基于LMD与AO-PNN的中介轴承故障诊断方法

针对航空发动机中介轴承受噪声干扰大、传递路径复杂导致采用传统方法难以进行故障诊断的问题,提出了一种基于局部均值分解(LMD)与相关系数-能量比-峭度准则、结合天鹰座优化算法(AO)优化概率神经网络(PNN)的中介轴承故障诊断方法。使用LMD对传感器采集的振动信号进行分解;利用相关系数-能量比-峭度准则判决筛选分解得到的PF分量,重构筛选后的信号;计算重构信号的多尺度排列熵(MPE),以构建特征向量;通过AO优化的PNN的平滑因子,将优化后的神经网络用于中介轴承的故障诊断。基于中介轴承故障试验数据对诊断结果进行了分析,结果表明:提出的方法可以有效诊断高背景噪声、复杂路径干扰下的航空发动机中介轴承的典型故障,与粒子群优化的概率神经网络方法(PSO-PNN)和传统的PNN方法相比,其诊断准确率分别提高了3.875%和8.125%,具有较好的全局收敛性和计算鲁棒性。

基于VMD-MFE-PNN的电机轴承故障诊断方法

为提高电机轴承故障识别的准确性,提出一种基于变分模态分解(variational mode decomposition,VMD)、多尺度模糊熵(multi-scale fuzzy entropy,MFE)和概率神经网络(probabilistic neural network,PNN)相结合的滚动轴承故障诊断方法。通过优化后的遗传算法对VMD的2个重要参数进行寻优;然后利用VMD对各类轴承振动信号进行分解,根据峭度-相关准则选取包含较多故障特性的最优模态分量;计算该分量的多尺度模糊熵,并选取一定尺度的模糊熵值作为特征向量,输入到PNN中进行故障识别。经过实验验证,相较于VMD-PE-PNN、VMD-FE-PNN、VMD-MPE-PNN方法,基于VMD-MFE-PNN的电机轴承诊断方法更能准确地识别滚动轴承的故障类型。

基于EEMD降噪与非抽样提升小波包的滚动轴承故障诊断方法

针对传统小波包在诊断滚动轴承隐含故障中存在频率混叠、精度不高等问题,提出一种基于集成经验模态分解(ensemble empirical mode decomposition,EEMD)降噪与非抽样提升小波包相融合的故障诊断方法.首先利用EEMD方法分解原始故障信号得到多个本征模态函数(intrinsic mode function,IMF)分量,然后计算各个IMF分量与原始信号间的相关系数,并与设置的相关系数阈值相比较,将小于阈值的IMF分量视为伪分量予以剔除;对剩余的IMF分量采用峭度准则再次筛选最优IMF分量进行重构,进而实现降噪目的.为了避免传统小波包因采取抽样运算方式导致频率混叠情况,文中采用非抽样运算的提升小波包来分解降噪信号,并采用Hilbert变换进行包络解调分析得到滚动轴承的故障位置.仿真实验和滚动轴承内圈故障应用实例表明:采用EEMD分解原始故障信号,结合相关系数-峭度准则,达到了很好的降噪效果;采用非抽样提升小波包比传统小波包具有更高的故障诊断精度,且不存在频率混叠问题.

基于改进的共振稀疏分解的滚动轴承故障诊断

针对滚动轴承早期微弱故障湮没在高强背景噪声中、造成故障特征信息提取困难的特点,提出一种改进的共振稀疏分解方法。首先采用变分模态对信号去噪,根据峭度-相关系数准则选取包含故障特征信息量多的分量进行信号重构;然后对重构后的信号进行粒子群优化的共振稀疏分解;最后对分解得到的低共振分量进行包络分析,提取故障特征频率。实验结果证明了该方法比传统共振稀疏分解更能有效地提取故障特征频率,有效地减少了干扰成分。

基于小波包变换与CEEMDAN的滚动轴承故障诊断方法

针对滚动轴承诊断受环境噪声影响,特征频率难以提取的问题,提出了一种基于小波包变换与完全自适应噪声集合经验模态分解(CEEMDAN)的滚动轴承故障诊断方法。通过CEEMDAN将传感器收集到的原始振动信号进行分解并依据峭度值-相关系数(K-C)筛选准则划分高噪信号和低噪信号。利用小波包变换分解高噪信号后选取合适分量重构实现环境噪声的滤除并与低噪信号进行整合产生新的振动信号进行包络解调,提取实际故障特征频率实现滚动轴承的故障诊断。经对比试验,所提出的方法清晰地提取出滚动轴承的转频、故障特征频率及其倍频和调制频率,由仿真信号计算可知降噪后的信号信噪比提高了7.61 dB,有效优化了对噪声滤除的效果。