基于EEMD和THT的齿轮故障诊断方法

提出了一种基于总体平均经验模态分解(ensemble empirical mode decomposition,简称EEMD)和TeagerHuang变换的齿轮箱故障诊断方法,该方法首先运用EEMD方法,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,然后用Teager能量算子计算各固有模态函数的瞬时频率和瞬时幅值,得到Teager-Huang变换时频谱.齿轮箱齿轮裂纹故障振动试验信号的研究结果表明,Teager-Huang变换时频谱优于Hilbert-Huang变换时频谱,能有效识别齿轮故障.     

基于阶次跟踪和变换时频谱的轴承故障诊断

综合利用阶次跟踪和Teager-Huang变换时频分析技术,进行齿轮箱起动过程轴承故障诊断.首先,对齿轮箱升降速瞬态信号进行时域同步采样,并对时域信号进行等角度重采样转化为角域平稳信号,再对角域信号进行EMD分解,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.然后,用Teager能量算子计算各固有模态函数的瞬时频率和瞬时幅值,进而得到Teager-Huang变换时频谱.通过对齿轮箱起动过程轴承故障振动信号的分析表明,该方法能有效地识别轴承故障.     

齿轮箱起动过程故障诊断

针对齿轮箱升降速过程中振动信号非平稳的特点,将阶次跟踪、角域平均和Teager能量算子分析技术相结合,提出了基于阶次跟踪和Teager能量算子分析的齿轮箱故障诊断方法.首先对齿轮箱升降速瞬态信号进行时域同步采样,再对时域信号进行等角度重采样,转化为角域平稳信号,然后对角域信号进行角域平均和带通滤波,以消除干扰噪声的影响,最后由Teager能量算子计算振动信号的瞬时频率和瞬时幅值,根据瞬时频率和瞬时幅值图,就可提取齿轮的故障特征.通过对齿轮齿根裂纹故障试验信号的分析,表明该方法能有效地诊断齿轮的裂纹故障.     

基于Teager-Huang变换的转子局部碰摩故障诊断

针对转子碰摩故障诊断问题,提出一种基于Teager-Huang变换的转子局部碰摩故障特征提取方法,该方法首先通过经验模态分解(Empirical mode decomposition,EMD)将原始振动信号分解为若干个本征模态函数(Intrinsic Mode Function,IMF)分量,然后利用Teager量算子计算IMF分量的瞬时幅值和瞬时频率,得到故障信号的时频分布信息。通过转子局部碰摩故障诊断实例分析结果表明Teager-Huang变换方法比Hilbert-Huang变换方法能更好地追踪转子碰摩的发生,并能有效提取转子碰摩故障特征,验证了该方法的有效性。     

基于EMD/HHT的齿轮箱齿轮不对中故障信号分析

研究了经验模态分解(简称EMD)技术在齿轮箱故障诊断中的应用,并详细论述了EMD原理,对齿轮故障振动信号(简称故障信号)进行EMD,获取固有模态函数(简称IMF)分量,并通过HHT(Hilbert-Huang)变换,对IMF分量进行解调,对解调信号进行频谱分析,提取故障特征频率。研究结果表明,EMD方法能够有效降低信号的噪声,提高信噪比,突出信号的故障特征。     

改进小波去噪Teager算子的齿轮微弱故障提取方法

针对齿轮箱在强噪声背景下齿轮微弱故障振动信号的特征不易被提取的问题,提出将改进小波去噪和Teager能量算子相结合的微弱故障特征提取方法。采用改进小波阈值函数对振动信号进行去噪处理,与形态学滤波和传统小波阈值函数相比能够有效地提高信号的信噪比。对去噪后的信号进行集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)得到若干本征模式函数(intrinsic mode function,简称IMF),计算各IMF分量与原信号的相关系数并结合各IMF分量的频谱剔除虚假分量。对有效的IMF分量计算其Teager能量算子,并重构得到Teager能量谱,对重构信号进行时频分析并将其结果与原信号的希尔伯特黄变换(HilbertHuang transform,简称HHT)得到的边际谱进行对比。实验研究结果表明,本研究方法相比HHT能够对齿轮微弱故障特征进行更为有效地提取,验证了本研究方法在齿轮箱微弱故障诊断中的可行性。     

Hilbert-Huang变换在齿轮裂纹故障诊断中的应用

提出一种基于Hilbert-Huang变换的齿轮裂纹故障诊断的新方法。Hilbert-Huang变换是先把时间序列信号,用经验模态分解方法分解成不同特征时间尺度的固有模态函数,然后经过Hilbert变换获得信号时频分布的一种信号处理新方法,将Hilbert-Huang变换应用于齿轮箱中齿轮故障诊断的研究。齿轮故障实验信号的研究结果表明,Hilbert-Huang变换时频分析方法能有效诊断齿轮的齿根裂纹故障。     

随机共振降噪下的齿轮微弱故障特征提取

针对强背景噪声下的齿轮微弱故障特征提取问题,提出了一种将级联单稳随机共振与经验模式分解(EMD)-Teager能量算子解调方法相结合的特征提取方法。首先对含噪故障信号进行随机共振输出,降噪后再进行经验模式分解,分解得到具有不同特征时间尺度的固有模态函数(IMFs),最后通过Teager能量算子解调方法求取每个有效IMF分量的幅频信息,从而提取齿轮微弱故障特征。仿真分析和实际测试结果均表明,通过随机共振降噪后,该方法能有效检测出齿轮局部损伤故障特征频率。     

瞬时频率估计的齿轮箱升降速信号阶次跟踪

提出了基于瞬时频率估计的齿轮箱升降速信号阶次跟踪的新方法。首先对振动信号进行经验模态分解得到信号的固有模态函数，再求各个固有模态函数的Hilbert变换，得到信号的瞬时频率，从而直接从振动信号得到参考轴的转速信号，然后根据参考轴的转速信号对时域振动信号进行等角度重采样，最后对重采样信号进行阶次分析。通过仿真信号和对齿轮磨损故障实验信号的分析，表明该方法能有效地诊断齿轮的故障。     

应用Hilbert-Huang变换的齿轮磨损故障诊断研究

提出了一种基于H ilbert-Huang变换的齿轮磨损故障诊断的新方法。H ilbert-Huang变换是先把时间序列信号,用经验模态分解方法分解成不同特征时间尺度的固有模态函数,然后经过H ilbert变换获得频谱的信号处理新方法。介绍了该方法的基本原理,并将H ilbert-Huang变换应用于齿轮箱中齿轮磨损故障诊断的研究,通过选取表征齿轮磨损故障的IM F分量进行边际谱和能量谱分析,就可提取齿轮故障振动信号的特征。齿轮故障实验信号的研究结果表明,H ilbert-Huang变换时频分析方法,能有效地诊断齿轮的磨损故障。     

Bearing fault detection and diagnosis based on order tracking and Teager-Huang transform

The vibration signal of the run-up or run-down process is more complex than that of the stationary process. A novel approach to fault diagnosis of roller bearing under run-up condition based on order tracking and Teager-Huang transform (THT) is presented. This method is based on order tracking, empirical mode decomposition (EMD) and Teager Kaiser energy operator (TKEO) technique. The nonstationary vibration signals are transformed from the time domain transient signal to angle domain stationary one using order tracking. EMD can adaptively decompose the vibration signal into a series of zero mean amplitude modulation-frequency modulation (AM-FM) intrinsic mode functions (IMFs). TKEO can track the instantaneous amplitude and instantaneous frequency of the AM-FM component at any instant. Experimental examples are conducted to evaluate the effectiveness of the proposed approach. The experimental results provide strong evidence that the performance of the Teager-Huang transform approach is better to that of the Hilbert-Huang transform approach for bearing fault detection and diagnosis. The Teager-Huang transform has better resolution than that of Hilbert-Huang transform. Teager-Huang transform can effectively diagnose the faults of the bearing, thus providing a viable processing tool for gearbox defect monitoring.     

基于EMD和HT的旋转机械振动信号时频分析

把一列时间序列数据通过经验模态分解(Empirical Mode Decomposition，简称EMD)成本征模函数组(Intrinsic Mode Function．简称IMF)．然后经希尔伯特变换(Hilbert Transformation，简称HT)获得频谱的信号时频分析新方法引入到旋转机械振动信号处理领域。介绍了该方法的理论和算法。首先．采用调频调幅仿真信号对该方法进行仿真验证；其次．把一实测的旋转机械油膜涡动故障振动信号进行了基于EMD和HT的时频分析。仿真和实测信号的分析结果说明．用基于EMD和HT方法对旋转机械的振动信号进行时频分析是有效的。     

基于经验模态分解的旋转机械振动信号滤波技术研究

把经验模态分解方法引入了旋转机械振动信号滤波领域,详细地解释了这种方法及其算法。通过对一个带高频毛刺干扰的振动信号的经验模态分解与本征模函数的组合,演示了基于经验模态分解的振动信号滤波的方法。把振动信号滤波前后的波形进行了比较,发现基于经验模态分解的信号滤波方法对振动信号滤波有较好的效果。     

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。     

基于改进EMD与PNN的汽轮机通流部分故障诊断

根据热力参数非线性、非稳态的特点,提出了一种基于改进的经验模态分解(empirical mode decomposition,简称EMD)算法与概率神经网络(probabilistic neural network,简称PNN)的汽轮机通流部分故障诊断新方法。该方法针对EMD存在的端点效应问题,采取基于波形相似度的镜像延拓法进行改进,以得到更准确、更真实的本征模函数(intrinsic mode function,简称IMF)分量,从而有效提取了故障特征信息,并通过PNN训练判别汽轮机通流部分故障类型。以某电厂600MW火电机组实时运行数据为基础进行仿真实验,结果表明,基于改进EMD与PNN的汽轮机通流部分诊断方法能够快速准确地判别汽轮机通流部分的故障类型,其准确率明显高于基于EMD与PNN的故障诊断方法。     

IMF筛选停止条件的分析及新的停止条件

分析了目前经验模式分解(empircal mode decomposition,简称EMD)中本质模式函数(intrisic mode function,简称IMF)筛选停止条件,并提出了一种新的筛选停止条件.首先建立了一种EMD分解效果的检测方法,采用该方法分析了3种IMF筛选停止条件,从分解效果图可以看到3种停止条件对EMD分辨率的影响;然后提出了一种改进的IMF筛选停止条件;最后通过分解面的效果图和算例,表明新方法可以减少模式混叠现象,提高EMD分解效果.     

基于互补的总体经验模式分解算法的齿轮箱故障诊断

针对经验模式分解(EMD)和总体经验模式分解(EEMD)算法在齿轮箱故障诊断中的缺陷,提出了一种基于互补的总体经验模式分解(CEEMD)算法的齿轮箱故障诊断方法。首先介绍了CEEMD方法,然后将CEEMD方法用于实际齿轮箱的故障诊断中。结果表明,与基于EMD/EEMD算法的齿轮箱故障诊断方法相比,基于CEEMD算法的齿轮箱故障诊断方法不但可以有效地克服模态混叠和能量泄露现象,而且大大提高了计算效率,为齿轮箱的故障诊断提供了一种新的方法。     

Application of the EEMD method to rotor fault diagnosis of rotating machinery

Empirical mode decomposition (EMD) is a self-adaptive analysis method for nonlinear and non-stationary signals. It may decompose a complicated signal into a collection of intrinsic mode functions (IMFs) based on the local characteristic time scale of the signal. The EMD method has attracted considerable attention and been widely applied to fault diagnosis of rotating machinery recently. However, it cannot reveal the signal characteristic information accurately because of the problem of mode mixing. To alleviate the mode mixing problem occurring in EMD, ensemble empirical mode decomposition (EEMD) is presented. With EEMD, the components with truly physical meaning can be extracted from the signal. Utilizing the advantage of EEMD, this paper proposes a new EEMD-based method for fault diagnosis of rotating machinery. First, a simulation signal is used to test the performance of the method based on EEMD. Then, the proposed method is applied to rub-impact fault diagnosis of a power generator and early rub-impact fault diagnosis of a heavy oil catalytic cracking machine set. Finally, by comparing its application results with those of the EMD method, the superiority of the proposed method based on EEMD is demonstrated in extracting fault characteristic information of rotating machinery.