经验模态分解中虚假模态分量消除法

基于能量原理,提出经验模态分解(EMD)中虚假模态分量消除方法.在正常采样的条件下,分析信号EMD分解误差与虚假模态分量的关系,讨论虚假模态分量的性质.从EMD分解的完备性角度考虑在虚假模态存在情况下能量不守恒,给出模态函数消除法,从EMD分解结果中剔出虚假模态分量,消除信号经验模态分解误差.其有效性在所给例子中得到证实.     

基于AVMD与改进能量算子的非稳态谐波分析

针对非稳态谐波分析中时频参数检测精度较低的问题,提出一种基于自适应变分模态分解(AVMD)与改进能量算子的非稳态电力谐波分析方法。首先,采用AVMD对非稳态谐波信号进行分解,其中采用波形特征匹配法对非稳态谐波信号进行延拓以减轻边界效应影响,并提出能量差和相关系数作为AVMD中模态分解个数的判据;结合模态分量,提出改进间隔采样能量算子快速提取谐波的瞬时幅值和频率,根据差分和信号完成其起止时刻的定位,实现非稳态谐波时频参数的快速准确测量。仿真与实测结果表明,本文方法能够在电网工频波动、间谐波以及噪声干扰等情况下有效完成非稳态谐波的准确检测,实现暂态谐波的精确定位,且对非稳态谐波频率、幅值的最大检测误差分别为0.094 9%和0.931 4%。     

基于EMD的机床主轴频率误差提取方法

提出了一种基于经验模态分解的主轴频率误差提取方法,通过分析经验模态分解具有多尺度多分辨率的特性,指出其能够提取不同频率的主轴误差,通过实验对含有主轴频率误差的信号进行经验模态分解,并对各阶模态分量进行频谱分析,识别主轴频率误差的类型,验证了该方法能够有效提取机床主轴的频率误差。     

基于VMD和K-SVD字典学习的供水管道泄漏振动信号压缩感知方法

针对供水管道泄漏振动信号在分析型字典下进行压缩感知时,信号的重构均方误差较大和不能保留信号中重要泄漏信息的问题,提出了基于变分模态分解(VMD)和K-奇异值分解算法(K-SVD)的供水管道泄漏振动信号压缩感知方法。首先,利用VMD算法将管道泄漏振动信号分解若干个本征模态函数(IMF),并对IMF分量进行互相关性分析;然后,选取最优模态分量,构成最优模态集,再借助K-SVD学习算法训练过完备字典;最后,选择高斯随机矩阵为观测矩阵和重构算法为正交匹配追踪算法(OMP)对管道泄漏振动信号进行压缩感知。实验结果表明,基于VMD-K-SVD稀疏表示构造的过完备字典的压缩感知方法与基于FFT正交基、DCT正交基、K-SVD的压缩感知方法相比,在压缩率为50%～89.5%下重构均方误差更小和互相关系数更高,且在相同压缩率下得到的重构信号的互相关延时估计定位误差的平均值分别降低80.12%、64.2%、61.38%。因此,所提的压缩感知方法具有较好的重构性能和稀疏性。     

气体管道泄漏声发射单一非频散模态定位

针对气体管道泄漏声发射信号的多模态、频散特性导致互相关泄漏定位误差大的问题,提出采用单一非频散模态提取的气体管道泄漏声发射定位方法。对检测信号的互谱加窗,并根据模态波数确定窗参数,可获得泄漏声发射信号的单一非频散模态导波的互谱。对单一非频散模态导波的互谱进行傅里叶反变换,得到泄漏声发射中单一非频散模态信号的互相关函数以及时延估计,就可以采用单一非频散模态声速,更准确计算出泄漏位置。对气体管道泄漏进行定位实验,相比用未经分解的泄漏声发射信号进行定位,由于声发射单一非频散模态信号的相关性增强,且选用的声速更准确,定位相对误差平均降低7%以上。这表明,通过提取泄漏信号互谱的单一非频散模态成分进行时延估计,可以提高泄漏检测的有效性和减小定位误差。     

基于自适应经验傅里叶分解的机械故障诊断方法

为了克服傅里叶变换、经验模态分解与傅里叶分解方法在分析非平稳信号方面的不足,提出一种适合非线性和非平稳信号分析的新方法——自适应经验傅里叶分解(Adaptive empirical Fourier decomposition,AEFD)。AEFD方法以快速傅里叶变换为基础,通过对变换系数进行分组重构,能够将一个非平稳信号自适应地分解为若干个瞬时频率具有物理意义的傅里叶本征模态函数(Fourier intrinsic mode function,FIMF)之和。研究了AEFD的分解正交性和精确性,通过仿真信号分析,将其与经验模态分解,变分模态分解和傅里叶分解方法等进行了详细对比,结果表明了AEFD的优越性。最后,为了提高故障诊断的精度和验证AEFD的有效性,将AEFD应用到转子碰摩和滚动轴承局部故障诊断中。试验数据分析结果表明,与经验模态分解等方法相比,AEFD不仅能够有效地诊断故障,而且诊断精度更高。     

槽道非定常流场脉动特性的POD分析

针对槽道内非定常流场的脉动程度是影响传质、传热的效率问题,通过构建2DPIV测量非定常流场瞬态速度矢量场的实验系统,分析了2DPIV测量的各个时刻矢量场和涡量分布的形态,获取了非定常流场的循环周期和频率;利用本征正交分解(POD)技术分解了2DPIV的测量非定常流场的瞬态速度矢量场,根据各个模态的能量比,选取前16阶模态作为非定常流场的主导结构模态,并对POD分解的前16阶模态系数进行功率谱分析;结果表明POD分解的低阶模态分别表征了非定常流场的基频和相应的倍频,阐明了非定常流场的脉动机理;非定常流场的脉动是由于一些涡列和余弦形式的波状主流形成的,并将这些涡列以及伴随的波状主流的脉动频率映射到POD分解的低阶主导模态系数上。     

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.     

气体管道泄漏模态声发射时频定位方法

针对声发射信号频散特性导致基于时延估计的气体管道泄漏定位误差大的问题,提出一种基于模态声发射时频分析的泄漏定位方法。该方法采用平滑伪Wigner-Ville时频分布对两泄漏信号的互相关函数进行时频分析,利用互相关函数的时频谱可同时提取泄漏信号的时间延迟和与之对应的频率;然后根据泄漏声发射信号的主导模态的频散曲线即可确定该频率对应的声速,利用实时确定的声速和时间延迟并根据两传感器之间的距离即可确定泄漏点的位置。实验结果表明,采用时频分析的气体管道泄漏定位误差与互相关相比减少了6倍。所提出的模态声发射时频定位方法能有效抑制泄漏信号的频散,提高泄漏信号的相关性,从而更适合用于声发射管道泄漏定位。     

基于HHT的导弹发射冲击时频谱分析

为研究弹载部件在导弹发射过程中的冲击响应及冲击信号的传递特性,进行了基于希尔伯特-黄变换(Hilbert-Huang transform,简称HHT)的导弹发射冲击时频谱分析。由于经验模态分解(empirical mode decomposition,简称EMD)结果易受白噪声的影响,研究了总体经验模态分解(ensemble empirical mode decomposition,简称EEMD)技术。以弹体不同位置的实测冲击信号为对象,应用HHT技术进行分析,准确得到了导弹发射冲击信号的固有模态函数(intrinsic mode function,简称IMF)和时间-频率-能量谱特征,并研究了两次冲击的频率分布和各阶IMF与原始信号的相关性。结合边际谱分析对比了两个舱段能量在中低频和高频的传递特性,进一步验证了HHT方法在分析非线性和非平稳冲击信号中的优越性。     

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。     

EEMD和TFPF联合降噪法在齿轮故障诊断中的应用

为了消除噪声对齿轮传动系统故障特征提取的影响,提出了一种基于集成经验模态分解(ensemble empirical mode decomposition,简称EEMD)和时频峰值滤波(time-frequency peak filtering,简称TFPF)相结合的降噪方法。针对TFPF算法在窗长的选择方面受到限制的问题,采用了EEMD方法对其进行改进,使得信号在噪声压制和有效信号保真两方面得到权衡;含噪声的信号经过EEMD分解后,得到一系列频率成分从高到低的本征模态函数(intrinsic mode functions,简称IMFs),计算出各IMFs间的相关系数,判断需要滤波的IMFs。对不同的IMFs选择不同的窗长进行TFPF滤波,把过滤后的IMFs和剩余的IMFs重构得到最终的降噪信号。用模拟仿真信号和齿轮齿根故障信号对该方法进行验证,可见EEMD+TFPF能有效地去除噪声,成功提取齿根裂纹故障特征。     

Kinematic errors on helical gear of triple circular-arc teeth

Two imaginary skew rack cutter curves with stepped triple circular-arc teeth are presented in this paper. A helical gear pair that includes the gear and pinion surfaces was generated by using two matched imaginary skew rack cutter surfaces. The mathematical models of the helical gear pair with stepped triple circular-arc teeth were developed based on theory of gearing. With the use of these models, the analysis of kinematic errors can be illustrated and evaluated by computer programming and tooth contact analysis (TCA). The assembly errors used had several kinds: ideal assembly errors, vertical misalignment angles, horizontal misalignment angles, manufacturing errors of helical angles, and center distance deviation. TCA revealed that the sensitivity of horizontal misalignment angles was lower than that of manufacturing errors of helix angles but higher than that of vertical misalignment angles.     

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。     

Complex wear measurement on thin coatings by the cratering method

Ball cratering and rotating wheel tests are useful techniques for abrasive wear resistance evaluation of thin coatings. Nevertheless, such techniques involve significant experimental errors, coming from equipment deficiencies and changes in wear response depending on test parameters. In case of rotating wheel test, common instrumental errors are: geometry‐induced errors (curved or non‐horizontal sample surface), alignment errors (misalignment between ball/wheel rotation axis and sample stage) and optical measurement errors. In the present paper, errors due to crater dimension detection system (penetration depth or crater diameter) and equipment deficiencies (rotating axes misalignment and sample slope) were numerically analysed. A general expression for volume calculation was obtained, considering axes misalignment and sample slope, and experimentally validated by wear tests on Ti/TiN CAE‐PVD coatings and profilometer abraded volumes measurement. Results showed that axes misalignment and sample slope involve considerable errors in wear coefficient evaluation. However, errors can be corrected by the use of obtained expressions. Copyright © 2009 John Wiley & Sons, Ltd.     

基于EEMD的行星齿轮箱齿轮裂纹损伤定位

针对行星齿轮式变速箱的齿轮裂纹损伤难以提取特征频率和定位的问题,提出基于总体平均经验模式分解(ensemble empirical mode decomposition,简称EEMD)的齿轮局部损伤频率解调分析方法。该方法在建立的齿轮局部损伤振动信号模型的基础上,分别对太阳轮、齿圈、行星轮的裂纹损伤信号进行EEMD分解和频率解调分析,通过频谱图提取齿轮的局部损伤特征频率,从而识别变速箱中裂纹损伤齿轮的位置。综合仿真分析和试验结果表明,基于EEMD的齿轮局部损伤频率解调分析方法可以有效地提取太阳轮、齿圈和行星轮的裂纹损伤特征频率,实现行星齿轮式变速箱中齿轮裂纹损伤的定位。     

基于EEMD能量熵和支持向量机的轴承故障诊断

提出了一种基于总体平均经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)和支持向量机(Support Vector Machine,SVM)的轴承故障诊断方法。首先通过EEMD方法将非平稳的原始加速度振动信号分解成若干个平稳的本征模函数(Intrinsic Mode Function,IMF);轴承发生不同的故障时,信号在不同频带内的能量值会发生改变,故可通过计算不同振动信号的EEMD能量熵判断是否发生故障;从包含有主要故障信息的IMF分量中提取出来的能量特征作为输入建立支持向量机,判断轴承的工作状态和故障类型。实验结果表明,文中提出的方法能有效地应用于轴承的故障诊断。     

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。     

采用EEMD和WPT的结构损伤特征提取方法

为了解决传统小波或小波包变换方法对结构损伤振动信号频率分辨率不高、易受邻近谐波交叠影响的问题,提出了一种基于聚类经验模式分解(EEMD)和小波包变换(WPT)的结构损伤特征提取方法.首先对原始信号进行EEMD分解,提取包含结构损伤信息的固有模式分量(IMF),再对其进行正交小波包分解,并计算小波包相对能量分布.该方法用于美国土木工程师学会(ASCE)提出的钢结构框架的损伤特征提取,结果表明:EEMD方法具有白噪声的剔除特性,可避免模式混叠的发生;不同检测节点处不同损伤工况的IMF小波包相对能量分布有显著的差异,可以作为一种理想指标表征结构损伤特征.     

基于EEMD和THT的齿轮故障诊断方法

提出了一种基于总体平均经验模态分解(ensemble empirical mode decomposition,简称EEMD)和TeagerHuang变换的齿轮箱故障诊断方法,该方法首先运用EEMD方法,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,然后用Teager能量算子计算各固有模态函数的瞬时频率和瞬时幅值,得到Teager-Huang变换时频谱.齿轮箱齿轮裂纹故障振动试验信号的研究结果表明,Teager-Huang变换时频谱优于Hilbert-Huang变换时频谱,能有效识别齿轮故障.