改进的经验模态分解方法在滚动轴承故障诊断中的应用

本文将Hilbert-Huang变换（HHT）应用到滚动轴承故障诊断中，利用经验模态分解自适应地将滚动轴承故障信号分解为若干不同特征时间尺度的固有模态函数，进行Hilbert谱和边际谱分析，由此来识别滚动轴承的故障类型。研究结果表明：这种改进的方法能有效地提取滚动轴承的故障特征。     

基于EEMD-CWD的齿轮箱振动信号故障特征提取

为实现齿轮箱故障特征提取,提出一种基于集成经验模态分解（EEMD）和乔-威廉姆斯分布（CWD）的齿轮箱振动信号特征的提取方法。对现场采集的振动信号进行EEMD分解,再对分解得到的固有模态函数（IMF）分量依照峭度准则进行排序,选取峭度指标较大的IMF分量进行CWD分析,最终得到信号的CWD.该方法可以有效抑制由于干扰项引起的频率混叠和干扰问题,有助于将原始信号在时间历程、频率成分和幅值大小3个方面的特征信息同时进行准确提取。利用该方法对实际齿轮发生断齿、裂纹故障进行了实验分析,结果表明：该方法能够全面、有效地提取齿轮振动信号中所蕴含的齿轮箱状态信息,为后续进行齿轮箱状态识别和故障诊断奠定基础。     

局域波降噪及样本熵在齿轮箱故障诊断中的应用

针对齿轮箱振动信号中存在大量背景噪声及以往故障诊断中在时域、频域寻找与故障相关信息过程相对复杂的问题,提出了一种将局域波降噪与小波包分解提取频带能量最大信号的样本熵作为特征量相结合的齿轮箱故障诊断方法.首先,以峭度值作为依据对局域波分解后的各IMF(本征模式分量)分量进行重构,完成对原始信号的降噪.接着对降噪后的信号进行小波包分解并计算各子带的能量,选取子带能量最大的频段信号计算其样本熵作为特征量完成对故障的识别.以齿轮箱试验台实测信号为对象进行对比分析,证明了该方法的有效性.     

基于Hilbert-Huang 变换的雷达发射机故障特征提取

为解决目前难以准确提取非线性、非平稳雷达发射机故障信号特征的问题,提出一种基于Hilbert-Huang变换(HHT)的雷达发射机故障特征提取方法。介绍HHT中瞬时频率和本征模态函数的概念,给出HHT中经验模态分解及其改进算法集合经验模态分解的具体过程。通过对发射机开关电源输入整流滤波电路的仿真,仿真故障电压信号经过集合经验模态分解得到若干本征模态函数,对其中一个本征模态函数进行Hilbert变换提取瞬时频率。计算结果表明:基于HHT的雷达发射机故障特征提取所得的瞬时频率物理意义明确,能够充分可靠地检测故障信息、提取故障特征。     

基于Hilbert-Huang变换的发动机振动信号特征提取

基于Hilbert-Huang变换与小波分析相结合的故障特征提取方法,先利用小波分析方法将缸盖振动分解在低、中、高三个频段,然后对各个频段的信号进行EMD分解,对得到的IMF分量做Hilbert变换,得到各个频段的Hilbert谱.再根据发动机冲击响应的特点,将Hilbert谱沿频率轴积分,然后在时间-幅值平面上投影成二维的频带能量分布图,突出故障信息.实例表明,通过各频段、各冲击响应能量分布的变化,可实现故障的判断和定位.     

基于小波包能量谱与主成分分析的轴承故障特征增强诊断方法

滚动轴承出现损伤时,采集的振动信号呈非平稳性,采用一般的时域和频域分析方法不能准确提取出振动信号的故障特征。根据小波包多分辨、精细化的分解特性,提出一种基于小波包能量谱与主成分分析（PCA）方法的滚动轴承故障诊断算法。将振动信号进行小波包分解,得到重点频率段信息的能量谱,提取能量谱作为特征向量;利用PCA方法对特征向量降维并减小噪声信号的干扰,获得增强的故障特征;利用层次聚类方法和改进的模糊c均值聚类算法对不同类型的滚动轴承故障进行识别,两种聚类方法都准确地识别出了不同的故障类型。实例验证结果表明,所提方法能够有效地提取振动信号中的有用故障特征,实现轴承故障类型的精确诊断。     

基于主成分分析和多元支持向量的旋转机械故障诊断方法

针对旋转机械运行过程中的非线性、非平稳突变性等复杂特征,提出一种基于主成分分析（PCA）和支持向量机（SVM）的精确故障诊断方法。该方法对振动信号进行EMD分解,得到多个基本模态分量IMF后,通过Sha-noon能量熵测度后将多个IMF分量进行主成分分析,提取有效的振动特性,再将其作为特征矢量输入到多元支持向量机SVM进行精确的故障诊断和分类。以一个滚动轴承为例进行分析,结果表明该方法具有强的鲁棒性和可靠性。     

基于双谱熵模型的故障模式识别

提出利用双谱计算信号的双谱熵,并作为特征参量进行故障模式识别的方法。分析了振动信号双谱的特征,在子空间分布概率下,推导了基于能量分布的双谱熵计算方法。在理论推导分析的基础上,进行了某齿轮箱在4种工况下的振动信号提取实验,建立了齿轮箱故障模式识别BP神经网络。最后将双谱熵特征参量作为输入,对设置了4种故障工况的齿轮箱进行了故障模式识别,成功地判别了4种工况,验证了方法的有效性。     

EMD和Elman神经网络在滚动轴承故障诊断中的应用

针对滚动轴承故障信号的特点,提出EMD和Elman神经网络结合的滚动轴承故障诊断方法。以滚动轴承振动信号为研究对象,首先对信号进行经验模态分解（EMD）,提取包含主要信息成分的本征模函数（IMF）分量,将IMF的能量比作为特征向量输入Elman神经网络进行网络训练和故障识别,实现滚动轴承的故障诊断。结果表明,EMD方法能按频率由高到低把复杂的非平稳信号分解成有限个IMF分量,具有自适应的特点,有效地突出轴承故障特征;而Elman神经网络能直接反映动态过程系统的特性,达到很好的识别效果。     

基于分形理论齿轮箱故障诊断研究

在对齿轮箱的机械故障诊断中，由于齿轮箱运行过程中产生的信号中存在非线性，为此将分形理论引入故障诊断技术中。介绍了分形法诊断故障的基本原理，利用G-P算法求出各工况的分形维数并进行比较，实现了对齿轮箱故障的诊断。诊断结果表明，发动机轴承正常状态下的分形维数为2．6346，各故障状态时均有惟一确定的分形维数且都大于2．6346。由此看出，用分形维数可以表征机械故障状态，说明分形理论能从本质上反映故障的结构特征。     

基于参数优化变分模态分解和多尺度熵偏均值的行星变速箱故障特征提取

针对某型装甲车辆行星变速箱行星轮故障特征难以提取的问题,提出了结合参数优化变分模态分解(VMD)和多尺度熵偏均值的故障特征提取方法。为克服VMD算法参数选取依赖经验的弊端,采用粒子群优化算法对VMD参数进行优化。使用参数优化后的VMD算法对信号进行分解,并依据互信息选取有效分量对信号进行重构。多尺度熵能反映信号在多尺度下的复杂度,偏均值可以反映多尺度熵的均值和变化趋势。采用基于多尺度熵的综合指标多尺度偏均值,以全面反映振动信号在多尺度下的特性,用于衡量行星变速箱运行状态,从而进行故障特征提取。行星变速箱实验数据处理结果表明,新方法可以更加有效的提取行星变速箱故障。     

Research on Gear-broken Fault Diagnosis in a Tank Gearbox

A fault diagnosis method of working position gear in a tank gearbox is put forward based on simulating the fault of working position gear in an actual tank, extracting the envelope of vibration signal by Hilbert transformation amplitude demodulation method, and zooming the low-frequency band to envelope signal.     

行星变速箱振动信号的线性量子信息熵特征

针对行星变速箱在运行时产生的非线性非平稳振动且故障特征信号微弱等问题,将量子理论引入信息熵的计算中,提出一种全新的特征提取方法——线性量子信息熵。介绍了量子理论的基本概念及振动信号的线性量子表达,建立了振动信号的多量子位系统;基于振动信号多量子位表达提出了线性量子信息熵算法;对行星变速箱故障模拟试验台采集到的齿轮正常、K1小行星轮裂纹、K1大行星轮裂纹、K2行星轮裂纹和K3太阳轮裂纹5种状态振动信号的线性量子信息熵进行求解,并与时频熵、排列熵、样本熵计算结果对比。结果表明,线性量子信息熵能够有效提取行星变速箱的运行状态特征。     

基于变分模态分解的机械故障诊断方法研究

变分模态分解(VMD)是一种新的自适应信号分解方法,该方法的核心思想是假设每个模态的绝大部分都是紧紧围绕在某一中心频率周围的,然后将模态带宽的求解问题转化为约束优化问题,求解出每个模态。将VMD引入到机械故障诊断中,提出一种基于VMD的机械故障诊断方法,并与集合经验模态分解(EEMD)方法进行对比分析。仿真结果表明:VMD方法明显优于EEMD方法,能有效地分解出信号的固有模态;与EEMD方法相比较,该方法模态混叠现象弱,计算效率高,理论充分。将VMD方法成功地应用到转子不同碰摩严重程度的故障数据分析实验中,实验结果进一步验证了该方法的有效性,能够揭示出碰摩故障数据的频率结构,区分碰摩故障的严重程度。     

装甲车辆传动箱齿轮健康监测与诊断方法

装甲车辆传动装置是装甲车辆关键组成部分之一,对车辆机动性能的发挥具有重要作用。机械传动是装甲车辆传动装置构成的基本样式,其中以齿轮传动为主。针对装甲车辆服役条件下的关键零部件健康监测与故障诊断难题,以传动箱齿轮为研究对象,探索利用加速度传感器在线长期监测振动信号以进行装甲车辆旋转件（齿轮、轴、轴承等）状态评估和诊断的可行性。采用有限元分析对正常、点蚀、裂纹和断齿4种状态下的齿轮进行了模态分析,在齿轮箱模拟试验平台上进行了振动信号的采集与处理,对比分析了正常与断齿条件下的振动信号频谱。结果表明：齿轮损伤会引起其固有频率下降,随损伤加剧,固有频率降幅增大。因此,齿轮固有频率随其状态变化而变化,可作为损伤指标;振动信号频谱分析,特别是边频带结构特征,有助于实现齿轮故障诊断。     

基于集合经验模态分解-支持向量机的高压共轨系统故障诊断方法

柴油机高压共轨系统运行时轨压波动信号波动较大且非线性特征较为明显,使其故障诊断较为困难。针对高压共轨系统轨压信号状态参数难以提取与识别的问题,提出一种基于集合经验模态分解（EEMD）—支持向量机（SVM）的故障诊断方法。通过EEMD将轨压信号分解为一系列固有模态函数,利用过零率曲线确定的特征提取准则提取本征模态函数中的特征值。将提取的特征值输入SVM中进行故障类型的诊断。通过AME Sim软件仿真实验获得轨压信号,对比7种不 同的特征值选择方法,最终选取能量特征值构建特征值向量并进行识别和诊断结果分析,以验证该方法的正确性与准确性。结果表明：所提出的基于EEMD—SVM的高压共轨系统故障诊断方法能够对6种不同的运行状态进行状态识别,平均故障诊断正确率可达96.11%。