换挡加速度信号的EMD和小波阈值降噪方法

针对采集的换挡工况加速度信号中存在的噪声对换挡品质评价指标值提取的准确性和复杂性产生较大影响的问题,提出一种基于经验模态分解(EMD)和小波阈值方法结合的信号降噪方法。首先利用EMD将含噪的原始信号分解为有限个本征模态函数(imf)分量,然后对高频imf分量进行小波阈值降噪,并将降噪后高频分量和低频分量利用EMD进行重构得到降噪后的信号。最后对某一换挡工况的加速度信号进行降噪试验。试验结果表明,在换挡加速度信号降噪方面,基于EMD和小波阈值的降噪方法与传统的EMD分解降噪、小波阈值降噪相比,能够更好地保留原始信号特征形态,降噪效果更明显。该方法为换挡加速度信号的降噪处理提供了一种可行的思路,为后续整车驾驶性评价创造了条件。     

自适应小波降噪在轴承故障诊断中的应用

针对轴承振动的非平稳性特点和频谱成分的混杂性,提出了基于小波的信号自适应阈值降噪法。自适应阈值降噪法首先对信号进行离散正交小波多层分解,对分解后的各层细节系数中模小于某阈值的系数进行处理,然后将处理完的小波系数再进行反变换,重构出经过降噪后的信号。用仿真信号进行降噪处理,结果表明:通过选择合适的小波基和阈值选择规则,可以实现信号的完美降噪;实测轴承振动信号用小波降噪方法进行预处理,提高了信噪比,进一步作频谱分析得到了故障特征信息,为诊断决策提供了依据。     

一种改进的EMD降噪方法

提出一种改进的基于经验模态分解（EMD）的降噪方法,将基于EMD阈值降噪方法和Savitzky-Golay滤波降噪方法相结合,改进的方法分别将经过EMD分解后得到的噪声信号的高频模态函数用阈值降噪的方法,低频模态函数用Savitzky-Golay滤波降噪的方法,这样既能保持信号的高频部分,又能较好地保持信号低频部分的光滑特性。仿真实验表明,改进EMD方法的降噪性能要优于单独使用EMD阈值方法或Savitzky-Golay滤波方法。     

应用改进的LMD和小波降噪于滚动轴承故障诊断

局域均值分解(Local Mean Decomposition, LMD)是近年出现的一种新的时频分析方法,在故障诊断领域的应用日益广泛。本文提出一种改进的局域均值分解和小波降噪结合的降噪方法,并与小波变换的信号降噪方法、基于集合经验模态分解（Ensemble empirical mode decomposition, EEMD）和小波的信号降噪方法进行对比,利用信噪比和均方根误差比较降噪效果。再通过滚动轴承内外圈故障信号的频谱分析实例,证明该方法很好地去除混杂在故障信号中的噪声,准确地判断出滚动轴承发生故障的类型及部位。     

基于EMD和小波熵阈值算法的超声回波信号降噪

超声检测信号中通常包含大量噪声,而其中材料晶界散射的噪声是一种相关噪声。鉴于传统的方法难以将这种噪声和缺陷回波信号区分,提出一种EMD和小波熵阈值联合降噪的算法。该算法首先对目标信号进行EMD分解,提取具有噪声特性的IMF分量进行小波分解,利用含噪系统熵增的特性,在分解各尺度层的细节部分选用小波熵自适应阈值降噪,然后将剩余分量和降噪处理后的信号进行重构。仿真信号结果表明:该降噪方法(EMD-WET)输出信号的信噪比(SNR)为7.9 d B、均方根误差(RMSE)为18.1、相似系数(NCC)为0.92,优于传统的小波软、硬阈值方法。对实测信号进行处理,该方法降低信号中的大部分噪声,更好地还原回波信号的波形。     

小波阈值降噪技术在振动信号处理中的应用

通过对转子不对中故障信号的模拟仿真,用小波阈值降噪法消噪,分析比较几种不同小波函数降噪的效果,对比默认阈值方法与自适应阈值消噪方法的降噪效果,结果表明,自适应阈值比默认阈值更具有可信度.     

K-SVD小波降噪在齿轮故障诊断中应用

针对早期齿轮故障诊断中噪声干扰大,故障特征难以提取的问题提出基于K-SVD稀疏表示小波降噪算法。该算法克服传统小波阈值降噪算法只对小波系数进行逐点处理,而忽略小波系数整体架构的缺点,充分考虑小波系数结构特点,在强噪声下仍具有很好稳健性。通过对模拟信号和实测发动机减速器齿轮毂信号分析,证明小波降噪算法正确性和在实际工程应用中的价值。     

CEEMDAN结合LMS算法在轴承信号降噪中的应用

针对在强噪声背景中提取有用信号的问题,结合完整集成经验模态分解（CEEMDAN）与自适应滤波中的最小均方算法（LMS）发展一种新的算法。先将信号进行CEEMDAN分解,分解为多个模态分量（IMF）,然后再使用LMS对每一个分量进行降噪,最后将降噪后的分量重构。通过仿真实验,验证了该方法可以消除大部分的噪声和干扰信号,且易于实现。最终将其应用于振动筛轴承故障诊断中,验证了该方法的可行性。     

利用微分算子增强EMD算法频带分解能力

针对传统经验模态分解(EMD)方法中信号所含频率分量较接近易出现模态混叠现象,导致分解出的本征模态函数失去原有物理意义问题,提出改进算法。将原始信号频带信号微分;对微分信号进行EMD分解;将所得IMFs进行积分处理获得原始信号有效的IMFs,能抑制EMD分解过程中的模态混叠现象。仿真计算与实际工程应用表明,该方法优于传统EMD算法,可有效分离频率接近的本征模态函数,扩大EMD方法的适用范围。     

桥梁健康监测采样信号 EMD小波相关降噪研究

为了进一步降低桥梁健康监测采样信号的噪声水平,根据其信号特征,在传统EMD小波阈值降噪算法的基础上,提出一种改进的降噪算法,称为EMD小波相关降噪算法。该算法综合了EMD、小波变换和相关检测三种方法的优点,首先对各阶IMF小波降噪前后的分量分别进行整体和局部相关检测,并以前三阶整体相关系数的均值作为降噪阈值,最后进行局部相关阈值降噪,得到降噪后的信号。将该算法与EMD小波阈值降噪和小波默认阈值降噪算法进行数值仿真和有限元仿真试验对比,结果表明,提出的EMD小波相关降噪算法具有更好的降噪效果,能够用于桥梁健康监测采样信号降噪处理。     

改进EMD和HMM的齿轮故障诊断方法应用

首先针对EMD算法中端点效应问题,采用镜像延拓法进行算法改进;而后提出一种相关度选取IMF方法,对分解得到的IMF进行相关分析,选出敏感IMF;进而将有效IMF能量比作为故障特征,采用HMM分类器进行故障识别以实现齿轮的故障诊断,实验结果表明了改进EMD和HMM方法的有效性。     

Bearings Fault Diagnosis Using Vibrational Signal Analysis by EMD Method

ABSTRACT

Studying vibrational signals is one reliable method for monitoring the situation of rotary machinery. There are various methods for converting vibrational signals into usable information for fault diagnosis, one of which is the empirical mode decomposition method (EMD). This article is about diagnosing bearing faults using the EMD method, employing nondestructive test. Vibration signals are acquired by a bearing test machine. The discrete wavelet bases are used to translate vibration signals of a roller bearing into time-scale representation. Then, an envelope signal can be obtained by envelope spectrum analysis of wavelet coefficients of high scales. Local Hilbert marginal spectrum can be obtained by applying thr EMD method to the envelope signal from which the faults in a roller bearing can be diagnosed and fault patterns can be identified. The results have shown bearing faults frequencies are easily observable. There is a variant of the EMD method called the ensemble EMD (EEMD), which overcomes the mode mixing problem which may occur when the signal to be decomposed is intermittent. The EEMD method is also applied to the acquired signals, and the two methods were compared. While the outcomes of both methods do not differ much, one important merit of the EMD is that it has much less computational processing time than EEMD.     

基于VMD降噪和CNN的轴承故障诊断

针对轴承运行环境复杂且振动信号具有非稳定性,受噪声影响较大,难以提取有效故障特征并准确诊断问题,提出一种改进变分模态分解降噪和卷积神经网络的智能诊断方法。首先利用排列熵阈值法确定VMD分解层数,对分解出的本征模态分量按照峭度准则和互相关准则重构,然后将降噪后的信号作为特征向量输入到CNN模型中训练,利用训练后的模型实现未知故障的诊断。试验结果表明,提出的方法能快速的对轴承进行故障诊断,并具有较高的准确率。     

EMD马氏距离与SOM神经网络在故障诊断中的应用研究

为实现对微弱动态响应的准确辨识及故障状态的早期诊断,提出EMD马氏距离与SOM神经网络的故障诊断方法,该方法首先对原始振动信号进行粒子滤波,提高信噪比,然后对其进行EMD分解,并对分解后的各模式分量进行分析,获得相关特征值组成特征向量,并求原始信号特征向量,为了选取能代表信号特征的模式分量,求各模式分量与原信号特征向量的马氏距离,将最优模式分量输入训练好的SOM神经网络,对故障分类,以轴承诊断为应用实例结果表明该方法切实有效。     

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。     

基于第二代小波和EMD的解调方法及其应用研究

针对复合故障中滚动轴承微弱冲击性故障特征难于提取的问题,提出基于第二代小波和EMD的解调方法,进行复合故障的耦合特征分离和轴承损伤性故障微弱信号的特征提取研究.该方法首先应用第二代小波分解与重构原始信号,针对分解与重构出的高频段信号进行经验模式分解(Empirical Mode Decomposition, EMD),得到若干个本征模函数(Intrinsic Mode Functions, IMFs),然后针对本征模函数中的高频成分进行Hilbert包络解调,准确提取高频调制故障特征.仿真及实验结果表明该方法的有效性和实用性.     

EMD与高阶累积量在滚动轴承故障诊断中的应用

共振解调是滚动轴承故障诊断中最常用的方法之一,但由于滚动轴承的早期故障信号中含有强烈的背景噪声,诊断效果不够明显。为此,提出一种基于EMD（Empirical Mode Decomposition）与高阶累积量(HOC)的滚动轴承早期故障诊断新方法。该方法首先对故障信号进行EMD分解获得多个基本模式分量,然后对各分量进行高阶累积量分析,并进行重构,最后运用包络解调进行故障诊断。故障实例证明,该方法与传统共振解调方法相比,具有较大的优势。     

一种EMD端点延拓算法及其在齿轮故障诊断中的应用

经验模态分解（Empirical Mode Decomposition,简称EMD）是目前分析非平稳信号的有效方法,但在分解过程中由于存在着严重的端点效应而影响分解结果。利用灰色理论的GM(1,1)模型来预测和修正端点的延拓值,使得在筛分过程中可以得到有效的三次样条插值包络线,从而抑制端点效应。通过对齿轮故障信号的分解验证,结果表明该方法是合理的。     

改进小波算法在机械故障诊断中的应用

小波变换具有优良的时频分析特性,适合于提取非平稳信号和时变信号,利用小波变换来提取机械设备的故障特征是当前的一个研究热点.但是由于小波滤波器的频响应特性不理想,因此直接对信号进行小波变换必定会产生一定的虚假频率,从而影响故障特征提取的准确性.针对小波变换产生混频的原因提出了一种改进的小波分解算法,仿真结果表明该方法能有效地消除混频现象,提高故障诊断的精度.     

基于噪声信号和改进VMD的滚动轴承故障诊断

受运行环境及传递路径影响,滚动轴承声音信号中包含有强背景噪声和较大的非周期性瞬态冲击成分,导致轴承故障特征提取困难.文中提出一种基于自适应变分模态分解(AVMD)的滚动轴承噪声信号故障诊断方法.该方法首先根据不同的信号自适应地确定模式数和惩罚因子,利用优化参数的VMD对原始信号进行分解,得到多个本征模式分量;然后计算各...