基于Hilbert-Huang变换的滚珠丝杠副振动信号分析

为了验证HHT对处理滚珠丝杠副振动信号的有效性,通过对构造的调频、调幅混合信号进行HHT分析,并通过相关系数、均方误差、能量分布等指标分析各分量与构造信号的关联性,发现HHT对处理非平稳、非线性信号的有效性。进而引入实验数据,以同样的思路对振动信号进行分析,并计算各IMF分量对应的3个指标值,以图像的形式反映出各分量与原始振动信号的关联性,发现各IMF分量所携带能量都较小,说明滚珠丝杠副运行平稳、正常。通过FFT变换求出并绘制的首个IMF分量频谱图,更清楚地反映了实验台的固有频率所对应的幅值。整个分析过程表明,用HHT方法处理滚珠丝杠副振动信号是有效的。     

滚动轴承故障信号处理方法与诊断试验研究

分析了滚动轴承故障振动信号的非线性、非平稳性特征,基于经验模态分解法（EMD）在处理此类信号中的优势,研究了滚动轴承故障信号的时频分析处理方法。通过EMD法将滚动轴承故障原始振动信号分解为多个平稳的IMF分量之和;选取前8个IMF能量值作为频域特征并结合时域特征构成故障振动信号特征集合,作为BP神经网络的输入;建立了滚动轴承故障诊断的BP神经网络模型,利用BP网络的自学习机制进行网络训练,得到了输入特征与故障模式之间的映射关系;通过对滚动轴承不同类别的故障诊断试验,验证了该方法的可行性。     

基于VMD与时间序列分析的滚动轴承故障特征提取方法

为了在非线性、非平稳的滚动轴承故障振动信号中有效提取出敏感的故障特征,提出了基于变分模态分解(VMD)与时间序列分析相结合的特征提取方法。首先通过VMD将原始信号分解为不同预设尺度的本征模态分量(IMF),对各个IMF分量建立时间序列预测模型,通过叠加重构得到最终的预测模型,比较评价指标确定最优参数的选取。最后,通过仿真信号与滚动轴承实际故障数据分析,并与经验模式分解(EMD)进行对比,结果表明该方法能够有效的提取到故障特征频率。     

经验模态分解及其在降噪方面的应用

本文详细介绍了经验模态分解(EMD)方法,描述了EMD算法实现步骤;通过EMD分解,任何信号序列都可分解为一系列不同尺度的固有模态函数(IMF),这种分解方法是从信号本身的尺度特征出发对信号进行分解,具有良好的自适应性,非常适合对非线性非平稳信号进行分析,并列举实例证明了其有效性.同时,提出了一种基于EMD的小波阈值降...     

基于EMD和改进Teager能量算子的轴承故障诊断

为实现在非线性非平稳的轴承振动信号中提取出故障特征频率,提出了一种经验模态分解(EMD)和改进的Teager能量算子(NTEO)相结合的故障诊断方法。首先通过EMD将振动信号分解为若干阶本征模态分量(IMF),计算各阶IMF的峭度和与原信号的相关系数,利用峭度和相关系数均较大的IMF进行信号的重构,然后利用NTEO计算重构信号的瞬时Teager能量序列,最后对能量序列进行FFT变换,提取轴承的故障特征频率。分别对轴承内圈和外圈故障的振动信号进行分析,清晰地提取出了故障特征频率,并通过与传统Hilbert包络谱和Teager能量谱进行对比,验证了方法的有效性。     

基于奇异值差分谱降噪与经验模式分解的滚动轴承故障特征提取方法

针对滚动轴承振动信号含有大量噪声且具有非线性、非平稳特性致使故障特征难提取的问题,提出一种基于奇异值差分谱降噪与经验模式分解(EMD)相结合的滚动轴承故障特征提取方法。首先,将滚动轴承振动信号在相空间重构的基础上利用奇异值差分谱完成降噪;其次,将降噪后的信号经EMD筛分为多个含有信号局部特征的本征模式分量(IMF);最后对与原信号相关度最大的IMF进行Hilbert包络解调,进而提取故障特征频率。实验结果表明:该方法不仅有效去除信号噪声,而且准确提取滚动轴承的故障特征。     

基于改进滤波及峭度原则EEMD的转子故障特征识别方法

针对转子运转时的振动冲击和噪声较大从而容易掩盖振动信号中的故障特征的问题,提出了一种基于小波阈值去噪的EEMD故障特征识别方法。采用改进后小波阈值滤波方法对振动信号进行降噪预处理,对处理结果进行集合经验模态分解(EEMD),再依据峭度原则筛选分解得到的本征模态函数(IMF)。分析重构信号的频谱特征以识别故障。结果表明,该方法有效提高了信噪比且能提取到转子故障特征。     

经验模态分解和关联维数在机械故障诊断中的应用研究

结合经验模态分解（Empirical Mode Decomposition,EMD）和关联维数各自的优点,提出了一种基于EMD和关联维数相结合的机械故障诊断方法,该方法是先对采集到的非平稳振动信号进行EMD分解,对分解后的每一个平稳的本征模函数（Intrinsic Mode Function,IMF）分量使用G_P算法进行关联积分,并通过拟合函数求出关联维数。运用关联维数可以定性地分析非线性系统的特性,从而识别转子系统的故障类型。实验结果表明该方法是有效的。     

小波变换及Hilbert-Huang变换在转子系统故障诊断中的应用

在故障诊断中,通常由于背景噪声较大,故障特征值常常淹没在噪声中不易识别.采用小波变换实现振动信号的信噪分离,提取淹没在噪声中的早期故障特征信息,并对提纯的信号进行经验模态分解(EMD)而得到若干个固有模态函数(IMF),同时求得相应的Hilbert时频谱及边际谱,从中可以判断非平稳信号的故障类型.理论分析及试验结果表明,按此方法得到的各固有模态函数突显了转子的故障特征信息,能有效诊断出转子的早期故障.     

基于WPD与GA-BP网络的滚珠丝杠副润滑失效诊断研究

滚珠丝杠副润滑失效将导致进给精度及加工质量受到显著影响,因此通过振动信号对其润滑条件进行在线识别并对失效状态作出诊断具有重大意义。文章通过试验模拟了滚珠丝杠副油润滑不良、油润滑充分和脂润滑充分三种润滑条件。首先提出了基于小波包分解(WPD)的振动信号能量提取算法,计算得到不同润滑条件下振动信号不同频率带上的信号能量;然后建立了遗传算法(GA)优化后的BP神经网络;最后将信号能量作为特征向量导入至遗传神经网络中进行训练并进行测试。测试结果表明,神经网络的诊断正确率达到90%。研究结果可用于滚珠丝杠副润滑失效的故障诊断,对于促进滚珠丝杠副健康状态监测方法的发展具有重大意义。     

基于EEMD-FSK的滚动轴承故障诊断

为了解决轴承故障特征提取中经验模态分解(EMD)出现的模态混叠现象,提出一种集合经验模态分解(EEMD)、快速谱峭度选频和共振解调技术相结合的滚动轴承故障诊断方法。对原始振动信号进行EEMD处理,分解为多个本征模态函数(IMF);将符合峭度准则的IMF分量筛选出来,对其进行信号重构,对重构信号进行快速谱峭度计算得出快速谱峭度图,从图中选出最优频带中心和带宽,确定FIR带通滤波器设计参数;最后通过共振解调技术对滤波信号进行包络分析,得出包络谱确定滚动轴承故障特征信息。通过滚动轴承实验分析,验证了此方法的可行性。     

基于多元变模式分解的机械设备故障诊断方法

机械设备在运行时，其振动信号往往表现为非平稳信号。传统的时频分析方法在处理含有强噪声和强调制的非平稳信号时，常表现出降噪效果不明显、不能准确提取故障特征频率等缺陷。为此，提出一种基于多元变模式分解的机械设备故障诊断方法。通过建立约束变分模型表达式，将多个信号在相同的频率尺度分解为相同数量的固有模态函数（IMF）之和，每一个IMF都是一个调频调幅信号。为验证所提方法的有效性，将所提方法应用于多传感器采集的轴承故障信号分析。结果表明：所提方法对复杂环境下机械设备振动信号的降噪和故障特征提取效果较好，验证了其可靠性。     

基于ALIFD模糊熵和GK聚类的滚动轴承故障诊断

针对滚动轴承故障振动信号具有非平稳性及非线性的特点，提出一种基于自适应局部迭代滤波分解（ALIFD）模糊熵和GK聚类的滚动轴承故障诊断方法。首先对滚动轴承故障振动信号进行ALIFD分解，得到若干个本征模态函数（IMF）分量，然后通过相关性分析筛选出前3个包含主要特征信息的IMF分量，并将筛选的IMF分量的模糊熵作为特征向量，最后利用GK聚类对所得的特征向量进行识别分类。将该方法应用于滚动轴承实验数据分析，并使用分类系数和平均模糊熵对分类性能进行评价，结果表明，与基于经验模态分解模糊熵和GK聚类的故障诊断方法进行对比，该方法具有更好的分类性能。     

基于多层降噪处理的轴承故障特征提取方法

针对滚动轴承振动信号的故障信息难以准确获取问题,提出一种新的基于多层降噪处理的轴承故障特征提取方法。所提方法首先依据小波包变换原理处理原始轴承信号,消除噪声干扰;变换后的振动信号用经验模态分解方法处理可得若干个IMF分量,计算所得分量与变换所得信号间的互相关系数,并依据相关系数准则筛选有用分量完成振动信号的重构;再通过自相关方法剔除重构信号中的混叠干扰信号,实现振动信号的多层降噪;最后对去噪后的重构信号解调处理,获取信号包络谱图并分析,得到所需故障特征。试验结果表明该方法能够有效地消除原始信号中的干扰和噪声,分离出清晰的故障振动信号并获取有用的故障特征。     

基于经验模态与奇异值分解的振动源数估计方法

针对振动传感器数小于本底振源数的源数估计问题,提出一种基于经验模态分解的虚拟通道扩展方法。通过经验模态分解得到的固有模态函数构建振动信号观测矩阵,以扩充振动传感器观测通道数量。针对奇异值分解特征矩阵中噪声和数据观测误差以及不确定性导致的源数估计不准确问题,提出一种基于类内散度与类间距离比值优化的聚类分析方法。通过对奇异值分解后特征值矩阵中对角线特征值的聚类分析,获得盲源数估计结果。结果表明：与传统方法相比较,所提方法可准确实现振动信号盲源数估计。     

Application of empirical mode decomposition in the impact-echo test

This research develops a signal processing method for the impact-echo test based on the empirical mode decomposition (EMD) in the Hilbert–Huang transform (HHT). First, apply the decomposition to decompose the impact-echo signal into several intrinsic mode functions (IMF's). Then, the Fourier analysis is performed on each IMF. Examining the behaviors of the IMF's in the time and frequency domain, one can judge which IMF represents noise, echo wave, surface wave, or modal vibrations. Since the echo IMF has little influence from the other signals, one can locate the echo peak easily. Numerical simulations and model tests show that the proposed method is promising in the detection of internal cracks in concrete even when the vibration and noise signals are strong.     

Fault diagnosis of stamping process based on empirical mode decomposition and learning vector quantization

Sheet metal stamping process is widely used in industry due to its high accuracy and productivity. However, monitoring the process is a difficult task since the monitoring signals are typically non-stationary transient signals. In this paper, empirical mode decomposition (EMD) is applied to extract the main features of the strain signals. First, the signal is decomposed by EMD into intrinsic mode functions (IMF). Then the signal energy and the Hilbert marginal spectrum, which reflects the working condition and the fault pattern of the process, are computed. Finally, to identify the faulty conditions of process, the learning vector quantization (LVQ) network is used as a classifier with the Hilbert marginal spectrum as the input vectors. The performance of this method is tested by 107 experiments derived from different conditions in the sheet metal stamping process. The artificially created defects can be detected with a success rate of 96.3%. The method seems to be useful to monitor a sheet metal stamping process in practice.