基于LabVIEW的液压系统故障信号处理方法

应用Lab VIEW结合Matlab软件设计了液压系统故障信号分析系统,从数据采集、预处理到分别通过时、频域信号处理方法有时域分析、相关性分析、频谱分析、倒频谱分析等;时频联合信号处理方法有短时傅立叶变换(STFT)、小波变换(WT)、经验模态分解(EMD)、集合经验模态分解(EEMD)等对液压系统正常、冲击、堵塞以及气穴等不同类型信号进行离线研究和分析。运行结果表明:该系统能对信号故障特征进行提取,以便快速准确地查明和判别故障。     

基于多域空间状态矩阵奇异值与局部保持投影的滚动轴承故障特征提取方法

针对滚动轴承振动信号复杂且难以从中提取有效故障特征的问题,提出了一种总体经验模态分解(EEMD)、奇异值分解(SVD)和局部保持投影(LPP)相结合的故障特征提取方法。首先,对振动信号进行EEMD分解,利用EEMD分解后的固有模态分量(IMF)分别构造时域、频域和时频域空间状态矩阵;其次,利用SVD提炼时域、频域和时频域空间状态矩阵中的故障信息,筛选其中累加百分比大于90%的奇异值组成多域有效奇异值数组,构造多域奇异值特征矩阵;然后,利用LPP约简多域奇异值特征矩阵,提取低维、高区分度的故障特征;最后,利用支持向量机(SVM)对提出的故障特征提取方法进行评估。实验结果证明了该方法提取的故障特征可有效反映滚动轴承的故障状态。     

基于VMD-FHT的风机齿轮箱故障特征提取方法

针对风电机组齿轮箱运行工况复杂、背景噪声大,难以提取其故障特征信息的问题,提出一种基于变分模态分解（VMD）和分数阶希尔伯特变换（FHT）的风电机组齿轮箱故障特征提取方法。利用VMD分解风机齿轮箱各个故障信号,并且定义一种分解品质因数以选取VMD的最优分解层数K;对经最优化VMD分解后的各模态分量进行分数阶Hilbert变换,计算各模态分量的边际谱并进行线性叠加;提取该边际谱的频域特征作为齿轮箱故障信号的特征量。实验结果表明,采用该方法能够准确地提取出风机齿轮箱的故障特征,并获得更优的故障识别效果     

齿轮故障诊断的小波分析方法

在齿轮故障监测与诊断中,故障特征提取是诊断的关键,而特征提取的方法也是多种多样的.利用双正交小波基将齿轮的故障振动信号分解到时频域,并提取出齿轮的故障特征.同时结合MATLAB编程语言检验小波在齿轮故障检测中的应用效果.     

基于改进VMD的航空发动机故障信号特征提取

从冗长、非线性、非静态的航空发动机信号中提取故障特征非常困难,使得航空发动机状态监测(CM)成为最具挑战性的任务之一。针对原有的变分模态分解(VMD)的特征提取方法,对模数K和滤波器频率带宽a均采用默认值的问题,将导致特征提取不准确,小波变换的结果不可靠。文章提出了一种基于优化VMD的精确特征提取方法。利用包络谱曲线确定最佳模态数K,利用信号能量分配比(SEDR)确定最优带宽a,实验结果表明,利用文中提出的优化策略,成功地提取了小波变换CM信号中的故障相关特,验证了改进VMD方法的有效性。     

基于小波包和支持向量机的滚动轴承故障模式识别

为了解决对故障轴承的特征提取和故障特征准确分类问题,提出了应用小波包变换和支持向量机相结合进行滚动轴承故障诊断的方法.小波包变换具有良好的时-频局部化特征,非常适于对瞬态或时变信号进行特征提取.而支持向量机可完成模式识别和非线性回归.利用上述原理根据轴承振动信号的频域变化特征,采用小波包变换对其提取频域能量特征向量,然后利用建立的支持向量机多故障分类器完成滚动轴承故障模式的识别.试验结果表明,支持向量机可以有效、准确地识别轴承的故障模式,为轴承故障诊断向智能化发展提供了新的途径.     

基于改进EWT-SVD的轴承故障特征提取

文章针对轴承早期故障特征的提取,提出了基于改进EWT-SVD的算法。首先,改进的经验小波(EWT)提出了模态分解数量确定的思路,自适应地将预处理信号分解到合适数量的模态分量,通过相关度系数验证了分解模态的信号有效性;其次,通过计算各分量的峭度值确定最优的特征提取模态分量,并通过变阈值奇异值分解(SVD)对模态信号进行去噪;最后,通过对重构特征信号进行Hilbert变换包络处理提取振动信号频率特征。实验证明了文章算法的可行性,同时,算法还具有计算速度快、以数据为主要驱动的特点。     

基于经验小波变换和流形学习的滚动轴承故障诊断研究

针对振动信号的非线性、非平稳性和早期故障特征信号难以提取的特点,提出一种基于经验小波变换(EWT)和流形学习约简的故障特征提取方法。首先利用EWT将振动信号分解成不同特征时间尺度的单分量固有模态函数(IMF),然后从包含故障信息的IMFs中提取滚动轴承的时域统计特征、频域统计特征、AR模型自回归系数和功率谱熵,构造高维特征集;再利用线性局部切空间排列(LLTSA)流形学习算法将构造的高维特征集约简为故障区分度更好的低维特征集;最后利用支持向量机(SVM)对提取特征进行故障识别。实验结果表明该特征提取方法对滚动轴承故障诊断准确率更高。     

基于CF特征提取与MBA-SVDD的滚动轴承故障诊断

针对滚动轴承振动信号呈现出的非平稳特性以及早期故障特征难以提取的问题,提出一种基于变分模态分解与时域、频域值混合的特征提取方法,并利用改进蝙蝠算法(MBA)优化支持向量数据描述(SVDD)的参数,实现对滚动轴承的故障诊断.采用该方法对正常振动信号进行变分模态分解,得到模态函数;利用奇异值分解进一步提取模态函数的模态特征...     

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CEEMD-MPE和ELM的齿轮箱故障诊断研究

考虑到齿轮箱振动信号存在非平稳性和非线性等特点导致故障特征提取困难的问题,提出了一种基于互补集合经验模态分解(CEEMD)和多尺度排列熵(MPE)相结合的故障特征提取方法。首先对齿轮箱振动信号进行互补集合经验模态分解,并根据相关系数原则对各模态分量进行筛选,再利用多尺度排列熵对筛选出的模态分量进行特征提取;最后将提取出的故障特征输入到极限学习机(ELM)中进行分类识别,并与传统的径向基(RBF)神经网络进行对比,实验结果表明:采用CEEMD和MPE相结合的办法能够有效提取齿轮箱振动信号的故障特征,极限学习机能够准确、快速地进行齿轮箱故障识别。     

基于WTD和CEEMD的轴承故障特征提取方法

针对轴承故障信号常混有噪声干扰且故障特征难以准确提取问题,提出一种基于小波阈值去噪(WTD)和互补集合经验模态分解(CEEMD)的轴承故障特征提取方法。采用WTD对原始信号进行降噪预处理;对去噪信号进行CEEMD分解得到一系列本征模态函数(IMF);然后计算各个IMF和去噪信号的互相关系数,通过设定互相关系数阈值筛选有用IMF;最后将有用IMF重构并利用包络谱对重构信号提取故障特征频率。实测信号表明：所提出的方法能降低噪声干扰并有效提取故障特征信息,证明该方法在噪声环境下具有较高的可行性和较强的实用性。     

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。     

基于经验小波变换的磁控埋弧焊焊缝跟踪信号分析

针对磁控埋弧焊跟踪信号非线性,不平稳及常用滤波方法难以滤除其相近低频干扰信号的缺点,提出一种基于经验小波变换（EWT）的磁控埋弧焊焊缝跟踪信号分析方法.该方法继承了EMD分解与小波变换各自的优点,分解出电弧跟踪信号的固有模态,在频域自适应地构造带通滤波器组从而构造正交小波函数,提取具有紧支撑傅立叶频谱的调幅-调频（AM-FM）成分.将此方法用于埋弧焊磁控电弧传感器焊缝跟踪平台信号分析中,提取出了更精确的焊缝跟踪信号,并通过试验验证了此方法的有效性及精确性.同时分析了相近低频噪声的信息,为进一步的信号处理及跟踪系统的优化提供了理论依据.     

基于ECA-ResNet与CEEMDAN能量熵的轴承故障诊断

为解决轴承故障诊断中故障分类模型参数多且泛化性能弱、故障识别率低、识别速度慢的问题,设计一种基于深度学习模型ECA-ResNet、完全噪声辅助聚合经验模态分解与麻雀搜索算法优化的支持向量机(SSA-SVM)的故障诊断方法。通过ECA-ResNet对轴承信号进行建模以提取频域故障特征;将频域特征与CEEMDAN提取的能量熵以及传统信号的时域特征共同构成特征矩阵;通过SSA-SVM进行故障类型识别。结果表明：与传统故障特征提取方式相比,所提出的轴承故障诊断方法能得到良好的诊断效果,轴承故障识别率和分类速度较高。     

基于FastICA去噪和改进HHT的转子不平衡故障特征提取方法研究

针对转子不平衡振动信号非平稳性并伴随较强环境噪声的特点，提出一种基于快速独立分量分析（FastICA）和改进希尔伯特-黄变换相结合的故障特征提取方法。该方法采用FastICA法去除环境噪声等因素对于故障特征提取精度的影响，再利用自适应白噪声总体平均模态分解方法将故障信号分解为一系列固有模态函数（IMF），并采用基于相似性评估的虚假IMF选择算法将与故障信息无关的虚假IMF分量剔除，从而保证故障信息提取的准确性和有效性。通过仿真分析证明了所提方法的有效性，并且实际试验表明：该方法可有效提取转子不平衡信号的故障特征，为该类故障的诊断提供了一种切实可行的方法。     

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。     

变频环境下异步电机故障诊断方法

针对变频环境下异步电机故障时定子电流信号非平稳的问题,提出一种互补集合经验模态分解（CEEMD）与卷积神经网络（CNN）结合的异步电机故障诊断方法。首先通过ANSYS对变频环境下电机建模获得仿真电流数据,利用CEEMD将电机定子电流信号分解为一系列本征模态函数（IMF）;其次通过计算排列熵和样本熵,选取复杂程度小的IMF分量并计算其平均值来提取出故障特征;接着将特征数据集输入卷积神经网络（CNN）进行训练和验证;最后搭建实验平台收集电流信号,对信号进行滤波和CEEMD分解重构,放入CNN训练好的模型进行测试,识别率达95.56%。证明了该方法是一种可行的异步电机故障诊断方法,可实现对异步电机正常、转子断条和气隙偏心状态的准确识别。     

基于混合特征提取和PSO-ELM的电机故障诊断北大核心

针对单一特征提取方法无法有效提取电机故障特征,提出了一种基于混合特征提取与粒子群优化极限学习机(PSO-ELM)相结合的电机故障诊断方法。通过搭建电机故障实验平台,获取三相异步电机不同状态振动信号,利用变分模态分解(VMD)获取反映信号能量分布特点的能量占比和能量熵特征,并与反映时间序列不同尺度复杂程度的多尺度散布熵(MDE)特征组成混合特征向量,使用PSO-ELM完成电机不同状态的识别。结果表明,所提方法20次测试的平均识别率为98.92%,能有效提取电机故障特征。     

基于改进EEMD的滚动轴承故障特征提取技术

在对集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)进行研究之后,提出了一种利用改进的EEMD进行滚动轴承故障特征提取的方法。该方法根据EEMD的分解过程中信号和加入的白噪声的特点来选择EEMD的参数,并且对分解后所得到的的固有模态函数(IMF)分量进行阈值处理后再重构,以降低噪声的干扰。对重构后的信号进行包络谱分析,提取其故障特征,最后将该方法与通用的EEMD方法进行对比,研究结果表明EEMD是一种很有效的滚动轴承故障特征提取方法。