基于EMD的齿轮箱故障诊断的研究

采用小波阈值法对齿轮箱故障信号进行去噪预处理,将经验模式分解(EMD)和快速傅立叶变换(FFT)相结合对齿轮箱故障信号进行特征提取,这种方法适用于非线性非平稳信号的自适应状态分析。利用EMD方法将去噪后的信号就行经验模态分解,得到一定数量的固有模态函数(IMF)分量,选取具有特定意义的IMF进行FFT,就可以得到相应的功率谱,从而提取齿轮箱故障特征频率。     

基于EEMD-SVM的齿轮箱故障诊断

针对齿轮箱振动信号的非平稳特性和在现实条件下难以获得大量故障样本的实际情况,提出一种经验模态分解和支持向量机相结合的故障诊断方法。运用经验模态分解方法对齿轮箱故障的振动信号进行分析,进行EEMD分解得到相对平稳的本征模态IMF,并计算每个IMF的能量熵,将其作为支持向量机的输入特征向量以判断齿轮箱的工作状态和故障类型。     

基于振动信号分析的采煤机摇臂轴承故障诊断研究

针对采煤机摇臂轴承故障频发,严重影响采煤工作面安全生产的现状,进行了基于振动信号分析的采煤机摇臂轴承故障诊断研究。为准确识别采煤机摇臂轴承故障,采用集合经验模态分解方法(EEMD)对原始振动信号进行分解,提取前8个本征模态函数的能量占信号总能量的比例作为故障特征信息,并输入到支持向量机(SVM)进行故障模式识别。试验结果表明,结合集合经验模态分解和支持向量机的故障诊断方法,适用于处理采煤机摇臂轴承产生的非平稳、非线性振动信号,总体故障识别率达到88.33%,可实现轴承故障的准确诊断。     

基于EMD和样本熵的滚动轴承故障SVM识别

针对滚动轴承振动信号的非平稳特性和在现实条件下难以获取大量故障样本的实际情况,提出一种经验模态分解、非线性动力学方法—样本熵和支持向量机相结合的故障诊断方法。运用经验模态分解方法对其去噪信号进行分析,利用互相关系数准则对固有模式分量进行筛选,再计算所选分量的样本熵以组成故障特征向量,并将其作为支持向量机的输入以识别滚动轴承的状态。利用实际滚动轴承试验数据的诊断与对比试验验证了该方法的有效性和泛化能力。     

旋转机械故障诊断中的EMD—HMM识别方法研究

结合经验模态分解（Empirical Mode Decomposition，EMD）和隐Markov模型（HMM）各自的优点，提出了一种基于EMD-HMM的旋转机械故障诊断新方法，该方法是先对振动信号进行EMD分解，对分解后的本征模函数进行希尔伯特变换得到其边缘谱图，并用希尔伯特边缘幅值谱作为特征向量，输入到各种故障模式的HMM中进行识别：该方法非常适合旋转机械设备非平稳运行过程中的故障诊断，实验结果表明该方法是有效的。     

基于VMD混合特征提取和ANFIS的滚动轴承故障诊断方法

滚动轴承故障的发生不仅影响机械设备运行效率,甚至引发安全事故,对其开展故障诊断研究对提高机械设备可靠性、避免突发故障、保障安全生产具有重要的现实意义。提出基于变分模态分解(VMD)混合特征提取和自适应模糊推理系统(ANFIS)的滚动轴承故障诊断方法,其适用于处理滚动轴承产生的非平稳振动信号,将故障激发的特征信息自适应地分解到一系列本征模态函数(IMF)中。然后从不同物理角度出发,结合信息熵和均方根构建每个IMF的混合特征向量,实现滚动轴承故障特征信息提取量化;最后结合ANFIS实现了滚动轴承故障类型的准确识别,总体识别率达到94.2%,证明了该方法的有效性。     

基于CEEMDAN和ELM的风机故障诊断研究

针对通风机轴承信号非平稳和故障样本稀少的问题,提出基于完备集合经验模态分解(CEEMDAN)和极限学习机(ELM)的轴承故障诊断方法。首先,利用CEEMDAN分解故障信号得到本征模态分量(IMF);然后,使用极限学习机学习IMF能量特征;最后,将极限学习机用于故障诊断。     

集成经验模式分解在液压支架焊缝超声信号消噪中的应用研究

针对煤矿液压支架焊缝超声信号受到非线性、非平稳噪声干扰的问题,研究了基于集成经验模式分解(EEMD)的焊缝超声信号自适应去噪方法,首先对原始信号进行EEMD分解得到一系列固有模态函数(IMF),然后利用各IMF分量与原信号的相关系数的大小关系来重构超声回波信号。通过对仿真信号和试验信号进行分解,结果表明,该方法能够自适应地去除超声回波信号中的噪声成分,提高了信噪比,避免了模态混淆。     

基于EMD近似熵和TWSVM的齿轮箱故障诊断

针对齿轮箱振动信号的非平稳和非线性特征,给出了一种基于经验模态分解(EMD)近似熵和双子支持向量机(TWSVM)的齿轮箱故障诊断方法。对不同类型的齿轮信号进行EMD分解,得到若干个具有不同时间尺度的本征模函数(IMF)分量,再对IMF分量使用近似熵求解,得到一组特征向量,最后将其输入到TWSVM分类器中进行故障诊断。仿真实验表明,该方法能有效地提取故障特征,不同的故障类型表现出不同的故障信息;与传统SVM相比,TWSVM的计算时间更短,分类效果更好。     

希尔伯特黄变换在轴承故障诊断中的应用

针对滚动轴承故障振动信号的非平稳特性,提出了基于希尔伯特黄变换的滚动轴承故障诊断方法。该方法是把一列时间序列数据通过经验模态分解,获得有限数目的固有模态函数,经过希尔伯特变换获得信号的时频谱—希尔伯特谱,利用由希尔伯特谱反映出来的物理信息对滚动轴承进行故障诊断。     

基于小波包和EMD的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征,提出了一种基于小波包和经验模态分解(Empirical Mode Decomposition,简称EMD)的滚动轴承故障诊断方法。该方法用小波包对振动信号进行预处理,用Hilbert变换求重构信号的包络,采用EMD方法将包络信号分解为若干个IMF分量,让故障信息得到凸显,然后根据某个分量的频谱,判断滚动轴承的故障类型。实验结果表明,比传统的时频分析方法,该方法能够更有效地提取轴承故障特征,诊断轴承故障。     

基于EMD和AR模型的滚动轴承故障SVM识别

将经验模态分解和自回归(AR)模型应用到滚动轴承的故障诊断中,该方法先把轴承振动信号分解成不同特征时间尺度的固有模态函数,从而把非平稳信号处理转化为平稳信号处理问题,然后选取表征轴承故障的IMF分量,并建立其AR模型,提取模型的参数输入到支持向量机中进行识别。实验结果表明,该方法是有效的。     

平行及行星齿轮箱局部故障诊断方法

平行齿轮箱及行星齿轮箱是机械设备的重要传动部件,也是故障频发部件。基于实验分析,对比研究平行齿轮箱和行星齿轮箱局部故障的特征提取方法。应用Compact-RIO采集齿轮箱的实时振动信号,运用共振解调技术,成功提取平行齿轮箱齿轮断齿故障的特征频率。对于行星齿轮断齿故障,其振动传递路径复杂,信号非平稳、非线性程度严重,共振解调技术提取不到其故障特征频率。对此,应用EEMD技术对故障信号进行分解,避免了传统的EMD技术带来的模式混叠,成功提取故障的特征频率。     

基于小波双谱的矿用齿轮箱故障诊断

针对矿用齿轮箱振动信号的非平稳、非高斯等特点,提出了一种小波双谱分析的齿轮箱故障诊断方法。利用小波分解可将齿轮箱的振动信号分解到对应不同特征频率的频带,以提高频率分辨率和信噪比,然后有针对性地选择故障特征频率较明显的频带信号进行重构,并做双谱分析,以实现齿轮箱的有效故障诊断。实例表明,小波双谱分析是一种十分有效的齿轮箱故障诊断方法,它更能揭示故障齿轮箱振动信号的非平稳和非线性相位耦合特点。     

基于EMD方法的煤岩界面识别研究

简要介绍了经验模态分解(Emepirical Mode Decomposition,EMD)方法的基本思想,并对放顶煤过程中产生的声波信号进行EMD分解和频谱分析。EMD方法能把1个复杂的非平稳信号分解为有限个固有模态函数分量(In-trinsic Mode Function,IMF)之和,分解出的各个IMF分量是平稳的,具有实际的物理意义。根据各IMF的频谱,可获得顶煤放落过程中产生的声波信号的频率组成,进行煤岩界面识别。     

基于ITD与排列熵的齿轮故障特征提取方法研究

针对齿轮故障信号的非线性、非平稳特征,采用本征时间尺度分解(ITD)结合排列熵的方法进行故障特征提取。采用ITD分解方法将原始信号分解得到一系列的PR旋转分量。通过剔出无意义的PR旋转分量,筛选出反映真实状态信息的分量,然后计算筛选出的PR旋转分量的排列熵。不同故障信号的PR旋转分量的排列熵大小不一,规律可寻,据此可以将排列熵的值作为元素构造故障特征向量。通过实验模拟齿轮正常、齿根裂纹、断齿和缺齿这4种状态,证明ITD-排列熵有很好的分类效果。     

基于EMD和Hilbert包络解调的滚动轴承故障诊断方法研究

滚动轴承的运行状态会直接影响到整个旋转机械的性能,提出一种将经验模态分解和Hilbert包络分析相结合的方法对滚动轴承进行故障诊断。经验模态分解具有自适应性,能有效地将携带故障信息的高频调制信号从原信号中分离出来;利用Hilbert变换对包含滚动轴承故障所在的高频段进行包络谱分析,提取故障特征频率。将提取的特征频率与根据轴承型号参数和转速所得的滚动轴承的故障特征频率进行对比,能够辨识出滚动轴承的故障。通过对实验采集的滚动轴承振动信号进行分析,证明了该方法有效性和准确性。     

小波包分形技术在泵机组故障诊断中的应用

针对泵机组振动信号的非线性和非平稳特征,根据小波包和分形理论,引入小波包分形技术对泵机组常见故障类型进行研究。使用盒维数分别计算经过降噪处理的故障信号和对原始信号进行2层小波包分解的4个频带信号,结果表明:250~500 Hz频段状态信号盒维数的区分度最大,最适合作为泵机组的故障特征量;中高频信号的维数值对复合故障和松动故障比较敏感,通过量化中高频信号的维数值,能够有效捕捉到复合故障和松动故障信息。     

经验模态分解(EMD)法在锚固无损检测中的应用

提出一种基于改进的经验模态分解(EMD)锚固动测信号处理方法。EMD法能将信号中不同尺度的波动和趋势项逐级分解开来,具有自调节自适应的特征,能在时频域内描述非平稳非线性信号的局部特性。基于改进的EMD算法,实现应力波反射法锚固动测缺陷信号的分离与诊断,消除了由实测信号直接读取反射波特性所存在的误差,具有较好的准确性和灵活性。模型试验结果表明,该法简单、有效,并具有较高的分析精度。     

基于ME-MEEMD的构件残余应力检测研究

针对焊接钢板内部的残余应力,由于采集振动信号的非线性和非平稳性,采用希尔伯特-黄变换(HHT)对振动信号分析处理。在对得到的信号进行分析时,选择镜像延拓(ME)以及改进的集总平均经验模态分解(MEEMD)相结合的方式,目的是防止在经验模态分解时产生模态混叠以及端点效应等对最终的实验结果产生影响。求解出各阶固有模态函数的模态能量,与正常信号分析对比,从能量角度实现对构件残余应力的检测,得出信号能量与残余应力之间的关系。