基于TVF-EMD和TEO的滚动轴承微弱故障特征提取

针对旋转机械转子振动信号通常伴随着强噪声,难以提取其有效信息的问题,提出一种基于时变滤波经验模态分解(Time varying filtering based empirical mode decomposition,TVF-EMD)和Teager能量算子(Teager energy operator,TEO)相结合的故障特征提取方法。首先,用TVF-EMD方法自适应地分解轴承振动信号,以获得一组本征模态函数(Intrinsic mode functions,IMFs);然后,对分解结果进行峭度计算,并根据峭度最大准则选出峰度值最高的敏感分量;进而,利用Teager能量算子对选定的敏感分量进行解调处理,通过观察明显的周期性故障特征频率来实现轴承微弱故障特征提取。进行了仿真和实验,结果证明,该方法能有效实现轴承微弱故障的诊断。     

基于EMD和非线性峭度的齿轮故障诊断

采用经验模式分解(empirical mode decomposition,简称EMD)和非线性峭度的统计特性对振动加速度传感器获取的齿轮箱振动响应信号进行特性分析。利用EMD分解获得振动响应信号的本征模式函数,用非线性Tea-ger能量算子计算每个本征模式函数的瞬时能量,并对本征模式函数进行系数的非线性峭度计算,提取系统的特征信息。仿真结果表明,用经验模式分解和非线性峭度可实现在线监测齿轮运转工作状态,及时发现齿轮的早期故障,提高了故障检测的可靠性。     

改进小波去噪Teager算子的齿轮微弱故障提取方法

针对齿轮箱在强噪声背景下齿轮微弱故障振动信号的特征不易被提取的问题,提出将改进小波去噪和Teager能量算子相结合的微弱故障特征提取方法。采用改进小波阈值函数对振动信号进行去噪处理,与形态学滤波和传统小波阈值函数相比能够有效地提高信号的信噪比。对去噪后的信号进行集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)得到若干本征模式函数(intrinsic mode function,简称IMF),计算各IMF分量与原信号的相关系数并结合各IMF分量的频谱剔除虚假分量。对有效的IMF分量计算其Teager能量算子,并重构得到Teager能量谱,对重构信号进行时频分析并将其结果与原信号的希尔伯特黄变换(HilbertHuang transform,简称HHT)得到的边际谱进行对比。实验研究结果表明,本研究方法相比HHT能够对齿轮微弱故障特征进行更为有效地提取,验证了本研究方法在齿轮箱微弱故障诊断中的可行性。     

基于多特征融合的行星齿轮箱点蚀故障诊断研究

为了识别行星齿轮箱的齿面点蚀故障,通过刚柔耦合仿真获得健康和 3 种不同点蚀程度行星齿轮箱的箱体振动信号。对获得的 4 种状态的箱体振动信号进行变分模态分解后,计算每个本征模态函数分量的能量值、峭度因子和信息熵,基于能量值、峭度因子和信息熵多特征融合构建高维特征向量,采用支持向量机分类器对 4 种状态的行星齿轮箱进行识别。结果表明,基于变分模态分解的本征模态函数分量的能量值、峭度因子和信息熵构建的 15 维特征向量,采用支持向量机分类器能够准确识别健康和 3 种不同点蚀程度齿轮的类型。     

基于AVMD和二阶FWEO的滚动轴承故障诊断

针对滚动轴承振动信号中常包含有谐波、高斯白噪声和非周期性瞬态冲击成分,导致故障特征提取困难的问题,提出一种基于自适应的变分模态分解（adaptive variational mode decomposition,简称AVMD）和二阶频率加权能量算子（second-order frequency weighted energy operator,简称SFWEO）的滚动轴承故障诊断方法。首先,根据不同的信号自适应地确定模式数和惩罚因子,利用参数优化的变分模态分解（variational mode decomposition,简称VMD）对原始信号进行分解,得到多个本征模式函数（instrinsic mode function,简称IMF）;其次,计算每个IMF的时频加权峭度,根据时频加权峭度最大化准则选择最佳IMF;最后,采用二阶频率加权能量算子对最佳IMF进行解调。仿真和试验结果表明,所提方法克服了传统VMD算法分解精度受参数影响较大导致信号出现过分解或欠分解的问题,同时二阶频率加权能量算子对信号中的干扰成分具有很好的抑制作用,有效提高了诊断正确率。     

声发射与EMD在滑动轴承状态检测中的应用

经验模态分解在滚动轴承和齿轮故障检测中的有效性已经得到验证,将其用于滑动轴承声发射信号研究,并结合峭度等统计指标,计算各本征模态函数的指标值。通过对某310 MW汽轮机组滑动轴承现场试验的实测声发射信号进行研究,发现在不同润滑状态下,原始信号的各指标值并未发生明显变化,而不同本征模态函数的各指标值对状态变化更为敏感,通过对比找到润滑状态变化时产生规律性变化的2个本征模态函数的统计指标,为监测滑动轴承的润滑状态提供一定的依据。     

Teager-Huang变换在齿轮裂纹故障诊断中的应用

提出了一种基于Teager-Huang变换的齿轮箱故障诊断方法,该方法综合利用了经验模态分解(empiricalmode decomposition,简称EMD)和Teager能量算子分析技术。由于EMD方法具有自适应的分析能力,首先利用EMD把时间序列信号分解成不同特征时间尺度的固有模态函数,然后用Teager能量算子计算各固有模态函数的瞬时幅值和瞬时频率,得到Teager-Huang变换时频谱。齿轮箱齿轮裂纹故障振动试验信号的研究结果表明:Teager-Huang变换时频谱优于Hilbert-Huang变换时频谱,能有效地识别齿轮的裂纹故障。     

基于SVD-EEMD和TEO的滚动轴承弱故障特征提取

将奇异值分解(singular value decomposition,简称SVD)与集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)进行结合,提出一种适用于滚动轴承弱故障状态描述的敏感特征提取方法。为提高信号故障信息的提取质量,对采集信号进行相空间重构得到一种Hankel矩阵。根据该矩阵的奇异值差分谱,确定降噪阶次进行SVD降燥。用EEMD分解降噪后的信号可获得11个本征模态函数(intrinsic mode function,简称IMF)和1个余项。依据建立的峭度-均方差准则,筛选出一个能够有效描述故障状态的敏感IMF分量,计算其相应的Teager能量算子(Teager energy operator,简称TEO),对此TEO进行Fourier变换,实现了对滚动轴承弱故障模式的有效辨识。用美国凯斯西储大学公开的滚动轴承故障信号对所建立的方法与传统EEMD-Hilbert法和EEMD-TEO方法进行对比,结果表明:经本方法提取的敏感特征能准确突显滚动轴承故障频率发生的周期性冲击,可准确识别其故障类型。     

基于改进型CEEMDAN-TKEO滚动轴承故障诊断方法研究

针对滚动轴承故障识别困难这一问题,提出了基于改进型CEEMDAN和Teager能量算子(TKEO)的诊断方法。首先,将传感器测得的故障振动信号采用CEEMDAN改进算法分解,得到多个固有模态函数(IMF),此过程可以削弱噪声成分的干扰,增强故障特征;然后,计算最具相关性模态信号的Teager能量算子并进行包络谱分析,通过谱中的频率成分实现故障诊断。实验结果表明,基于改进型CEEMDAN和Teager能量算子的诊断方法能够有效提取轴承故障信号中的微弱特征信息,具有一定的工程实用价值。     

基于改进MOMEDA的齿轮箱复合故障诊断

总体经验模态分解(ensemble empirical mode decomposition,简称EEMD)对信号分解时由于白噪声选取不当,常造成能量泄露;通过计算多点峭度可以提取冲击性故障周期,但在强噪声环境下其追踪效果并不理想;考虑到多点最优最小熵反褶积(multipoint optimal minimum entropy deconvolution adjuste,简称MOMEDA)提取故障时准确度受到故障周期区间范围的影响,提出了基于组合模态函数-多点最优最小熵反褶积(combined mode function-multipoint optimal minimum entropy deconvolution adjuste,简称CMF-MOMEDA)的自适应齿轮箱复合故障特征提取方法。首先,通过EEMD对信号分解,将信号按高低频依次分开;其次,取与原信号相关性强的本征模态函数,通过组合模态函数(combined mode function,简称CMF)将原信号分解为高低两个频带C_h和C_L,分别求其多点峭度谱图,提取故障周期成分;然后,设定合适的周期范围,通过MOMEDA提取故障特征;最后,将该方法应用于齿轮箱故障特征提取,以验证其可行性。     

基于EMD-PCA的轴承故障源盲分离方法

结合经验模态分解和主分量分析各自的优点,提出了一种基于EMD-PCA的轴承故障源的盲分离方法。利用EMD方法对混合观测信号进行分解得到若干个本征模函数分量,把所有的IMF分量重新组合在一起,作为新的观测信号,然后采用PCA对新的观测信号进行共性分析以得到源信号中的主要成分,并进行了轴承故障源分离试验验证。     

随机共振降噪下的齿轮微弱故障特征提取

针对强背景噪声下的齿轮微弱故障特征提取问题,提出了一种将级联单稳随机共振与经验模式分解(EMD)-Teager能量算子解调方法相结合的特征提取方法。首先对含噪故障信号进行随机共振输出,降噪后再进行经验模式分解,分解得到具有不同特征时间尺度的固有模态函数(IMFs),最后通过Teager能量算子解调方法求取每个有效IMF分量的幅频信息,从而提取齿轮微弱故障特征。仿真分析和实际测试结果均表明,通过随机共振降噪后,该方法能有效检测出齿轮局部损伤故障特征频率。     

基于阶次跟踪和变换时频谱的轴承故障诊断

综合利用阶次跟踪和Teager-Huang变换时频分析技术,进行齿轮箱起动过程轴承故障诊断.首先,对齿轮箱升降速瞬态信号进行时域同步采样,并对时域信号进行等角度重采样转化为角域平稳信号,再对角域信号进行EMD分解,将振动信号分解成不同特征时间尺度的单分量固有模态函数.然后,用Teager能量算子计算各固有模态函数的瞬时频率和瞬时幅值,进而得到Teager-Huang变换时频谱.通过对齿轮箱起动过程轴承故障振动信号的分析表明,该方法能有效地识别轴承故障.     

基于EMD与神经网络的煤岩界面识别方法

针对放顶煤中煤岩界面难以识别的问题,采用检测液压支架尾梁振动信号的方式进行了研究,提出一种基于经验模态分解(empirical mode decomposition,简称EMD)和神经网络的识别方法。首先,对振动信号进行经验模态分解,得到多个固有模态分量(intrinsic mode functions,简称IMF);然后,对各IMF进一步分析以提取特征参数;最后,选择若干个包含主要信息的参数组成特征向量作为神经网络的输入来识别落煤和落岩两种情况,实现煤岩界面的自动识别。实验结果表明,分别以各IMF的能量、峭度和波峰因子组成的特征向量均可用于识别煤岩界面,且当以能量组成特征向量时比其他两种方式具有更高的识别率。     

FAST IMPLEMENTATION OF ORTHOGONAL EMPIRICAL MODE DECOMPOSITION AND ITS APPLICATION INTO HARMONIC DETECTION

Since the empirical mode decomposition （EMD） lacks strict orthogonality, the method of orthogonal empirical mode decomposition （OEMD） is innovationally proposed. The primary thought of this method is to obtain the intrinsic mode function （IMF） and the residual function by auto-adaptive band-pass filtering. OEMD is proved to preserve strict orthogonality and completeness theoretically, and the orthogonal basis function of OEMD is generated, then an algorithm to implement OEMD fast, IMF binary searching algorithm is built based on the point that the analytical band-pass filtering preserves perfect band-pass feature in the frequency domain. The application into harmonic detection shows that OEMD successfully conquers mode aliasing, avoids the occurrence of false mode, and is featured by fast computing speed. Furthermore, it can achieve harmonic detection accurately combined with the least square method.     

基于自适应CEEMD的非平稳信号分析方法

由于标准的互补集总经验模态分解(complementary ensemble empirical mode decomposition,简称CEEMD)在处理模态混叠问题时缺乏自适应性,其本质是分解信号获得的本征模态函数(intrinsic mode function,简称IMF)之间产生了一定的信息耦合现象,使IMF分量不能正确地反映信号的真实成分。因此,提出了在使用CEEMD分解信号的过程中嵌入网格搜索算法(grid search algorithm,简称GSA),以最小二乘互信息(least squares mutual information,简称LSMI)为网格搜索算法的适应度函数,构造一个自适应CEEMD方法。该算法通过自适应地搜索最佳的白噪声幅值,修正信号分解过程中产生的少量的耦合频率成分,确保每个IMF分量之间信息的正交性,以进一步抑制模态混叠问题。最后,通过仿真实验验证了该方法的有效性,并将该方法用于提取滚动轴承微故障的特征频率。实验结果表明,该算法在滚动轴承的微故障特征提取应用中具有更少的迭代数、IMF分量以及相对更小的计算量。     

基于EMD的能量算子解调方法及其在机械故障诊断中的应用

为了提取多分量的AM-FM信号的频率和幅值信息,提出了基于EMD (Empirical mode decomposition)的能量算子解调法,并将它应用于机械故障诊断中。该方法首先采用EMD将多分量的AM-FM信号分解成若干个IMF(Intrinsic mode function)分量之和,然后对每一个IMF分量进行能量算子解调,从而提取多分量的AM-FM信号的幅值和频率信息。对机械故障振动信号的分析结果表明,基于EMD的能量算子解调法能有效地提取机械故障振动信号的特征。