基于EEMD的齿轮箱故障诊断

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。     

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。     

基于包络谱分析的滚动轴承故障诊断方法研究

分别用小波分解、小波包分解和EMD分解处理滚动轴承故障数据,并结合Hilbert变换进行包络谱分析实现滚动轴承故障诊断。对滚动轴承故障数据进行小波阈值降噪。小波阈值降噪后分别进行小波分解、小波包分解和EMD分解。分别求出小波分解、小波包分解和EMD分解后各个频带的能量谱。再根据能量谱确定故障频带范围并对其进行信号重构。采用Hilbert变换对重构信号进行包络谱分析实现滚动轴承故障诊断。通过对滚动轴承内圈故障信号的分析验证了小波分解、小波包分解和EMD分解结合Hilbert变换进行包络谱分析的滚动轴承故障诊断方法的有效性。     

基于小波去噪和EMD的齿轮箱故障诊断研究

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。     

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的齿轮箱故障诊断的研究

采用小波阈值法对齿轮箱故障信号进行去噪预处理,将经验模式分解(EMD)和快速傅立叶变换(FFT)相结合对齿轮箱故障信号进行特征提取,这种方法适用于非线性非平稳信号的自适应状态分析。利用EMD方法将去噪后的信号就行经验模态分解,得到一定数量的固有模态函数(IMF)分量,选取具有特定意义的IMF进行FFT,就可以得到相应的功率谱,从而提取齿轮箱故障特征频率。     

基于HHT变换和SVM的齿轮箱故障诊断

提出了基于HHT变换和SVM结合的齿轮箱故障诊断方法,介绍了固有模态函数、EMD分解和Hilbert谱以及支持向量机(SVM)理论。先对各种工况信号消噪,再利用EMD分解将信号分解为IMF分量,求出Hilbert谱和边际谱,再利用边际谱求出各信号的故障特征信息,最后利用支持向量机判别齿轮箱的故障类型。该实验证明了此方法诊断齿轮箱故障的有效性。     

基于EMD和相关的滚动轴承故障包络谱分析

提出了一种基于EMD和相关的滚动轴承故障包络谱分析方法。根据相关函数的性质,对测得的振动信号进行相关分析,以实现一次降噪。把信号的自相关函数通过EMD分解成不同特征时间尺度的固有模态函数(IMF),再对包含主要信息成分的IMF分量进行Hilbert变换求其包络,通过对包络信号进行频谱分析,提取滚动轴承故障特征频率。某型坦克变速箱上的7216滚动轴承滚动体点蚀故障的试验结果表明,该方法能有效地识别滚动轴承的故障。     

基于改进的HHT边际谱齿轮箱故障诊断

针对信号经验模态分解(EMD)过程中存在波形混叠现象,提出一种基于聚合经验模态分解(EEMD)和Hilbert边际谱相结合的方法对齿轮箱故障进行故障诊断。首先使用小波阈值分析对背景噪声较大的齿轮箱振动信号进行预处理,提高EEMD分解的精确度;其次对预处理信号进行分解,得到IMF分量,对比正常信号与故障信号的区别;最后对2种工况信号进行Hilbert变换并计算得到边际谱,确定故障信号的故障频率。研究表明该方法在避免EMD分解带来的模态混叠现象方面具有可行性,能提高齿轮箱故障诊断的准确率。     

基于EMD的提升机齿轮箱故障诊断

介绍了EMD算法和EMD能量熵理论,并且运用此理论实现了提升机齿轮箱故障诊断。对振动信号进行EMD分解并求出各IMF分量的能量占总能量的百分比,由EMD能量熵的定义求出熵值,根据不同的熵值实现对齿轮箱正常状态和断齿故障的判别。     

基于EMD-AR模型的齿轮箱故障诊断

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。     

基于EMD方法的煤岩界面识别研究

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。     

基于EEMD和相关峭度的齿轮故障诊断

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。     

基于EEMD的提升机天轮轴承故障诊断方法

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。     

基于HHT法的煤冲击破坏SHPB测试信号去噪

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。     

基于人工蜂群算法优化VMD的旋转机械故障诊断方法

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。