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。     

基于EMD和香农熵的刀具磨损故障诊断系统开发

针对机床刀具磨损故障诊断,开发了基于经验模态分解和香农熵进行信号处理的刀具故障诊断系统。在信号处理阶段,对机床加工过程中刀具的振动信号进行经验模态分解,得到若干固有模态函数(IMF),并基于香农熵从分解得到的IMF分量中提取有效分量,去除虚假分量,最后将有效的IMF分量的能量作为特征向量输入向量机(SVM)分类器来识别刀具的磨损状态。经实验验证,该系统能对刀具磨损状态进行准确快速地判断。     

基于SVD-EEMD和TEO的滚动轴承弱故障特征提取

将奇异值分解(singular value decomposition,简称SVD)与集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)进行结合,提出一种适用于滚动轴承弱故障状态描述的敏感特征提取方法。为提高信号故障信息的提取质量,对采集信号进行相空间重构得到一种Hankel矩阵。根据该矩阵的奇异值差分谱,确定降噪阶次进行SVD降燥。用EEMD分解降噪后的信号可获得11个本征模态函数(intrinsic mode function,简称IMF)和1个余项。依据建立的峭度-均方差准则,筛选出一个能够有效描述故障状态的敏感IMF分量,计算其相应的Teager能量算子(Teager energy operator,简称TEO),对此TEO进行Fourier变换,实现了对滚动轴承弱故障模式的有效辨识。用美国凯斯西储大学公开的滚动轴承故障信号对所建立的方法与传统EEMD-Hilbert法和EEMD-TEO方法进行对比,结果表明:经本方法提取的敏感特征能准确突显滚动轴承故障频率发生的周期性冲击,可准确识别其故障类型。     

基于MCKD和改进HHT多尺度模糊熵的齿轮故障诊断方法

针对齿轮故障信号常伴有大量噪声,故障特征难以提取的问题,提出一种基于最大相关峭度解卷积(MCKD)和改进希尔伯特-黄变换(HHT)多尺度模糊熵的故障诊断方法。首先采用MCKD算法对采集到的齿轮振动信号进行降噪处理,以提高信号的信噪比;然后利用自适应白噪声完备经验模态分解(CEEMDAN)对降噪后信号进行分解,获得一系列不同尺度的固有模态函数(IMF),并通过相关系数-能量的虚假IMF评价方法选取对故障敏感的模态分量;最后计算敏感IMF分量的模糊熵,将获得的原信号多尺度的模糊熵作为状态特征参数输入最小二乘支持向量机(LS-SVM)中,对齿轮的故障类型进行诊断。实测信号的诊断结果表明,该方法可实现齿轮故障的有效诊断。     

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。     

基于灰色准则与EEMD的滚刀振动信号降噪方法

工程现场采集的滚刀振动信号掺杂噪声,致使信号特征难以提取。提出一种基于灰色准则与集合经验模态分解(EEMD)的滚刀振动信号降噪方法。首先将原信号进行EEMD分解得到若干个特征模态函数(intrinsic mode function,IMF),再根据提出的灰色准则对IMF分量进行极性一致化处理、均值化处理,计算出IMF1与其他IMF分量的灰色关联度,并按照灰色关联度将IMF分量降序排列,然后选择降序排列中前一半IMF分量进行软阈值处理,最终将处理后的IMF分量、未处理的IMF分量及余项进行重构,得到降噪后的信号。通过不同初始信噪比的仿真信号和实际加工中的滚刀振动信号验证了本方法的可行性和有效性,同时与EEMD结合相关系数降噪法、小波软阈值降噪法进行了比较,结果表明本方法的降噪效果更优。     

侵彻弹体频率特性分析及过载信号处理

为解决硬目标侵彻过载信号降噪问题,提出融合总体经验模态分解（EEMD）和小波变换（WT）的联合滤波方法。首先对实测信号进行总体经验模态分解,获得信号的本征模态函数（IMF）分量,然后计算各分量功率谱并与原信号比较,得出信号的有效分解尺度和弹体的过载响应频率,接着对高频IMF分量采用小波阈值降噪,最后将降噪后的高频分量与分解后的低频分量组合重构获得侵彻特征信号。实验证明,这一方法可以有效提取弹体响应频率,消除侵彻过程中弹体的高频振动信号和外部噪声,且处理后的加速度曲线具有更高的信噪比,积分所得速度和位移时程曲线也与实验结果相近。     

基于中值滤波-SVD和EMD的声发射信号特征提取

针对随机噪声和脉冲干扰对经验模态分解(EMD)质量的影响,提出中值滤波和奇异值分解(SVD)联合降噪方法,并将其与EMD分解相结合形成一种新的声发射(AE)信号特征提取方法.首先对原始AE信号进行中值滤波,去除幅值较大的异常值;其次对去除异常值的信号序列进行相空间重构和SVD分解,并针对难以确定重构阶数这一问题,提出奇异值能量差分谱概念,利用谱峰的较大值位置来确定重构阶数,以进一步降噪;最后对降噪信号进行EMD分解,以本征模态函数(IMF)的能量占比作为表征各损伤信号的特征向量.数值仿真和5层胶合板损伤的实测数据表明,该方法不仅能够滤除噪声干扰,提高EMD分解的时效性和准确性,而且能够有效地提取出胶合板AE信号特征,对其损伤类型进行有效地识别.     

基于IES的切削颤振孕育期信号降噪方法

切削颤振孕育期介于稳定切削与颤振爆发之间,该阶段切削力信号中颤振特征具有典型微弱信息特性。采用基于总体经验模态分解（ensemble empirical mode decomposition, 简称EEMD）与奇异值分解（singular value decomposition, 简称SVD）相结合的方法对颤振孕育期信号进行降噪时,大多存在噪声剔除不充分或微弱目标特征信息失真等问题。首先,通过引入功率谱密度（power spectral density, 简称PSD）与常相干函数（common coherency function, 简称CCF）对EEMD降噪机制进行改进,使微弱目标特征所在本征模态函数（intrinsic mode function, 简称IMF）分量得到有效提取;其次,借助池化原理（pooling principle, 简称PP）降低IMF分量复杂度,并联合SVD对其实施分块降噪,以实现对微弱目标特征中所含噪声进行有效消减;最后,耦合上述改进并重构信号,可面向微弱目标特征信号形成基于改进EEMD?SVD（improved EEMD?SVD,简称IES）的降噪方法。分别利用IES与EEMD?SVD对Rossler混沌信号进行降噪处理,并通过比较信噪比、均方误差及平滑度等降噪评价指标,对所提方法在降噪有效性及信息保真度方面的优势进行量化验证。在此基础上,再次借助所提IES方法对变轴向切深铣削实验中颤振孕育期铣削力信号进行降噪分析。结果表明,该方法能显著抑制颤振孕育期信号噪声,并能有效避免微弱颤振特征信号失真问题。     

基于广义形态滤波和相关系数的Hilbert-Huang变换方法

针对Hilbert-Huang变换(HHT)中噪声引起的模态裂解和虚假模态问题,应用广义形态滤波降噪法和相关系数法改进了HHT.该方法首先将广义形态滤波器作为经验模态分解(EMD)的预处理,抑制噪声干扰;然后利用相关系数法去除虚假固有模态函数(IMF);最后对真实的IMF进行Hilbert谱分析,得到改进的HHT.利用...     

Decomposition of non-stationary signals into varying time scales: Some aspects of the EMD and HVD methods

The Empirical Mode Decomposition has become very popular since its first introduction. Its suitability and expected performance for specific signal processing task is however somewhat open ended.Addressed are basic questions concerning the decomposition of signals according to different time scales, from noise sensitivity to frequency resolution. Comparing it to the recently introduced Hilbert Vibration Decomposition, signals simulating moving mechanical systems are analyzed. It is argued that in spite of signal adaptive properties, a universal fully automatic decomposition is still beyond our capabilities.     

应用经验模式分解法处理超声无损检测信号

超声无损检测一直是无损检测领域研究的热点,由于材料内部组织结构的复杂性,超声回波信号中往往存在着大量的噪声干扰。引入一种新的处理非线性、非平稳信号的经验模式分解法(EMD)来处理超声检测信号。该方法把检测信号分解若干个内在模式分量(IMF),突出了信号的局部特征。结果表明,EMD方法能有效抑制干扰,对于360mm深的缺陷试样,缺陷定位精度达1mm。     

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.     

基于变分模态分解与双谱估计的滑动轴承摩擦状态评估

针对滑动轴承工作中常见的摩擦失效问题,提出一种基于变分模态分解与双谱估计的电机电流特征分析方法,用于对滑动轴承的摩擦状态进行评估。应用这一方法,采集电机定子电流信号,对变分模态分解后的中高频信号进行重构,实现基频等无用信号的分离,提取摩擦特征量。摩擦特征多表现为非线性特征,双谱估计对非线性特征非常敏感,因此对重构后的中高频信号进行双谱估计。建立滑动轴承试验装置,通过试验表明随着摩擦的延续,双谱估计三维图发生明显变化,由此验证基于变分模态分解与双谱估计对滑动轴承摩擦状态进行评估的有效性。     

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.     

EMD端点效应的评价指标及抑制端点效应的窗函数法

在应用经验模态分解(EMD)处理数据的时候,端点效应成为影响该方法精度的主要因素,即在“筛”的过程中上下包络在数据序列的两端会出现发散现象。端点效应会增加一些虚假成分,信号的总能量也随之增加,本文提出可以计算EMD后信号的总能量,来评估端点效应的影响程度。为了抑制端点效应,本文提出一种新的解决方法,即在信号序列上加窗函数,仿真结果表明,窗函数法有明显的效果。     

基于希尔伯特－黄变换的往复运动摩擦力信号分析

往复运动中的摩擦力信号往往是非平稳信号,采用经验模式分解法可以自适应地分解这些非线性、非平稳信号,合理地提取其信号特征。应用希尔伯特－黄变换方法,分析不同往复速度和载荷条件下往复运动产生的摩擦力信号,并提取时频段能量比及其标准差,研究其润滑状态特征。结果表明：通过希尔伯特－黄变换并结合能量比分析,可以很好地反映出往复运动过程中润滑状态的变化;在一定载荷下,随着往复速度的增加,摩擦力频率成分趋于平稳,能量比标准差则逐渐减小;在一定往复速度下,随着载荷的增加,润滑状态变差,消耗的能量随之增大,能量比标准差逐渐减小;和往复速度相比,载荷对摩擦力频率分布影响相对较小。     

基于电机电流经验模态分解的行星轮故障诊断

在故障诊断领域,电机电流信号分析法(MCSA)已经逐渐应用于齿轮故障诊断中,但该方法在诊断行星轮缺齿故障时由于电流基频干扰较大,导致故障特征不明显,难以实现故障诊断。因此提出一种基于电流信号经验模态分解(EMD)的故障诊断方法。通过对电机电流信号进行EMD分解,选取合适的IMF分量经傅立叶变换求其频谱图,根据频谱图中是否存在与故障特征频率相关的频率,实现了对行星轮缺齿故障的有效诊断。并通过实验分析,验证了该方法的有效性。     

VMD能量熵与随机森林相结合的齿轮故障诊断

针对齿轮故障的非线性、非稳定性特点和单个分类器在故障诊断中准确率低的问题,提出了一种基于变分模态分解(VMD)和随机森林(RF)的齿轮故障识别方法。首先,采用变分模态分解将振动信号分解成有限个本征模态函数(IMFs),并与总体平均经验模态分解对比其分解效果;其次,计算各模态函数的能量熵,将能量熵作为评判齿轮状态的标准,构建特征向量;最后,将特征向量输入随机森林进行故障分类。结果表明,与支持向量机(SVM)识别方法对比,该方法具有较强的学习能力以及较高的诊断精度。     

基于EMD与分批估计的动态称量快速融合方法

活体动物动态称量在生物医学实验中具有举足轻重的作用。为实现活体动物快速、准确的称量,提出基于EMD与分批估计相结合的动态称量信息融合方法:首先利用经验模态分解(EMD)方法解析活体动物动态称量的采样信号,提取表征采样信号的趋势或均值的残余量,计算各阶本征模函数(IMF)与采样信号的相关系数,根据相关系数分辨虚假IMF,并将虚假IMF和原残余量之和作为新残余量;然后对新残余量进行分批估计,消除各种噪声、扰动对称量结果的影响,获得准确的动态称量值。通过建立动态称量系统的仿真模型,对基于EMD与分批估计相结合的动态称量信息融合方法进行了仿真实验,仿真结果表明该算法准确度高。为了验证基于EMD与分批估计相结合的动态称量方法的有效性,进行标准砝码的静态称量和小鼠的动态称量试验,实测结果表明该方法稳定、可靠,称量误差≤±0.5%。