基于时变滤波经验模式分解的齿轮箱故障诊断

经验模式分解(Empirical Mode Decomposition,EMD)经常出现模态混叠问题。集总经验模式分解(Ensemble EMD,EEMD)能够在一定程度上缓解模态混叠,但是辅助白噪声的引入却破坏了原始EMD方法的时变滤波特性。为了提高齿轮箱故障诊断的效果,将时变滤波经验模式分解(Time Varying Filter for EMD,TVFEMD)引入到齿轮箱振动信号分析领域,提出了基于TVFEMD的齿轮箱故障诊断方法。将该方法用于分析包含着输出轴不对中故障的齿轮箱振动信号,结果表明,该方法能够有效地诊断出齿轮箱的不对中故障,与基于EMD和EEMD的方法相比具有明显的优势。     

基于AEEMD和峭度-相关系数联合准则的轴承故障诊断

针对经验模态分解(EMD)和总体集成经验模态分解(EEMD)算法在轴承故障诊断中的缺陷,提出了一种基于自适应总体集成经验模态分解(AEEMD)与峭度和相关系数联合准则的滚动轴承故障诊断方法。首先,通过AEEMD将振动信号分解成具有不同特征时间尺度的本征模态分量,然后利用峭度和相关系数联合准则选取包含故障信息最丰富的IMF,最后对选取的特征IMF做包络解调,进行故障诊断。并将AEEMD与EMD算法进行对比,证明了AEEMD算法的有效性和自适应性。     

基于EMD的高速滚动轴承故障诊断

提出了一种基于经验模式分解(EMD)的高速滚动轴承故障诊断方法.首先介绍了经验模式分解方法的主要思想和算法;其次,针对高速滚动轴承,给出利用经验模式分解进行诊断的具体步骤;最后,成功地将此方法应用于某高速齿轮箱的滚动轴承故障诊断实践中.诊断结果表明,该方法能够有效提取出高速滚动轴承故障振动信号,从而提高了滚动轴承故障诊断的准确性.     

基于本征时间尺度分解算法的齿轮箱故障诊断

针对现有信号处理方法在齿轮箱故障诊断中的不足,将本征时间尺度分解算法( IntrinsicTime- scale Decomposition,ITD)应用到齿轮箱故障诊断中.首先介绍了ITD算法;然后将ITD算法应用到齿轮箱的故障诊断中,得到了正确的结论;最后将ITD算法与经验模式分解(EMD)算法进行了比较,结果表明...     

基于傅里叶分解方法的风电齿轮箱故障诊断

经验模式分解(Empirical Mode Decomposition,EMD)是一种经验的方法,缺乏严格的理论证明,在实际应用中存在着许多问题,这些问题导致EMD方法难以有效提取复杂风电齿轮箱振动信号的故障特征。傅里叶分解方法(Fourier Decomposition Method,FDM)是一种新的非平稳非线性信号处理方法,具有坚实的理论基础,能够有效克服EMD方法的缺陷。因此,将FDM用于分析风电齿轮箱振动信号,提出了基于FDM的风电齿轮箱故障诊断方法。将该方法用于实际风电齿轮箱故障诊断,结果表明该方法能够有效地诊断出风电齿轮箱的故障,与基于谱分析、EMD及小波分解的方法相比具有明显的优势。     

基于改进Hilbert-Huang变换的机械故障诊断

Hilbert-Huang变换(Hilbert-Huangtransform,HHT)通过经验模式分解(Empirical mode decomposition,EMD)和Hilbert变换能够自适应地将复杂的非线性、非平稳信号刻画成Hilbert-Huang谱,突显信号的局部特征,具有良好的时频聚集能力,因此被广泛用于机械信号处理与故障诊断.然而,EMD存在的模式混淆问题使其难以获得准确的本征模式分量(Intrinsic mode function,IMF).此外,通常只有部分IMF包含故障敏感信息、表征故障特征.因此基于EMID和所有IMF的Hilbert-Huang谱的故障诊断精度有待提高.为此提出一种基于总体平均经验模式分解(Ensemble empirical mode decomposition,EEMD)和敏感IMF的改进HHT.该方法利用EEMD获取无模式混淆的IMF,通过敏感度评估算法从EEMD所有的IMF中选择反应故障特征的敏感IMF,从而得到改进的Hilbert-Huang谱以更准确地诊断机械故障.通过仿真试验以及转子早期碰摩故障诊断的工程实例验证了改进HHT的有效性.     

基于EMD的高速滚动轴承故障诊断

提出了一种基于经验模式分解（EMD）的高速滚动轴承故障诊断方法。首先介绍了经验模式分解方法的主要思想和算法;其次,针对高速滚动轴承,给出利用经验模式分解进行诊断的具体步骤;最后,成功地将此方法应用于某高速齿轮箱的滚动轴承故障诊断实践中。诊断结果表明,该方法能够有效提取出高速滚动轴承故障振动信号,从而提高了滚动轴承故障诊断的准确性。     

基于总体平均经验模式分解近似熵和混合PSO-BP算法的轴承故障诊断方法

针对机械系统的非平稳、非线性特性,提出了一种基于总体平均经验模式分解(EEMD)近似熵和混合PSO-BP算法的轴承故障诊断方法。EEMD能够解决EMD的端点效应,改善处理非线性信号时的局限性;引入随机权重和压缩因子来改进粒子群算法,优化BP神经网络的权值和阈值,解决BP网络的全局收敛问题。将信号经EEMD得到的IMF分量与近似熵结合,组成特征向量,再将构造的特征向量输入到PSO-BP神经网络中进行模式识别。实验及工程应用实例证明了该方法的有效性和优越性。     

基于改进EMD样本熵和SVM的风机滚动轴承故障诊断

风机齿轮箱振动信号成分复杂,而经验模态分解(EMD)在故障诊断中存在模态混叠和端点效应问题.针对此问题,研究了一种EEMD样本熵和高斯径向基核函数的SVM分类器的滚动轴承故障诊断方法.以风机齿轮箱滚动轴承为研究对象,提取了内圈故障、外圈故障、滚动体故障和正常轴承4种状态振动信号,利用EEMD和小波分别对振动信号分解降噪并筛选主要IMF分量;计算前4阶IMF分量的样本熵作为特征向量;最后将特征向量输入高斯径向基核函数的SVM模型进行故障识别.结果表明:EEMD算法对端点效应和模态混叠都有一定抑制作用,EEMD样本熵和SVM相结合可有效识别滚动轴承故障类型,故障识别率为97.5％,为工程应用中风机齿轮箱滚动轴承故障诊断提供参考.     

基于经验小波变换的轴承故障诊断研究

针对经验模态分解(EMD)易产生模态混叠、受噪声影响大的难题,提出了一种基于经验小波变换(EWT)的轴承故障诊断方法。EWT综合利用了经验模态分解和小波变换的优点,通过构建自适应的小波滤波器组,提取信号中包含的不同固有模态分量,能有效消除模态混叠现象,提高信噪比。首先利用EWT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,然后计算各固有模态函数的包络谱和时频谱。通过仿真信号和齿轮箱轴承故障振动信号的研究表明:EWT能有效提取强背景噪声中的微弱信号,提取轴承故障特征,其性能优于EMD和总体平均经验模态分解(EEMD)。     

Application of the EEMD method to rotor fault diagnosis of rotating machinery

Empirical mode decomposition (EMD) is a self-adaptive analysis method for nonlinear and non-stationary signals. It may decompose a complicated signal into a collection of intrinsic mode functions (IMFs) based on the local characteristic time scale of the signal. The EMD method has attracted considerable attention and been widely applied to fault diagnosis of rotating machinery recently. However, it cannot reveal the signal characteristic information accurately because of the problem of mode mixing. To alleviate the mode mixing problem occurring in EMD, ensemble empirical mode decomposition (EEMD) is presented. With EEMD, the components with truly physical meaning can be extracted from the signal. Utilizing the advantage of EEMD, this paper proposes a new EEMD-based method for fault diagnosis of rotating machinery. First, a simulation signal is used to test the performance of the method based on EEMD. Then, the proposed method is applied to rub-impact fault diagnosis of a power generator and early rub-impact fault diagnosis of a heavy oil catalytic cracking machine set. Finally, by comparing its application results with those of the EMD method, the superiority of the proposed method based on EEMD is demonstrated in extracting fault characteristic information of rotating machinery.     

APEEMD及其在转子碰摩故障诊断中的应用

总体平均经验模态分解(ensemble empirical mode decomposition,简称EEMD)是抑制经验模态分解(empirical mode decomposition,简称EMD)模态混叠的有效方法,针对EEMD分解效果依赖于添加噪声的大小、筛分次数和总体平均次数等参数的选择及噪声残留大、分解不完备等问题,提出了自适应部分集成经验模态分解。该方法通过成对地向目标信号加入自适应噪声,并对每个内禀模态函数(intrinsic mode function,简称IMF)自动选择筛选次数,通过排列熵检测筛分出高频IMF,再对剩余信号进行EMD分解。将提出的方法应用于仿真和转子碰摩故障试验数据分析,结果表明提出的方法能够有效地应用于转子碰摩故障诊断,而且在分量的精确性、完备性和模态混叠的抑制等方面优于EEMD方法。     

Intelligent diagnosis of short hydraulic signal based on improved EEMD and SVM with few low-dimensional training samples

The high accurate classification ability of an intelligent diagnosis method often needs a large amount of training samples with high-dimensional eigenvectors, however the characteristics of the signal need to be extracted accurately. Although the existing EMD(empirical mode decomposition) and EEMD(ensemble empirical mode decomposition) are suitable for processing non-stationary and non-linear signals, but when a short signal, such as a hydraulic impact signal, is concerned, their decomposition accuracy become very poor. An improve EEMD is proposed specifically for short hydraulic impact signals. The improvements of this new EEMD are mainly reflected in four aspects, including self-adaptive de-noising based on EEMD, signal extension based on SVM(support vector machine), extreme center fitting based on cubic spline interpolation, and pseudo component exclusion based on cross-correlation analysis. After the energy eigenvector is extracted from the result of the improved EEMD, the fault pattern recognition based on SVM with small amount of low-dimensional training samples is studied. At last, the diagnosis ability of improved EEMD+SVM method is compared with the EEMD+SVM and EMD+SVM methods, and its diagnosis accuracy is distinctly higher than the other two methods no matter the dimension of the eigenvectors are low or high. The improved EEMD is very propitious for the decomposition of short signal, such as hydraulic impact signal, and its combination with SVM has high ability for the diagnosis of hydraulic impact faults.     

自适应无参经验小波变换及其在转子故障诊断中的应用

为了实现经验小波变换中Fourier谱的自适应分割,提出了自适应无参经验小波变换(APEWT)方法。同时,为了克服希尔伯特变换解调的不足,更精确地估计信号的时频分布,提出了改进归一化希尔伯特变换(INHT)。通过分析仿真信号将APEWT和INHT方法与经验模态分解(EMD)、总体平均经验模态分解(EEMD)和局部特征尺度分解等方法进行对比,结果表明了APEWT和INHT方法的优越性。最后,将基于APEWT和INHT的时频分析方法应用于转子局部碰磨故障诊断,试验数据分析结果表明,所提出的方法不仅能够有效地诊断转子局部碰磨故障,而且诊断效果优于EMD和EEMD方法。     

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.     

Performance enhancement of ensemble empirical mode decomposition

Ensemble empirical mode decomposition (EEMD) is a newly developed method aimed at eliminating mode mixing present in the original empirical mode decomposition (EMD). To evaluate the performance of this new method, this paper investigates the effect of two parameters pertinent to EEMD: the amplitude of added white noise and the number of ensemble trials. A test signal with mode mixing that mimics realistic bearing vibration signals measured on a bearing test bed was developed to enable quantitative evaluation of the EEMD and provide guidance on how to choose the two parameters appropriately for bearing signal decomposition. Subsequently, a modified EEMD (MEEMD) method is proposed to reduce the computational cost of the original EEMD method as well as improving its performance. Numerical evaluation and systematic study using vibration data measured on an experimental bearing test bed verified the effectiveness and computational efficiency of the proposed MEEMD method for bearing defect diagnosis.     

集成经验模态分解中加入白噪声的自适应准则

现有集成经验模态分解(ensemble empirical mode decomposition,简称EEMD)算法中加入白噪声的大小与集成的次数都需要人为按照经验设定,缺乏可靠性.针对此问题,提出了自适应集成经验模态分解(adaptive ensemble empirical mode decomposition,简称AEEMD)算法,并给出了一种在EEMD方法中有效加入白噪声的可依据准则.首先,计算出输入信号的幅值标准差;然后,采用高通滤波方法对输入信号进行分解,通过计算高通滤波分解后的高频分量幅值标准差和输入信号幅值标准差来确定加入白噪声的幅值标准差,在此基础之上,EEMD集成次数根据期望的信号分解相对误差和加入白噪声的幅值标准差惟一确定;最后,为了进一步提高相邻模态函数的正交性,对AEEMD分解结果进行二次处理.仿真试验验证了AEEMD方法的抗混分解能力,将AEEMD方法应用于转子油膜涡动的故障监测诊断中,提取出转子油膜涡动的故障特征,并与基本EMD算法进行了对比,结果表明,AEEMD更加精确地提取了油膜涡动信号的故障特征.     

基于EEMD和HT的轴流泵压力脉动特征信息提取

压力脉动是影响轴流泵运行稳定性的重要因素,为提取其压力脉动信号中的特征信息,提出了采用基于聚合经验模式分解(EEMD)和Hilbert变换(HT)的时频分析方法对轴流泵压力脉动信号进行分析。首先分别应用EEMD和传统经验模式分解(EMD)对含噪声信号进行了分析,证明了EEMD分解能抑制传统EMD中出现的模式混叠现象,从而有效提取了信号中的各频率分量;然后采用基于EEMD和Hilbert变换的时频分析方法,对某轴流泵的压力脉动信号进行了分析。研究结果表明,该方法能够准确地提取轴流泵压力脉动信号中的频率成分及其时变情况。     

基于EEMD奇异值熵的滚动轴承故障诊断方法

为充分利用振动信号进行故障辨识,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)奇异值熵判据的滚动轴承故障诊断方法。首先,对滚动轴承的振动信号进行EEMD分解获得若干个本征模态函数(intrinsic mode function,简称IMF),并根据一种IMF分量故障信息含量的评价指标(即峭度、均方差和欧氏距离)选出能够表征原始信号状态的分量进行信号重构;其次,利用奇异值分解技术对重构信号进行处理,结合信息熵算法求取其奇异值熵;最后,利用奇异值熵的大小判断滚动轴承的故障类别。用美国西储大学滚动轴承振动信号对所述方法进行验证的结果表明,相比传统的EMD奇异值熵故障诊断方法,本方法能够清晰的划分出滚动轴承不同工作状态的类别特征区间,而且具有更高的故障诊断精度。     

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。