机械振动信号内在模式的复杂性评估

针对机械振动信号非平稳特性,利用经验模式分解法将其分解为若干个内在的振荡模式（即基本模式分量）,从而使得不同的基本模式包含有不同的设备状态信息。借助近似熵的概念,可定理描述原始信号和各振荡模式的复杂性,实现对机械振动信号内在模式复杂性的定理评估。该方法不仅有助于揭示和认识转子系统的复杂动力学行为,还能有效地监测系统状态的早期变化,及时捕捉机组潜在的隐患,预防故障的升级恶化。工程应用实例表明,该方法可有效提取机组的故障信息,从而为机械设备状态监测和故障诊断提供一种行之有效的新方法。     

基于振动信号的齿轮泵故障诊断

进行齿轮泵故障诊断时,首先采用基于马氏距离的传感器通道选择方法选择最佳振动信号,然后采用多项式最小二乘法去除信号趋势项,再基于五点三次平滑法对信号进行平滑预处理,最后分别提取基于峭度的时域特征、小波包能量特征和经验模态分解特征,运用最小二乘支持向量分类机进行状态识别。应用实例表明在运用经验模态分解提取各频带能量作为特征参数时状态识别方法具有更高的识别率,能更有效识别齿轮泵的状态。     

基于微分经验模式分解和隐马尔科夫模型的滚动轴承故障诊断方法

提出基于微分经验模式分解（DEMD）和隐马尔科夫模型(HMM）的旋转机械故障诊断方法,并应用到滚动轴承故障诊断中。首先,对故障信号进行基于微分的经验模式分解,提取瞬时能量作为故障特征向量;然后将故障特征向量输入HMM分类器进行模式识别,输出各状态似然概率值;以最大似然概率所对应的故障状态作为诊断结果,最终实现滚动轴承故障诊断。滚动轴承点蚀故障的诊断实验证明了该方法的有效性。与基于EMD-HMM的故障诊断方法相比,基于DEMD-HMM的故障诊断方法更适用于滚动轴承故障诊断。     

爆破震动测试信号预处理分析中趋势项去除方法研究

基于经验模态分解(EMD)、小波法、最小二乘法分别研究了爆破震动测试信号中趋势项的去除算法, 并对三种方法去除趋势项效果及重构信号的时频特征进行对比分析。研究表明:小波法、最小二乘法去除测试信号趋势项时需预先设置先验的分解函数基, 而EMD 法在处理具有短时非平稳特性的爆破震动信号时具有自适应性, 因此工程爆破震动测试信号预处理分析中采用EMD 法能够更为有效地消除趋势项, 提高信号时域和频域分辨率, 对准确提取爆破震动时频特征具有重要参考价值。     

独立分量分析方法在经验模式分解中的应用

若信号间的能量和频率比例过大,经验模式分解不能分解出正确的单一模式分量。针对这种状况提出一种经验模式分解与独立分量相结合的信号分析方法。该方法能分离出IMF分量的固有特性,消除EMD分解过后各IMF之间信息混淆问题,恢复各个单分量所丢失的信息特性,改善了经验模式分解能力不足所带来局限性,保障经验模式分解的有效性。通过仿真信号和实际工程信号研究,验证了该方法的可行性。表明该方法对信号分解和故障诊断具有很好的前景。     

基于EMD-WVD与LNMF的内燃机故障诊断

内燃机的振动信号是复杂非平稳信号,准确提取内燃机振动信号中的特征信息进行模式识别,是对振动信号进行故障诊断的关键。基于经验模态分解的维格纳时频分析方法,不但保留了维格纳分布的所有优良特,而且还避免了交叉项的干扰,能够有效地提取内燃机振动信号的特征信息;在此基础之上,针对传统非负矩阵分解非正交的基矩阵导致数据冗余性较大、影响后续故障分类准确率提高的问题,提出采用局部非负矩阵分解的方法,直接对EMD-WVD时频图像的矩阵进行分解,计算用于内燃机故障诊断的特征参数,并利用特征参数进行故障分类。对内燃机4种不同工况的振动信号进行实验,证明基于EMD-WVD与局部非负矩阵分解的方法对内燃机气门间隙的故障诊断的有效性。     

非平稳信号特征提取在航空发动机故障诊断中的应用

在航空发动机早期故障诊断中,特征提取是早期诊断的重要过程之一.文中以航空发动机转子故障为研究对象,给出了基于经验模式分解、小波分析为核心的故障特征提取方法,并作了针对性的比较研究.在matlab7.0环境下开发了一个故障特征提取软件系统.研究结果表明:基于经验模式分解的时频分析方法可以很有效地提取到非平稳故障特征信号,是一种适合于非线性信号处理的方法.     

基于EEMD和SVR的单自由度结构状态趋势预测

为了解决结构早期损伤难以正确识别的问题,本文结合聚类经验模式分解（EEMD）解决随机不确定性问题和支持向量机（SVM）解决预测问题这两者的优势,提出了一种基于EEMD特征提取的支持向量机回归（SVR）结构状态趋势预测方法。先对单自由度结构渐进损伤的加速度振动信号进行EEMD,再进行希尔伯特变换（HT）,计算瞬时频率,然后用回归支持向量机对反映结构健康状态的瞬时频率进行趋势预测。研究表明：对于渐变损伤该方法可以准确地、高精度地预测结构状态趋势。     

滚动轴承故障的EMD诊断方法研究

提出了一种基于经验模式分解（Empirical Mode Decomposition，EMD）的滚动轴承故障诊断方法。这种方法中，局部损伤滚动轴承产生的高频调幅信号成分被EMD分解作为本征模函数分离出来，然后用Hilbert变换得到其包络信号，计算包络谱，就能够提取滚动轴承故障特征频率。该方法被用于分析实验台上采集的具有内圈损伤及外圈损伤的滚动轴承振动信号。分析结果表明，与传统的包络解调方法相比，新方法能够更有效地提取轴承故障特征，诊断轴承故障，因而具有重要的实用价值。     

经验小波变换-同步提取及其在滚动轴承故障诊断中的应用

为了准确诊断轴承故障并探究故障信号的时变特性,提出了一种基于同步提取变换（Synchroextracting Transform,SET）和经验小波变换（Empirical Wavelet Transform,EWT）的轴承故障诊断方法。对故障信号进行经验小波变换分解,把分解得到的若干个经验模态进行同步提取变换,将所有模态的SET 结果叠加即可得到EWT?SET的时频结果。仿真表明,提出的方法比传统的SET 方法有优势,能够有效解决传统SET 方法在处理瞬时频率较近的模态信号时易出现瞬时频率特征模糊的问题。把所提出的方法应用到不同损伤程度的轴承故障诊断中,实验验证了提出的方法能有效地诊断出轴承故障与损伤程度,能清晰地表示故障信号的时变特征。     

基于支持向量机的转子振动信号故障分类研究

转子在运行过程中的振动加速度信号包含了转子运行状态大量信号，瞬态过程中故障加速度信号特征的提取及其识别对于旋转机械故障诊断是十分重要的。针对在升降速运行时的故障特征数据样本有限而制约有效智能诊断的问题，探讨和提出了基于支持向量机的加速度信号故障诊断方法。实验分析结果表明：该方法可实现转子的振动加速度信号对转子在升降速运行时的多故障的识别和诊断。     

基于加速度信号全谱分析的转子碰摩故障特征提取实验研究

转子在运行过程中的振动加速度信号包含了转子运行状态大量信号，瞬态过程中故障加速度信号特征的提取及其识别对于旋转机械故障诊断是十分重要的。旋转机械振动的全谱分析是一种使一些典型故障尤萁是碰摩故障能被很清楚检测出来的有效方法，本文在对旋转机械转子中的一些典型碰摩故障进行了模拟试验，以及对故障发生过程中的加速度信号进行采集的基础上，对转子故障加速度信号的全谱特性进行了分析，提取和总结出由故障造成的加速度信号突变和对应的谱特征。分析结果表明：采用转子振动加速度信号对转子的碰摩故障进行诊断是有效的。加速度信号全谱图可以丰富旋转机械碰摩故障诊断系统知识库中的特征信息，对于更准确地诊断转子中的碰摩故障具有重要意义。     

基于多级滤波的子带信号分析及应用

为有效提取设备的故障征兆信息,提出了一种基于多级滤波的子带信号分析方法,并将其应用于机械设备的状态监测.运用两通道滤波器组来构造多级滤波器,再利用多级滤波器将机械设备的振动信号从高频到低频分解成一组子带信号,对子带信号进行频谱分析、包络分析等处理.结合对子带信号与原始信号的分析,提取出机械设备的故障征兆信息以进行状态监测.仿真分析和应用实例表明该,子带信号分析方法有助于更加完备地提取机械设备的故障征兆信息.     

小波包——自回归谱分析及在振动诊断中的应用

概叙了小波、小波包理论，由此提出一种称之为小波包－－自回归谱分析的新方法，它将小波包和自加归模型结合起来，该方法在机械诊断中，实现不同频道范围内，不同零部件故障信息分离和提取，并以挖掘机提升系统龄轮箱的振动信号为例，说明该方法是提取弱故障信息并进行早期诊断的有效方法。     

Laplace小波及其工程应用

小波变换是非平稳信号处理的有力工具,小波性质取决于它的基函数.在模态分析、机械监测诊断等领域,冲击响应信号十分普遍.一种单边衰减复指数型的Laplace小波基函数具有分析冲击响应信号的优势,采用Laplace小波相关滤波方法可提取振动信号中的冲击响应分量,成功地诊断出内燃机进气阀的磨损故障和识别出大型水轮机轴系的一阶固有频率.     

齿轮故障振动信号非高斯性特征趋势分析

以齿轮箱实测振动信号为对象,对齿轮点蚀故障发展过程深入研究。通过Gabor滤波仅保留振动信号的边带成分与随机成分;据双谱分析结果研究信号非线性、非高斯性变化,并提取非高斯性强度特征值;在故障趋势分析中利用“3σ准则”设定故障阈值。结果表明,非高斯性强度特征值对齿轮点蚀故障较敏感,可揭示故障发展变化趋势,有利于齿轮故障报警及寿命预测,对齿轮传动系统状态监测与故障诊断具有实际意义。     

基于多元统计的电机故障诊断新方法

提出了用多元统计过程控制方法(MSPC)对异步电动机进行故障诊断的新方法.利用多个传感器测量的异步电机多维信号参量,构建电机在正常工作和发生故障时的Q统计和T2统计,以实现电机的状态检测;利用Q统计和T2统计值构建电机的状态特征向量,通过比较度量当前电机的特征向量H与电机发生故障时的特征向量HF的几何距离来实现电机故障的定位与分离.实验证明,该方法可以有效地实现故障的诊断与分离.     

利用关联维数分析机械系统故障信号

根据机械系统运行中测量到的信号的处理，进行系统特征识别。针对非线性系统的特点，区别于以往对线性系统使用的时域，频域定性分析法，用分形维数定量刻画机械系统运行状态。使用分形维数中能直接反映转子系统运行特点的关联维数来获得转子运行故障以及故障发展程度的定量描述。本文采用的高效关联维数算法，提高了计算速度和描述转子系统故障的精度。