关乎整个设备正常运行的滚动轴承极易发生故障,且常是多故障并存,导致轴承复合故障诊断困难。VMD算法对诊断滚动轴承复合故障具有良好的频带分割、抗模态混叠和抑制噪声的优点。但当VMD控制参数[K,α]选取不当时,会造成频带分解失效、轴承复合故障分离不彻底。为此提出基于樽海鞘群算法(SSA)改进VMD的分离诊断方法。采用SSA自适应选取[K,α]对信号进行VMD,通过包络熵和峭度综合筛选敏感IMF,对敏感IMF进行Autogram共振频带提取,采用包络解调提取各自的故障特征频率。通过仿真信号和实测信号验证分析,可知基于SSA优化VMD算法对复合轴承故障有很好的分离诊断能力。

本文介绍了Hi lbert变换的包络解调方法的原理、特点及存在的问题,在此基础上,着重通过计算机仿真研究期望所提出的方法具有良好的抗噪声能力,验证了算法的有效性,具有一定的工程应用价值。

针对变分模态分解(Variational Mode Decomposition,VMD)的参数需事先人为确定的问题以及如何选取包含故障特征信息的本征模态分量(Intrinsic Mode Function,IMF)的问题,提出了基于信息熵的参数确定方法和基于信息熵的IMF选取方法。该方法首先对原始故障信号进行变分模态分解,通过信息熵最小值原则对其参数进行优化,获得既定的若干IMF分量;在优化参数时获得信息熵最小值所在的IMF,选取其为有效IMF分量进行包络解调分析,提取轴承故障特征频率。通过轴承仿真信号和实际数据分

针对滚动轴承发生局部故障时振动信号中微弱周期性冲击的特征提取问题,提出参数优化集合经验模式分解（optimal ensemble empirical mode decomposition,简称OEEMD）与Teager能量算子解调结合的滚动轴承故障诊断方法。首先,针对集合经验模式分解（ensemble empirical mode decomposition,简称EEMD）过程中两个关键参数k（加入白噪声的幅值系数）和m（集合平均次数）的准确选取问题,通过引入相关系数、相关均方根误差和信噪比分析,给出一种可自适应确定这两个参数取值的OEEMD方法,通过OEEMD将冲击从滚动轴承振动信号中分离出来;其次,采用Teager能量算子对其进行包络解调,计算出瞬时幅值后再对瞬时幅值进行包络谱分析,以获取冲击的特征频率,从而对滚动轴承故障进行准确诊断。仿真信号分析和应用实例验证了该方法的有效性。

针对强噪声环境下滚动轴承故障特征信息非常微弱且难以提取的问题，提出基于变分模态分解（Variational Mode Decomposition，VMD）和最小熵解卷积（Minimum Entropy Deconvolution，MED）的滚动轴承微弱故障特征提取方法。基于VMD和MED的滚动轴承微弱故障特征提取方法首先采用VMD对滚动轴承故障信号进行分解，得到多个模态分量，由于噪声的干扰，很难从各个模态分量中提取有效的故障特征信息；然后根据相关系数准则，选取与原始信号相关系数较大的模态分量进行重构，再对重构后的信号进行MED降噪处理；最后对降噪处理后的信号进行Hilbert包络解调，从得出的包络谱中即可准确地提取到故障特征信息。轴承故障实验信号处理结果表明，该方法可以有效地降低噪声的影响，精确地提取滚动轴承微弱的故障特征信息。

提出了一种基于小波簇的带通滤波和包络解调新方法。通过合理的选择小波参数，用多个单Morlet小波组成的小波簇可构成具有零相移、平顶通带及快速衰减过度带特性的带通滤波器，用于提取振动信号的高频成分。由于该小波簇的虚部是实部的Hilbert变换，可实现包络解调，从而提取振动信号在高频谐振带的包络成分。将该方法用于轴向柱塞泵故障的诊断中，结果表明可有效地提取了故障特征频率，诊断结果验证了该方法的有效性。