基于EMD的多尺度形态学解调方法及其在机械故障诊断中的应用

为从机械故障信号中提取包含故障信息的特征频率,提出了基于EMD的多尺度形态学解调方法,该方法首先采用EMD方法将故障信号分解为有限个IMF分量,从中选取包含故障主要信息的IMF分量求和重构信号,再进行多尺度形态学解调,从而提取机械故障特征频率信息。将该方法用于滚动轴承、齿轮的故障诊断中,并与Hilbert包络方法比较,结果表明该方法能更好地提取故障特征频率,且对含噪故障信号也有较好的分析效果。     

FRFT循频滤波及齿轮微弱故障特征提取

提出了一种分数阶傅里叶变换(Fractional Fourier Transform,FRFT)循频滤波方法,贴近瞬变工况下信号频率曲线变化特征,循迹剥离包含故障信息的特征分量,提取齿轮早期故障微弱特征。首先,研究了线性多尺度分段方法,将频率呈曲线任意变化信号自适应分成若干个频率近线性变化的信号段;然后研究了频率拟合确定FRFT滤波参数的方法,计算各段信号的FRFT滤波参数并逐段进行FRFT滤波,实现FRFT循频滤波。采用该方法对变速器加减速过程振动信号进行滤波解调分析,试验结果表明:线性多尺度分段方法,能自适应地将任一频率呈曲线任意变化信号分段成若干个频率近线性变化的信号段,且分段数较少;频率拟合确定FRFT滤波参数方法,不受振源和多分量数量影响,能准确确定各分段信号的FRFT滤波参数;该滤波方法能从变速器瞬变工况振动信号中循频提取出包含故障信息的特征分量,有效剥离其他分量和噪声干扰,对提取后的特征分量进行解调分析,能准确提取出传统方法难以识别的齿轮早期故障微弱特征。     

基于改进EMD和形态滤波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性特点,提出一种改进经验模态分解(EMD)和形态滤波相结合来提取故障特征信息的方法。该方法首先在原信号中加入高频谐波并进行EMD分解,减小传统EMD分解中存在的模态混叠现象,然后从高频本征模态分量(IMF)中去除高频谐波得到故障冲击成分,经形态滤波消噪后进行频谱分析,提取出故障特征信息。信号仿真分析该方法的实施过程,并将该方法成功运用于滚动轴承内圈和外圈故障的诊断。实验结果表明该方法能够有效提取滚动轴承故障特征信息,实现故障诊断。     

基于EEMD自适应形态学在齿轮故障诊断中的应用

为了从齿轮故障信号中提取出包含故障信号的特征频率,提出了基于EEMD自适应形态学解调方法。首先采用EEMD(集合经验模式分解)进行降噪,将原始信号与不同的白噪声叠加组成目标信号,然后将目标信号分解为有限个IMF分量,选取主要信息求和重构,再用形态学滤波器提取故障信号的特征频率。针对形态学结构元素尺寸的选择问题,利用遗传算法来优化形态学结构元素,自适应寻求最优解。通过数字仿真试验和齿轮故障模拟实验,并与EMD(经验模式分解)、SVD(奇异值分解)方法进行了比较,结果表明该算法要优于其他两种方法,能够清晰地提取出故障信号的各种频率特征。     

基于曲线特征分段的多阶FRFT滤波提取齿轮早期故障特征

对于变速器齿轮早期微弱故障特征难以提取的问题,提出了一种基于曲线特征进行分段的多阶分数阶傅里叶变换(Fractional Fourier Transform,FRFT)滤波方法。首先,依据振动信号频率曲线的特征将目标档位的啮合频率曲线分成若干频率近似线性变化的信号段,然后通过计算确定相应信号段的分数阶傅里叶变换的滤波最佳阶次,再逐段进行滤波,从而分离出包含故障特征信息的目标阶比分量,进而进行故障特征提取。通过采用该方法分析变速器变加速工况振动信号,结果表明,基于曲线特征进行分段的多阶FRFT滤波能够有效分离出啮合频率分量,对分离出的分量进行阶次包络解调分析,能准确提取出齿轮微弱故障特征。     

基于改进EMD和滑动峰态算法的滚动轴承故障特征提取

针对滚动轴承故障特征往往被强背景噪声淹没的特点,提出一种基于改进经验模态分解(Empirical Mode Decomposition,EMD)与滑动峰态算法的滚动轴承故障特征提取方法。首先利用EMD方法分解原故障信号得到一组平稳固有模态分量(Intrinsic Mode Function,IMF)。然后采用互信息和广义相关系数筛选法消除传统EMD分解结果中虚假分量,并运用滑动峰态算法对真实IMF分量处理得到滑动峰态时间序列。最后计算滑动峰态序列频谱提取故障特征频率。滚动轴承的实例研究结果表明：该方法能够有效提取滚动轴承故障特征,可以取得比直接滑动峰态算法和传统包络解调分析更好的效果。     

基于经验模式分解和排列熵的轴承故障特征提取

针对滚动轴承故障声信号故障诊断中共振解调滤波参数较难确定以及故障诊断困难的问题,提出一种基于经验模式分解和排列熵的改进滚动轴承故障诊断解调方法。该方法首先对滚动轴承声信号进行经验模式分解,将其分解为多个本征模态分量;然后计算各本征模态分量的排列熵值和相关系数,根据联合系数最大化原则对筛选出的分量进行信号重构;最后,利用快速谱峭度对重构信号进行滤波分析,将峭度值最大的频段进行平方包络提取特征频率。将该方法用于滚动轴承故障声信号的实际数据进行分析,结果表明该方法能够有效提取滚动轴承故障特征,并且相较于传统的包络解调具有更好的效果。     

基于VPMCD和EMD的齿轮故障诊断方法

提出了基于VPMCD（Variable predictive model based class discriminate,简称VPMCD）和EMD（Empirical mode decomposition,简称EMD）的齿轮故障诊断方法,并将它应用于齿轮稳态信号的分析。VPMCD方法是一种新的模式识别方法,特别适合于非线性分类问题,它充分利用从原始数据中所提取的特征值之间的相互内在关系建立数学模型,从而进行模式识别。在基于VPMCD和EMD的齿轮故障诊断方法中,首先采用EMD方法将齿轮振动信号自适应地分解为若干个单分量信号,然后提取各个分量的样本熵并将其作为特征值,最后采用VPMCD分类器进行故障识别和分类。结果表明该方法能够有效地突出齿轮故障振动信号的故障特征,提高了齿轮故障诊断的准确性。     

基于EMD和CICA的单通道盲源分离方法用于齿轮箱混合故障诊断研究

针对传统的独立分量分析难以解决齿轮箱混合故障诊断中存在的欠定盲分离问题,提出了基于EMD和CICA(约束独立分量分析)的单通道盲源分离方法。通过单通道加速度传感器采集齿轮箱混合故障信号,对其进行EMD分解以实现降噪及单通道扩展,采用基于白噪声统计特性和峭度值结合的方法选取有效的IMF分量,将其作为盲源分离的输入信号,通过CICA方法提取目标振动信号,识别故障特征。通过对齿轮箱轴承与齿轮混合故障的仿真及实验研究,验证了该方法的有效性和可行性。     

基于LMD自适应多尺度形态学和Teager能量算子方法在轴承故障诊断中的应用

为了从故障轴承信号中提取包含故障信号的特征频率,提出了基于LMD自适应多尺度形态学和Teager能量算子解调的方法。首先,采用LMD将目标信号分解成有限个PF（Product function,PF）分量,分别对其进行多尺度形态学滤波,利用峭度准则优化形态学结构元素尺度,自适应寻求最优解,最后用Teager能量算子计算各PF分量的瞬时幅值,通过瞬时Teager能量的Fourier频谱识别轴承的故障特征频率。为了验证理论的正确性,进行了数字仿真实验和轴承故障模拟实验,并与EMD形态学和包络解调方法进行了比较,结果表明该算法明显优于其他两种方法,对滚动轴承外圈、内圈和滚子故障的检测精度更高,能够清晰地提取出故障信号的频率特征。     

基于VMD的自适应形态学在轴承故障诊断中的应用

为有效提取滚动轴承信号的特征频率,提出了基于变分模态分解(VMD)的自适应形态学的特征提取方法。首先利用VMD将目标信号分解为有限个模态信号,依据互信息法提取与原始信号相关的模态信号,将其进行求和重构;然后利用形态学对重构信号进行降噪处理,提取出滚动轴承的特征频率。针对形态学固有统计偏移和结构元素的选择问题,利用粒子群算法来优化改进的广义形态学滤波器,实现自适应滤波。通过数字仿真实验与滚动轴承故障试验分析,将其与基于经验模式分解(EMD)的自适应形态学、包络解调方法进行比较,结果表明该方法可以有效提取故障信号的特征频率。     

基于自适应加权多尺度组合形态滤波的轴承故障特征提取研究

针对滚动轴承振动信号在进行早期故障诊断时往往会伴随着噪声干扰的问题,提出了一种选择性自适应加权多尺度组合形态滤波(Adaptive Weighted Multi-scale Combination Morphological Filtering,AWMCMF)方法,从振动信号中提取故障特征。首先,采用三种组合算子构成一组新的形态算子,可有效地提取出信号中的正负冲击特征;其次,基于新算子提出了加权多尺度形态滤波方法,并将Teager能量峭度作为评判指标为各尺度提供优化的权值;最后,将选择性自适应权值与多尺度算子进行加权绑定得到优化的故障特征提取结果。通过仿真信号和轴承故障振动信号的结果表明,该方法能有效地滤除噪声并提取故障特征。     

基于谱峭度与变分模态分解的转子微弱不对中故障诊断

针对噪声干扰下转子微弱不对中故障特征难以提取的问题,提出一种谱峭度与变分模态分解的转子故障诊断方法。该方法首先利用谱峭度(Spectral Kurtosis)滤除信号背景噪声以强化故障特征相关信号分量,然后通过变分模态分解(Variational Mode Decomposition,VMD)将转子振动信号分解为一系列本征模态分量并对各分量进行频谱分析,提取转子的故障特征。将该方法应用到转子不对中故障实验数据中,结果表明,该方法能有效提取出转子微弱不对中故障特征,并且结果要优于基于谱峭度与经验模态分解(EMD)方法的分析结果。     

一种基于分段幂函数插值法的经验模态分解方法及其应用研究

针对经验模态分解(EMD)方法的分解不完全问题,提出一种改进EMD算法。该算法采用分段幂函数插值法代替原EMD算法中的三次样条插值法,实验表明其分解效果更充分更完全。在此基础上,结合时间序列分析中的AR模型,提出一种基于EMD和AR模型的故障诊断方法,并将其应用到电磁换向阀的故障诊断中。实验结果表明,该方法能够正确有效地实现电磁换向阀的故障诊断。     

基于EMD和MKD的滚动轴承故障诊断方法

针对滚动轴承早期微弱故障特征难以提取的问题,提出基于经验模态分解(Empirical Mode Decomposition,EMD)与最大峭度解卷积(Maximum Kurtosis Deconvolution, MKD)的滚动轴承故障特征提取方法。利用EMD方法分解振动信号得到一组固有模态分量(Intrinsic Mode Function,IMF),然后根据时域峭度和包络谱峭度,筛选出敏感IMF分量进行信号重构。然后对重构信号进行最大峭度解卷积处理以增强故障信息,最后得到包络功率谱,从而获得轴承故障特征频率信息。通过实验台信号验证了所述方法的有效性及优点。     

自适应MED结合EMD诊断滚动轴承早期故障

针对最小熵解卷积(MED)降噪效果受滤波器长度影响问题,提出一种利用步长迭代算法和包络谱熵检验准则的自适应MED降噪方法,并结合经验模态分解(EMD)提取滚动轴承微弱故障特征。首先利用自适应MED降噪方法对原信号进行最优降噪处理,然后通过EMD将降噪信号分解为若干个本征模函数(IMF)分量,再选取峭度值最大的IMF进行包络谱分析,根据包络谱中故障特征频率实现故障诊断。仿真信号和实测信号分析结果表明其优于基于EMD的包络解调方法。     

噪声协助的EMD-1.5维谱信号抗混分解与特征提取

针对大型动力装备核心部件微弱故障特征信息提取问题,提出了一种噪声协助的EMD-1.5维谱故障诊断方法。经验模式分解(EMD)方法中,信号极值点间隔特性影响模式混淆现象的出现,针对此状况提出信号极值点间隔特性评价方法,分析高斯白噪声有助于信号抗混分解原理,通过对原始信号加入高斯白噪声得到噪声协助的EMD方法,提高信号抗混分解能力。将1.5维谱与噪声协助的EMD方法结合,得到一种新的故障特征提取方法,该方法具有对信号进行有效抗混分解、提取非线性耦合等特性,并以此来提取故障的微弱特征信息。通过仿真研究与电力机车滚动轴承的故障诊断工程实例,验证了该方法的有效性。     

基于EMD与GA-PLS的特征选择算法及应用

针对振动信号非平稳性和特征优化选择的问题,提出一种基于EMD和GA-PLS的特征选择算法。在该算法中,首先,采用EMD方法将振动信号分解成多个固有模态函数(Intrinsic Mode Function, IMF),对IMF分量建立自回归（AR）模型,以AR模型系数和残差作为初始特征向量,然后,遗传算法与偏最小二乘法相结合(GA-PLS)的算法对初始特征向量进行筛选得到新的特征向量,最后,以新的特征向量为输入,建立分类器,用来识别手动换向阀的工作状态和判断故障类型。实验结果表明,采用该特征选择算法能准确地选择出特征,并能应用于手动换向阀的故障诊断     

基于增强型形态学滤波的风电机组轴承故障诊断方法

风电机组滚动轴承振动信号微弱故障特征易被背景噪声和其他频率干扰,提取难度较大。针对此类问题,提出一种增强型的形态学滤波及故障诊断方法。算法构造了一种新的形态学综合顶帽变换(morphological comprehensive filter-hat transform,MCFHT),将其用于强背景噪声下目标信号的故障脉冲提取,并通过非线性滤波器幅频响应考察其滤波性质,为振动检测中故障脉冲的提取提供理论依据;针对MCFHT变换滤波尺度选择问题,通过分析原振动信号自身振动特性,给出了一种自适应的尺度计算策略,有效提高了滤波处理的效率和性能;提出一种改进的包络导数能量算子用于增强形态学滤波后信号中故障冲击特征,并滤除带内噪声频率。仿真信号与风电机组轴承实际故障信号实验结果表明,该方法能有效提取随机噪声和谐波干扰下的故障特征信息,滤波效果强于传统方法,具有较好的工程应用价值。