基于EMD和能量算子的模态参数识别在行星齿轮箱中的应用EI北大核心CSCD

针对行星齿轮箱模态试验下多自由度、低频、密频的模态参数识别问题,提出一种将经验模式分解(Empirical Mode Decomposition,EMD)与能量算子(Energy Operator,EO)相结合的模态参数识别方法。为了定阶模态和满足能量算子对单分量的要求,采用EMD方法将振动信号分解成多个固有模式函数(Intrinsic Mode Function,IMF)。对各个IMF利用高阶能量算子估算频率,计算各IMF与原信号的相关性并根据频率判断阶次及去除虚假分量。由于阻尼比本质就是反映能量衰减,而能量算子能够追踪系统能量,结合二者提出半周期能量算子法估算模态阻尼比。分析了仿真信号和模态试验信号,并与传统方法进行对比分析,实验结果表明,该方法能有效提取行星齿轮箱各阶次的模态参数,验证了方法的有效性与可行性。     

基于EEMD和Teager能量算子的行星齿轮箱故障特征提取研究

针对行星齿轮箱振动信号故障特征提取困难、幅值和频率调制明显等问题,提出一种基于集合经验模态分解(EEMD)和Teager能量算子的行星齿轮箱故障特征提取方法。新方法首先利用EEMD分解样本信号得到若干本证模量函数(IMF),计算各IMF与原始信号的相关系数和欧式距离,筛选出能够表征原始信号特征的分量。其次,计算筛选后各IMF分量的Teager能量算子,将计算结果进行信号重构。最后,提取重构信号模糊熵及其对应概率密度函数的波形指标,作为基本特征参数进行故障诊断。将所提方法应用于行星齿轮箱实验数据分析,并与常用特征提取方法对比,结果表明:所提出的新方法不仅能有效区分行星齿轮箱故障类型和程度,且识别率优于所对比的方法。     

基于VMD的行星齿轮箱故障特征提取新方法

针对行星齿轮箱振动信号故障特征提取困难的问题,提出一种基于变分模态分解的行星齿轮箱故障特征提取方法。首先利用变分模态分解(VMD)算法对样本信号进行分解,得到若干本征模态函数(imf)。然后,计算各分量与样本信号之间的相关系数和欧氏距离,筛选出表征样本信号特征的有效分量,并计算其Teager能量算子,将计算结果进行重构。最后,针对多尺度模糊熵对信号局部差异不够敏感,提取重构信号的多尺度模糊熵和多尺度能量作为基本参数,进行参数融合构成新指标。将其应用于行星齿轮箱太阳轮和行星轴承故障分析,结果表明:新方法既可以区分行星齿轮箱太阳轮不同故障类型,又能有效识别行星轴承不同位置故障。另外,与现有方法对比,新方法区分效果更好。     

基于改进EMD-ICA的结构模态参数识别研究

该文针对频带滤波改进经典经验模态分解(EmpiricalModeDecomposition,EMD)的模态分解能力不足时产生过多虚假模态的问题以及真正本征模函数(IntrinsicModeFunction,IMF)的判定问题,提出了将改进EMD与独立分量相结合的信号分析方法。该方法不需要人为预先设定阈值,能够自动分离出真正的IMF分量,消除改进EMD过程中产生的虚假模态,保障EMD分解信号的有效性。然后利用随机减量技术获得各IMFs的自由模态,最后利希尔伯特变换和最小二乘拟合技术相结合的方法来识别出结构的频率和阻尼比,并通过两个数值算例和一个七层钢框架的模态试验予以验证。研究结果表明:该方法可有效解决改进EMD的缺陷,并成功识别出结构的模态参数。     

基于频率截止的EEMD方法研究

为解决总体平均经验模态分解(Ensemble Empirical Mode Decomposition, EEMD)中虚假IMF分量过多问题,提出了一种基于频率截止的EEMD方法。该方法采用一种新的IMF筛分终止条件--以信号自身的最小频率为EMD分解IMF分量的截止频率;然后将基于频率截止的IMF筛分终止条件引入EEMD分解。通过仿真和实测信号分析,并与EMD、EEMD分解结果比较得到,运用频率截止的EEMD方法不仅有效减少了虚假IMF分量的产生,使得分解的目的性更加明确,而且保证了EEMD分解出的IMF分量的完备性,更好地抑制了模态混叠现象。     

基于阶次跟踪和HHT边际谱的轴承故障诊断研究

提出一种研究旋转机械瞬态信号的分析方法。对齿轮箱启动时测得的原始振动信号进行角域重采样，然后对角域里的信号进行EMD（Empirical Mode Decomposition）分解得到多个IMF（Intrinsic Mode Function）分量，最后对各个IMF分量进行了边际谱分析。结果显示：阶次跟踪技术能够有效地避免传统频谱方法所无法解决的“频率模糊”现象，EMD方法能够将稳态信号分解为多个IMF分量，边际谱能够对轴承故障进行准确诊断。将两种方法相结合是对传统的频谱分析法的有力补充，具有很广阔的应用前景。     

基于EMD与神经网络的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的非平稳特征，提出了一种基于经验模态分解(Empirical Mode Decomposition，简称EMD)和神经网络的滚动轴承故障诊断方法。该方法首先对原始信号进行了经验模态分解，将其分解为多个平稳的固有模态函数(Intrinsic Mode function，简称IMF)之和，再选取若干个包含主要故障信息的IMF分量进行进一步分析，由于滚动轴承发生故障时，加速度振动信号各频带的能量会发生变化，因而可从各IMF分量中提取能量特征参数作为神经网络的输入参数来识别滚动轴承的故障类型。对滚动轴承的正常状态、内圈故障和外圈故障信号的分析结果表明，以EMD为预处理器提取各频带能量作为特征参数的神经网络诊断方法比以小波包分析为预处理器的神经网络诊断方法有更高的故障识别率，可以准确、有效地识别滚动轴承的工作状态和故障类型。     

基于经验模式分解(EMD)的齿轮箱齿轮故障诊断技术研究

简述了齿轮箱传统信号分析技术与经验模式分解(EMD)技术的异同，并详细论述了EMD的分解原理和富立叶变换的关系。针对齿轮箱振动加速度数据，运用EMD分解技术，得到IMF(Intrinsic Mode Function)模式分量，提出了基于IMF及功率谱(PSD)的IMFPSD216指标和基于IMF及滤波统计的IMFFLT指标，并验证了它们的有效性。运用这些指标正确明显地分辨出齿轮箱齿轮失效。     

工况模态分析的EMD方法

EMD（Empirical Mode Decomposition)算法1995年由NASA海洋水波实验室提出，本质上是一种将时域信号按频率尺度分解的数值算法，对于线性时不变系统，它可以从时域信号中直接提取具有不同特征时间尺度的内禀模式函数（IMF,Intrinsic Mode Function)，分解得到的IMF s之间具有正交性，且分解唯一，本文以此为基础，将NExT(Natural Excitation Technique)方法推广到多点随机激励下的复模态情况，对多自由度线性系统实测响应信号的互相关函数进行EMD分解，并进而实现模态参数的辨识。     

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降噪和1.5维能量谱的滚动轴承故障诊断研究

将1.5维谱分析和Teager能量算子相结合,提出了1.5维能量谱的分析方法,并针对滚动轴承故障诊断问题,从提高故障信号信噪比的角度出发,提出基于EEMD降噪和1.5维能量谱的故障诊断新方法。该方法首先对故障信号进行聚合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)运算,得到一组本征模态函数(Intrinsic Mode Function,IMF)分量后运用相关系数-峭度准则对其进行筛选,并利用筛选出的IMF分量重构信号,最后计算重构信号的1.5维能量谱,从而获得轴承故障特征频率信息。利用该方法对滚动轴承内圈故障的模拟数据以及实测数据分别进行分析,诊断结果令人满意。     

基于ASTFA和SDEO解调的行星齿轮箱故障诊断方法

针对行星齿轮箱故障信号的调制特点,提出基于自适应最稀疏时频分析(Adaptive and Sparsest TimeFrequency Analysis,ASTFA)和对称差分能量算子(Symmetric Difference Energy Operator,SDEO)相结合的解调方法,用于提取故障信号的瞬时幅值和瞬时频率信息。采用ASTFA方法分解行星齿轮箱故障信号,得到若干个单分量信号,采用SDEO进行解调,得到各单分量信号的瞬时幅值和瞬时频率,并计算得到包络谱。采用该方法分析行星齿轮箱故障仿真信号和故障实际信号,结果表明,该方法能准确地提取故障特征,实现行星齿轮箱故障诊断。     

基于EMD的胶合板损伤声发射信号特征提取及神经网络模式识别

摘要：针对胶合板损伤声发射信号的非平稳性和损伤类别特征相互重叠的实际情况,提出了基于经验模态分解(Empirical Mode Decomposition, EMD)和BP神经网络相结合的信号特征提取和识别方法。首先对损伤声发射信号进行EMD分解,筛选出包含主要信息的本征模态函数（Intrinsic Mode Function, IMF）分量;其次构建以各IMF分量的能量占比作为表征各损伤信号的特征向量;最后以提取的特征向量为输入样本,建立BP神经网络模式分类器对四类胶合板损伤信号进行识别。五层胶合板损伤的实测数据表明,该方法能够准确地提取出声发射信号特征并对其损伤类型进行有效地识别。     

集成TEO解调和随机共振的行星齿轮箱早期故障诊断方法

针对行星齿轮箱早期微弱故障难以诊断的问题,提出一种结合Teager能量算子(TEO)解调和随机共振增强输出的方法以实现故障特征提取。首先,对行星齿轮箱振动信号进行经验模式分解(EMD)并选取包含故障信息的分量信号,使用TEO解调运算获得分量信号的解调信号。其次,为满足随机共振系统的小参数条件,将解调信号做适当压缩处理并进行频率二次采样。再次,以定义的随机共振系统输出信噪比为适应度函数,采用粒子群算法优化随机共振系统的结构参数,进而重构随机共振系统以实现信号、噪声以及非线性系统的最佳匹配。最后,将信号重新输入参数优化后的随机共振系统实现故障特征的增强提取。仿真和实验均表明:该方法获取了随机共振系统的大信噪比输出,实现了强噪声下微弱故障特征的准确和高效提取,是一种行之有效的行星齿轮箱早期微弱故障诊断方法。     

基于变分模态分解和Teager能量算子的滚动轴承故障特征提取

针对滚动轴承早期故障振动信号信噪比低、故障特征提取困难的问题,提出了基于变分模态分解和能量算子的滚动轴承故障特征提取方法。该方法首先对故障信号进行变模态分解(Variational Mode Decomposition,VMD),得到若干本征模态分量(Intrinsic Mode Function,IMF);其次,通过峭度准则选取其中峭度最大的分量进行Teager能量算子解调,得到信号的Teager能量谱。将该方法应用到滚动轴承仿真故障数据和实际数据中,结果表明,该方法提高了信号的分解效率,降低了噪声的影响,能够实现滚动轴承故障的精确诊断,证明了该方法的有效性。     

适于泥石流除噪的EMD联合小波阈值除噪方法

次声传感器采集到的泥石流次声信号中包含有大量的无关干扰信号,严重影响信号的分析与评估。针对含噪泥石流信号中无法准确确定噪声频段的特点,以及传统经验模态分解(Empirical Mode Decomposition, EMD)联合小波阈值去噪方法无法智能分辨噪声所在频段的缺点,提出了信号经EMD分解后,基于相关性选择噪声频段的方法。首先利用EMD分解获取信号的固有模态函数(Intrinsic Mode Function, IMF)分量,然后计算各个IMF分量与原始信号的相关性,根据相关性大小确定IMF噪声频段,然后采用小波阈值去噪方法对噪声频段进行处理,最后对处理后的信号进行重构得到去噪泥石流信号。通过模拟实验分析,证明该方法具有智能选择噪声频段的能力,是一种更适于泥石流信号的去噪方法。     

解相关多频率经验模态分解的故障诊断性能优化方法

针对故障诊断中采用EMD方法存在模态混叠现象,引起故障特征提取精度低的问题。提出了一种解相关多频率经验模态分解(Decorrelation Multiple-Frequency Empirical Mode Decomposition,DMFEMD)方法,首先对初始信号添加多个频率的掩蔽信号,初步分解其中不同频率比的信号分量得到多个IMF分量;其次计算相邻IMF之间的相关系数并对其解耦,进一步分离IMF中存在混叠的部分,得到最优IMF;最终,从原始信号中减去最优IMF,然后重复上述步骤,直到残余分量为常数或单调。由于保证了IMF之间互不相关且互不干扰,因此模态混叠现象显著减弱,有效提高故障特征提取精度。利用排列熵算法对一系列最优IMF构造特征样本集,引入SVM建立故障分类模型,实现设备故障诊断。通过试验证明,DMFEMD与传统的方法相比,能有效分离不同频率比混合信号,提高分解效果。同时以轴承振动信号为例,DMFEMD可以更好的提取轴承的故障特征,结合PE与SVM能够实现不同故障类型的高效精确的诊断。     

基于EMD分解和奇异值差分谱理论的轴承故障诊断方法

针对故障轴承振动信号中含有强烈的背景噪声,难以提取故障频率的现实情况,提出了基于经验模态分解(Empirical Mode Decomposition,EMD)和奇异值差分谱的轴承故障诊断方法.首先通过EMD方法将非平稳的原始轴承振动信号分解成若干个平稳的本征模函数(Intrinsic Mode Function,IMF);由于背景噪声的影响,从各个IMF的频谱中难以准确地得到故障频率.对IMF分量构建Hankel矩阵并进行奇异值分解,进一步找到奇异值差分谱,根据奇异值差分谱理论对某个IMF分量进行消噪和重构,然后再求其频谱,便能准确地得到故障频率.实验结果表明,提出的方法能有效地应用于轴承的故障诊断.     

基于EMD和Teager能量算子的轴承故障诊断研究

提出了一种基于EMD和Teager能量算子的齿轮箱轴承故障诊断的新方法,该方法综合利用了经验模态分解和Teager能量算子分析技术.首先利用经验模态分解方法,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幅值,最后对感兴趣固有模态函数瞬时幅值的包络谱进行分析,就可识别齿轮箱轴承的故障部位和类型.齿轮箱轴承故障振动实验信号的研究结果表明:该方法能有效地识别轴承的故障.     

基于调频EMD的结构非线性辨识方法研究

提出了调频EMD方法,克服了原EMD方法在密集频率情况下容易产生固有模式函数(Intrinsic Mode Function,IMF)混淆的弱点,可以较好地分解相对密集频率的弱非线性信号,得到物理意义相对明确的IMF。与Hilbert-Huang变换相结合,有效地识别多自由度弱非线性系统瞬时模态信息的变化过程。通过数值仿真计算证明了调频EMD方法的有效性。利用调频EMD方法对Humber大桥的主梁两自由度节段模型自由气弹振动信号进行识别,揭示了该耦合系统的非线性。