EMD方法在烟机摩擦故障诊断中的应用

提出了一种将经验模式分解（Empirical Mode Decomposition，简称EMD）方法与传统信号处理技术相结合的故障诊断方法。首先将原始信号分解为若干基本模式分量（Intrinsic Mode Functions，简称IMFs），通过希尔波特变换得到每个IMF相应的瞬时频率，再对此瞬时频率曲线做傅里叶变换得到其频谱图，该频谱图即表示了对应IMF的调频频率。利用对应IMF组合成基于EMD的滤波轴心轨迹，这种轴心轨迹可以准确反映轴心的实际运行状况。将该方法应用于某炼油厂烟机摩擦故障诊断中，发现摩擦故障信号具有有色噪声分量存在、工频IMF的调频现象和基于EMD轴心轨迹的反转现象等特征。结果表明提出的方法在旋转设备摩擦故障诊断中非常有效。     

基于经验模式分解和一维密集连接卷积网络的电液换向阀内泄漏故障诊断方法

内泄漏作为电液换向阀常见的故障类型,其故障振动信号具有非平稳性、非线性等特点,且容易被其他信号淹没、破坏。对此提出了一种经验模式分解(Empirical Mode Decomposition,EMD)和一维密集连接卷积网络(Densely Connected Convolutional Networks,DenseNet)的电液换向阀内泄漏故障诊断方法。该方法首先利用EMD对振动信号进行分解得到一系列本征模态分量(Instrinsic Mode Function,IMF),并将IMF分量和原始振动信号依次进行并联堆叠;然后将并联堆叠信号作为一维密集连接卷积网络的输入进行特征的自动提取,并进行故障分类;最后通过DenseNet与传统的一维卷积神经网络(CNN)对比验证得出,该方法能准确、有效地对电液换向阀内泄漏故障进行诊断。     

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。     

EMD方法在转子局部碰摩故障诊断中的应用

针对转子系统局部碰摩故障振动信号的特征，将经验模态分解方法（Empirical Mode Decomposition，简称EMD）应用于转子局部碰摩故障诊断中。采用EMD方法对转子振动信号进行分解，实现碰摩、背景和噪声信号分离，从而提取转子系统局部碰摩振动信号的故障特征。试验分析结果表明，对具有局部碰摩故障的转子振动信号进行EMD分解得到的基本模式分量（IMF）具有明显的调幅特性，而其他状态下的转子振动信号经过EMD分解后得到的IMF分量没有明显的调幅特性。因此，EMD方法可以有效地应用于转子系统局部碰摩故障诊断中。     

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.     

小波变换与EMD分析在滚动轴承故障诊断中的应用

针对滚动轴承故障信号的非平稳和调制特点,将小波变换与一种新的信号分析方法EMD(经验模态分解)相结合用于滚动轴承故障诊断。该方法首先利用小波分析技术对检测的信号进行分解,并对含有故障特征的信号进行重构。然后对重构信号进行EMD分解,选取能够反映故障特征的IMF分量进行边际谱分析,得出滚动轴承故障信号对应的频谱,由此确定轴承的故障模式。实验研究结果表明该方法正确有效。     

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。     

振动模态固有频率和阻尼比的EMD识别方法

针对机械系统固有频率和阻尼比的识别问题,提出了基于经验模式分解(EMD)的模态参数识别方法.该方法首先对脉冲激励下机械系统的位移响应进行了EMD分解,确定与该系统的各阶模态对应的固有模式函数(IMF),分别对各阶IMF进行希尔伯特变换以得到各自的瞬时幅值和瞬时相位曲线,并对所得曲线进行线性拟合,最后根据拟合曲线的参数来...     

基于小波包和HHT变换的声发射信号分析方法

针对声发射管道泄漏检测过程中的噪声干扰问题,对基于小波包和经验模态分解(EMD)的声发射信号处理方法进行了研究.采用小波包分解算法和经验模态分解都可以对管道泄漏声发射信号进行分解,但分解结果却存在一定区别.EMD是近年来非平稳信号分析领域的一个突破,对管道泄漏声发射信号进行EMD分解后,选择包含声发射特征的若干固有模式函数(IMF分量)进行重构,可以提取到管道泄漏声发射信号的本质特征,消除噪声信号的干扰.相对小波包分解方法而言,对根据IMF分量重构的声发射信号进行相关分析计算,得到的管道泄漏点的位置更为精确.     

EMD与ICA在故障诊断中的应用研究

由于经验模式分解(EMD)的自身分解能力的不足和外部信号的影响,在处理固有模态函数的精确分离和消除调制信号的干扰成分时存在困难,不能得到合适的IMF分量。提出了一种经验模式分解和独立分量分析联合的方法。该方法将振动信号进行经验模式分解(EMD)形成本征模式函数IMF,再基于互相关准则对分解后的本征模函数进行重新组合,组织虚构的采集信号通道,与源信号一起,最终形成Fast ICA的输入矩阵。此方法不但解决盲源分离算法中观测信号数目需大于等于源信号数目的问题,而且能分离出单独IMF分量的固有特性,保证每个IMF分量丢失的信息特征得到复原后,解决了各个分量之间的信息失真和模态混叠现象,充分发挥出经验模式分解和独立分量分析的特征提取优点。进行数据仿真和实验,验证了该方法在滚动轴承故障特征提取中具有明显效果。     

均值优化经验模态分解及其在转子故障诊断中的应用

经验模态分解（Empirical mode decomposition,EMD）作为一种自适应的信号分解方法已经被广泛应用于诸多工程领域。为了提高EMD的分解性能,分别考虑从不同权值均值曲线的迭代筛分结果中选择正交性最小以及从每层内禀模态函数迭代结果中选择最优以保证整体分解最优,发展了两种均值优化经验模态分解（Mean-optimized empirical mode decomposition,MOEMD）算法。通过仿真信号分析,将MOEMD方法与EMD等现有信号分解方法进行了对比,结果表明,MOEMD方法在分解性能和分解精度方面比EMD等方法有显著提高。最后,将MOEMD方法应用于转子碰摩故障信号分析,并与EMD进行了对比分析,结果表明,MOEMD方法不仅能够有效地识别转子碰摩故障,而且识别效果优于EMD方法。     

基于经验模态分解的旋转机械振动信号滤波技术研究

把经验模态分解方法引入了旋转机械振动信号滤波领域,详细地解释了这种方法及其算法。通过对一个带高频毛刺干扰的振动信号的经验模态分解与本征模函数的组合,演示了基于经验模态分解的振动信号滤波的方法。把振动信号滤波前后的波形进行了比较,发现基于经验模态分解的信号滤波方法对振动信号滤波有较好的效果。     

运用改进掩膜信号法的经验模态分解

为了克服经验模态分解中出现的模态混叠现象,提出了一种基于改进的掩膜信号法的经验模态分解方法。该方法通过设置掩膜信号,并依据能量法优化掩膜信号的选择,结合经验模态分解达到了消除模态混叠现象的目的,并利用仿真信号以及齿轮箱振动信号进行了验证。试验结果表明,该方法可有效分离混叠模态,提取有用信号。     

基于混沌理论与SVM的内燃机振动信号趋势预测

针对内燃机振动信号信噪比低且呈非线性、非平稳的特性,提出将经验模态分解(emprical mode decomposition,简称EMD)相空间重构理论与支持向量机(support vector machine,简称SVM)相结合,实现内燃机振动监测数据的建模及预测.首先,将含噪声的振动信号经验模式分解,去掉主要干扰因素所对应的固有模态函数(intrinsic mode function,简称IMF)分量,再将剩余IMF分量进行重构,得到去噪声后振动信号时间序列;然后应用混沌理论,选择合适的嵌入维数和时间延迟对去噪后的振动信号时间序列进行相空间重构;最后采用SVM对其进行建模预测,并与径向基函数(radial basis function,简称RBF)神经网络的预测结果进行比较.试验数据表明,该方法能够预测内燃机振动信号的变化趋势,性能优于传统的分析方法,具有一定的工程实用性.     

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。     

基于吸引子SVD降噪的改进EMD法

基于经验模式分解(empirical mode decomposition,简称EMD)分解出的基本模式分量往往会因为原始数据中的一些异常数据和高频噪声而丧失明确的物理意义。因此,提出了一种基于系统重构吸引子奇异值分解(singular value decomposition,简称SVD)降噪的EMD分解方法。在改进方法中,原始信号经SVD降噪后分解出了原信号中的有用成分和冗余成分,对有用成分进行EMD分解可以减少原信号中冗余成分对EMD分解能力的干扰,提高EMD分解能力,使得分解出的基本模式分量更加具有实际意义,更加有利于特征的提取。     

基于时序分析的经验模式分解法及其应用

经验模式分解方法可以将非线性非平稳信号分解为有限的固有模式函数,在故障诊断中这个固有模式函数常常就是故障信号。但当两侧端点不为极值点时,会造成三次样条拟合的极值包络线大大偏离实际值,并且随着分解的不断进行向内“污染”。提出采用时间序列建模与预测方法,对原信号两端点进行预测,有效地消除了端点效应。指出经验模式分解具有分解的自适应性特点。最后,给出了齿轮箱振动信号的应用实例。     

Local fault detection in helical gears via vibration and acoustic signals using EMD based statistical parameter analysis

Gear is a vital transmission element, finding numerous applications in small, medium and large machinery. Excessive loads, speeds and improper operating conditions may cause defects on their bearing surfaces, thereby triggering abnormal vibrations in whole machine structures. This paper describes the implementation of empirical mode decomposition (EMD) method for monitoring simulated faults using vibration and acoustic signals in a two stage helical gearbox. By using EMD method, a complicated signal can be decomposed into a number of intrinsic mode functions (IMF) based on the local characteristic time scale of the signal. Vibration and acoustic signals are decomposed to extract higher order statistical parameters. Results demonstrate the effectiveness of EMD based statistical parameters to diagnose severity of local faults on helical gear tooth. Kurtosis values from EMD and that obtained from vibration and acoustic signals are compared to demonstrate the superiority of EMD based technique.     

基于变模式分解的爆震特征识别方法

基于经验模态分解(empirical mode decomposition,简称EMD)算法因递归分解模式所造成的固有缺陷,将使用变分原理进行分解的变模式分解(variational mode decomposition,简称VMD)算法引入到爆震识别领域,发现VMD算法对比EMD算法有较高的计算效率与准确性,而且表现出了较好的鲁棒性,更加适合于在混有强烈背景噪声的缸盖振动信号中提取爆震特征。在此基础上,针对VMD算法分解层数需要手动选择的缺点,利用各阶分量的中心频率之差,提出了一种可以自适应选择VMD分解层数的方法。这种方法的思路为利用VMD算法对信号从一个较小的层数开始进行分解,逐个增加分解层数,直至各阶分量中心频率差值满足预先设定的阈值为止,即可得到最佳分解结果。经实验数据验证与对比,结果显示了这种方法的优越性。     

Time-varying frequency-shifting signal-assisted empirical mode decomposition method for AM–FM signals

A time-varying frequency-shifting signal-assisted empirical mode decomposition (EMD) method is presented in this paper. For AM–FM signals, if the extrema density (average number of extrema per unit length) is higher, the frequency is higher approximately, and vice versa. The assisted signal in this method is directly derived from the local extrema using the least square method, and avoids the difficulty that masking signals are not adaptively examined so that the masking signal may not always enable the EMD to generate true mono-component intrinsic mode functions (IMFs). Therefore, the constructed assisted signal is adaptive and suitable for the analysis of frequency-varying components. Compared with the traditional EMD, the method mainly solves the following problems of the traditional EMD: the traditional EMD fails to separate the modes whose frequencies are time-varying and lie within an octave, and fails to remove the time-varying frequency mode-mixing. The results of three experiments are given to show our method's performance and efficiency.