共查询到16条相似文献,搜索用时 78 毫秒
1.
基于EEMD的齿轮箱故障诊断 总被引:2,自引:0,他引:2
主要介绍了集合经验模态分解方法(EEMD),利用EEMD的自适应恒比例带通滤波器特性,以及分解后的噪声信号与故障信号在各阶IMFS中的不同特性,将齿轮箱故障信号进行整体的EMD分解,解决了EMD的频谱混叠问题,提取出了齿轮箱的故障特征。研究结果表明EEMD优越于EMD方法,是一种很有效的齿轮箱故障诊断方法。 相似文献
2.
基于EMD分解的齿轮箱故障诊断研究 总被引:1,自引:0,他引:1
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。 相似文献
3.
4.
基于小波去噪和EMD的齿轮箱故障诊断研究 总被引:1,自引:0,他引:1
提出小波去噪和EMD相结合的齿轮箱故障诊断的新方法。该方法首先对原始信号进行小波阈值去噪,将去噪信号利用EMD方法分解为多个IMF分量,计算各IMF分量和原信号的互相关系数,选择互相关系数较大的IMF分量进行Hilbert包络谱分析,提取故障频率。以互相关准则提取IMF分量避免了IMF分量选择的盲目性。对实测齿轮箱故障信号进行了分析,结果表明该方法能够有效地识别齿轮箱故障频率。 相似文献
5.
6.
7.
8.
9.
10.
11.
对基于EMD-AR模型的齿轮箱故障诊断进行了研究。对齿轮箱故障振动信号采用EMD方法进行分解,得到有限个平稳的IMF(本征模式函数),对其建立AR模型,将建立的每个AR模型残差的方差和自回归参数建立Mahalanobis距离判别函数,最后进行模式特征综合,确定齿轮箱的工作状态以及故障类型。研究表明,采用EMD-AR模型进行齿轮箱故障诊断是可行有效的,提高了齿轮箱故障检测的准确性。 相似文献
12.
简要介绍了经验模态分解(Emepirical Mode Decomposition,EMD)方法的基本思想,并对放顶煤过程中产生的声波信号进行EMD分解和频谱分析。EMD方法能把1个复杂的非平稳信号分解为有限个固有模态函数分量(In-trinsic Mode Function,IMF)之和,分解出的各个IMF分量是平稳的,具有实际的物理意义。根据各IMF的频谱,可获得顶煤放落过程中产生的声波信号的频率组成,进行煤岩界面识别。 相似文献
13.
振动信号中冲击特征的出现是齿轮发生故障的一个重要表现,然而由于强噪声的影响,冲击特征很难被有效识别。为准确识别故障,提出了基于聚类经验模态分解(EEMD)和相关峭度的齿轮故障诊断方法。该方法首先利用EEMD方法将振动信号分解为若干本征模态分量(IMF),然后选出最大相关峭度对应的本征模态分量,最后对该IMF进行包络分析,进而识别故障。 相似文献
14.
提出了一种基于EEMD的提升机天轮轴承故障诊断方法,该方法可以有效抑制经验模态分解过程中出现的模态混叠现象,从而提高轴承故障诊断的准确性。该方法的实现过程为:通过时域参数确定天轮轴承是否出现故障,如果出现故障,应用EEMD方法对故障信号进行处理,进而得到能够提取故障频率的Hilbert谱和边际谱,通过故障频率判断轴承故障发生的位置。通过实验验证了该方法的有效性,结果表明,该方法可以消除外界噪声和间歇性冲击的影响,准确提取轴承故障频率从而判断轴承故障的类型,为天轮轴承的检修维护提供依据,保证提升系统的运行安全。 相似文献
15.
针对分离式霍普金森杆(SHPB)测试信号的高噪声、持时短、突变快等特点,利用希尔伯特-黄变换(HHT)分析技术对煤冲击破坏的测试信号进行去噪处理。用经验模式分解法(EMD)分解实测的煤冲击破坏SHPB测试信号,可以得到各固有模态函数(IMF)分量及其频谱和各IMF分量的能量百分比,从而利用低通滤波将原始信号中的高频噪声有效的分离出去。利用快速傅里叶变换(FFT)频谱和Morlet小波时频谱对比分析去噪前后信号的特征,定性的说明HHT法可以用于煤冲击破坏SHPB信号的去噪处理。通过计算去噪后信号的信噪比和能量百分比,定量的说明HHT法充分保留了煤冲击破坏SHPB信号本身的瞬态非平稳特征,去噪效果显著,方法简捷,结果可靠。 相似文献
16.
旋转机械在运行复杂环境下振动信号复杂且有许多噪声,难以有效提取故障特征并准确诊断,为此提出一种人工蜂群优化变分模态分解(VMD)的机械故障诊断方法。首先采用人工蜂群算法优化VMD的参数,对振动信号进行变分模态分解,获得相应的本征模态函数分量;然后对各模态分量信号计算多尺度熵,构造故障特征向量;最后利用最小二乘支持向量机(LS-SVM)进行故障诊断。实验结果表明,该方法具有较高的准确率,准确率达到97.5%,可以满足旋转机械故障诊断的要求。 相似文献