改进的经验模式分解在机械故障诊断中的应用

针对经验模式分解(empirical mode decomposition,简称EMD)在工程应用中存在的端点效应和模式混叠问题,提出了一种改进的EMD方法。首先,利用遗传支持向量回归对短信号进行延拓;然后,采用改进的包络拟合方法并结合总体经验模式分解(ensemble empirical mode decomposition,简称EEMD)处理信号,数值仿真结果验证了该方法能够有效抑制端点效应和模式混叠;最后,利用该方法并结合包络解调对滚动轴承内圈故障信号进行实验与分析。结果表明,与EMD相比,该方法可以更有效地提取故障特征,满足机械设备故障诊断工程实际需求。     

盲VMD-Cepstral在轴承故障诊断中的应用

针对滚动轴承早期故障诊断困难的问题,从经验模态分解(empirical mode decomposition,简称EMD)以及包络谱出发,为解决EMD抗噪效果较差、具有端点效应等局限性,提出了盲变分模态分解(variational modal decomposition,简称VMD)-主成分分析(principal component analysis,简称PCA)-包络谱熵结合倒谱包络的轴承故障诊断方法。首先,对滚动轴承的振动信号进行了变分模态分解;其次,对分解得到的分量进行PCA去相关处理;然后,对分量计算包络谱熵,选择熵值小于其平均值的分量进行信号重构;最后,对重构的信号进行倒谱包络分析。实验结果表明,该方法能有效地提取出滚动轴承的故障频率,从而判断出滚动轴承的损伤位置,并且具有良好的抗噪能力。     

改进希尔伯特-黄变换的滚动轴承故障诊断

针对希尔伯特-黄变换中经验模态分解方法存在的端点效应和虚假固有模态函数的问题,提出一种改进希尔伯特-黄变换方法并将此方法应用于滚动轴承故障诊断中。首先,利用最小二乘支持向量机和镜像延拓相结合的方法来抑制端点效应;其次,采用敏感固有模态函数选择算法选出反映故障特征的敏感固有模态函数;最后,利用敏感固有模态函数的包络谱进行故障诊断。通过仿真分析和应用实例可看出,该方法能够有效提取出滚动轴承故障信号的特征信息并准确诊断出引起滚动轴承的故障原因。     

基于改进EMD和FastICA的旋转机械耦合故障诊断方法研究

为研究旋转机械的耦合故障诊断问题,提出一种新的经验模态分解(Empirical Mode Decomposition,EMD)改进方法。该方法采用分段三次Hermite插值解决包络线过冲和欠冲问题[10],并结合斜率再优化的极值点延拓加窗函数实现端点效应抑制,进而对EMD分解中包络线拟合的结果进行优化,得到更加精确的内禀模态函数(Intrinsic Mode Function,IMF)。运用包络解调对IMF进行处理,再基于负熵的快速独立分量分析(Fast Independent Component Analysis,Fast ICA)方法对所得到的解调信号进行分离,最后求解分离信号的包络谱,通过谱分析确定故障的特征频率,实现故障诊断。通过转子不对中-碰摩耦合故障诊断仿真实例表明,该方法能够提取出故障系统转子圆盘振动信号中存在的倍频、分频及2倍频峰值,与不对中-碰摩耦合故障特征吻合,证明了该方法的有效性。     

基于谱峭度和CEEMD的滚动轴承声信号故障诊断研究

使用声信号来诊断轴承故障越来越受到重视。针对滚动轴承故障信号的强背景噪声特点,提出一种基于谱峭度和互补集合经验模态分解(CEEMD)的故障特征提取方法。该方法首先对滚动轴承声信号进行快速谱峭度计算并进行带通滤波预处理,使滚动轴承声信号变得简单且噪声小,故障冲击成分明显;然后利用CEEMD将滤波信号进行分解运算,得到一系列本征模态(IMF)分量;再利用相关系数法和时域特征指标峰值因子选取包含故障信息最丰富的IMF分量;最后用Hilbert算法包络解调分析选取的IMF分量,得到清晰的故障特征频率。经滚动轴承故障实验分析,该方法可以对滚动轴承故障进行有效的诊断。     

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。     

基于改进EMD和谱峭度法滚动轴承故障特征提取

针对滚动轴承故障信号的强背景噪声特点,提出一种基于改进经验模态分解(empirical mode decomposition,简称EMD)与谱峭度法的滚动轴承故障特征提取方法.首先,利用EMD方法对原故障信号进行分解,得到若干平稳固有模态分量(intrinsic mode function,简称IMF);然后,采用灰色关联度与互信息相结合方法剔除传统EMD分解结果中存在的虚假分量;最后,运用谱峭度法和包络解调方法对真实IMF分量进行分析,提取故障特征频率.通过对实际滚动轴承故障信号的应用表明,该方法可有效地提取滚动轴承故障特征,且能够取得比传统包络解调分析更好的效果.     

基于SVD与改进EMD的滚动轴承故障诊断

针对经验模态分解(EMD)存在的模态混叠问题,提出一种奇异值分解(SVD)和改进经验模态分解相结合的信号分析新方法。该方法首先对故障信号进行SVD降噪,以消除随机干扰,再根据信号特征加入高频谐波信号并进行EMD进行分解,有效地减少模态混叠现象,最后对EMD分解得到的高频本征模态分量(IMF)进行代数运算得到故障冲击成分,经Hilbert包络分析,提取出故障特征信息。仿真信号分析了这种方法的实施过程,并将该方法成功运用于滚动轴承内圈和外圈故障的诊断中。实验结果证明:该方法能够有效地提取滚动轴承故障特征信息,实现故障诊断。     

CEEMD与FastICA结合的故障特征提取方法

针对滚动轴承故障特征信息难以分离的问题,提出了互补式集成经验模态分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD)与快速独立分量分析(Fast Independent Component Analysis,Fast ICA)结合的故障特征提取方法。首先将振动信号进行CEEMD分析,分解成不同尺度的固有模态分量(Intrinsic mode function,IMF);然后通过敏感度评估算法对分解信号进行重组,并利用Fast ICA对其进行降噪处理;最后对Fast ICA分离的信号进行Hilbert包络谱分析,获取故障特征信息。将此方法应用于滚动轴承振动信号故障分析,实验证明了所提方法的有效性。     

CEEMD和小波半软阈值相结合的滚动轴承降噪

针对滚动轴承振动信号降噪处理时如何保证信号边缘信息完整性的问题,提出将互补集合经验模态分解(complementary ensemble empirical mode decomposition,简称CEEMD)与小波半软阈值相结合的信号降噪方法,对滚动轴承故障高频振动信号进行降噪处理。首先,采用CEEMD方法对故障振动信号进行分解,针对信号特点自适应获取不同频段模态分量;其次,将对包含噪声污染的高频信号模态分量进行相关性分析,得到含噪成分较高的高频模态分量,进一步采用小波半软阈值进行降噪处理;最后,将降噪后的模态分量同残余分量进行信号重构,完成降噪过程。分析结果表明,相对于传统小波阈值降噪和CEEMD强制降噪方法,提出的方法能够有效去除高频信号的噪声,且最大程度地保证了原始信号的完整性,降噪效果更好。     

CEEMD和MCKD的滚动轴承早期故障特征提取

当滚动轴承处于早期故障阶段的时候,受环境噪声和信号衰减的影响,滚动轴承振动信号特征频率成分难以精确提取,并且在信噪比较低时CEEMD不能很好提取微弱故障。针对上述问题,提出了基于互补集合经验模态分解(Complementary ensemble empirical mode decomposition,CEEMD)和最大相关峭度解卷积(Maxim correlated kurtosis deconvolution,MCKD)相结合的故障特征提取方法(CEEMD-MCKD)。两种方法的结合有效解决了CEEMD分解后无法提取出淹没在背景噪声中微弱信号特征的问题,又保持了信号的完备性,避免了有用信息的损失。通过仿真和试验验证了该方法的有效性及优点。     

快速自适应经验模态分解方法及轴承故障诊断

提出一种快速自适应经验模态分解(fast and adaptive empirical mode decomposition,简称FAEMD),其算法结构和本征模态函数的特点与经验模态分解(empirical mode decomposition,简称EMD)类似。采用顺序统计滤波器代替三次样条来拟合曲线,简易的终止准则使耗机时间大幅减小。该方法可以快速、有效、准确地分解信号,能够避免终止准则和端点效应问题,改善模态混叠和耗时问题。在滚动轴承故障诊断的应用中,效果表现良好。     

基于CEEMD的滚动轴承振动信号自适应降噪方法

针对滚动轴承故障特征信号容易被噪声掩盖难以提取的问题,提出了基于互补集合经验模态分解(CEEMD)的滚动轴承振动信号自适应降噪方法。为了准确判定噪声分量和有用信号分量的分界点,在对振动信号进行CEEMD分解后,设计了依据信噪分量自相关函数的单边波峰宽度特性自适应地判定分界点的方法。为了保证重构信号的完整性,利用改进的小波阈值降噪方法提取低频IMF分量中的高频有效信息。实验分析表明,结合改进阈值函数的CEEMD自适应降噪方法能够有效地去除故障振动信号中夹杂的噪声,并且很好地保留了滚动轴承振动信号的突变细节,达到了不错的降噪效果。     

基于CEEMD和RobustICA的机械设备故障特征提取方法研究

为有效提取复杂背景噪声条件下的滚动轴承故障特征,提出一种基于互补集合经验模态分解(CEEMD)和鲁棒性独立成分分析(RobustICA)相结合的方法。该方法先通过CEEMD分解故障信号并得到若干个不同频率的信号分量。然后依据所构建的组合权重指标体系完成有效信号分量的筛选与重构,并引入虚拟噪声通道。最后,通过RobustICA方法完成信号和噪声的分离,并将降噪后的信号进行包络解调。结果表明,所提出的方法不仅对强噪声干扰有很好的降噪效果,而且能够准确地提取出故障特征。     

基于SVM信号延拓改进的EEMD方法

为了抑制经验模态分解(empirical mode decomposition,简称EMD)中出现的端点效应和模态混叠现象,在信号组综合经验模态分解(ensemble empirical mode decomposition,简称EEMD)的基础上,从抑制信号干扰和噪声污染影响以及三次样条函数插值拟合误差逐级传播方面,提出利用信号支持向量机(support vector machines,简称SVM)延拓改进EEMD.通过对仿真和实测信号研究,比较了EMD和EEMD的分解,提出改进的EEMD方法不仅减少了虚假模态分量、避免了模态混叠,而且有效抑制了端点效应.与基于镜像延拓改进的EEMD方法比较表明,本研究方法的时频谱更加清晰,虚假模态分量更少,有效解决了端点效应引起的分解失真问题.     

基于IVMD与改进KELM的发动机故障诊断

为从含有较强噪声的缸盖振动信号中提取有效的故障特征并进行故障分类,提出了采用独立变分模态分解(independent variational mode decomposition,简称IVMD)与改进核极限学习机(improved kernel extreme learning machine,简称IKELM)的发动机故障诊断方法。首先,根据频谱循环相干系数选取匹配波形对信号进行端点延拓,并利用变分模态分解(variational mode decomposition,简称VMD)将延拓后信号分解为一系列固有模态分量,有效抑制了VMD中的端点效应;其次,选取有效分量作为输入观测信号,进行核独立成分分析,进一步分离干扰噪声与有效信号,并消除模态混叠,得到相互独立的有效故障特征频带,进而提取各频带的自回归模型参数、多尺度模糊熵和标准化能量矩构建故障特征向量集;最后,建立基于社会情感优化算法的IKELM分类模型,对故障特征进行分类,实现发动机故障诊断。仿真和实验结果表明,所提出的方法可有效抑制VMD的端点效应,提高信号分解精度,消除噪声干扰并分离出相互独立的有效故障特征频带,增强特征参数辨识度,最终提高发动机故障诊断速度与精度,发动机故障诊断平均准确率达到99.85%。     

基于改进HVD和包络谱的轴承故障诊断方法

轴承是机械设备的重要零部件之一。希尔伯特振动分解与经验模态分解同样存在着端点效应,针对于端点效应提出了镜像延拓的改进方法,该方法通过在信号左右两端分别延拓一定的数据长度,信号分解后再截去左右延拓的数据。较之传统的希尔伯特振动分解方法,该方法能有效的抑制分离出的分量两端发生发散的现象,将改进的HVD与包络谱结合能够有效的应用于轴承故障诊断,能够有效地提取出轴承故障特征频率。     

基于经验模态分解包络谱的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的非平稳特征和传统包络分析法的缺陷,提出了一种基于经验模态分解包络谱的滚动轴承故障诊断方法.该方法首先采用经验模态分解将原始信号分解为若干个平稳的固有模态函数之和,然后求出包含主要故障信息的若干个固有模态函数分量的包络谱,再定义包络谱中故障特征频率处的幅值比为特征幅值比,最后以特征幅值比作为故障特征向量,输入神经网络,以神经网络的输出来判断滚动轴承的工作状态和故障类型.对滚动轴承内圈、外圈故障振动信号的分析结果表明,基于经验模态分解包络谱的故障诊断方法能有效地提取滚动轴承的故障特征.     

基于CEEMD与IMCKD的滚动轴承故障诊断方法

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,提出基于互补集合经验模态分解(CEEMD)与改进的最大相关峭度解卷积(IMCKD)的轴承故障诊断方法。首先,对采集到的信号进行CEEMD分解,利用峭度为准则筛选IMF分量进行信号的重构,再对重构信号进行最大相关峭度解卷积处理,实现信号的滤波降噪,最后,将滤波信号进行包络解调得到轴承的故障特征。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。     

基于小波去噪和EEMD包络解调分析的滚动轴承故障诊断方法

针对强噪声背景下的故障信号诊断问题,提出一种基于小波去噪和改进型总体经验模式分解算法(Ensemble Empirical Mode Decomposition,EEMD)包络解调分析的滚动轴承故障诊断方法。由于经验模态分解方法易产生虚假分量和模态混叠现象,引入EEMD。首先将采集到的振动信号进行软阈值去噪,然后对去噪信号进行EEMD分解,抽取能量较大的前4个内禀模态函数(IMF)进行Hilbert变换,得到包络信号,最后对包络信号进行细化谱分析,得到轴承故障特征频率。小波去噪可解决噪声造成的包络信号粗糙这一问题,提高了包络提取精度。将该方法应用于滚动轴承的内圈和外圈故障诊断,诊断结果均表明该方法能够准确有效地提取故障特征频率。