基于ICA包络增强MEMD的滚动轴承故障诊断

针对多元经验模态分解(MEMD)存在模态混叠、带内噪声干扰导致轴承故障特征信息微弱难提取问题,提出了基于独立分量分析(ICA)包络增强MEMD的滚动轴承故障诊断。采用MEMD对多通道信号进行自适应分解,依据峭度和相关系数选取包含故障信息的本征模态函数(IMF);对所选取IMF分量的包络信号进行ICA分析,抑制模态混叠和削弱带内噪声;选取峭度最大的独立分量包络进行频谱分析,判断滚动轴承的运行状况。实测信号结果表明:ICA包络增强MEMD后包络谱中可以清楚地看到前6阶故障频率,故障特征频率误差小于1 Hz,其他方法只能看到2~3阶,且干扰频率成分较多。      

滚动轴承故障特征提取的VMD包络切片谱分析方法

为了准确提取滚动轴承故障非平稳信号中的故障特征,提出基于变分模态分解（VMD）和包络切片谱的轴承故障特征提 取方法。该方法使用 VMD将轴承故障信号分解成 1组模态分量,并进行 Hilbert变换求取各模态分量的包络信号,进而求取包络 信号的切片谱（VMD包络切片谱）来提取轴承故障特征。为了进行对比,同时对各模态分量进行幅值谱分析,得到其VMD幅值谱。 分别采用VMD包络切片谱和VMD幅值谱对正常轴承振动信号、内圈故障信号、外圈故障信号、滚动体故障信号进行分析。结果 表明：在VMD幅值谱中无轴承故障特征频率,在VMD包络切片谱中分别存在内圈、外圈和滚动体的故障特征频率fi、fo、fb及相关的 倍频和调制频率成分,从而验证了VMD包络切片谱进行轴承故障特征提取的有效性与优越性。     

基于Birge-Massart阈值降噪与EEMD及谱峭度的滚动轴承故障特征提取

针对传统共振解调方法易受噪声干扰导致故障特征提取效果不佳的问题,提出了一种基于Birge-Massart策略的阈值降噪与集成经验模态分解(EEMD)和快速谱峭度算法相结合的滚动轴承故障特征提取方法。对原始故障信号进行EEMD并采用峭度准则筛选出含有故障信息的本征模态函数(IMF)分量;采用Birge-Massart策略和快速谱峭度对故障信号进行滤波降噪;对滤波后信号进行Hilbert包络解调,提取轴承故障特征。采用该方法分别对仿真信号和实验信号进行特征提取,结果表明该方法可以有效提高故障信号信噪比,清晰准确地获取轴承内、外圈故障的频率特征。利用峭度因子准则筛选IMF分量能有效保留原始故障信号中的冲击特征，去除无关IMF分量的影响。      

齿轮剥落故障信号的LMD包络谱分析

齿轮剥落故障是常见的齿轮故障形式。为了对齿轮剥落故障特征进行分析,提出了一种利用局部均值分解(LMD)结合包络谱分析的频谱分析方法。为了进行对比,使用该方法分别对正常齿轮和剥落故障齿轮的振动信号进行了分析。分析结果表明,正常齿轮振动信号各乘积函数(PF)分量的幅值谱和包络谱主要包含齿轮的啮合频率及其倍频、大齿轮转频及其倍频成分。剥落故障齿轮振动信号各PF分量的幅值谱和包络谱除了包含上述正常齿轮振动信号的特征谱线外,还包含大齿轮转频的倍频对齿轮啮合频率及倍频的调制频率成分。     

基于遗传算法参数优化的变分模态分解结合1.5维谱的轴承故障诊断

为了准确提取轴承的故障特征,提出了一种遗传算法(GA)参数优化的变分模态分解(VMD)结合1.5维谱的轴承故障诊断方法。首先以VMD方法中模态分量的包络熵值最小为优化目标,利用遗传算法对模态分量个数和二次惩罚因子进行优化,确定这两个能使VMD实现最优分解的输入参数。然后利用参数优化的VMD方法对仿真信号和轴承内环故障信号进行分解,并做各模态分量的1.5维谱图。参数优化的VMD分解得到了与仿真信号原始分量相符的4个模态分量,1.5维谱剔除了未参与二次相位耦合的10Hz频率分量。同时在1k Hz频率以下,运用本文方法提取了轴承内环故障特征频率的1至6倍频频率成分以及电机转频对它们的调制频率。由此表明,遗传算法参数优化的VMD可实现复杂信号的正确分解,1.5维谱可有效检测信号的二次相位耦合。同时,遗传算法参数优化的VMD结合1.5维谱能有效提取轴承内环故障特征,从而验证了本文方法的有效性和实用性。     

基于Hilbert-Huang变换和盲源分离的滚动轴承耦合故障诊断方法

结合Hilbert-Huang变换和盲源分离的优点,提出一种基于Hilbert-Huang变换和盲源分离的滚动轴承耦合故障诊断方法。该方法首先对滚动轴承故障信号进行EMD分解（经验模态分解）,得出各个本征模态函数IMF,并对IMF进行包络解调,然后用盲源分离方法对所得到的解调信号进行盲源分离,最后对盲分离后的信号进行频谱变换,从频谱图上可以清晰地观察出滚动轴承的故障特征频率。本文建立了转子-滚动轴承故障实验台,模拟了滚动轴承耦合故障,应用本文方法进行了实例分析,结果充分表明了本文方法较单一Hilber-Huang变换具有更好的降噪能力,更加突出了滚动轴承故障特征。     

基于WPD-KVI-Hilbert变换相结合的滚动轴承早期故障特征精准识别

为了能够有效地从轴承早期故障激励的高频振动信号中提取出故障特征信息,基于最优小波包基选取方法和峭度值最大筛选原则,提出了一种改进的小波包分解（WPD）、峭度值指标（KVI）与Hilbert变换相结合的滚动轴承早期故障特征识别方法。计算选取最优小波包基,确定分解层数;采用WPD方法对轴承故障振动信号进行分解,获得若干个Node分量;基于峭度值指标最大原则筛选出有效的Node分量进行信号重构;对重构信号进行包络解调分析,提取出故障特征频率对轴承故障进行诊断。采用建立的方法对凯斯西储大学滚珠轴承外圈、内圈故障实验数据和自行开展的滚棒轴承外圈、滚动体故障实验数据进行了分析与诊断。研究结果表明：该方法能够有效提高故障信号高频分辨率、保留周期性冲击成分,并能准确有效提取出滚珠和滚棒轴承故障特征频率的1~7倍频及其与轴转频调制的系列边频带频率,实现对滚动轴承故障特征的精准识别与故障诊断。     

基于经验模态分解的航空器结构模态参数识别

介绍了一种基于经验模式分解（Empirical Mode Decomposition,EMD）与粒子群优化算法相结合的飞机结构模态参数辨识方法。一个复杂的脉冲响应信号利用EMD方法使得耦合在一起的多阶模态响应信号分解为与各单阶模态响应信号一一对应的分量,得到前几阶主要的内禀模式函数（Intrinsic Mode Function,IMF）,再对分解得到的每一单阶IMF利用粒子群算法辨识得到各阶模态参数。试验仿真结果表明该方法有较高的计算精度,可应用于结构运行模态分析,为飞机等结构设计、运行检测提供有力保障。     

撞击流混合器速度信号的Hilbert-Huang变换分析

应用激光多普勒测速系统,对撞击流混合器的流场瞬时速度进行了测量。将Hilbert-Huang变换（HHT）应用于瞬时速度信号的分析,提取出各阶内禀模态函数（IMF）并通过经验模态分解（EMD）对速度信号进行滤波降噪。通过希尔伯特谱分析（HSA）确定了撞击流混合器速度信号的能量分布状况,信号能量集中于低频区,即存在于尺度较大的流体涡旋中。分析速度信号各阶内禀模态函数在不同频段的能量分布与转换,发现不同频段IMF的能量分布与流型转变之间的对应关系。通过能量特征值的提取表明,提高螺旋桨转速有助于强化系统的混合效果。最后将撞击流混合器的流场由内而外划分为中心区、涡旋区和回流区3个部分。     

基于经验模态分解的非平稳信号趋势项消除

归纳概括了传统的趋势项消除方法,指出各类方法的优点和不足,提出了基于EMD（经验模态分解）的非线性、非平稳信号剔除方法。该方法通过数据驱动自适应构造基底函数IMF（本征模函数）,再由若干阶IMF分量和剩余分量的重组获得趋势项,避免了对复杂趋势项的数学建模和分析计算。仿真结果表明,EMD法能够有效地提取和剔除非平稳信号中的复杂趋势项成分,获得平滑的趋向性信号。     

EMD和SVM在刀具故障诊断中的应用

与传统方法相比,声发射传感器在刀具故障诊断方面有很大的优势。将声发射传感器应用于刀具切削过程中,提出了基于经验模态分解（EMD）和支持向量机（SVM）的刀具故障诊断方法。该方法首先对标准化的声发射信号进行经验模态分解,将分解后的有限个固有模态函数（IMF）通过一定的削减算法增强故障类型特征,把每个IMF和残余项的能量以及整个信号的削减比作为特征向量,最后将特征向量输入支持向量机进行训练和测试,判断刀具的故障类型。通过对某一刀具的故障诊断结果进行分析,验证了该方法的实用性和有效性。     

改进Hilbert-Huang变换在齿轮故障诊断中的应用

针对Hilbert-Huang变换中齿轮故障信号经验模式分解的第一阶固有模态函数通常为非单一信号分量以及经验模式分解产生虚假低频分量的问题, 提出一种改进Hilbert-Huang变换方法.首先在频谱中确定故障信息频率范围, 并依据该频率范围和二进小波分解的特点确定需提取的相应频带的二进小波系数, 然后采用相关系数筛选法剔除小波系数经验模式分解所产生的虚假分量, 最后通过局部瞬时能量提取故障特征, 实例表明改进的Hilbert-Huang变换可以有效的提取齿轮故障特征.      

多通道相关-自适应轴承故障诊断方法

提出了多通道相关-自适应共振解调(MCC-ARD)方法 ,该方法使用冗余信号源采集故障信息,并利用谱峭度(SK)优化经验模态分解(EMD)的分解效率,根据互相关系数更加合理地选择本征模态函数(IMF)分量完成重构,对重构IMF进行包络解调,实现对滚动轴承的故障诊断。通过对多通道相关-自适应共振解调方法的实测数据分析,结果表明:该方法不仅克服了单一信号源系统修正能力差的缺陷,而且相频谱辨识率为传统EMD结合谱峭度共振解调方法的2.7倍,对滚动轴承故障的诊断结果更加清晰、准确。     

基于形态分量分析与阶次跟踪的齿轮箱复合故障诊断方法

针对变转速下齿轮箱复合故障的故障特征提取,提出了基于形态分量分析与阶次跟踪的齿轮箱复合故障诊断方法.该方法根据齿轮箱复合故障振动信号中齿轮和滚动轴承故障成分的形态差异性,先用形态分量分析将其分解为包含齿轮局部故障信息的谐振分量、包含滚动轴承局部故障信息的冲击分量和随机噪声分量,再根据实测转速信号分别对谐振分量和冲击分量进行包络阶次分析,根据各包络阶次谱诊断齿轮箱复合故障.算法仿真和应用实例表明:该方法能有效分离变转速下齿轮和滚动轴承的故障特征,且其故障特征提取效果要优于传统的包络阶次谱方法.      

含噪信号经验模式分解虚假分量识别方法

针对含噪信号Hilbert-Huang变换存在虚假分量,提出改进的奇异值分解(SVD)方法进行降噪,改进包含两个部分:一是利用重构相空间代替传统矩阵如Hankel矩阵,以去掉信号冗余,再者提出奇异值能量熵分量差分法,更易于定出重构奇异值阶次;二是提出了频谱比值法对虚假分量进行辨识,更有效辨识出虚假分量.首先利用经验模式分解(EMD)得到本征模式分量(IMF),识别并剔除趋势项,重构信号,然后进行SVD,重构降噪后的信号,消除虚假分量,最后进行时频分析.联合方法应用于含噪仿真信号,信噪比(signal noise ratio,SNR)提高了5.5%,虚假分量辨识率提高至100%,用于双跨转子故障振动信号,得到正确的时频结果,表明了所提方法识别含噪信号虚假分量的有效性.     

直升机行星传动轮系故障诊断研究进展

行星传动轮系是直升机传动系统的核心部件,是直升机健康和使用监测系统(HUMS)重要的监测对象。直升机行星传动轮系具有结构复杂紧凑、组件繁多、工况瞬时多变以及使用环境恶劣等特点,导致直升机行星传动轮系振动信号污染严重、成分复杂,具有较强的非平稳性和耦合调制特征。另外复杂的故障模式、较少的故障样本,也都增加了直升机行星传动轮系故障诊断的难度。面对这些难题,研究人员在基于信号降噪与信号分离、时频分析与解耦解调、数学建模与模式识别的故障诊断技术上取得了丰硕的成果。面对仍然存在的一些亟待研究和解决的问题,提出了直升机行星传动轮系故障诊断技术的研究方向以及未来的发展趋势。     

基于CPP与S变换的自适应时频滤波及其在滚动轴承故障诊断中的应用

针对变转速下滚动轴承故障调制信息的提取与分离,提出了基于线调频小波路径追踪(CPP)与S变换的自适应时频滤波方法。该方法先采用Hilbert解调对齿轮箱振动信号进行分析获取其包络信号,并对包络信号进行S变换,以获取其时频分布,同时,采用CPP算法从齿轮箱振动信号中估计出啮合频率曲线,进而获取转轴转速;然后,根据估计的转速信号分别设计各阶时频滤波器;再采用时频滤波器对包络信号的时频分布进行时频滤波,并将滤波结果进行S逆变换,以获取各阶故障调制信号;最后对各阶故障调制信号进行阶次谱分析,并根据阶次谱中的调制信息诊断滚动轴承故障。算法仿真和应用实例表明,自适应时频滤波方法可根据轴承故障调制信号的频率变化特点自适应地改变滤波器的中心频率与带宽,能有效提取并分离轴承的各阶调制信息,且分离效果优于基于集合经验模态分解（EEMD）的阶次谱方法。      

公-自转耦合的滚针轴承保持架振动特性

建立了含公-自转耦合的行星轮滚针轴承动力学微分方程组,采用gear stiff（GSTIFF）变步长积分算法对微分方程组进行求解,对比研究了有无公转工况下保持架的打滑率和振动特性,分析了公-自转耦合工况下结构参数和工况参数对两者的影响。结果表明:纯自转工况下保持架振动加速度幅频图各倍频处对应1个幅值,公-自转耦合工况下各倍频处对应2个幅值;在公-自转耦合工况下,保持架振动幅值随径向力和公转速度的增大而增大,随自转速度的增大而减小,存在一个最优间隙比,即间隙比为1左右时使保持架振动幅值最小;保持架打滑率变化趋势与纯自转时一致,但数值减小且减幅越来越大;综上,公-自转耦合工况下会增大保持架径向振动特性,减小周向振动特性。