船体振动的轴系周期性故障特征信息识取方法

针对船舶推进轴系早期碰摩故障冲击信号周期性强且易被强烈的背景噪声所淹没的问题,提出了基于船体尾部结构振动的轴系周期性故障特征信息识取方法,简称EEAF（EEMD + Autocorrelation Analysis + FFT）。首先,对采集的复杂船体尾部结构振动信号进行集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）,得到一系列固有模式分量（IMF）;再以自相关函数的性质为准则,筛选出存在周期成分的IMF分量;最后对相应分解层进行快速傅里叶变换,频谱分析识取表征轴系早期碰摩故障的特征量。通过轴系故障的仿真和实船试验研究,验证了该方法的有效性和可行性。     

基于MCSSD的转子碰摩故障早期检测

提出了基于多尺度线调频基信号稀疏分解(Multi-scale Chirplet Sparse Signal Decomposition,简称MCSSD)的转子碰摩故障早期检测方法,该方法用MCSSD方法对转子碰摩故障振动信号进行单次分解,从原信号中分离出具有最大幅值的工频(或倍频)信号分量。由于MCSSD方法是采用线性直线逐段自适应逼近分析信号的各分量频率,分解得到的信号分量与真实信号分量具有很好的频率匹配特性,不会产生频率混叠现象,因此,与小波分解与EMD分解相比,MCSSD能更有效地从转子早期碰摩故障振动信号分离出最具最大幅值的工频(或倍频)信号分量。将该信号分量从原信号中去除,对残余信号分量做频谱分析,即可有效诊断转子早期碰摩故障。应用实例证明了该方法的有效性和优越性。     

基于EEMD降噪和FFT的转子故障振动分析

针对转子产生故障时的振动信号受噪声干扰大、故障特征不明显这一难题,提出基于集合经验模式分解(EEMD)降噪和傅里叶变换(FFT)的转子振动信号分析方法。首先利用EEMD方法将原始故障信号分解成若干本征模态分量(IMF),然后计算各分量与原始信号之间的相关系数,筛选出有用分量并进行信号重构。最后对重构信号进行傅里叶变换(FFT)得到振动信号的特征频率。数值模拟和实验结果证明该方法的有效性和实用性。     

高速气体轴承转子周期性碰摩故障试验研究

针对高速气体轴承转子结构进行周期性碰摩试验研究。对此结构的轴系进行升速试验,试验结果显示轴系转速在升高到一定程度时开始产生飞升,随后在频域内出现周期性碰摩现象。通过频谱特性、轴心运动轨迹及时间—频率—幅值三维谱图等振动图谱特征,分析转子飞升与周期性碰摩现象的动力学过程及产生原因,并给出碰摩故障的典型特征。研究结果可以为此类碰摩故障的识别与相关碰摩故障诊断系统的建立提供试验数据支撑。     

完备总体平均局部特征尺度分解及其在转子故障诊断中的应用

作为对经验模态分解(EMD)的改进,局部特征尺度分解(LCD)也有类似EMD的模态混淆问题。基于噪声辅助分析的总体平均经验模态分解(EEMD)和完备的EEMD(CEEMD)等是抑制分解模态混淆的有效途径。然而此类方法伪分量较多、得到的分量未必满足IMF分量定义等。针对此,提出了一种完备的总体平均局部特征尺度分解(CELCD),并通过仿真信号将CELCD方法与CEEMD进行了对比,结果表明CELCD能够有效抑制LCD模态混淆,而且在抑制伪分量的产生,提高正交性和分量的精确性等方面具有一定的优越性。最后论文将CELCD方法应用于转子碰摩故障的诊断,结果表明了方法的有效性。     

EEMD和优化的频带熵应用于轴承故障特征提取

针对滚动轴承早期故障特征提取困难的问题,提出了将集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)和优化的频带熵(OFBE)相结合的轴承故障特征提取方法。针对EEMD的多个本征模态分量(Intrinsic Mode Function,IMF),如何选出更能反映故障特征的敏感IMF的问题,提出一种基于频带熵的敏感IMF的选取方法。首先,对原始振动信号进行EEMD分解,获得一系列IMFs;然后,对原信号和各个IMF分量求频带熵,在熵值最小处设计带通滤波器带宽作为特征频带,比较各个IMF的特征频带与原信号熵最小值所处频带之间的从属关系,进而选出反映故障特征的敏感IMF。由于背景噪声的影响,从选取的IMF中难以准确地得到故障频率。因此,利用FBE在选取IMF的基础上设计的带通滤波器,并提出利用包络峭度最大值原则优化带宽,然后对其进行带通滤波,并进行包络功率谱分析以提取故障特征频率。将该方法应用到轴承仿真数据和实际数据中,能够实现轴承故障特征的精确诊断,证明了该方法的有效性和优势。     

基于峭度原则的EEMD-MCKD的柔性薄壁轴承故障特征提取

谐波减速器用柔性薄壁轴承运行过程中因内圈长、短轴交替产生周期性冲击成分。当柔性薄壁轴承发生故障后,这种正常的周期性冲击成分和因故障引起的冲击叠加在一起,使得其故障特征提取难度很大。针对这一特点,提出基于峭度原则的EEMD-MCKD的柔性薄壁轴承故障特征提取方法。首先使用集成经验模态分解算法(EEMD)对信号进行预处理,选用峭度原则滤除信号中的无关分量和冗余分量,重构筛选后的固有模态分量(IMF)得到EEMD重构信号;在此基础上,针对柔性薄壁轴承振动信号特点进行MCKD算法进行参数优化,利用参数优化后的MCKD对EEMD重构信号进行提取。运用此方法对实测柔性薄壁轴承外圈故障振动信号进行特征提取,结果表明,准确提取到了清晰的故障特征频率。将提取效果与单一EEMD算法和MCKD算法进行对比分析,EEMD-MCKD算法提取效果更佳。     

基于EEMD的多尺度模糊熵的齿轮故障诊断

为准确利用振动信号进行故障诊断,提出基于EEMD多尺度模糊熵的齿轮故障诊断方法。利用集合经验模态分解(EEMD)对振动信号进行自适应分解,获得原始信号的不同尺度分量;据模糊熵能有效区分不同信号的复杂度,计算EEMD分解所得本征模态函数(IMF)分量模糊熵,获得原始信号多个尺度的复杂测度作为齿轮不同状态的特征参数;将该特征参数输入最小二乘支持向量机(LS-SVM)分类器判断齿轮故障。齿轮箱齿轮故障实验结果表明,该方法能提高齿轮故障诊断精度。     

基于声振信号EMD分解的轻微碰摩故障诊断方法研究

针对转子系统局部碰摩故障特征及声音振动信号特点,采用一种基于声振信号经验模式分解(Empirical Mode Decomposition简称EMD)的轻微局部碰摩故障诊断方法对滑动轴承碰摩故障进行特征提取。由于EMD分解不需要固定的基函数,根据信号特征自适应的调整,从而实现碰摩特征及旋转激励背景信号自动分解。通过设计滑动轴承缺油工况轴承碰摩试验,并进行振动全息测试分析,将所得声振信号本征模式函数时域特征和边界谱特征与转子径向位移及轴承座加速度信号对比分析,确定了碰摩部件;从而证明基于声振信号EMD分解的碰摩故障诊断方法的有效性。     

基于MS-EEMD的滚动轴承微弱故障提取研究

在实际工况下,轴承的早期故障信号与强噪声信号相比属于微弱信号,而轴承的早期故障特征从强噪声环境中提取出来一直是故障诊断课题的一大难点。基于上述问题,提出一种基于MS（Mask Signal）和EEMD（Ensemble Empirical Mode Decomposition）方法的滚动轴承微弱故障提取方法。由于EEMD方法在噪声背景下分解出的IMF分量存在模态混叠现象,很难辨别故障频率的真伪,所以引入掩膜信号法对分解出的IMF分量进行处理,抑制虚假频率,将故障频率提取出来。通过将掩膜信号法与EEMD方法相结合的方式,对存在噪声的故障信号进行处理,提取出故障特征。     

一种可用于故障诊断的信号处理方法——完备总体平均局部特征尺度分解

作为对经验模态分解（EMD）的改进,局部特征尺度分解（LCD）也有类似EMD的模态混淆问题。基于噪声辅助分析的总体平均经验模态分解（EEMD）和完备的EEMD（CEEMD）等是抑制分解模态混淆的有效途径。然而此类方法伪分量较多、得到的分量未必满足IMF分量定义等。针对此,论文提出了一种完备的总体平均局部特征尺度分解（CELCD）,并通过仿真信号将CELCD方法与CEEMD进行了对比,结果表明CELCD能够有效抑制LCD模态混淆,而且在抑制伪分量的产生,提高正交性和分量的精确性等方面具有一定的优越性。最后论文将CELCD方法应用于转子碰摩故障的诊断,结果表明了方法的有效性。     

转子全周碰摩与局部碰摩的识别方法研究

摘 要：超临界汽轮发电机组的结构和工况复杂,容易引起转、静子间的碰摩。根据碰摩诱发因素的不同,可将其分为全周碰摩与局部碰摩。由于两种碰摩故障的时、频特征相似,传统的时、频域分析方法很难准确提取它们的故障特征。本文针对这一不足,提出一种基于经验模式分解-奇异值分解（EMD-SVD）与支持向量机（SVM）的碰摩故障识别方法,用于对转子全周碰摩与局部碰摩故障进行识别。首先,通过EMD获取碰摩信号的固有模式函数（IMF）;然后,提取表征信号主要能量的前四阶IMF组成特征矩阵并进行SVD分解,得到关于原信号的一组特征值;最后,将特征值输入SVM,对原信号进行分类识别。转子试验台全周碰摩与局部碰摩试验结果表明,本方法对转子全周碰摩与局部碰摩故障的分类准确率高,其中以径向基函数作为核函数的SVM分类准确率达到96.0%。     

基于EEMD和自相关函数峰态系数的轴承故障诊断方法

针对滚动轴承故障冲击信号周期性强且易被强烈的背景噪声所淹没的特点,提出了基于EEMD和自相关函数峰态系数的轴承故障诊断方法。首先,对采集到的复杂振动信号进行EEMD分解,根据自相关函数峰态系数和峭度准则重构IMF分量以突出故障特征信息;然后,利用谱峭度自动确定带通滤波器的最佳中心频率和带宽;最后,将滤波后的信号进行包络解调分析并与理论故障特征频率对比。通过轴承故障的仿真和实验研究,验证了该方法的有效性和可行性。     

形态分量分析在转子早期碰摩故障诊断中的应用

提出了一种基于形态分量分析的转子早期碰摩故障诊断方法,该方法用形态分量分析从转子早期碰摩故障信号中提取出冲击成分。形态分量分析根据信号中各组成成分的形态差异,构建不同的稀疏表示字典对各组成成分进行分离。当转子系统中出现早期碰摩时,其振动信号往往由以转频及其谐波为主要成分的周期成分、包含转子早期碰摩故障信息的冲击成分及随机噪声构成。周期成分表现为信号中的平滑部分,而冲击成分则表现为信号中的细节部分,因此,可根据周期成分与冲击成分的形态差异,用形态分量分析实现二者的分离。对形态分量分析的阈值方法进行了改进,提出了基于半软阈值的形态分量分析,仿真结果表明,基于半软阈值的形态分量分析要优于基于硬阈值的形态分量分析。对某转子早期碰摩故障信号进行了分析,结果表明,基于半软阈值的形态分量分析能有效地提取转子早期碰摩故障信号中的冲击成分,进而诊断转子早期碰摩故障。     

基于EEMD和Teager能量算子的行星齿轮箱故障特征提取研究

针对行星齿轮箱振动信号故障特征提取困难、幅值和频率调制明显等问题,提出一种基于集合经验模态分解(EEMD)和Teager能量算子的行星齿轮箱故障特征提取方法。新方法首先利用EEMD分解样本信号得到若干本证模量函数(IMF),计算各IMF与原始信号的相关系数和欧式距离,筛选出能够表征原始信号特征的分量。其次,计算筛选后各IMF分量的Teager能量算子,将计算结果进行信号重构。最后,提取重构信号模糊熵及其对应概率密度函数的波形指标,作为基本特征参数进行故障诊断。将所提方法应用于行星齿轮箱实验数据分析,并与常用特征提取方法对比,结果表明:所提出的新方法不仅能有效区分行星齿轮箱故障类型和程度,且识别率优于所对比的方法。     

基于EEMD及敏感IMF的再制造发动机振动模式研究

为更好提取再制造发动机的振动特征,采用总体平均经验分解模式（Ensemble Empirical Mode Decomposition,EEMD）对信号进行分解,并用于再制造发动机振动模式研究中。在对振动信号分解基础上,利用相关系数计算IMF分量与其原始信号间相关性及原始信号IMF分量敏感因子;利用敏感IMF进行Hilbert变换。研究结果表明,采用EEMD分解算法所得IMF分量能反映再制造发动机的振动特征,基于敏感IMF的边际谱能区分再制造发动机不同部件的振动模式,并将再制造发动机部件分为缸壁、缸盖、曲轴三种振动模式,对提高发动机再制造水平具有重要意义。     

基于EEMD能量熵及LS-SVM滚动轴承故障诊断

针对滚动轴承振动信号的非平稳特性和现实中难以获得大量典型故障样本的实际情况,提出基于集合经验模态分解（EEMD）能量熵和最小二乘支持向量机（LS-SVM）的滚动轴承故障诊断方法。首先通过EEMD分解将非平稳的原始振动信号分解成若干个平稳的固有模态函数（IMF）;滚动轴承同一部位发生不同严重程度的故障时,在不同频带内的信号能量值会发生改变,因此可通过计算振动信号的EEMD能量熵判断发生故障的严重程度;从包含主要故障信息的IMF分量中提取的能量特征作为输入来建立支持向量机,判断滚动轴承的技术状态和故障严重程度,并选用不同核函数对诊断效果进行分析比较。实验结果表明,该方法能有效地应用于滚动轴承的故障诊断。     

基于信号共振稀疏分解与重分配小波尺度谱的转子碰摩故障诊断方法

提出了基于信号共振稀疏分解与重分配小波尺度谱的转子碰摩故障诊断方法。与常规的基于频带划分的信号分解方法不同,信号共振稀疏分解方法根据信号中各成分品质因子的不同,将信号分解成高共振分量和低共振分量。当转子出现碰摩故障时,振动信号往往由以转频及谐波为主要成分的周期信号、包含转子故障信息的瞬态冲击信号以及噪声组成。周期信号为窄带信号,具有高的品质因子,可分解为高共振分量;而瞬态冲击信号为宽带信号,具有低的品质因子,可分解为低共振分量。本文方法先利用信号共振稀疏分解方法从转子碰摩信号中提取冲击成分,再对提取的冲击成分进行重分配小波尺度谱分析,最后根据尺度图中冲击成分的周期诊断转子碰摩故障。算法仿真和应用实例验证了该方法诊断转子碰摩故障的有效性。     

基于改进HHT和SVM的滚动轴承故障状态识别

针对滚动轴承故障信号特征难以提取与故障诊断效率较低问题,引入集合经验模态分解(EEMD)对Hilbert-Huang变换(HHT)进行改进,将改进的HHT结合拉普拉斯得分(Laplacian score,LS)进行轴承故障特征提取,并利用遗传算法(GA)优化支持向量机(SVM)分类参数,将其应用于滚动轴承振动信号故障状态识别中。首先,利用相关系数筛选EEMD分解后的IMF分量,计算IMF分量的Hilbert边际谱能量与Lempel-Ziv复杂度构成轴承高维特征向量;其次,运用LS得分对高维特征向量进行数据降维;最后,用GA-SVM对轴承不同故障状态进行识别。通过轴承不同状态下的试验数据验证本文方法,结果表明所提方法能够有效识别轴承不同故障状态。     

EEMD联合SOM的电机滚动轴承故障诊断

针对电机轴承振动信号的非平稳性、提取的信号不精确的特点,提出一种集合经验模态分解(Ensemble Empirical Mode Decomposition, EEMD)、能量矩的特征提取方法与自组织特征映射网络(Self-organizing Maps, SOM)相结合的故障诊断方法。首先利用EEMD处理原始振动信号,将其分解成一系列具有不同特征时间尺度的固有模态分量(Intrinsic Mode Function, IMF)。由于轴承状态变化,在不同频带下IMF的特征随时间尺度和能量分布的不同而不同,由于能量矩能准确得到IMF的变化能量,故计算出各阶IMF的能量矩构造故障特征向量。其次,利用故障特征向量作为输入来构建SOM网络进行故障识别。最后通过轴承实验验证该方法的正确性。结果表明,该方法采用有限的训练样本就可以快速、准确地诊断滚动轴承故障。