一种WACEEMDAN和MSB的轴承故障诊断方法

针对滚动轴承发生故障时的冲击信号易被噪声淹没和其非平稳的特性,以及传统使用自适应白噪声平均总体经验模态分解（CEEMDAN）时固有模态函数（IMFs）中的有效信息不能被充分利用等问题,提出了一种基于加权自适应白噪声平均总体经验模态分解（WACEEMDAN）和调制信号双谱（MSB）的滚动轴承故障特征提取方法。首先,使用CEEMDAN将采集的非平稳振动信号分解成若干具有平稳特性的IMFs;然后,构建了一种强调敏感分量的新型指标：相关—峭度值,利用该指标对各个IMFs加权并重构为WACEEMDAN信号;最后,应用调制信号双谱（MSB）分解WACEEMDAN信号中的调制分量并提取故障特征频率。研究结果表明,通过使用西安交通大学通用轴承数据集和我们试验台进行了验证,所提出的WACEEMDAN—MSB方法能够准确的提取出轴承故障特征频率,从而验证了WACEEMDAN—MSB方法的有效性。     

基于自适应神经网络—小波包熵的轴承故障诊断

针对轴承故障诊断时振动信号呈现复杂性和混沌特性,故障特征分量容易淹没在噪声之中。引用自适应线性神经网络(Adaptive Linear Neuron,ADALINE)降噪和小波包Shannon熵(Wavelet Packet Analysis Shannon Entropy,WPASE)相结合的方法诊断轴承故障。首先利用ADALINE对不同故障模式的振动信号进行降噪处理,引用小波包理论对降噪后的信号进行小波包分解,计算各层细节信号的Shannon熵值,以此作为不同故障模式的故障特征量。仿真实验表明ADALINE降噪效果明显,Shannon熵能够清楚区别不同的故障模式。该方法简单可靠,为轴承故障诊断提供了新的思路和方法。     

基于EMD相关去噪的风电机组振动噪声抑制及特征频率提取

针对风电机组振动信号同时受背景白噪声和短时干扰噪声的影响,使得早期微弱故障特征频率难以提取的问题,提出一种结合经验模态分解(EMD)、相关性分析和小波包变换(WPT)的振动信号噪声抑制及故障特征频率提取方法(EMD相关去噪-WPT)。该方法首先利用EMD分解振动信号得到能表征不同频率的固有模态函数(IMF),然后筛选表征故障特征频率的IMF,并重构得到故障特征信号;其次,利用自相关分析去除重构信号中噪声的影响;最后,结合小波包变换(WPT)提取去噪重构振动信号中的特征频率。为了验证所提方法的有效性,以实测和模拟的双馈风电机组轴承故障振动信号为例,对轴承振动信号分别利用小波包变换(WPT)、EMD相关去噪-WPT、小波硬阀值-WPT方法进行特征频率提取分析。通过不同特征频率提取方法比较表明,所提出的基于EMD相关去噪-WPT特征频率提取方法,能够更有效地抑制背景白噪声和短时干扰噪声的影响,提取出早期微弱故障特征。     

矿用永磁直驱电机异响声信号降噪方法研究

针对矿用永磁直驱电机异响声信号噪声干扰大,有用信号被噪声淹没难以提取的问题,提出一种融合改进VMD与小波软阈值的降噪方法。首先,利用粒子群算法优化变分模态分解算法得到分解层数k和惩罚因子α的最优参数组合,基于最优参数组合分解获得矿用永磁直驱电机异响声信号k个本征模态分量(IMF)。其次,利用加权裕度指标筛选出有效信号分量和需进一步分解的含噪分量,基于小波软阈值对含噪分量进一步降噪。最后,将有效信号分量与小波软阈值降噪后的分量重构得到最终降噪信号。应用此方法分别对仿真信号和矿用永磁直驱电机异响声信号降噪,并与其他方法对比。试验结果表明,该方法能将仿真信号信噪比提升至27.524 7 dB,均方根误差降低至0.085 5,实测信号信噪比提升至34.715 3 dB,均方根误差降低至0.006 7,降噪效果较好,为后续的故障特征提取与故障诊断工作提供数据基础。     

改进 CEEMDAN 算法的电机轴承振动信号降噪分析

为提高传统自适应噪声完备经验模态分解算法(CEEMDAN)对电机轴承故障特征信号的精确提取率,降低重构信号失 真,提出了一种改进自适应噪声完备经验模态分解算法。 首先利用传统 CEEMDAN 对原始信号初步分解,获得若干特征分量 (IMFs)和固有模态分量,将若干 IMFs 运用熵权法进行初步故障特征信号消噪和提取,对筛选后的 IMF 分量进行二次分解和二 次筛选,获得典型故障敏感信号,再运用 SG(Savitzky-Golay)平滑滤波进行信号重构,最终实现电机轴承信号降噪。 最后利用凯 斯西储大学轴承数据进行改进算法性能分析,结果表明该方法对电机轴承信号能够有效的进行信号降噪,其信噪比相比于原始 信号提高 2. 2 dB。     

基于DTCWPT和t-SNE的去噪方法及在故障诊断中的应用

为了提取被强噪声淹没的机械设备振动信号中蕴含的微弱故障特征,依据有用信号和噪声在空间分布特性的不同,将流形学习的方法引入到信号降噪中,提出一种将双树复小波包(DTCWPT)和t分布随机近邻嵌入(t-SNE)结合的去噪方法,充分利用了DTCWPT分解的多尺度特性以及t-SNE的非线性降维能力。将振动信号进行双树复小波包分解,依据各尺度小波包系数Shannon熵值搜索最佳小波包基,利用提出的新的阈值函数,对最佳小波包基的小波包系数进行去噪并单支重构组成高维信号空间,然后,采用t-SNE提取高维空间的低维流形,对低维信号序列进一步采用阈值去噪,利用谱回归分析重构回一维信号序列。最后,通过对仿真信号与滚动轴承振动信号进行去噪,结果证实了方法具有良好的非线性去噪性能,将仿真信号的信噪比从-1提高到8.6 d B,并且能更有效的提取强噪声干扰下滚动轴承的故障特征频率。     

基于EEMD峰度阈值变压器振动信号降噪方法

针对信号中的噪声影响基于振动信号的变压器早期故障诊断结果,提出一种基于集合经验模式分解自相关系数峰度阈值的降噪方法。该方法将含噪信号分解为多个固有模式分量,其中包括噪声分量和有用信号分量,然后根据两者自相关函数特性的不同,利用峰度值剔除噪声,拾取有用信息。仿真信号和变压器振动信号的降噪结果表明,该方法的降噪性能优于其他方法。     

基于CEEMD和FastICA的滚动轴承故障诊断研究

由于滚动轴承振动信号易受噪声干扰的影响、故障特征提取较为困难。为此,提出了一种基于互补集合经验模态分解(CEEMD)和快速独立分量分析(Fast ICA)的轴承故障特征提取方法。该方法首先利用CEEMD算法将原故障振动信号进行分解运算,得到一系列模态分量(IMF);然后依据峭度准则选取一些模态分量来完成观测信号的重构,剩余其他的模态分量完成虚拟噪声通道信号的重构;再利用Fast ICA方法对重构信号进行降噪;引入Teager能量算子(TKEO)对降噪后的信号进行解调处理;最后对解调后的信号进行快速傅里叶变换(FFT)运算,分析变换后信号的频谱特征,提取出原信号的故障特征频率。将该方法应用到滚动轴承故障实际数据中,实验结果表明,该方法可以有效提取出滚动轴承故障的基频和倍频特征信息。     

基于ENEMD与Teager能量算子的轴承早期微弱故障特征提取研究

针对经验模态分解(EMD)和集合经验模态分解(EEMD)方法存在模态混叠、噪声残留以及对滚动轴承早期微弱故障特征提取效果不理想的问题,提出一种基于集成噪声重构经验模态分解(ensemble noise-reconstructed empirical mode decomposition, ENEMD)与Teager能量算子的轴承早期微弱故障特征提取方法。首先,使用ENEMD对采集信号进行分解,基于固有噪声分量处理方法实现信号降噪;其次,基于峭度与相关系数的联合准则,提取ENEMD分解的峭度值及相关系数较大的imf分量进行重构;再次,利用Teager能量算子对重构信号进行分析,从而提取到滚动轴承的早期微弱故障特征;最后,基于滚动轴承内、外圈的故障振动信号,开展所提方法与基于EMD和Teager能量算子(EMD-Teager)及基于EEMD和Teager能量算子(EEMD-Teager)方法对比实验。实验结果表明,本方法能有效提取滚动轴承早期微弱故障特征,并取得略优于EMD-Teager和EEMD-Teager能量算子的效果。     

基于小波自适应阈值滤波的VMD降噪方法

本文提出了一种基于小波自适应阈值滤波的可变分模式分解（VMD）降噪方法。该方法降噪过程为：先将含噪声信号进行VMD分解,进而将VMD分解分量中含大部分噪声的高频模态分量进行小波自适应阈值滤波降噪,滤波降噪后的分量与其他模态分量重构降噪信号。三个实例表明：所提方法能有效减低信号噪声,适应性广。 关键字：可变分模式分解（VMD）;小波变换; 自适应阈值     

基于CEEMDAN与改进小波阈值的电缆局部放电信号降噪方法

对检测到的电缆局部放电信号降噪是实现电缆绝缘诊断与评估的前提,为此提出一种基于自适应噪声的完备集合经验模态分解(CEEMDAN)与改进小波阈值的电缆局部放电信号降噪方法。首先,采用CEEMDAN算法将染噪局部放电信号进行分解,得到数个模态分量;然后,计算模态分量的峭度值,筛选出有效特征分量并重构;最后,将重构信号通过改进小波阈值法再次降噪去除冗余噪声,得到降噪后的局部放电信号。将该方法、传统小波阈值法及集合经验模态分解与改进小波阈值法分别用于不同噪声强度下局部放电仿真信号的降噪处理,结果表明该方法具有更高的信噪比与波形相似系数,能有效抑制周期性窄带干扰与白噪声。     

基于EEMD和CICA的风电机组轴承故障特征提取

针对风电机组轴承故障振动信号具有高噪声、非线性、非平稳的特性,提出一种集成经验模态分解(ensemble empirical mode decomposition,EEMD)和约束独立分量分析(constrained independent component analysis,CICA)的故障特征提取方法(EEMD-CICA)。首先对采集的轴承振动信号进行预处理,消除噪声信号的影响,并利用EEMD进行分解,得到一系列本征模态函数(intrinsic mode function,IMF);然后利用邻近奇异值插值法估计源信号个数,并根据互信息准则选取IMF分量作为参考信号;最后根据选取的参考信号,利用CICA方法提取轴承故障中包含的信号特征,并进行包络解调得到包络谱。算例分析表明,此方法能有效提取轴承故障特征。     

电厂开关柜局部放电振动信号降噪方法研究

针对电厂开关柜运行环境复杂,振动干扰较强,又需要保留振动干扰、分析振动干扰特征的问题,将基于相空间重构的ICA降噪方法应用到电厂开关柜局放振动信号中,进行信噪分离。首先依据相空间重构,在不破坏信号本身动力学特征的情况下构造高维相空间矩阵。然后利用独立分量分析方法进行信噪分离,提取有用振动信号。仿真信号和实际检测数据的应用表明,所提方法与小波法降噪能力相当,甚至更优;且不需要考虑最优小波基和最佳分解层数,自适应强,易于实现;且适用于电厂开关柜局放振动信号降噪。     

基于改进CEEMDAN的应答器上行链路信号降噪研究

针对在高速铁路复杂电磁环境中应答器上行链路(balise uplink, BU)信号传输受扰的问题,提出了一种基于自适应白噪声完备经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)与小波包自适应阈值的联合降噪方法。首先,采用CEEMDAN算法将模拟BU信号分解为12个模态分量,根据相关系数判断分量为相关分量或无关分量;然后,相关分量经小波包降噪处理后重构为降噪后的BU信号;最后,选用信噪比(signal-noise ratio, SNR)和均方根误差(root mean square error, RMSE)作为评价指标,将该方法与目前广泛采用的6种降噪方法进行对比,信噪比提高了0.486 1～6.144 dB,均方根误差降低了0.054 9～11.091。为检验该方法的实际应用效果,采用联合降噪方法对实测BU信号进行降噪处理。仿真验证和实验验证的结果表明,采用联合降噪方法降噪后的BU信号不仅噪声分量得到了有效去除,而且信号特征保存完好,证明该方法能够应用于解决实际BU信...     

基于FastICA-EEMD的振动信号特征提取

针对水轮发电机组的振动信号之间相互影响且容易受到噪声干扰的问题,提出了一种基于快速独立分量分析(FastICA)和集合经验模态分解(EEMD)的故障特征提取方法。首先,利用快速独立分量分析将原始信号分离成若干个独立分量;然后对每个分量均进行集合经验模态分解,根据归一化能量与归一化相关系数两个参数来选取有效的本征模态分量(IMF);最后将其进行重构以获得对应的故障特征。通过仿真与实例分析,并与其他方法进行对比,结果表明该方法可以有效抑制噪声干扰,更为全面、准确地提取到水轮发电机组的振动特征信号,满足实际工程需求。     

小波变换及经验模式分解方法在电机轴承早期故障诊断中的应用

电机轴承早期故障的有效诊断是实现安全生产、避免大事故的技术前提。文中用高精度加速度传感器采集电机轴承振动信号，采用小波变换实现信噪分离，提取淹没在噪声背景中的早期故障特征信息，然后对提纯的信号进行经验模式分解（EMD）而得到若干个基本模态分量（IMF），再计算各基本模态分量的频谱。理论及试验研究结果表明：按此方法得到的各基本模态分量的频谱突显了轴承的故障特征信息，能有效诊断出轴承的早期故障。     

基于CMF-EEMD的风电齿轮箱多故障特征提取

针对EMD(empirical mode decomposition)模态混叠现象和由于所添加白噪声幅值单一而影响EEMD(ensemble empirical mode decomposition)分解精度等问题,提出了一种新的信号处理方法CMF-EEMD。CMF(combined mode function)将EMD分解得到敏感的IMFs按高低频进行组合,形成两个包含高低频的本征模态函数Ch和CL,然后通过添加不同的白噪声幅值对Ch和CL分别进行EEMD分解,最后对敏感的IMFs进行循环自相关函数解调分析。将提出方法应用于仿真信号和风力齿轮箱试验台的振动信号,成功提取了多故障特征频率,验证了此方法的有效性。并通过与添加单一白噪声幅值进行对比分析,凸显此方法具有更高的分解精度。     

基于AVMD-自适应小波包法的电缆局部放电去噪研究

为准确提取检测到的局部放电信号,针对高压电力电缆的噪声抑制问题,提出了自适应变分模态分解(AVMD)结合自适应小波包分解的方法提取纯净的局放信号。首先运用AVMD将周期性窄带干扰、白噪声和局放信号分解在不同的基本模态分量中,将周期性窄带干扰滤出,得到仅含有白噪声的局放信号。再运用自适应小波包分解,将信号分解在高中低频的分量中,根据阈值法将不含局放信号的分量滤出,得到较为纯净的局放信号,并将所提方法分别与其中单独一种算法进行去噪比较分析。仿真结果表明,所提方法抑制噪声效果更明显,与仿真信号的相似度最高。     

基于WPT和参数优化的VMD谐波检测方法

针对变分模态分解(Variational Mode Decomposition, VMD)在谐波检测中易受噪声影响、分解模态个数K难以确定的问题,提出一种基于小波包降噪(WPT)和参数优化的VMD谐波检测方法。首先,对谐波信号进行WPT降噪处理,然后对降噪后的信号进行VMD预分解,根据解析分量的瞬时频率均值选取最优的K值,最后对降噪信号进行最优K值VMD分解并提取频率,用希尔伯特变换进行幅值检测。仿真结果与对比表明,该方法能够有效的选择VMD分解模态个数,减小噪声影响,且具有良好的检测精度。     

基于 MPDE-EEMD 及自适应共振解调的轴承故障特征提取方法

针对滚动轴承振动信号具有非线性、非平稳性和非高斯性,并且故障特征往往淹没于系统噪声之中而难于识别的问题, 提出了以多种群差分进化(multiple population differential evolution, MPDE) 算法来改进集合经验模式分解( ensemble empirical mode decomposition, EEMD) 的 MPDE-EEMD 消噪方法,并与自适应共振解调技术( adaptive resonance demodulation technique, ARDT)相结合实现故障特征提取。 首先,为了解决 EEMD 中加入参数依靠人工选择且难以准确获取的问题,建立极值点分布 特性评价函数,利用 MPDE 来寻优获取最佳白噪声幅值,实现 EEMD 自适应分解。 然后,采用峭度与相关性相结合的准则对分 解后的 IMF 分量进行自动筛选,将满足条件的有效信号进行重构,实现对原始振动信号的降噪处理。 最后,采用 ARDT 自动确 定对消噪信号进行带通滤波的带宽和中心频率,再通过包络解调提取出滤波信号的特征频率。 将轴承仿真故障信号与实际故 障信号用于算法的验证,结果表明 MPDE-EEMD+ARDT 能有效提取出轴承故障特征。