共查询到20条相似文献,搜索用时 46 毫秒
1.
2.
针对滚动轴承故障振动信号难以提取出准确的故障特征的问题,提出了一种基于小波新阈值降噪与互补集合经验模态分解(CEEMD)的轴承故障诊断方法。该方法充分结合了以上2种方法的优点,有效地解决了故障特征提取难的问题。首先构建出新的小波阈值函数,再用此小波阈值降噪,可以有效地消除背景噪声的影响;将降噪后的故障信号用CEEMD方法进行处理,然后重构根据信号的相关系数挑选出的相关性较大的分量;最后将重构信号进行Hilbert变换包络,从包络图中提取故障特征。运用此方法对轴承进行试验分析,结果证实了该方法的有效性和实用性。 相似文献
3.
4.
《矿山机械》2016,(2)
基于ITD方法的线性变换和Akima插值,提出了一种改进的固有时间尺度分解方法 (Improve Intrinsic Time-scale Decomposition,简称IITD),将该方法与奇异值差分谱相结合,实现了滚动轴承故障的精确诊断。首先通过IITD方法将非平稳的原始加速度振动信号分解成若干个平稳的固有旋转分量(Proper Rotation Component,简称PRC);然后挑选包含故障特征信息最丰富的PR分量作为主PR分量;构造主PR分量的Hankel矩阵并进行奇异值分解,得到相应的奇异值差分谱,选择奇异值差分谱中的最大突变点来确定重构信号的奇异值个数,进而得到降噪后的主PR分量;最后对降噪后的主PR分量进行包络解调分析,提取滚动轴承的故障特征。实例分析表明,相比传统包络谱分析和基于经验模态分解和奇异值差分谱的方法,该方法能更有效地提取出滚动轴承的故障特征。 相似文献
5.
6.
为了从含噪微震监测数据中提取有效的微震信号,提出了一种基于变分模态分解(Variational Mode Decomposition,VMD)和能量熵的自适应微震信号降噪方法。采用变分模态分解法对含噪微震信号进行自适应分解,得到一系列按频率从高到低的变分模态分量;计算每个变分模态分量的能量熵,搜索并辨识出噪声与信号的分界;剔除高频噪声,将剩余分量进行重构,得到降噪后的微震信号。通过与基于经验模态分解(Empirical Mode Decomposition,EMD)的微震信号降噪方法对比,从信噪比、降噪后信号占原信号的能量百分比和原信号与降噪后信号的均方根误差3个评价指标上定量说明该方法在微震信号降噪中表现出更好的降噪效果。 相似文献
7.
探讨了基于经验模态分解(EMD)和支持向量机(SVM)的提升机刚性罐道故障诊断方法。首先利用EMD对采集的振动信号进行分解以获得内蕴模态函数(IMF),并结合小波降噪对其高频分量进行降噪。然后,提取降噪后IMF分量中的典型信息作为故障特征向量,使用SVM进行故障模式识别。 相似文献
8.
随机噪声的压制是微震信号分析过程中的重要环节,目前大多数降噪技术都不同程度的存在去噪效果差、易损伤有效信号等问题。针对微震信号的随机非平稳特征,提出一种联合经验模态分解(EMD)及小波阈值的降噪方法,压制微震信号中的随机噪声。该法首先使用EMD对微震信号进行自适应分解,得到有限个本征模态函数(IMF)。考虑到随机噪声主要集中在高频IMF分量中,基于噪声能量突变原则找出低频IMF分量与高频IMF分量的分界后,利用小波阈值方法对高频IMF进行降噪处理,最后将降噪后的高频IMF分量与剩余的低频IMF分量重构即可实现微震信号降噪。仿真分析及实验结果表明,该方法能充分保留微震信号的随机非平稳特征,较对比方法具有更好的降噪效果。 相似文献
9.
针对矿井提升机天轮轴承故障信号微弱、背景噪声强、故障特征难以提取问题,提出了将最小熵反褶积(Minimum Entropy Deconvolution,MED)和自适应多尺度形态滤波(Adaptive Multi-scale Morphological Filtering,AMMF)相结合进行微弱故障特征提取的方法。MED作为前置滤波器,可以突出信号中较大的脉冲,弥补强噪声背景下AMMF对微弱故障信号提取的局限性。然后再对预处理后的信号进行AMMF处理,可以克服MED无法将微弱信号突显出来的不足。2种方法相互作用,充分利用了各自的优点,补偿了彼此在强噪声环境下的不足,最终得到了良好的降噪效果。仿真和实验结果表明,该方法能有效提取强噪声环境下低速重载轴承的微弱故障特征。 相似文献
10.
11.
针对矿山微震信号降噪,提出了一种基于EEMD_Hankel_SVD(集合经验模态分解_Hankel矩阵_奇异值分解)的微震信号降噪方法。首先采用EEMD获得多层模态分量,计算各模态分量与原始信号的相关系数,剔除第一个相关系数差值局部最大值前的模态分量。对剩余各模态分量分别构建Hankel矩阵,再计算各Hankel矩阵的奇异值矩阵。根据奇异值曲线划分信号空间和噪声空间,实现剩余各模态分量的降噪,进而对降噪后的模态分量相加得到降噪信号。仿真试验表明该方法能有效保留信号的局部特征,提高了信噪比;矿山微震信号应用表明该方法有效地提高了STA/LTA,PAI-K和AIC法P波初至拾取效果;仿真试验和矿山微震信号P波拾取均表明该方法降噪效果优于小波重构、EMD重构和Hankel_SVD降噪,且该方法与AIC法结合拾取效果最佳。 相似文献
12.
13.
14.
15.
16.
针对滚动轴承故障诊断中故障特征难提取与极限学习机稳定性、泛化能力差,致使故障辨识精度差的问题,提出了一种基于ITD(Intrinsic Time-scale Decomposition)能量特征与KELM的滚动轴承故障诊断方法。首先将采集到的滚动轴承故障信号进行ITD分析得到一系列蕴含有信号瞬时频率的固有旋转分量;然后,提取分解后与原信号相关程度较大固有旋转分量的能量特征;最后,建立核极限学习机的滚动轴承故障分类模型,并将所得能量特征向量矩阵作为K-ELM模型的输入进行故障模式辨识。试验结果表明:与基于ITD-SVM,ITD-ELM,EMD-K-ELM的故障诊断方法相比,ITD-K-ELM方法具有更高的分类精度,能更好地应用于滚动轴承的故障诊断。 相似文献
17.
18.
19.
20.
提出了一种基于小波包分解与EMD的故障诊断特征提取方法。对故障振动信号进行小波包分解,并将其高频部分节点信号进行重构,对2个节点的重构信号分别进行EMD分解,得到一系列的IMF分量;提取每个节点的各个IMF分量的能量值并归一化后作为轴承的故障特征量输入神经网络进行诊断。通过实验证明2种方法的结合具有良好的局部分析能力及自适应分解的特点,可以提取更加有效的特征值,因此在进行诊断时,具有更快的速度与更高的准确率。 相似文献