基于改进型ESMD和动力学模型的齿轮箱冲击特征提取方法研究

齿轮箱振动信号具有非线性冲击特征,其有效特征信息易于被振动信号其他干扰成分所淹没。针对如何有效提取其冲击特征这一热点和难点问题,通过构建直齿锥齿轮动力学模型,研究其典型故障振动机理,提出了一种基于改进型极点对称模态分解(ESMD)和支持向量机(SVM)相结合的故障诊断方法。该方法通过改进型ESMD将振动信号自适应分解为多个IMF分量,然后利用最大峭度-包络谱指标选取一定量的分量并提取每个分量的奇异值,构建特征向量集合并输入SVM进行故障模式识别。动力学仿真模拟和齿轮箱实验研究表明,改进型ESMD-SVM法能够有效提取并识别齿轮箱故障信息。     

变工况下滚动轴承的故障特征提取

滚动轴承常被用于风力涡轮机、发动机等旋转机械中,由于负载、电流变化等因素将导致旋转设备中的滚动轴承在变速条件下运行。在变转速的工况下,现有时频分析、共振解调等故障诊断方法并不能有效提取故障特征,且考虑到强大背景噪声下存在故障特征提取困难的问题,本文提出了一种基于广义变分模态分解(Generalized variational mode decomposition, GVMD)和分数阶傅里叶变换(Fractional fourier transform, FRFT)的变工况故障特征提取方法。首先将在变工况下故障特征频率呈非线性分布的原始振动信号广义解调为近似线性分布,其次对解调后的信号进行变分模态分解(Variational mode decomposition, VMD)得到本征模态函数分量(Intrinsic mode functions, IMF),根据相关系数准则选取最优的分量进行分数阶域的滤波,最后通过分析滤波后信号的1.5维包络谱提取故障特征频率。通过滚动轴承仿真数据和实验数据的验证表明本文所提方法能够有效提取变工况下滚动轴承的故障特征频率。     

基于ESMD和奇异值差分谱的滚动轴承故障特征提取

针对滚动轴承信号的非平稳特征,提出基于ESMD分解和奇异值差分谱的故障特征提取方法。首先将原始非平稳信号进行ESMD分解,然后对产生的IMF分量进行FFT变换。为降低背景噪声的影响,对IMF构建Hankel矩阵,根据奇异值差分谱理论进行消噪和重构,从而确定轴承故障的特征频率。     

基于极点对称模态分解和概率神经网络的轴承故障诊断

针对复杂非线性的滚动轴承系统,提出了极点对称模态分解（ESMD）和概率神经网络（PNN）相结合的滚动轴承故障诊断方法。ESMD将固有模态函数的定义进行扩充,采用内部极点对称直接插值的方法替代外部包络线插值,引入最优的自适应全局曲线（AGM）的概念优化分解的趋势线,并由此确定最佳的模态分解次数。PNN是一种基于核函数逼近的神经网络分类器,将指数函数引入神经网络用来替代S型激活函数并进行重新构造,突出体现了梯度最速下降法的概念,减少实际和预测的输出函数之间的误差。通过对经验模态分解(EMD)、屏蔽经验模态分解(MEMD)和ESMD方法进行信号仿真分解对比,以及采用ESMD和PNN对故障数据进行处理,结果表明,该方法能够更加有效地对故障信号进行识别。     

基于EEMD与奇异熵增量谱的齿轮故障特征提取

针对齿轮振动信号非线性、非平稳的特点,提出一种基于集合经验模态分解(EEMD)与奇异熵增量谱的齿轮故障特征提取方法。首先,利用EEMD方法将齿轮振动信号分解为若干个平稳的本征模态函数(IMF)分量。EEMD方法利用正态分布白噪声的二进尺度分解特性,能够有效抑制经验模态分解(EMD)中的模态混叠现象。但由于背景噪声和残余辅助白噪声的影响,EEMD分解得到的IMF分量难以准确提取齿轮故障特征。利用奇异值分解(SVD)对IMF分量进行消噪和重构,根据奇异熵增量谱确定重构阶次,准确地提取齿轮的故障特征频率。仿真信号分析和齿轮箱齿轮故障实验验证了该方法的准确性和有效性。     

集成经验模态分解与相关峭度在滚动轴承故障诊断中的应用

船舶设备中的滚动轴承其振动信号成分复杂,故障信号易被背景噪声湮没,常规诊断方法难以有效提取轴承故障信息。为了从复杂的轴承振动信号中提取弱故障信号,将集成经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)应用到滚动轴承故障诊断中,并引入了相关峭度的定义,提出了一种新的滚动轴承故障特征提取方法。该方法首先利用EEMD将轴承振动信号分解为若干个分量信号,然后根据相关峭度最大原则选取分量信号,提取出滚动轴承的弱故障信号。通过对轴承内圈故障的仿真和实验研究验证了该方法的有效性。     

基于参数自适应特征模态分解的滚动 轴承故障诊断方法

针对强背景噪声下轴承故障信息难以有效提取的问题,提出一种基于参数自适应特征模态分解的滚动轴承故障诊断方 法。 首先,为了克服原始特征模态分解(FMD)需要依赖人为经验设定关键参数而不具有自适应性的缺点,提出基于平方包络 谱特征能量比(FER-SES)的网格搜索方法自动地确定 FMD 的模态个数 n 和滤波器长度 L;随后,采用参数优化的 FMD 将原轴 承振动信号划分为 n 个模态分量,并选取具有最大 FER-SES 的模态分量为敏感模态分量;最后,通过计算敏感模态分量的平方 包络谱来提取故障特征频率,从而判别轴承故障类型。 通过仿真信号和工程案例分析验证了提出方法的有效性。 与变分模态 分解(VMD)和谱峭度方法(SK)相比,提出方法具有更好的故障特征提取性能。     

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。     

综合改进奇异谱分解和奇异值分解的齿轮故障特征提取方法

针对齿轮故障特征微弱，在强背景噪声下难以有效提取的问题，提出了一种改进奇异谱分解（ISSD）结合奇异值分解（SVD）的齿轮故障特征提取方法。针对奇异谱分解（SSD）算法中模态参数需凭经验选取的缺陷，基于散布熵优化算法对SSD算法进行了改进，在得到既定的一组奇异谱分量的基础上，根据峭度值最大准则筛选出了最佳奇异谱分量并进行了SVD处理，采用奇异值能量标准谱自适应地确定了信号重构阶数以还原信号和提高降噪效果。最后对信号进行包络解调以提取齿轮故障特征，将所提方法运用到仿真信号和齿轮实测信号中，并同传统包络谱、SSD包络谱以及经验模态分解结合SVD(EMD-SVD)方法进行了对比分析，结果表明，所提方法的降噪和特征提取效果更佳，能够更加有效地实现齿轮故障的判别。     

改进辛几何模态分解的滚动轴承故障特征提取

针对滚动轴承故障冲击信号难以提取的问题,提出了一种改进辛几何模态分解（Improved Symplectic Geometry Modal Decomposition,ISGMD）滚动轴承故障特征提取方法。首先将振动信号进行辛几何模态分解,然后,利用k均值聚类的方法对分解得到的辛几何分量进行聚类,通过包络谱稀疏度指标筛选出故障特征明显的聚类辛几何分量（Cluster Symplectic Geometry Component,CSGC）并进行重构,对重构分量进行包络解调,提取出故障特征。将该方法运用到轴承故障仿真和实验信号,结果表明,这里提出的方法能够有效提取出滚动轴承故障特征。     

Adaptive extraction method for trend term of machinery signal based on extreme-point symmetric mode decomposition

In mechanical fault diagnosis and condition monitoring, extracting and eliminating the trend term of machinery signal are necessary. In this paper, an adaptive extraction method for trend term of machinery signal based on Extreme-point symmetric mode decomposition (ESMD) was proposed. This method fully utilized ESMD, including the self-adaptive decomposition feature and optimal fitting strategy. The effectiveness and practicability of this method are tested through simulation analysis and measured data validation. Results indicate that this method can adaptively extract various trend terms hidden in machinery signal, and has commendable self-adaptability. Moreover, the extraction results are better than those of empirical mode decomposition.     

经验模态分解滤波器组特性及轴承异音识别

利用经验模态分解滤波器组特性可调整性,结合短时傅里叶变换(STFT)技术识别轴承异音。在研究高斯随机噪声经验模态分解(EMD)的基础上,运用数值方法证实EMD滤波器组特性随判别参数SD改变,指出类似于二进制小波滤波器组特性只是一种特殊条件下的分解现象。根据轴承振动加速度的广谱性质,利用参数SD对EMD滤波器组特性可调性,对滚动轴承振动加速度信号按异音测量要求进行EMD自动频段分解。对前3阶本征模态进行STFT变换,用三维图刻画轴承振动的幅值大小、频率大小、周期和随机分布冲击特性,设定阈值,在时频域上刻画轴承的异音。该方法揭示了轴承异音分布模式,能通过异音识别控制轴承加工质量。     

公共场所异常声源定位中时延估计方法研究

HB(Hassab-Boucher)加权广义互相关(generalized cross correlation based on HB weighted function,GCC-HB)是常用的时延估计方法,在环境为弱高斯噪声情况下,可获得较为精确的时延估计值用于声源定位。通过分析认为,通常公共场所异常声音是一种短时信号,背景噪声主要为粉红噪声与脉冲噪声,符合分数低阶α稳定分布(fractional lower order alpha-stable,FLOA)。在此背景噪声的低信噪比环境下,GCC-HB方法的时延估计性能急剧下降。为此,提出基于反正切变换的改进GCC-HB的时延估计方法(improved GCC-HB method based on arc tangent transform,ATAN-IHB)。该方法首先对加噪信号采用反正切变换抑制噪声中尖峰脉冲的影响,然后结合每帧的信噪比对HB加权函数进行改变,并由多帧HB加权后的峰值确定出时延估计值。理论分析和计算机仿真结果表明,所提出的方法即使在低信噪比的环境下,也可以获得比较满意的时延估计值,具有一定的实用性价值。     

一种旋转机械振动信号特征提取的新方法

针对在信号特征提取中的噪声抑制问题，提出了一种新的旋转机械振动信号特征提取方法，即时序多相关-经验模式分解方法。通过对原始数据进行时间序列多相关处理，消除了采样序列中零均值噪声信号的影响，克服了在后继频谱分析中由于噪声而导致频谱难于辨识的问题，凸显了原始信号中的特征信号成分。时序多相关分析为后继的谱分析提供了便于处理的前处理数据。应用经验模式分解，能较充分地表现出所需提取的特征信号。仿真和实际某型发动机转轴振动信号特征提取中的分析表明，新方法能成功提取到旋转机械振动信号包含的各个特征信号，证明该方法在旋转机械振动信号特征提取中具有很好的工程应用前景．     

Application of soft-thresholding on the decomposed Lamb wave signals for damage detection of plate-like structures

Effective application of the Lamb waves for structural health monitoring and damage identification intensively relies on the accurate damage-related feature extraction in the received signals. Most of existing signal processing methods extract the damage-related features from the time–frequency joint spectrum which requires a quite amount of effort. In this paper, the soft-thresholding process, based on different signal decomposition methods, is introduced to damage identification so that the damage-related signal features can be manifested more distinctively. By applying two popular signal decomposition methods (i.e., the discrete wavelet transform (DWT) and the empirical mode decomposition (EMD)), the signal of interest can be represented by a series of components with different frequencies. Since most noises exist in the high frequency range, it is feasible to alleviate noise by restricting the energy of high-frequency components. Finally, a denoised signal is synthesized using the corresponding reconstruction method. As an application, the soft-thresholding process is performed to detect a small crack on an isotropic aluminum plate under the white Gaussian noise contamination. The results, from both the numerical finite element simulation and experimental test, indicate that the soft-thresholding process is capable of effectively reducing the effect of noise, convincingly improving the sensitivity of damage identification, and discriminating relatively small damage.     

基于改进阶次分析与自适应VMD的变转速齿轮箱故障诊断研究

变转速齿轮箱由于工况复杂导致转频不稳定,齿轮箱的微弱故障信号可能会被掩盖在强噪声中,不能直接应用传统的时频分析方法,为故障特征的提取增加一定的难度。针对变转速信号的处理,传统的计算阶次分析方式(COT)很好地解决了变转速齿轮箱的故障特征难以提取出来的问题,但由于传统COT中所使用的重采样方法是基于样条插值法的,无法根据转频选取转频,导致重采样间隔并不均匀;提出了改进的阶次分析方法,根据采样的各点角速度依次进行重采样,提高了阶次分析的精度。同时,变转速齿轮箱因动力传递复杂,导致变转速齿轮箱噪声更加严重。变分模态分解(VMD)常被被用来去除复杂信号噪声,提取被掩盖在强噪声中的微弱故障信号。提出了自适应VMD使用能量法,确定分解层数后对分量进行指标化选取,使去噪的效果得到进一步提升。通过对实验信号分析,使用此方法进行验证。结果表明,此方法能有效转换变转速齿轮箱信号为阶次信号并对故障进行识别。     

增强Ramanujan模态分解方法及其在滚动轴承故障诊断中的应用

针对现有的滚动轴承故障诊断方法（例如：小波变换和集合经验模态分解）的周期识别能力并不稳定等问题，我们提出了具有良好的周期分量提取能力的自适应周期模态分解(Adaptive periodic mode decomposition, APMD)方法。然而该方法所采用的最大似然估计方法在强噪声背景下估计周期时常出现错误，这导致APMD在强背景噪声下的周期提取性能并不稳定。为此，我们定义了自适应频率加权能量算子(Adaptive frequency weighted energy operator，AFWEO)，并将其用于增强周期脉冲。然后，提出了一种新的周期估计策略以提高周期估计的准确性，并在此基础上提出了增强Ramanujan模态分解(Enhanced Ramanujan mode decomposition, ERMD)方法。滚动轴承仿真和实验信号分析结果表明，新的周期估计策略在强背景噪声下依然有效，同时也说明了ERMD具有优良的周期成分识别和提取能力，是一种有效的滚动轴承故障诊断方法。     

基于模态分解的下位玻璃关门异响试验分析

针对某车型的车门在下位玻璃状态下存在的关门异响问题,以工作变形分析为基础,提出了一种基于工作变形模态分解的关门异响振动噪声源识别方法。首先,对关门声信号进行短时傅里叶变换时频分析,判定出关门声存在二次冲击现象,且噪声能量主要分布在低频辐射噪声部分;其次,采用工作变形试验识别出车门工作变形主要频率及振型,通过车门半约束模态试验获取车门模态频率及振型;最后,依据车门模态特性对工作变形进行模态分解,判定出异响振动噪声源。利用此方法对某车门进行试验分析,成功识别出该车型关门过程中的异响振动噪声源。试验结果显示,改进后关门二次冲击现象消失,关门异响得到有效改善,验证了该异响识别方法的有效性。