船体振动的轴系周期性故障特征信息识取方法

针对船舶推进轴系早期碰摩故障冲击信号周期性强且易被强烈的背景噪声所淹没的问题,提出基于船体尾部结构振动的轴系周期性故障特征信息识取方法,简称EEAF(EEMD+Autocorrelation Analysis+FFT)。首先,对采集的复杂船体尾部结构振动信号进行集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD),得到一系列固有模式分量(IMF);再以自相关函数的性质为准则,筛选出存在周期成分的IMF分量;最后对相应分解层进行快速傅里叶变换,频谱分析识取表征轴系早期碰摩故障的特征量。通过轴系故障的仿真和实船试验研究,验证了该方法的有效性和可行性。     

一种可用于故障诊断的信号处理方法——完备总体平均局部特征尺度分解

作为对经验模态分解（EMD）的改进,局部特征尺度分解（LCD）也有类似EMD的模态混淆问题。基于噪声辅助分析的总体平均经验模态分解（EEMD）和完备的EEMD（CEEMD）等是抑制分解模态混淆的有效途径。然而此类方法伪分量较多、得到的分量未必满足IMF分量定义等。针对此,论文提出了一种完备的总体平均局部特征尺度分解（CELCD）,并通过仿真信号将CELCD方法与CEEMD进行了对比,结果表明CELCD能够有效抑制LCD模态混淆,而且在抑制伪分量的产生,提高正交性和分量的精确性等方面具有一定的优越性。最后论文将CELCD方法应用于转子碰摩故障的诊断,结果表明了方法的有效性。     

基于MCSSD的转子碰摩故障早期检测

提出了基于多尺度线调频基信号稀疏分解(Multi-scale Chirplet Sparse Signal Decomposition,简称MCSSD)的转子碰摩故障早期检测方法,该方法用MCSSD方法对转子碰摩故障振动信号进行单次分解,从原信号中分离出具有最大幅值的工频(或倍频)信号分量。由于MCSSD方法是采用线性直线逐段自适应逼近分析信号的各分量频率,分解得到的信号分量与真实信号分量具有很好的频率匹配特性,不会产生频率混叠现象,因此,与小波分解与EMD分解相比,MCSSD能更有效地从转子早期碰摩故障振动信号分离出最具最大幅值的工频(或倍频)信号分量。将该信号分量从原信号中去除,对残余信号分量做频谱分析,即可有效诊断转子早期碰摩故障。应用实例证明了该方法的有效性和优越性。     

转子全周碰摩与局部碰摩的识别方法研究

摘 要：超临界汽轮发电机组的结构和工况复杂,容易引起转、静子间的碰摩。根据碰摩诱发因素的不同,可将其分为全周碰摩与局部碰摩。由于两种碰摩故障的时、频特征相似,传统的时、频域分析方法很难准确提取它们的故障特征。本文针对这一不足,提出一种基于经验模式分解-奇异值分解（EMD-SVD）与支持向量机（SVM）的碰摩故障识别方法,用于对转子全周碰摩与局部碰摩故障进行识别。首先,通过EMD获取碰摩信号的固有模式函数（IMF）;然后,提取表征信号主要能量的前四阶IMF组成特征矩阵并进行SVD分解,得到关于原信号的一组特征值;最后,将特征值输入SVM,对原信号进行分类识别。转子试验台全周碰摩与局部碰摩试验结果表明,本方法对转子全周碰摩与局部碰摩故障的分类准确率高,其中以径向基函数作为核函数的SVM分类准确率达到96.0%。     

基于EEMD能量熵及LS-SVM滚动轴承故障诊断

针对滚动轴承振动信号的非平稳特性和现实中难以获得大量典型故障样本的实际情况,提出基于集合经验模态分解（EEMD）能量熵和最小二乘支持向量机（LS-SVM）的滚动轴承故障诊断方法。首先通过EEMD分解将非平稳的原始振动信号分解成若干个平稳的固有模态函数（IMF）;滚动轴承同一部位发生不同严重程度的故障时,在不同频带内的信号能量值会发生改变,因此可通过计算振动信号的EEMD能量熵判断发生故障的严重程度;从包含主要故障信息的IMF分量中提取的能量特征作为输入来建立支持向量机,判断滚动轴承的技术状态和故障严重程度,并选用不同核函数对诊断效果进行分析比较。实验结果表明,该方法能有效地应用于滚动轴承的故障诊断。     

基于MS-EEMD的滚动轴承微弱故障提取研究

在实际工况下,轴承的早期故障信号与强噪声信号相比属于微弱信号,而轴承的早期故障特征从强噪声环境中提取出来一直是故障诊断课题的一大难点。基于上述问题,提出一种基于MS（Mask Signal）和EEMD（Ensemble Empirical Mode Decomposition）方法的滚动轴承微弱故障提取方法。由于EEMD方法在噪声背景下分解出的IMF分量存在模态混叠现象,很难辨别故障频率的真伪,所以引入掩膜信号法对分解出的IMF分量进行处理,抑制虚假频率,将故障频率提取出来。通过将掩膜信号法与EEMD方法相结合的方式,对存在噪声的故障信号进行处理,提取出故障特征。     

基于EEMD及敏感IMF的再制造发动机振动模式研究

为更好提取再制造发动机的振动特征,采用总体平均经验分解模式（Ensemble Empirical Mode Decomposition,EEMD）对信号进行分解,并用于再制造发动机振动模式研究中。在对振动信号分解基础上,利用相关系数计算IMF分量与其原始信号间相关性及原始信号IMF分量敏感因子;利用敏感IMF进行Hilbert变换。研究结果表明,采用EEMD分解算法所得IMF分量能反映再制造发动机的振动特征,基于敏感IMF的边际谱能区分再制造发动机不同部件的振动模式,并将再制造发动机部件分为缸壁、缸盖、曲轴三种振动模式,对提高发动机再制造水平具有重要意义。     

高速气体轴承转子周期性碰摩故障试验研究

针对高速气体轴承转子结构进行周期性碰摩试验研究。对此结构的轴系进行升速试验,试验结果显示轴系转速在升高到一定程度时开始产生飞升,随后在频域内出现周期性碰摩现象。通过频谱特性、轴心运动轨迹及时间—频率—幅值三维谱图等振动图谱特征,分析转子飞升与周期性碰摩现象的动力学过程及产生原因,并给出碰摩故障的典型特征。研究结果可以为此类碰摩故障的识别与相关碰摩故障诊断系统的建立提供试验数据支撑。     

EEMD-ICA联合降噪的旋转机械故障信号检测方法

针对旋转机械前期故障信号微弱、易被噪声淹没、故障特征难以提取的问题,提出一种聚合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）和独立成分分析（Independent Component Analysis,ICA）相结合的故障特征提取方法。首先,运用EEMD理论将振动信号分解为一系列的固有模态函数（Intrinsic Mode Function,IMF）,然后根据相关系数和均方根准则选取含有原始信号多的IMF分量构造观测信号,引入虚拟噪声通道;最后,通过FastICA算法将噪声与故障特征信号进行分离,并对分离出的有用信号进行频谱分析,突显故障频率。通过仿真信号验证所提出方法的有效性,并将其应用于轴承的内外圈故障识别,与传统的EEMD-WTD降噪方法对比,结果表明：所提出的方法能提取出清晰微弱故障特征信号,对低频噪声的抑制效果明显优于EEMD-WTD方法。     

基于EEMD降噪和FFT的转子故障振动分析

针对转子产生故障时的振动信号受噪声干扰大、故障特征不明显这一难题,提出基于集合经验模式分解(EEMD)降噪和傅里叶变换(FFT)的转子振动信号分析方法。首先利用EEMD方法将原始故障信号分解成若干本征模态分量(IMF),然后计算各分量与原始信号之间的相关系数,筛选出有用分量并进行信号重构。最后对重构信号进行傅里叶变换(FFT)得到振动信号的特征频率。数值模拟和实验结果证明该方法的有效性和实用性。     

基于EEMD的振动信号自适应降噪方法

摘 要：应用集合经验模式分解（Ensemble empirical mode decomposition ,EEMD）能有效抑制模态混叠的特性,根据白噪声经经验模式分解（Empirical mode decomposition, EMD）后其固有模式函数（intrinsic mode functions ,IMF）分量的能量密度与其平均周期的乘积为一常量这一特点设计了自动选择IMF分量重构信号的算法,提出了基于EEMD的振动信号自适应降噪方法。对仿真信号和滚动轴承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。     

基于线调频小波路径追踪算法与EEMD的齿轮箱复合故障诊断方法

针对变转速下的齿轮箱中复合故障的故障特征提取,提出了一种基于线调频小波路径追踪算法与集合经验模式分解的齿轮箱复合故障诊断方法。该方法先用线调频小波路径追踪算法从原始振动信号中提取转频曲线,根据转频曲线对原始振动信号进行等角度重采样,将时域信号转化为角域信号,再对角域重采样信号进行集合经验模式分解,根据相关系数选取合适的内禀模态函数,最后对所选取的内禀模态函数分量进行Hilbert包络谱分析,根据包络谱进行齿轮箱复合故障诊断。通过算法仿真和应用实例对包含齿轮局部故障和轴承局部故障的变转速齿轮箱复合故障进行分析,结果表明,本文方法在无转速计的情况下能有效地提取变转速齿轮箱复合故障的特征。     

基于改进HHT和SVM的滚动轴承故障状态识别

针对滚动轴承故障信号特征难以提取与故障诊断效率较低问题,引入集合经验模态分解(EEMD)对Hilbert-Huang变换(HHT)进行改进,将改进的HHT结合拉普拉斯得分(Laplacian score,LS)进行轴承故障特征提取,并利用遗传算法(GA)优化支持向量机(SVM)分类参数,将其应用于滚动轴承振动信号故障状态识别中。首先,利用相关系数筛选EEMD分解后的IMF分量,计算IMF分量的Hilbert边际谱能量与Lempel-Ziv复杂度构成轴承高维特征向量;其次,运用LS得分对高维特征向量进行数据降维;最后,用GA-SVM对轴承不同故障状态进行识别。通过轴承不同状态下的试验数据验证本文方法,结果表明所提方法能够有效识别轴承不同故障状态。     

基于EEMD和改进的形态滤波方法的轴承故障诊断研究

轴承故障会导致振动信号中出现冲击响应成分,可通过对冲击响应成分的周期的检测与提取, 进行局部故障诊断。但在复杂工况下,故障脉冲易被周围噪声淹没,在分析EEMD和形态学滤波方法的基础上,将EEMD方法与形态学滤波方法相结合,提出结构元素(SE)选择方法,并用于本征模态信号中冲击响应特征的提取。通过将该方法用于轴承外圈、内圈局部故障状态下的特征的检测,结果表明该方法能有效提取周期性脉冲成分并抑制噪声。     

基于EEMD和参数自适应VMD的高速列车轮对轴承故障诊断

针对高速列车轮对轴承工作环境复杂,振动信号中时常伴有冲击性噪声和循环平稳性噪声,使得传统的参数自适应变分模态分解(variational modal decomposition,VMD)方法对轮对轴承的故障特征信息提取不准确的问题,提出了一种基于集成经验模态分解(ensemble empirical mode deco...     

信号相关性和EEMD-Hilbert包络在滚动轴承故障诊断中的应用

针对传统信号包络的带通滤波器的中心频率和带宽的选择不确定性和经验模式分解(EMD)在非线性非平稳信号处理中存在的模态混叠问题,提出了一种以信号的相关性为判据,获取总体经验模式分解（EEMD）的最佳IMF分量,并对其进行Hilbert包络解调获取故障特征频率,实现滚动轴承早期故障的诊断的新方法。实验分析结果表明：该方法能够准确地识别和诊断出滚动轴承的早期故障类型,适合滚动轴承早期故障的精确诊断,具有一定实用价值。     

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。     

基于EEMD模糊熵和GK聚类的信号特征提取方法及应用

提出了一种基于集合经验模态分解模糊熵和GK聚类相结合的方法,应用于滚动轴承的故障诊断中。首先,利用EEMD方法将故障信号分解成多个本征模态分量来消除模态混叠影响;其次,通过相关性对IMF分量进行筛选,并求取其模糊熵作为特征向量进行GK聚类分析进行模式识别。在实验分析中,通过模糊熵、样本熵、近似熵3种特征参数的对比,和GK聚类与FCM聚类的对比,证明了该方法的有效性和优越性。