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。     

一种改进的EEMD算法及其在滚动轴承故障诊断中的应用

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。     

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。     

基于共振解调的铁路货车轴承故障诊断

以铁路货车轴箱双列圆锥滚子轴承为研究对象,基于共振解调技术研究了早期故障精密诊断方法。首先在轮对跑合实验台上,采用压电加速度传感器、信号调理器和INV36DF型信号采集处理仪等搭建轴承故障测试系统,测量该类型轴承外圈和滚子存在轻微故障时的振动信号,然后通过带通滤波、包络解调和频谱分析等方法,准确提取出了轴承外圈和滚子的故障特征频率。研究结果表明,利用这种方法可以消除系统噪声干扰,能有效诊断出轴承外圈和滚子的轻微损伤。该方法对于铁路货车轴承的早期故障诊断具有较好的理论意义和实际应用价值。     

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。     

经验小波在机车轴承故障诊断中的应用

针对机车轴承故障诊断中故障特征提取的难题,将经验小波变换(EWT)引入机车轴承振动信号分析。经验小波通过构造紧支撑自适应滤波器将信号分解为多个固有模态分量,能有效抑制模态混叠。针对轴承振动特征对经验小波变换进行改进,提出了首先利用改进经验小波变换分解机车轴承振动信号,然后以峭度为指标筛选敏感分量,进而对敏感分量进行希尔伯特包络解调提取轴承故障特征的诊断方法。机车运行试验表明,文章所提出的方法划分机车轴承振动信号频带合理,能有效提取轴承故障特征频率,准确诊断各种类型的轴承故障。     

基于EMD-Kurtosis的牵引电机轴承故障特征识别

文章利用经验模态分解的方法将牵引电机轴承振动信号分解成各阶本征模态函数IMF,并将各阶IMF进行傅里叶变换得到各阶IMF的频率,根据故障轴承频率特征和本征模态函数的频率对应关系,对该本征模态函数进行峭度分析,进而能够更加精确识别轴承故障特征。     

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能量熵-LPP的高速列车转子系统故障特征提取方法

针对高速列车轴承转子系统微弱故障特征提取难的问题,提出了 一种基于EEMD能量熵-LPP的高速列车转子系统故障特征提取方法.该方法结合EEMD、能量熵和LPP,首先对振动信号进行EEMD自适应分解,计算高频IMF分量的能量熵获得高维特征向量集完成初步特征提取;然后通过LPP算法将高维特征向量集投影到低维空间对特征进一步...     

基于SVD降噪和STFT解调方法的轴承故障检测

针对目前振动信号STFT解调方法在轴承故障检测应用中存在的不足,提出奇异值分解降噪与STFT解调相结合的轴承故障检测新方法。利用振动测试响应信号重构系统的相空间,得到吸引子轨迹矩阵,然后对轨迹矩阵进行奇异值分解以剔除噪声,并利用STFT技术对降噪信号进行解调分析。对于轴承故障自动检测中如何准确选出1组含有丰富故障信息的解调信号序列用于解调谱分析这一难题,提出按修正的归一化峭度（MKv）最大化准则进行选择。仿真和实际轴承故障信号分析结果表明,与传统的基于STFT解调的检测方法相比,提出的改进方法可以更早地发现轴承早期故障,实用性更强。     

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。     

联合快速峭度图与变带宽包络谱峭度图的轮对轴承复合故障检测研究

轮对轴承是铁路车辆的关键动力部件,其健康状态严重影响车辆的运行安全,因此开展轮对轴承的故障检测研究对保障车辆的安全运行具有重要意义。快速峭度图是最为著名的定位故障频带的方法之一。然而,快速峭度图仅对复合故障中低密度冲击故障敏感,无法定位高密度冲击的故障频带。针对这一缺陷,将最新发展的冲击性测量指标,变带宽包络谱峭度引入到快速峭度图中,依据快速峭度图的滤波结构计算每一个滤波频带的变带宽包络谱峭度,建立变带宽包络谱峭度图。将快速峭度图和变带宽包络谱峭度值相结合,分别实现复合故障中低密度和高密度冲击故障的频带定位。通过对定位频带的包络解调实现复合故障的检测与判定。最后利用仿真信号和试验测试信号对所提出方法的有效性进行了验证。     

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EEMD模糊熵和GA-SVM的牵引网故障诊断研究

牵引网发生故障时，如何快速诊断故障对维护铁路的正常运输秩序有极大影响，针对这一问题，提出一种基于EEMD模糊熵和GA-SVM的故障诊断方法。选取牵引网馈线电压在故障发生时刻后两个周期的故障分量波形作为原始故障信号，首先，对其进行EEMD分解得到一系列的本征模态函数(IMF)分量，选取IMF1～IMF3分量并计算其模糊熵作为表征不同故障类型的特征量；然后，为对故障类型进行诊断，建立多分类支持向量机(SVM)模型，将特征量输入至SVM模型中进行训练和识别；同时，为使模型的性能达到最佳，采用遗传算法(GA)对模型进行优化。测试结果表明，该方法能够有效地对5种典型牵引网故障进行诊断，且准确率达到了96%,验证了该方法的可行性。     

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Ginigram和CHMR的列车轴箱轴承早期故障自主识别方法

为解决列车轴箱轴承故障诊断技术面临的多信号源混叠和早期故障程度无法量化的问题,首先,将经典Kurtogram方法采用的峭度改用基尼系数（Gini Coefficient）,并将1/3-二叉树滤波方法与基尼系数结合形成Ginigram信号预处理方法,从多源混叠的轴承振动信号中快速提取微弱故障特征;然后,基于预处理信号的平方包络谱,提出一种新的统计指标循环谐波中值比（Cyclic Harmonic-to-Median Ratio,CHMR）,有效量化轴承故障部位和程度的信息,并根据西格玛原则完成轴承故障程度的自主分级。为验证方法的有效性,通过列车轴箱轴承试验台进行正常轴承与自然磨损轴承的对比试验。结果表明：相比于采用峭度的经典Kurtogram方法,采用Ginigram对多信号源混叠的故障信号处理效果更优;在故障部位识别方面,CHMR能够精准诊断轴承故障部位;在故障程度量化方面,CHMR相较于现有的循环分量比、二阶循环平稳指标和故障出现率,能更清晰地量化区分轴承的故障程度。