峭度由大到小顺序排列,自适应寻找峭度趋于稳定的拐点,对拐点前的单一分量信号求和并取包络作共振解调;根据解调得到的频谱判断滚动轴承是否发生故障及发生故障的部位。以N205EM型滚动轴承为例进行试验验证,结果表明:在不预先确定滤波频带,不出现无物理意义的"负频"情形下,能够准确有效地提取出比传统共振解调方法有更好频谱特征的滚动轴承故障信息,从而有效地诊断出滚动轴承的故障。     

基于EWT-MCKD的机车轮对轴承故障诊断

针对机车轮对轴承在实际运行过程中故障特征难以提取的问题,提出经验小波变换(Empirical Wavelet Transform,EWT)和最大相关峭度解卷积(Maximum Correlated Kurtosis Deconvolution,MCKD)相结合的滚动轴承故障特征提取方法.对原始信号进行傅里叶变换得到Fourier频谱图,根据频谱中的极大值将Fourier频谱图进行分段得到若干模态分量,以无量纲的裕度指标作为评价指标,再采用最大相关峭度解卷积对裕度因子最大的模态分量进行降噪处理.通过分析其包络谱中的频率成分来实现故障诊断.研究结果表明:所提方法对不同故障类型的轮对轴承进行诊断,可以准确有效的识别轮对轴承故障类型,具有一定的工程实用价值.     

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。     

基于改进LMD和MED的滚动轴承故障诊断研究

针对轨边声学轴承信号有用特征微弱、易被强噪声掩盖的问题,设计实现了一种将最小熵解卷积与改进局域均值分解相结合的方法,达到信号降噪与故障诊断目的。利用三次Hermite插值改善LMD并提高LMD分解精度。将采集到的强噪信号进行MED降噪,再利用改进LMD算法进行分解,使多分量信号分解成单分量信号,并计算各分量的峭度值,挑选出峭度值最大的分量,最后利用包络谱分析,提取滚动轴承的故障特征。计算信号的峰值信噪比(PSNR,Peak Signal to Noise Ratio),将其作为降噪指标,体现方法的降噪性能。实验结果表明,设计的方法应用于轴承故障诊断,能将信号信噪比提高5.13 dB,能精准定位并提取轴承缺陷位置和信号特征,具有较好降噪和信息分辨能力。     

基于小波分解改进算法和峭度最大原则的滚动轴承故障诊断研究

针对滚动轴承振动信号具有非平稳性以及工作情况下难以获得故障频率的情况,文章提出了一种基于小波分解改进算法和峭度最大原则对滚动轴承进行诊断的方法。首先,对小波分解改进算法进行验证,发现小波分解改进算法能够很好地克服小波分解传统算法过程中出现的频率混淆问题;然后,在小波分解改进算法的基础上,利用峭度最大原则选取故障频段,对其进行Hilbert包络解调和傅里叶变换来查看故障频率,最后通过美国凯斯西储大学实验室提供的数据对上述方法进行验证,并与小波分解传统算法进行了对比。结果表明,基于小波分解改进算法和峭度最大原则的故障诊断方法能够更加精准地识别故障频率,克服主频偏移的问题,有效地解决频率折叠现象和真实频率的映像问题,具有较好的可行性和优越性。     

基于改进峭度图法的滚动轴承故障诊断

针对在强烈背景噪声和随机脉冲干扰下滚动轴承故障信号难以提取的问题,提出了一种改进的峭度图方法进行滚动轴承的故障诊断。该方法先通过计算特定频带信号包络的功率谱幅值的峭度,再按照峭度最大原则确定最优解调频带,然后根据最优解调频带获得带通滤波后的解调信号,通过对解调信号进行频谱分析来识别滚动轴承的故障及其类型。通过仿真和试验两种方式,对比分析了改进峭度图法和快速峭度图法诊断滚动轴承故障的效果,验证了改进峭度图法的有效性。分析结果表明:改进峭度图法比快速峭度图法能够更加准确地确定共振频带,并且在强烈背景噪声干扰下也能准确识别轴承故障。