轴承振动信号的采集过程中难免会受到噪声的影响,使得轴承部分故障特征难以提取。针对此问题,提出一种基于蜣螂算法(DBO)优化变分模态分解(VMD)并与VGG神经网络相结合的轴承故障诊断方法。使用DBO对VMD进行参数寻优,经过优化后的VMD将原始振动信号分解为多个本征模态函数(IMF),通过皮尔逊相关系数选择合适的IMF对信号进行重构;对重构的信号进行连续小波变换(CWT)生成时频图;最后,通过VGG网络进行训练以完成对轴承的故障诊断分类识别。结果表明与其他诊断方法相比,所提方法降噪效果明显,同时对轴承的故障识别准确率达到了100%。

在变转速工况下对RV减速器进行故障诊断存在诸多的问题,如信号采集频率不统一、分量调制、低频特征难以确定、频率模糊等,导致RV减速器的故障特征难以提取。针对此问题,提出一种变分模态分解的阶次跟踪分析方法,根据RV减速器的振动特征,确定RV减速器的瞬时转速信号和振动信号;再对RV减速器的转速进行二阶拟合差分,得到时间-转速信号;通过计算时间-转速积分对RV减速器的振动信号进行等角域划分,再利用变分模态分解和重构选取目标分量对其进行傅里叶包络变换,得到RV减速器故障信号的包络阶次图,通过对比故障阶次确定减速器的故障点。所提方法可以在振动信号和转速的采集频率不匹配的情况下进行故障诊断,解决了不能充分划分等角域的问题,为变转速工况下的复杂旋转机械的故障诊断提供了新方法。

针对滚动轴承振动信号中复合故障特征难以准确提取而导致故障诊断困难的问题,提出一种基于优化变分模态分解(VMD)和最大相关峭度解卷积(MCKD)结合快速谱峭度算法的滚动轴承复合故障诊断方法。利用改进麻雀搜索算法(ISSA)优化VMD和MCKD的参数,使用优化后的VMD对复合故障信号进行分解,并根据峭度准则筛选有效本征模态函数(IMF)进行信号重构,使用优化后的MCKD对重构信号进行解卷积与故障特征增强,并对解卷积信号进行包络谱分析提取故障特征频率。利用快速谱峭度算法对未提取出故障特征频率的解卷积信号进行处理,得到故障信息最丰富的频带参数并进行带通滤波处理。最后,对滤波后的信号进行包络谱分析,提取故障特征频率,从而实现故障诊断。仿真及实验结果表明所提方法能有效分离复合故障并提取出故障特征频率,有效实现了复合故障诊断。

为从液压系统振动信号中提取有效特征进行故障诊断,针对随机噪声、端点效应和虚假分量会影响变分模态分解(VMD)的分解精度问题,提出了一种改进VMD的故障特征提取方法。首先,针对随机噪声会导致分解误差增大现象,提出了基于奇异值差分谱降噪预处理,该方法能抑制噪声对分解结果的干扰;然后,针对端点效应会导致VMD处理信号两端产生明显的飞翼现象,提出了基于支持向量回归机的端点延拓,该方法具有较高的拟合精度;最后,针对虚假本征模态函数(IMF)分量会导致VMD处理出现能量泄漏现象,提出了IMF能量熵增量的虚假分量剔除,该方法的真假分量具有区分性。仿真信号和实测液压信号分析表明:改进VMD能有效改善传统VMD方法在特征提取上的三个不足,可准确提取液压故障信号的主要特征频率,实现液压系统故障的精确诊断。

针对机械类信号在齿轮泵故障识别与诊断中存在的信号获取成本高、信噪比低、故障特征不易获取等问题,提出一种基于电机电流信号的液压齿轮泵故障识别方法。分析通过驱动电机电流信号对齿轮泵故障进行识别的可行性,对所采用的VMD方法的参数进行了优化,结合齿轮泵运行工况对IMF分量的相关性进行分析,并重构了电流信号,依据其排列熵和均方根值所构造的特征样本并融合KFCM聚类算法,对齿轮泵进行故障识别与诊断。并通过机电液试验台对不同故障类型的齿轮泵进行试验,试验结果表明:所提电机电流信号分析与特征提取方法可准确而有效识别齿轮泵故障。

针对高速轴向柱塞泵在不同空化程度下故障特征不明显导致识别准确率低的问题,提出了一种变分模态分解和极限梯度提升树融合的识别方法。在不同空化等级下进行高速轴向柱塞泵空化试验,采集壳体的振动加速度信号,对信号采用变分模态分解方法并从中提取故障特征以构造特征数据集,最后利用极限梯度提升树进行空化等级的识别。为证明所提方法的抗噪性能,在测试集中加入了随机高斯白噪声。结果表明,加入不同信噪比的噪声后,该识别模型仍能准确地识别出高速轴向柱塞泵的空化等级。

针对滚动轴承故障信号的非线性特性及不同故障类型信号具有不同形态特征的特点,提出一种基于改进变分模态分解(VMD)形态谱和模糊C均值聚类(FCM)算法相结合的故障诊断方法。采用VMD方法对滚动轴承振动信号进行分解,针对分解过程中关键参数的选取,提出相关参数选择方法,并计算各固有模态函数(IMF)的能量波动系数,以获得对信号特征信息敏感的模态分量进行重构。计算重构信号的形态谱以反映信号的形态特征。通过FCM算法实现滚动轴承工作状态和故障类

故障信号特征提取的准确性是保证故障智能诊断识别率的关键因素。低信噪比情况下,故障诊断效果下降。变分模态分解方法（VMD）在信号分解精度和抗噪方面具有明显优势。在分析VMD抗噪性能的基础上,提出以VMD分解的各模态能量作为智能诊断特征信息,并与小波包的特征信息进行对比研究。将滚动轴承两种故障特征信息通过BP神经网络识别,用不同信噪比的加噪故障信号进行测试,结果表明,在低信噪比情况下基于VMD模态能量的故障特征更具有可识别性。

针对滚动轴承早期故障特征提取困难的问题,提出了基于变分模态分解(Variational Mode Decomposition,VMD)和改进的自适应共振技术的滚动轴承故障特征提取方法。针对轴承故障信号所在频带难以选择的问题,提出了基于改进的自适应共振技术(Improved Adaptive Resonance Technology,IART)的IMF选取方法。首先,确定模态数,提出了峭度最大值的模态数确定方法;然后,对原始振动信号进行VMD分解,获得既定数目的本征模态分量(Intrinsic Mode Function,IMF);其次,利用IART选取包含丰富故障信息的IMF分量;最后,(如有需要)对选取的IMF分量进行基于IART的带通滤波,并进行包络解调分析提取故障特征频率。将该方法应用到轴承仿真数据和实际数据中,能够实现轴承故障特征的精确诊断,证明了该方法的有效性。

提出了一种基于变分模态分解（VMD）消噪和核模糊C均值（KFCM）聚类相结合的滚动轴承早期故障识别方法。首先提出一种通过综合运用泄漏能量和互相关系数函数确定VMD预设尺度数K的新方法，弥补了VMD方法通常按经验选取预设尺度数方法的不足；然后对振动信号进行VMD分解得到K个限带的内禀模态函数（BIMF）分量，利用归一化的自相关系数函数能量集中比大于0．9的原则确定含有噪声的BIMF分量，并剔除这些含噪BIMF分量，再将剩余的BIMF分量叠加进行信号重构，实现了信号的消噪；最后计算各样本重构信号的均方根值和归一化能量值得到二维特征向量样本集，并输入到KFCM聚类器进行故障诊断。利用实测轴承故障数据进行验证，结果表明与经验模态分解（EMD）方法相比，可以有效地实现滚动轴承早期故障诊断。