基于改进EMD和形态滤波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性特点,提出一种改进经验模态分解(EMD)和形态滤波相结合来提取故障特征信息的方法。该方法首先在原信号中加入高频谐波并进行EMD分解,减小传统EMD分解中存在的模态混叠现象,然后从高频本征模态分量(IMF)中去除高频谐波得到故障冲击成分,经形态滤波消噪后进行频谱分析,提取出故障特征信息。信号仿真分析该方法的实施过程,并将该方法成功运用于滚动轴承内圈和外圈故障的诊断。实验结果表明该方法能够有效提取滚动轴承故障特征信息,实现故障诊断。     

基于EEMD和改进的形态滤波方法的轴承故障诊断研究

轴承故障会导致振动信号中出现冲击响应成分,可通过对冲击响应成分的周期的检测与提取, 进行局部故障诊断。但在复杂工况下,故障脉冲易被周围噪声淹没,在分析EEMD和形态学滤波方法的基础上,将EEMD方法与形态学滤波方法相结合,提出结构元素(SE)选择方法,并用于本征模态信号中冲击响应特征的提取。通过将该方法用于轴承外圈、内圈局部故障状态下的特征的检测,结果表明该方法能有效提取周期性脉冲成分并抑制噪声。     

基于峭度准则EEMD及改进形态滤波方法的轴承故障诊断

针对轴承故障成分常以周期性冲击成分出现在振动信号中,而冲击响应成分常被强大噪声淹没,造成轴承故障特征提取困难等问题,将集成经验模态分解(EEMD)与改进形态滤波方法相结合,在本征模态函数(IMF)及形态学结构元素(SE)选取时均以峭度准则为依据,对筛选出的IMF分量进行信号重构后,再进行基于峭度准则的改进形态滤波方法处理。结果表明,该方法可避免共振解调中中心频率及滤波频带选取,自适应性较好;通过对实际滚动轴承内外圈故障分析,该方法可清晰准确提取到故障特征信息,噪声抑制效果好,可用于轴承故障精确诊断。     

状态形态学滤波与EWT的故障特征提取方法研究

针对往复机械振动信号具有复杂非线性、非平稳等特性,使用一种基于小波框架的自适应经验小波变换和以集合角度处理信号的形态学滤波来进行往复机械故障特征提取。首先使用自适应经验小波变换通过构造尺度空间曲线对傅里叶频谱进行划分,构造合适的正交小波滤波器组以提取具有紧支撑傅里叶频谱的AM-FM成分;然后根据往复机械振动信号冲击性的特点,基于信号本身特性构造形态学结构元素,对提取出的模态进行状态自适应形态学滤波;最后使用多尺度模糊熵对模态进行定量分析并对故障进行识别。将该方法应用到实测数据中,实验结果验证了该方法的有效性,该方法可以准确对往复压缩机气阀故障进行识别。     

形态学滤波方法改进及其在滚动轴承故障特征提取中的应用

滚动轴承是旋转机械设备的重要部件,对滚动轴承的故障诊断研究具有重要的意义。滚动轴承故障会导致振动信号中出现冲击响应成分,可通过对冲击响应成分的周期的检测与提取,进行局部故障诊断。在分析形态学滤波方法的基础上,提出机构结构元素(SE)选择方法,并用于振动信号中冲击响应特征的提取。通过对仿真信号的处理验证了该方法的有效性,并将该方法用于轴承外圈、内圈局部故障状态下的特征的检测,结果表明该方法能有效提取周期性脉冲成分并抑制噪声。     

《基于谐波小波滤波的旋转机械故障诊断新方法》

针对旋转机械非平稳信号的特点，提出采用谐波小波滤波对现场采集的振动信号进行故障诊断的新方法。该方法基于谐波小波良好的盒形频谱特性，将特定频率段的成分与信号的其它频率成分既不交叠又不遗漏地分解到相互独立的频带上，再进行重构就可将特定频率成分提取出来。仿真计算及实例验证表明，谐波小波滤波方法具有良好的滤波效果，能将有用频率成分提取出来，为初步故障诊断提供依据。该方法具有算法简单，运算速度快的特点。     

基于EEMD和Laplace小波的滚动轴承故障诊断

滚动轴承故障导致振动信号中出现多阶模态冲击响应,为了提取单阶模态冲击响应的模态参数,由于Laplace小波相关滤波受多阶模态冲击响应的影响,提出一种基于EEMD和Laplace小波的滚动轴承故障诊断方法。先用EEMD把振动信号中的多阶模态脉冲响应分解为各单阶模态冲击响应分量,然后用从分解的分量的频谱中选取所需的单阶模态冲击响应分量,再用Laplace小波相关滤波对选取的单阶模态冲击响应分量进行分析,便可以诊断出故障。通过对仿真信号和滚动轴承内圈、外圈、滚动体数据分析很好地验证了提出的方法的有效性。     

一种基于形态提升的自适应轴承微冲击提取方法

在轴承早期故障中,冲击信号十分微弱,往往被背景噪声和低频谐波淹没,使得冲击信号提取有一定的难度。自适应多尺度形态滤波采用非线性滤波方法,通过不同尺度的结构元素,对冲击信号进行匹配并提取出来,但是由于微弱的冲击信号对结构元素尺度十分敏感,所以很难达到理想的提取效果。而利用形态梯度提升小波,首先将信号中的脉冲进行放大,降低低频信号和部分噪声的干扰,再对提升后的信号进行自适应多尺度形态滤波,这样就能显著的提取微弱的冲击信号,进而判定轴承发生的故障类型。仿真实验和轴承故障实例表明,该方法能有效提取背景噪声下的微弱冲击信号,是一种有效的微冲击提取方法。     

冲击试验数据的滤波方法研究

本文主要研究在产品爆炸分离、跌落等试验中,由于使用冲击加速度传感器测得的冲击信号混有复杂频率成分,如何提取有用、真实信号的方法．通常采用的方法是通过对原始数据的数字滤波方法,但由于信号中混有复杂的频率成分,无法确定低通截止频率,而无法获取真实的冲击信号本文通过对跌落试验冲击信号的小波分析,研究对混入高频噪声干扰信号的冲击信号进行滤波、分解、提取的信号处理方法,得到不失真的冲击信号．研究表明：小波分析对冲击跌落、非弹性碰撞等试验冲击信号分析处理切实有效．     

基于增强型形态学滤波的风电机组轴承故障诊断方法

风电机组滚动轴承振动信号微弱故障特征易被背景噪声和其他频率干扰,提取难度较大。针对此类问题,提出一种增强型的形态学滤波及故障诊断方法。算法构造了一种新的形态学综合顶帽变换(morphological comprehensive filter-hat transform,MCFHT),将其用于强背景噪声下目标信号的故障脉冲提取,并通过非线性滤波器幅频响应考察其滤波性质,为振动检测中故障脉冲的提取提供理论依据;针对MCFHT变换滤波尺度选择问题,通过分析原振动信号自身振动特性,给出了一种自适应的尺度计算策略,有效提高了滤波处理的效率和性能;提出一种改进的包络导数能量算子用于增强形态学滤波后信号中故障冲击特征,并滤除带内噪声频率。仿真信号与风电机组轴承实际故障信号实验结果表明,该方法能有效提取随机噪声和谐波干扰下的故障特征信息,滤波效果强于传统方法,具有较好的工程应用价值。     

Laplace小波相关滤波法与冲击响应提取

冲击响应信号的出现标志着机械设备发生松动，碰撞，冲击等故障。在复杂的振动信号中准确提取出冲击响应信息在机械故障诊断中具有重要的意义，介绍了用来识别冲击响应信号的Lapalce小波相关滤波法，通过对含有噪声的模拟冲击响应信号的识别，证明该方法能够在强大噪声干扰中准确捕捉到冲击响应信号。工程应用结果表明，相关滤波法可以从复杂的内燃机缸盖振动信号中准确定位进气阀关闭时冲击发生的时刻及频率，从而成功地诊断出因进气阀磨损而导致的漏气故障。     

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.     

基于信号匹配追踪的模态参数提取

传统的的设备模态参数提取多是建立在频谱计算的基础上,提取精度受采样频率和时域截断产生的能量泄漏的影响较大。为此,提出了一种基于信号匹配追踪的模态参数提取方法,该方法将Laplace小波作为信号匹配追踪的基元函数;同时引入粒子群算法来实现Laplace小波的参数寻优,克服了传统算法计算复杂的缺点。仿真和实际应用表明,该方法可有效地提取设备的模态参数;且比传统的半功率带宽法具有更高的精度。     

基于小波包和LMS自适应降噪的柴油机振动诊断

由于柴油机振动信号的特征频带和噪声频带存在重叠现象,利用小波阈值消噪时难以选取合适的小波阈值,针对该问题提出一种基于小波包的LMS自适应滤波降噪方法。该方法将小波包与LMS自适应滤波相结合,首先利用小波包变换对信号进行多层分解,然后以噪声干扰对应尺度上的第一层“细节”分量及最大分解尺度上的逼近分量重构信号,将重构后的信号作为LMS自适应滤波器原始输入信号,再以小波包最大分解尺度上的高频细节信号作为自适应抵消器的参考输入信号,进行LMS自适应滤波降噪处理。仿真计算和工程应用表明,该方法参数设置较少,易于控制,不涉及小波阈值降噪中阈值的选取问题,对比试验信号的分析验证了方法的有效性,将该法应用在柴油机振动诊断中提高了故障识别率。     

时频域滤波及在飞机颤振试飞试验中的应用

针对飞机颤振试飞试验信号噪声过大的问题，提出了一种时频域滤波算法。采用Modet小波对扫频激励及其响应进行时频分析，利用该类信号聚焦于时频域特定区域的特性，有效地提取真实响应信号，达到信噪分离的目的。给出了具体的滤波算法，并研究了信号的重构问题。最后将上述方法应用于仿真算例和实际试飞数据，结果表明该方法显著的提高了频响函数的估计精度。     

基于VMD的自适应形态学在轴承故障诊断中的应用

为有效提取滚动轴承信号的特征频率,提出了基于变分模态分解(VMD)的自适应形态学的特征提取方法。首先利用VMD将目标信号分解为有限个模态信号,依据互信息法提取与原始信号相关的模态信号,将其进行求和重构;然后利用形态学对重构信号进行降噪处理,提取出滚动轴承的特征频率。针对形态学固有统计偏移和结构元素的选择问题,利用粒子群算法来优化改进的广义形态学滤波器,实现自适应滤波。通过数字仿真实验与滚动轴承故障试验分析,将其与基于经验模式分解(EMD)的自适应形态学、包络解调方法进行比较,结果表明该方法可以有效提取故障信号的特征频率。     

基于多尺度Kalman数据融合滤波

本文通过分析基于小波变换的动态系统模型,提出一种基于小波多尺度的Kalman数据滤波方法,本文利用小波的多尺度特点,把初始估计序列多尺度分解,并在不同尺度层上进行Kalman滤波估计,再利用小波重构来融合各层的估计信息,把标准Kalman滤波只在单一尺度和时间轴上对状态估计值和误差协方差进行数据更新,改进为基于小波变换的尺度轴和时间轴上的双向数据更新,该算法将小波多尺度分解去噪和Kalman滤波相结合,对实际中含较强噪声的动态系统的状态估计效果较好.算法也可用于多分辨率多传感器数据融合.     

一种强噪声背景下的微弱信号检测的新方法

基于自适应滤波算法对小波滤波器的构造方法进行了研究，重点在于解决对强噪声环境下微弱信号提取所需要的小波变换的子带自适应滤波器的构造，把小波变换技术和自适应滤波技术应用于微弱信号的检测。提出基于自适应小波变换的心电信号的检测，利用小波变换的子带编码理论，通过在多个子带权值的自适应匹配，回复后拟合微弱信号。仿真结果表明，该方法可进一步改善信号的检测能力，在检测微弱信号的特征和改善信噪比方面是一种十分有效的方法。