基于形态奇异值分解和经验模态分解的滚动轴承故障特征提取方法

针对随机噪声和局部强干扰影响经验模态分解(Empirical mode decomposition,EMD)质量的问题,提出一种形态奇异值分解滤波消噪方法,并将其与EMD相结合形成一种新的故障特征提取方法。该方法首先对原始振动信号进行相空间重构和奇异值分解(Singular value decomposition,SVD),根据奇异值分布曲线确定降噪阶次进行SVD降噪,再形态滤波,最后把消噪后的信号进行EMD分解,利用本征模模态分量(Intrinsic mode function,IMF)提取故障特征信息。对仿真信号和实际轴承故障数据的应用分析表明,该方法能有效地提取轴承故障特征,诊断轴承故障,还可以减少EMD的分解层数和边界效应,提高EMD分解的时效性和精确度。     

基于奇异值分解和局域均值分解的滚动轴承故障特征提取方法

针对随机噪声干扰滚动轴承故障特征信号提取这一问题,提出一种基于奇异值分解(Singular value decomposition,SVD)滤波降噪与局域均值分解(Local mean decomposition,LMD)相结合的故障特征提取方法。该方法首先对原始振动信号在相空间重构Hankel矩阵并利用SVD方法进行降噪处理,再对降噪后的信号进行LMD分解,将多分量的调制信号分解成一系列生产函数(Product function,PF)之和,最后结合共振解调技术对PF分量进行包络谱分析提取故障特征频率。通过数值仿真和实际轴承故障数据的分析对比,表明该方法提高了LMD的分解能力,可有效辨别出滚动轴承实测信号的典型故障,提高滚动轴承故障的诊断效果。     

变量预测模型在齿轮故障诊断中的应用

将基于变量预测模型的模式识别(variable predictive model based class discriminate,简称VPMCD)方法、经验模态分解(empirical mode decomposition,简称EMD)方法和奇异值分解(singular value decomposition,简称SVD)相结合,提出了一种基于EMD,SVD和VPMCD的齿轮故障的诊断方法.首先,对齿轮振动信号进行EMD分解,得到若干个IMF(intrinsic mode function,简称IMF)分量;其次,将包含齿轮主要故障信息的前几个IMF分量组成特征向量矩阵,并对其进行SVD分解;最后,将奇异值作为特征向量建立VPMCD多故障分类器,以此来区分齿轮的工作状态和故障类型.将提出的方法应用于齿轮实验数据,分析结果表明,该方法能够实现齿轮故障类型的分类和诊断,是一种有效可行的齿轮故障诊断方法.     

大跨径桥梁实时动态挠度信号的分离

由于经验模式分解(empirical mode decomposition,简称EMD)将非线性非平稳信号分解成为一系列线性、平稳的本征模函数(intrinsic mode function,简称IMF)信号,针对单通道大跨径桥梁挠度信号分离问题,结合盲源分离和经验模式分解各自优点,提出基于经验模式分解的盲源分离方法。利用奇异值分解(singular value decomposition,简称SVD)估计信号源数目,根据源信号数目将单通道挠度信号和其本征模函数重组为多通道输入信号,应用独立分量分析(independent component analysis,简称ICA)理论中的快速独立分量分析(fast independent component analysis,简称FastICA)算法对输入信号进行分解,实现桥梁挠度信号各分量的分离。仿真研究表明,该方法能较好地解决ICA模型源数估计和单通道挠度信号盲源分离难题。     

基于DEMD的高压隔膜泵单向阀早期故障诊断

针对高压隔膜泵单向阀的早期故障特征提取困难的问题,提出基于微分经验模态分解(differential empirical mode decomposition,简称DEMD)的高压隔膜泵单向阀早期故障诊断方法。首先,对振动信号进行微分运算,提高高频成分的振幅比,使微弱高频成分在后续分解中更易提取;其次,对得到的新信号进行经验模态分解(empirical mode decomposition,简称EMD),并将分解后的本征模函数(intrinsic mode function,简称IMF)分量信号进行积分还原;最后,计算分量信号与原振动信号的Kullback-Leibler散度(Kullback-Leibler divergence,简称K-L散度)值,选取K-L散度值较小的分量信号进行重构,并利用Hilbert边际谱对重构信号进行瞬时频谱分析,以提取故障振动信号的特征。仿真与工程实验分析表明,该方法能够较好地提取出单向阀早期故障特征信息。     

基于EMD降噪和谱峭度的轴承故障诊断方法

能否减小噪声干扰,提高信噪比,有效地提取故障信息是进行滚动轴承早期故障诊断的前提和关键。提出一种基于经验模态分解(empirical mode decomposition,EMD)和谱峭度(spectral kurtosis,SK)的滚动轴承故障诊断方法。首先对所提取的故障信号运用EMD分解,得到多个基本模式分量(intrinsic mode function,IMF),然后根据互相关系数去除伪分量,选取合适的IMF分量进行信号重构以达到降噪目的,突出高频共振成分,再应用谱峭度法确定带通滤波器的参数,最后对重构信号进行包络分析完成故障诊断。     

大跨径桥梁实时动态挠度信号的分离

由于经验模式分解(empirical mode decomposition,简称EMD)将非线性非平稳信号分解成为一系列线性、平稳的本征模函数(intrinsic mode function,简称IMF)信号,针对单通道大跨径桥梁挠度信号分离问题,结合盲源分离和经验模式分解各自优点,提出基于经验模式分解的盲源分离方法。利用奇异值分解(singular value decomposition,简称SVD)估计信号源数目,根据源信号数目将单通道挠度信号和其本征模函数重组为多通道输入信号,应用独立分量分析（independent component analysis,简称ICA）理论中的快速独立分量分析（fast independent component analysis,简称FastICA）算法对输入信号进行分解,实现桥梁挠度信号各分量的分离。仿真研究表明,该方法能较好地解决ICA模型源数估计和单通道挠度信号盲源分离难题。     

基于SVD与改进EMD的滚动轴承故障诊断

针对经验模态分解(EMD)存在的模态混叠问题,提出一种奇异值分解(SVD)和改进经验模态分解相结合的信号分析新方法。该方法首先对故障信号进行SVD降噪,以消除随机干扰,再根据信号特征加入高频谐波信号并进行EMD进行分解,有效地减少模态混叠现象,最后对EMD分解得到的高频本征模态分量(IMF)进行代数运算得到故障冲击成分,经Hilbert包络分析,提取出故障特征信息。仿真信号分析了这种方法的实施过程,并将该方法成功运用于滚动轴承内圈和外圈故障的诊断中。实验结果证明:该方法能够有效地提取滚动轴承故障特征信息,实现故障诊断。     

基于相关系数的EEMD转子信号降噪方法

针对转子振动信号周期性强的特点,应用集合经验模式分解(ensemble empirical mode decomposition,简称EEMD)对转子振动信号降噪过程中固有模式函数(intrinsic mode functions,简称IMF)分量的选取问题,提出了基于相关系数的EEMD降噪方法。首先,对原始信号进行EEMD分解得到IMF分量,并计算各IMF分量自相关函数与原信号自相关函数的相关系数;然后,根据相关系数选择相应的IMF分量重构信号最终达到对原信号降噪的目的;最后,对比了EEMD过程中不同加噪次数对降噪效率和效果的影响,给出了加噪次数的设置方法。仿真信号和转子振动信号的降噪结果表明了该降噪方法的可行性和有效性。     

基于EMD与响度的有源噪声控制系统

为了提高有源噪声控制系统的降噪效果,提出了基于经验模态分解( empirical mode decomposition,EMD)和响度的控制系统.该系统首先采用EMD方法对噪声源进行自适应分解,并对分解后的各个固有模态函数(intrinsic mode function,IMF)分量的响度进行计算,然后根据各个分量的响度大小进行残差滤波器的设计.与基于A计权曲线设计的残差滤波器相比,该方法所设计滤波器能更好地抑制响度较小的信号频率成分.对有源噪声控制系统的降噪效果进行了仿真,结果表明,所提出的控制系统比传统滤波-X LMS(filtered-X least mean square)方法和采用基于A计权残差滤波器的系统降噪效果更好.     

运用改进掩膜信号法的经验模态分解

为了克服经验模态分解中出现的模态混叠现象,提出了一种基于改进的掩膜信号法的经验模态分解方法。该方法通过设置掩膜信号,并依据能量法优化掩膜信号的选择,结合经验模态分解达到了消除模态混叠现象的目的,并利用仿真信号以及齿轮箱振动信号进行了验证。试验结果表明,该方法可有效分离混叠模态,提取有用信号。     

经验模态分解中的模态混叠问题-

针对经验模态分解(empirical model decomposition,简称EMD)存在的模态混叠问题,总结了引起模态混叠异常事件的类型,讨论了模态混叠的产生原因,提出了采用加入高频谐波后再进行EMD分解消除模态混叠的方法.根据信号分析频率范围和特征选择高频简谐波的频率和幅值,并使高频谐波作为第1阶IMF分解出来,可以有效消除模态混叠现象,异常事件通常可以包含在第1阶IMF中,必要时可以将加入的高频信号直接减掉,不影响对EMD结果的判断.与总体平均经验模态分解法(ensemble empirical model decomposition,简称EEMD)对比的仿真计算表明,两种方法都可以有效消除模态混叠现象,但高频谐波加入法具有运算速度快、误差小、分解结果物理意义明确和不需后处理的优点,对含复杂异常事件的实际故障信号分析验证了该方法在工程应用中的有效性和可行性.     

APEEMD及其在转子碰摩故障诊断中的应用

总体平均经验模态分解(ensemble empirical mode decomposition,简称EEMD)是抑制经验模态分解(empirical mode decomposition,简称EMD)模态混叠的有效方法,针对EEMD分解效果依赖于添加噪声的大小、筛分次数和总体平均次数等参数的选择及噪声残留大、分解不完备等问题,提出了自适应部分集成经验模态分解。该方法通过成对地向目标信号加入自适应噪声,并对每个内禀模态函数(intrinsic mode function,简称IMF)自动选择筛选次数,通过排列熵检测筛分出高频IMF,再对剩余信号进行EMD分解。将提出的方法应用于仿真和转子碰摩故障试验数据分析,结果表明提出的方法能够有效地应用于转子碰摩故障诊断,而且在分量的精确性、完备性和模态混叠的抑制等方面优于EEMD方法。     

基于中值滤波-SVD和EMD的声发射信号特征提取

针对随机噪声和脉冲干扰对经验模态分解(EMD)质量的影响,提出中值滤波和奇异值分解(SVD)联合降噪方法,并将其与EMD分解相结合形成一种新的声发射(AE)信号特征提取方法.首先对原始AE信号进行中值滤波,去除幅值较大的异常值;其次对去除异常值的信号序列进行相空间重构和SVD分解,并针对难以确定重构阶数这一问题,提出奇异值能量差分谱概念,利用谱峰的较大值位置来确定重构阶数,以进一步降噪;最后对降噪信号进行EMD分解,以本征模态函数(IMF)的能量占比作为表征各损伤信号的特征向量.数值仿真和5层胶合板损伤的实测数据表明,该方法不仅能够滤除噪声干扰,提高EMD分解的时效性和准确性,而且能够有效地提取出胶合板AE信号特征,对其损伤类型进行有效地识别.     

基于经验模式分解和谱峭度的滚动轴承故障诊断

滚动轴承的振动信号是强背景噪声下的非平稳非线性信号,其特征提取是滚动轴承故障诊断的难点。为了提高滚动轴承的故障诊断效果,提出了基于经验模式分解(Empirical Mode Decomposi-tion,EMD)和谱峭度(Spectrum Kurtosis,SK)的滚动轴承故障诊断方法。首先利用EMD方法对轴承故障信号进行分解,剔除趋势项,利用归一化白噪声分量的统计特性来滤除信号中的噪声分量,然后利用谱峭度方法估计带通滤波器的中心频率和带宽,最后对剩余的信号执行带通滤波和包络解调进行故障诊断。对滚动轴承故障诊断的结果表明,本文提出的方法能够有效地提高轴承故障诊断的效果。     

基于时序分析的经验模式分解法及其应用

经验模式分解方法可以将非线性非平稳信号分解为有限的固有模式函数,在故障诊断中这个固有模式函数常常就是故障信号。但当两侧端点不为极值点时,会造成三次样条拟合的极值包络线大大偏离实际值,并且随着分解的不断进行向内“污染”。提出采用时间序列建模与预测方法,对原信号两端点进行预测,有效地消除了端点效应。指出经验模式分解具有分解的自适应性特点。最后,给出了齿轮箱振动信号的应用实例。     

Bi-spectrum based-EMD applied to the non-stationary vibration signals for bearing faults diagnosis

Empirical mode decomposition (EMD) has been widely applied to analyze vibration signals behavior for bearing failures detection. Vibration signals are almost always non-stationary since bearings are inherently dynamic (e.g., speed and load condition change over time). By using EMD, the complicated non-stationary vibration signal is decomposed into a number of stationary intrinsic mode functions (IMFs) based on the local characteristic time scale of the signal. Bi-spectrum, a third-order statistic, helps to identify phase coupling effects, the bi-spectrum is theoretically zero for Gaussian noise and it is flat for non-Gaussian white noise, consequently the bi-spectrum analysis is insensitive to random noise, which are useful for detecting faults in induction machines. Utilizing the advantages of EMD and bi-spectrum, this article proposes a joint method for detecting such faults, called bi-spectrum based EMD (BSEMD). First, original vibration signals collected from accelerometers are decomposed by EMD and a set of IMFs is produced. Then, the IMF signals are analyzed via bi-spectrum to detect outer race bearing defects. The procedure is illustrated with the experimental bearing vibration data. The experimental results show that BSEMD techniques can effectively diagnosis bearing failures.     

基于混沌理论与SVM的内燃机振动信号趋势预测

针对内燃机振动信号信噪比低且呈非线性、非平稳的特性,提出将经验模态分解(emprical mode decomposition,简称EMD)相空间重构理论与支持向量机(support vector machine,简称SVM)相结合,实现内燃机振动监测数据的建模及预测.首先,将含噪声的振动信号经验模式分解,去掉主要干扰因素所对应的固有模态函数(intrinsic mode function,简称IMF)分量,再将剩余IMF分量进行重构,得到去噪声后振动信号时间序列;然后应用混沌理论,选择合适的嵌入维数和时间延迟对去噪后的振动信号时间序列进行相空间重构;最后采用SVM对其进行建模预测,并与径向基函数(radial basis function,简称RBF)神经网络的预测结果进行比较.试验数据表明,该方法能够预测内燃机振动信号的变化趋势,性能优于传统的分析方法,具有一定的工程实用性.     

基于极值符号序列分析的EMD端点效应处理方法

针对经验模式分解(empirical mode decomposition,简称EMD)的端点效应提出一种新的抑制方法。考虑到极值序列在EMD分解的包络线形成中占有主导地位,将信号局部极值序列进行符号化,根据符号特征进行特征匹配,在信号两端依据符号序列特征匹配结果进行符号序列拓延与对应信号还原,对拓延还原后的信号进行EMD分解以实现端点效应抑制。所提方法对于随机信号与周期信号都有着明显的抑制效果,通过对仿真信号和轴承故障信号端点效应的分析验证了方法的正确性。研究与ARMA模型、BP神经网络、镜像拓延等常见方法进行了对比,所提方法的各分量有效值指标均值为19.64%,低于其他方法,说明对低频分量有着更好的抑制效果。