经验模态分解在机械设备故障诊断应用研究概述

当机械设备出现故障时,其振动信号中除了故障信号外,还混有能量较大的背景信号和噪声,表现出很强的非线性非平稳特征,利用传统的时域或频域方法很难有效的进行故障诊断。经验模态分解是一种自适应的信号处理方法,主要应用于非线性非平稳信号的分析。本文介绍了经验模态分解方法的原理及处理步骤,结合机械设备状态监测和故障诊断,论述了经验模态分解方法在滤波降噪、特征提取和状态识别中的应用情况．     

基于经验模态分解和形态滤波的矿用轴承故障诊断

针对传统煤矿电机滚动轴承故障诊断信号噪声大和诊断效率低等问题,提出了一种基于经验模态分解和形态滤波的轴承故障诊断方法。仿真结果验证了所提方法的可行性和有效性。     

滚动轴承早期故障智能诊断方法

滚动轴承的早期故障特征微弱,针对该问题,提出了一种信号包络时频变换卷积神经网络(CNN)故障诊断方法,以实现滚动轴承早期故障诊断。实验结果表明,所提方法不仅减少了训练数据,还具有较高的准确率和稳定性。     

基于EMD细化包络谱分析在轴承故障诊断中的应用

将经验模式分解(empirical mode decomposition,EMD)、Hilbert变换和细化(ZOOM)技术结合在一起。通过EMD分解的自适应滤波算法,避免了依靠经验来设置带通滤波器的中心频率和带宽,或者用小波方法对信号进行分解时,需要预先确定基函数和分解尺度的缺点,从而为计算包络谱的细化提供了一种简易算法。结果表明,基于经验模式分解自适应滤波的滚动轴承振动信号解调方法能够有效地突出故障特征频率成分,避免误诊断。     

爆破振动信号微分经验模态分解与经验模态分解对比分析

本文介绍了一种爆破振动信号处理方法——微分经验模态分解(DEMD),并结合多宝山铜矿选矿厂中碎车间基础爆破振动监测试验,与经验模态分解(EMD)进行对比分析爆破振动信号的频率筛分、混叠失真情况以及分解后信号的功率谱特性。结果显示:与EMD相比,DEMD有效地抑制了信号混叠失真现象,且从信号的功率谱变化特征得出DEMD将不同的优势频率分量提取出来,爆破振动信号频率筛分效果优越于EMD。     

利用经验模态分解及小波变换压制微震信号中的随机噪声

随机噪声的压制是微震信号分析过程中的重要环节,目前大多数降噪技术都不同程度的存在去噪效果差、易损伤有效信号等问题。针对微震信号的随机非平稳特征,提出一种联合经验模态分解(EMD)及小波阈值的降噪方法,压制微震信号中的随机噪声。该法首先使用EMD对微震信号进行自适应分解,得到有限个本征模态函数(IMF)。考虑到随机噪声主要集中在高频IMF分量中,基于噪声能量突变原则找出低频IMF分量与高频IMF分量的分界后,利用小波阈值方法对高频IMF进行降噪处理,最后将降噪后的高频IMF分量与剩余的低频IMF分量重构即可实现微震信号降噪。仿真分析及实验结果表明,该方法能充分保留微震信号的随机非平稳特征,较对比方法具有更好的降噪效果。     

经验模态分解在矿井风机振动信号分析中应用

由于获取矿井风机振动信号的特殊性,致使有效的振动信号被大量干扰信号所淹没,给基于振动信号的矿井风机故障诊断带来很大困难。为此,提出一种EMD-FFT振动信号分析方法,该方法将经验模态分解技术与傅里叶分析相结合。采用EMD对矿井风机振动信号进行分解,用FFT对分量(IMF)分别进行频谱分析,并将其按频率重组,剔除高频干扰,获取真实振动信号。通过将原始信号FFT直接分析与EMD-FFT分析对比研究,证明EMD-FFT较直接FFT在矿井风机振动信号分析中的优越性。     

应用经验模态分解下的AR模型提取电动机故障特征

为有效地诊断电动机断条故障,提出了一种基于EMD-AR模型的电动机断条诊断的信号分析新方法。该方法将时间序列的AR模型引入到电动机断条故障诊断中,采用了经验模态分解方法将电动机的电流信号分解成若干个平稳的IMF分量,对前三个分量建立AR模型,并对固有模态函数进行功率谱分析。通过对比正常电动机、一根断条满载电动机和一根断条空载电动机的A相电流信号的IMF1(V)~IMF3(V)分量,通过AR模型估计的功率谱图提取故障特征并分析。仿真和实验结果表明,此方法能有效识别电动机断条故障。     

基于经验模态分解的井架变形信号自适应降噪研究

 在进行建筑物高精度动态监测时,真实位移信号往往淹没在强噪声之中,利用经验模态分解对监测信号进行多尺度分解,根据尺度标准化模量累积均值指标,确定噪声分离层次,对有效尺度分量重构得到降噪后的变形信号,建立了变形监测信号的自适应降噪模型。工程实例表明该方法具有优越性。     

基于EMD分解的齿轮箱故障诊断研究

提出了基于EMD分解的齿轮箱故障诊断方法,介绍了EMD理论及其算法,完成了齿轮箱齿面磨损故障及正常状态实验,对故障信号进行EMD分解后所得IMF中清晰地表达了故障信息,说明了该方法的可行性和有效性。     

EMD与能量算子解调在提升机齿轮箱故障诊断中的应用

提升机齿轮减速箱一旦发生故障,其振动信号表现出强烈的非平稳性,表现为复杂的调制现象,因强烈的噪声干扰,给故障特征提取带来了困难。介绍了基于经验模态分解(Empirical Mode Decomposition, EMD)与Teager-Kaiser能量算子（Teager-Kaiser Energy Operator,TKEO）解调相结合的提升机齿轮箱故障诊断方法,该方法结合了EMD自适应滤波和Teager-Kaiser能量算子非线性故障特征提取的优点。EMD方法可将齿轮箱振动信号分解成若干个局部频率从高到低不同频段的IMFs（Intrinsic Mode Functions）,各个IMF突出了原始信号的某些局部特征,再对相对高频段且含有齿轮啮合频率及谐频的IMFs进行能量算子解调,成功提取了提升机齿轮箱中间轴旋转频率fr2的故障特征频率,诊断出了提升机齿轮箱中间轴上齿轮Z2和Z3的点蚀故障。分析结果表明,该方法能有效诊断出提升机齿轮箱的故障。     

基于改进HHT的矿山微震信号多尺度特征提取及分类研究

针对矿山微震与爆破信号难以识别问题, 提出基于改进Hilbert-Huang变换(HHT)的矿山微震信号识别方法。该方法引入互补集合经验模态分解(CEEMD)对HHT改进, 信号被自适应分解后, 计算IMF分量的偏度、峭度、Hilbert边际谱能量、Lempel-Ziv复杂度以及重构信号的分形盒维数, 运用拉普拉斯得分(LS)对5种时频域特征参数降维, 最后通过遗传算法(GA)优化的支持向量机(SVM)模型, 实现微震信号的分类识别。经400组微震和爆破信号的实例分析验证, 两类信号的5种特征参数均有较大差异, 改进HHT法识别效果优于传统经验模态分解法(EMD)和局部均值分解法(LMD), 且基于改进HHT和GA-SVM分类模型准确率达到95%, 证实了此识别方法的准确性。     

基于EMD和样本熵的滚动轴承故障SVM识别

针对滚动轴承振动信号的非平稳特性和在现实条件下难以获取大量故障样本的实际情况,提出一种经验模态分解、非线性动力学方法—样本熵和支持向量机相结合的故障诊断方法。运用经验模态分解方法对其去噪信号进行分析,利用互相关系数准则对固有模式分量进行筛选,再计算所选分量的样本熵以组成故障特征向量,并将其作为支持向量机的输入以识别滚动轴承的状态。利用实际滚动轴承试验数据的诊断与对比试验验证了该方法的有效性和泛化能力。     

基于软件共振解调分析的滚动轴承故障诊断

滚动轴承故障诊断是机械故障检测中一个重要方面 ,共振解调是一种有效分析滚动轴承故障信号的方法。使用软件编程实现共振解调分析 ,在成功完成故障信息提取的同时 ,降低了系统的成本     

基于复小波多尺度包络谱的滚动轴承故障诊断研究

提出一种新的滚动轴承故障信号处理方法—复小波多尺度包络谱,通过分析连续小波变换后各尺度信号的包络谱来识别滚动轴承缺陷频率,以此来诊断滚动轴承的外圈、内圈和滚动体故障,该方法解决了传统包络解调方法在操作中需要确定滤波器中心频率和带宽的难题,实验证明了该方法的有效性。     

基于小波包和EMD的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征,提出了一种基于小波包和经验模态分解(Empirical Mode Decomposition,简称EMD)的滚动轴承故障诊断方法。该方法用小波包对振动信号进行预处理,用Hilbert变换求重构信号的包络,采用EMD方法将包络信号分解为若干个IMF分量,让故障信息得到凸显,然后根据某个分量的频谱,判断滚动轴承的故障类型。实验结果表明,比传统的时频分析方法,该方法能够更有效地提取轴承故障特征,诊断轴承故障。     

基于EMD和AR模型的滚动轴承故障SVM识别

将经验模态分解和自回归(AR)模型应用到滚动轴承的故障诊断中,该方法先把轴承振动信号分解成不同特征时间尺度的固有模态函数,从而把非平稳信号处理转化为平稳信号处理问题,然后选取表征轴承故障的IMF分量,并建立其AR模型,提取模型的参数输入到支持向量机中进行识别。实验结果表明,该方法是有效的。