基于EMD和Hilbert解调的齿轮箱故障诊断

针对复杂的齿轮箱振动信号难以提取出故障特征频率的问题,提出了一种将希尔伯特包络解调技术与经验模式分解(EMD)相结合的分析方法。首先对齿轮箱的故障信号进行了EMD分解,得到了本征模态函数(IMF分量),再对IMF分量进行了包络解调,得到了其调制信号,结合调制信号的频率成分可初步判断出齿轮箱中出现故障的齿轮;然后根据IMF分量与初始信号之间相关系数的大小,选择相关系数较大的分量重构信号,相当于对初始信号进行滤波;最后对重构的信号以啮合频率及其倍频为中心频率进行了带通滤波,对得到的信号进行了包络解调分析,再次进行了故障诊断,以验证故障诊断的准确性。整个过程通过对齿轮箱实测故障信号的分析加以验证。研究结果表明,该方法能够准确地提取出齿轮箱的故障特征频率,从而可以对齿轮箱故障进行有效地诊断。     

基于EMD和SVM的刀具故障诊断

为有效监测刀具在机床中可能出现的故障,提出基于经验模态分解(EMD)和支持向量机(SVM)的一种故障诊断方法。首先用EMD方法将振动信号分解为有限个固有模态函数(IMF),并选取能量较大的IMF进行标量量化得到特征向量,最后将其输入SVM进行测试进而判断故障类型。分析结果表明,基于EMD-SVM的刀具故障方法能够更有效地识别刀具故障状态。     

基于EMD与倒谱分析的轴承故障诊断

提出了一种基于经验模态分解与幅值倒频谱分析的轴承故障诊断方法。该方法首先对外圈故障信号作传统的傅里叶幅值谱和幅值倒频谱分析,未能明显地找到故障特征;然后对故障信号做经验模态分解,并对分解出来的第一层本征模函数作倒频谱分析,有效地提取出了故障特征;最后,用该方法分别对具有内圈故障和滚动体故障的轴承故障信号作分析,也有效地提取出了故障特征。实验结果表明,通过联合经验模态分解和倒频谱分析,能有效并且准确地提取出轴承的故障特征频率。     

基于EMD和支持向量机的柴油机故障诊断

为了解决传统小波或小波包变换方法对柴油机振动信号频率分辨率不高、易受邻近谐波分量间交叠影响的缺陷,提出了一种基于经验模态分解和支持向量机的故障诊断方法。该方法首先对振动信号进行经验模态分解,分别提取能量最大的几个基本模式分量的小波包特征;然后采用支持向量机在每个独立的特征子集中进行训练,并按该子集对应的基本模式分量的能量权重进行加权融合。试验中将该方法应用于6135型柴油机的故障诊断,结果表明,针对每个基本模式分量分别进行故障分析是可行的,能够对6135型柴油机常见故障模式进行准确识别。     

基于EMD和冲击脉冲的齿轮故障诊断

介绍了冲击脉冲法的基本原理,采用基于经验模态分解的冲击脉冲法,信号带通滤波后,进一步采用经验模态分解方法自适应滤波提取故障齿轮振动信号中的调制信息,最后应用Hilbert变换解析出故障频率.仿真信号和实验验证结果表明,与仅仅采用冲击脉冲法比较,该方法更能突出故障频率成分,避免误诊断.     

基于EMD/HHT的齿轮箱齿轮不对中故障信号分析

研究了经验模态分解(简称EMD)技术在齿轮箱故障诊断中的应用,并详细论述了EMD原理,对齿轮故障振动信号(简称故障信号)进行EMD,获取固有模态函数(简称IMF)分量,并通过HHT(Hilbert-Huang)变换,对IMF分量进行解调,对解调信号进行频谱分析,提取故障特征频率。研究结果表明,EMD方法能够有效降低信号的噪声,提高信噪比,突出信号的故障特征。     

基于EMD降噪和谱峭度的轴承故障诊断方法

能否减小噪声干扰,提高信噪比,有效地提取故障信息是进行滚动轴承早期故障诊断的前提和关键。提出一种基于经验模态分解(empirical mode decomposition,EMD)和谱峭度(spectral kurtosis,SK)的滚动轴承故障诊断方法。首先对所提取的故障信号运用EMD分解,得到多个基本模式分量(intrinsic mode function,IMF),然后根据互相关系数去除伪分量,选取合适的IMF分量进行信号重构以达到降噪目的,突出高频共振成分,再应用谱峭度法确定带通滤波器的参数,最后对重构信号进行包络分析完成故障诊断。     

基于EEMD和THT的齿轮故障诊断方法

提出了一种基于总体平均经验模态分解(ensemble empirical mode decomposition,简称EEMD)和TeagerHuang变换的齿轮箱故障诊断方法,该方法首先运用EEMD方法,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,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,能有效识别齿轮故障.     

基于EMD的城市轨道交通走行部轴承故障监测系统北大核心CSCD

为了提高城市轨道列车运行的安全性,设计出一种适用于地铁、城际列车的轴承故障在线监测系统。监测系统通过复合传感器对列车走行部轴端振动和温度信号进行采集,以ARM3354为核心处理器,对采集的振动信号进行经验模态分解(EMD),依照相关性准则,选取最优的本征模态函数(IMF),然后通过希尔伯特包络谱(Hilbert)对信号进行分析,根据信号处理的结果确定相关的计算指标,并产生相应预报警信息,通过列车实时数据协议(TRDP)上传到列车控制监控系统(TCMS),以实现对列车运行过程中走行部轴承故障的实时监测。     

基于改进标准化EMD的滚动轴承故障诊断方法

基于传统的标准化经验模态分解方法在实际应用中存在没有考虑插值误差的影响、停机准则过于苛刻和计算得到的瞬时幅值不光滑带有毛刺等不足,提出了改进方法,并运用该方法对实际的轴承振动信号进行处理。结果表明:该方法可以有效提取滚动轴承故障特征频率,提高了轴承故障诊断的准确性。     

全矢谱技术在齿轮故障诊断中的应用

以齿轮传动系统为研究对象,针对转子振动信号的信息源不足问题,采用全矢谱技术的信息融合分析方法,更真实、可靠地反映出齿轮的振动特征,实现齿轮故障诊断的信息全面和高分辨率的特点.     

基于EMD和峭度的Hilbert包络解调在滚动轴承故障诊断中的应用分析

针对直接运用快速傅里叶变换（FFT）无法有效提取具有非线性非平稳特性的滚动轴承振动信号故障特征频率的问题,提出了一种基于经验模式分解和峭度指标的Hilbert包络解调方法.首先对滚动轴承的振动信号进行了经验模式分解（EMD）,得到了包含轴承故障特征信息的各阶本征模态函数（IMF）,再计算各阶IMF的峭度值,选取了峭度值较大的几阶IMF分量重构信号,并对重构信号进行了Hilbert包络解调分析,从而获得了滚动轴承的准确故障特征信息.分别对仿真模拟信号和实际滚动轴承发生内圈故障的振动信号进行了分析,清晰地得到了故障特征频率.研究结果表明,利用融合EMD、峭度系数和Hilbert包络解调的诊断方法能够快速、准确地提取滚动轴承的故障特征频率,从而可以对滚动轴承进行有效地故障诊断.     

基于EMD和信息熵的滚动轴承故障诊断

提出了一种基于EMD和信息熵的滚动轴承故障诊断方法。利用EMD将滚动轴承振动信号分解为多个IMF分量,计算各个IMF分量的信息熵,设定有效的熵阈值来取舍IMF分量,利用保留的IMF分量重构信号,并对重构信号进行Hilbert包络谱分析,提取滚动轴承故障特征频率。对实测滚动轴承振动信号分析表明,该方法能有效提取滚动轴承的故障特征频率。     

基于EMD分解的聚类树状图轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征和故障征兆模糊性,提出了基于EMD和动态模糊聚类图的轴承故障诊断方法.运用EMD方法提取待诊断的轴承运行状态样本的能量特征指标,应用模糊聚类分析方法对特征参数进行聚类,并作出聚类树状图.结果表明,该方法不需要大量的样本进行学习,且能更直观、准确识别滚动轴承的运行状态.     

基于EMD的冲击信号提取方法及其在设备故障诊断中的应用

提出一种基于经验模式分解(Empirical Mode Decomposition,EMD)的冲击信号提取方法,利用该方法首先将含有周期性冲击的信号进行EMD分解,在分解后的高频段IMF中,存在着类似冲击响应信号的成分,这些成分是由原始信号中的周期性冲击引起的,通过包络解调方法,可以得到冲击响应信号出现的频率,该频率对应原信号中冲击信号出现的频率.由于碰摩故障发生时,往往伴随着周期性冲击信号的产生,故该方法可以应用于旋转设备碰摩故障诊断中.仿真信号和试验数据的分析结果表明,这种方法正确有效,可以应用于工程实际.     

Sifting process of EMD and its application in rolling element bearing fault diagnosis

Among the vibration-based fault diagnosis methods for rolling element bearing, the shock pulse method (SPM) combined with the demodulation method is a useful quantitative technique for estimating bearing running state. However, direct demodulation often misestimates the shock value of characteristic defect frequency. To overcome this disadvantage, the vibration signal should be decomposed before demodulation. Empirical mode decomposition (EMD) can be an alternative for preprocess bearing fault signals. However, the trouble with this method’s application is that it is time-consuming. Therefore, a novel method that can improve the sifting process’s efficiency is proposed, in which only one time of cubic spline fitting is required in each sifting process. As a consequence, the time for EMD analysis can be evidently shortened and the decomposition results simultaneously maintained at a high precision. Simulations and experiments verify that the improved EMD method, combined with SPM and demodulation analysis, is efficient and accurate and can be effectively applied in engineering practice. This paper was recommended for publication in revised form by Associate Editor Eung-Soo Shin Hongbo Dong was born in Chaoyang, China, in 1979. He received the B.E. and M.E. degree from Northwestern Polytechnical University in Mechanical Engineering in 2002 and 2005 respectively and received the Ph.D degree from Xi’an Jiaotong University in Mechanical Engineering in 2009. His research interests include fault diagnosis of rotor and bearing system. Bing Li was born in Xuzhou, China, in 1976. He received the B.E. and M.E. degree from Northwestern Polytechnical University in Mechanical Engineering in 1999 and 2002 respectively and received the Ph.D degree from Xi’an Jiaotong University in Mechanical Engineering in 2005. After graduating from Xi’an Jiaotong University, he works as a lecturer in Xi’an Jiaotong University. His research interests include wavelet finite element theory and its application in fault diagnosis.     

基于包络谱分析的滚动轴承故障诊断分析

介绍了包络谱分析方法的基本原理,它是一种基于滤波检波的振动信号处理方法,也是诊断设备零件损伤故障的一种有效的手段,尤其对初期故障和信噪比比较第的故障信号,识别能力很强。重点分析了包络谱分析方法在轴承故障诊断中的应用。通过对滚动轴承故障诊断的实例分析,验证了包络谱分析运用于诊断设备零件损伤故障所取得的效果。     

机械转子动静碰摩故障的EMD分解Hilbert包络谱分析

为避免碰摩故障对旋转机械的影响,针对转子系统局部碰摩的特征,提出一种基于EMD分解Hilbert包络谱分析方法。该珐利用EMD方法分解含有碰摩故障的振动信号,提取出的IMF分量有明显的调幅特征,再对其中突出的IMF分量进行Hilbert包络谱分析提取出故障特征频率。与倒谱分析相比,得到的碰摩故障信息更加精确;与小波分析相比,能更容易提取出真实的故障特征。