改进的希尔伯特-黄变换及其在滚动轴承故障诊断中的应用

希尔伯特黄变换(Hilbert-Huang transform,HHT)是一种优秀的时频分析方法,包含经验模态分解(Empirical mode decomposition,EMD)和希尔伯特变换(Hilbert transform,HT)两部分,通过EMD对信号进行分解,再对得到的内禀模态函数(Intrinsic mode function,IMF)进行HT解调。针对EMD存在的包络误差,模态混淆,端点效应以及HT易产生负频率等缺陷,提出一种改进的HHT方法(Improved HHT,IHHT),IHHT包括广义经验模态分解(Generalized EMD,GEMD)和改进的直接正交(Improved direct quadrature,IDQ)解调,GEMD通过定义多种均值曲线,从得到的多个IMF中选择最优分量,从而保证了每阶分量的优越性;再采用改进的经验调幅调频分解和IDQ方法对信号进行解调,提高了分解和解调的精确性、抑制了端点效应的产生。将提出的方法应用于滚动轴承故障诊断,分析结果表明IHHT是一种有效的信号处理方法。     

改进希尔伯特-黄变换的发动机轴瓦故障诊断

针对希尔伯特-黄变换中经验模态分解方法存在的端点效应和虚假分量问题,提出一种改进的希尔伯特-黄变换方法,并将该方法应用于发动机轴瓦故障诊断中。以发动机声音信号为研究对象,首先利用端点优化对称延拓和镜像延拓联合法抑制端点效应,同时采用相关性分析法去除虚假分量,再通过快速独立分量分析法去除噪声等因素对诊断精确性的影响。通过试验研究表明,该方法能有效诊断出轴瓦损伤信号的故障原因,为轴瓦的故障诊断提供了一种全新、有效的方法。     

基于改进希尔伯特-黄变换的发动机敲缸异响故障研究

针对发动机敲缸故障信号非平稳性并伴随强烈环境噪声的特点,提出基于改进希尔伯特-黄变换的故障诊断方法。该方法以发动机敲缸声音故障信号为研究对象,首先采用快速独立分量分析法将环境噪声等影响诊断准确性的因素从所采信号中分离,再利用总体平均经验模态分解和希尔伯特变换求出信号希尔伯特谱和边际谱,结合时域和频域特征进行故障诊断。通过仿真实验验证了所提方法的有效性,同时,实际试验证明:通过改进希尔伯特-黄变换方法所获得的希尔伯特谱和边际谱能够清晰呈现故障信号时域和频域内的细微特性,为该类故障的诊断提供了一种切实可行的方法。     

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。     

基于形态分量分析的希尔伯特变换在滚动轴承故障诊断中的应用

形态分量分析是一种基于信号形态多样性和信号稀疏表示的信号处理方法。滚动轴承故障信号具有振幅呈指数衰减与环境噪声大的特点。通过构建一个对冲击信号敏感的字典,利用形态分量分析对轴承故障信号的时域形态特征进行最优化稀疏表示,得到滚动轴承冲击信号。并对形态分量分析后的冲击信号进行希尔伯特变换,得到明确的故障特征频率及其倍频。仿真分析与实验结果表明：该方法具有良好的降噪功能,能够准确地提取滚动轴承故障信号中的早期冲击特征。     

基于本征模态函数包络谱的滚动轴承故障诊断

针对滚动轴承故障振动信号非平稳的特征,以及传统傅里叶变换不能反映信号细节的缺陷,引入了一种基于本征模态函数包络谱的方法。首先,采用经验模态分解（empirical mode decomposition,EMD）将滚动轴承故障振动信号分解成若干个本征模态函数（intrinsic mode function,IMF）之和;然后,求出包含主要信息成分的IMF分量的Hilbert包络谱;最后,对照滚动轴承故障特征频率,进而判定故障类型。通过对滚动轴承内圈、外圈故障振动信号的分析处理,表明该方法能有效地提取滚动轴承的故障特征。     

运用希尔伯特黄变换的桥梁颤振导数识别

提出了一种基于希尔伯特黄变换(Hilbert-Huang Transform,简称HHT)识别桥梁颤振导数的方法.根据HHT理论,首先利用经验模态分解(Emprical Mode Decomposition,简称EMD)将桥梁节段模型风洞试验中实测得到的自由振动加速度响应信号分解成一系列本征模函数(Intrinsic Mode Function,简称IMF)分量,对幅值最大的IMF分量作希尔伯特变换,得到其瞬时振幅和瞬时频率.通过信号处理,识别出结构的固有频率和模态阻尼比.其次,对自由振动时程进行时域拟合,获得结构的复振型.最后通过状态方程确定系统的8个颤振导数.数值仿真算例表明,该方法具有较好的抗噪性和可靠性,风洞试验也验证了该方法的可行性和有效性.     

基于EEMD和包络分析的滚动轴承故障诊断研究

在较大的背景噪声中,对旋转机械进行监测,包络分析不能从测得的振动信号中解调出故障。基于旋转机械振动信号具有非平稳、非线性特点,提出一种新的基于EEMD和包络分析的滚动轴承故障诊断方法,该方法首先运用EEMD方法将振动信号分解成有限个本征模态分量和残余量,对这些分量进行包络分析,可以解调出故障。通过仿真信号和实际滚动轴承外圈的振动信号分析表明该方法能够有效地识别滚动轴承的故障。     

基于改进双树复小波变换的轴承多故障诊断

针对双树复小波变换产生频率混叠的缺陷,提出了改进双树复小波变换的轴承多故障诊断方法,该方法综合利用了双树复小波包变换和经验模态分解技术。首先,利用双树复小波变换将振动信号分解成不同频带的分量;然后,将各小波分量进行经验模态分解,获得各小波分量的主频率分量信号;最后,计算各小波分量的主频率分量信号的包络谱,根据包络谱识别齿轮箱轴承的故障部位和类型。通过仿真信号和齿轮箱轴承多故障振动实验信号的研究结果表明,该方法不仅消除了频率混叠现象,提高了信噪比和频带选择的正确性,而且提高了从强噪声环境中提取瞬态冲击特征的能力,能有效识别轴承的故障类型。     

Hilbert-Huang变换在滚动轴承故障诊断中的应用

提出了一种新的滚动轴承故障诊断方法——基于小波系数包络信号的局部Hilbert边际谱方法，在Hilbert—Huang变换的基础上介绍了局部Hilbert谱和局部Hilbert边际谱，并将它应用于滚动轴承的故障诊断中。用小波基将滚动轴承故障振动信号分解，对高频段的小波系数用Hilbert进行包络分析得到包络信号，再对包络信号进行Hilbert—Huang变换求出局部Hilbert边际谱，从局部Hilbert边际谱中就可以判断滚动轴承的故障部位和类型。通过对滚动轴承具有外圈缺陷、内圈缺陷的情况下的振动信号的分析，说明该方法比传统的包络分析方法更能有效地提取滚动轴承故障特征。     

基于经验模式分解和谱峭度的滚动轴承故障诊断

滚动轴承的振动信号是强背景噪声下的非平稳非线性信号,其特征提取是滚动轴承故障诊断的难点。为了提高滚动轴承的故障诊断效果,提出了基于经验模式分解(Empirical Mode Decomposi-tion,EMD)和谱峭度(Spectrum Kurtosis,SK)的滚动轴承故障诊断方法。首先利用EMD方法对轴承故障信号进行分解,剔除趋势项,利用归一化白噪声分量的统计特性来滤除信号中的噪声分量,然后利用谱峭度方法估计带通滤波器的中心频率和带宽,最后对剩余的信号执行带通滤波和包络解调进行故障诊断。对滚动轴承故障诊断的结果表明,本文提出的方法能够有效地提高轴承故障诊断的效果。     

多域特征提取和MD-MTS的滚动轴承故障诊断方法

为及时提取滚动轴承的有效故障特征,准确识别其故障状态,提出一种多域特征提取和多维马田系统(MD-MTS)相结合的故障诊断方法.该方法主要包括三个方面的内容:振动信号的多域特征提取、基于MD-MTS的故障诊断模型构建和实验验证.首先,利用统计分析、快速傅里叶变换(FFT)、Hilbert变换和改进的经验模态分解(EMD)...     

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.     

改进的多变量极限学习机在滚动轴承故障预测中的应用

传统滚动轴承故障预测仅对单个故障特征频率做时间序列预测,而滚动轴承故障由多个故障频率共同表征.为了全面的表征整个频谱的结构,并且不破坏各个频率间的内部联系,提出奇异值分解和极限学习机相结合的多变量时间序列预测方法.首先通过全矢谱方法得到振动信号频谱,然后以整个频谱的各个频率作为输入变量,构建多变量时间序列.最后通过多变...     

自适应冗余提升多小波包在滚动轴承复合故障诊断中的应用

针对多小波具有多个小波函数和尺度函数的特性,在滚动轴承复合故障诊断过程中可以很好地匹配多个故障特征,具备了一次性提取复合故障特征的能力。提出了基于提升框架的多小波包算法。以信号残差最小值为优化目标,对提升小波的预测算子和更新算子进行优化,使得提升小波基能够自适应与观测信号相匹配。通过对输出信号进行后处理,能够将多个故障呈现在不同的通道中,实现复合故障的一次性提取。对滚动轴承包含有内圈和滚动体的复合故障振动信号进行分析,结果表明该方法是有效的。     

ELM-Adaboost分类器在轴承故障诊断中的运用

研究强分类器ELM-Adaboost模型在滚动轴承故障诊断中的运用.首先,从滚动轴承故障振动信号中提取时域特征参数,并采用因子分析法对变量进行降维处理;其次,对ELM-Adaboost模型中的关键参数进行详细分析,并选择最优的参数对ELM-Adaboost模型进行优化;最后,将ELM-Adaboost模型用于滚动轴承故...     

基于奇异值分解的滚动轴承故障诊断的神经网络方法

径向基函数神经网络是一种三层前馈型神经网络,它具有较强的非线性函数逼近能力和分类能力.根据径向基函数神经网络的优点,在对滚动轴承振动信号故障特征分析的基础上,提出一种应用奇异值分解将高维相关变量转化为低维独立变量,并利用其特征值建立径向基函数神经网络的方法,同时将该网络用于对滚动轴承的故障诊断.理论和试验证明了该方法的有效性,且具有较高的故障分类精度.     

便携式滚动轴承故障智能诊断系统的设计

设计了一种便携式滚动轴承故障智能诊断系统，对系统的工作原理、硬件结构及软件技术进行了详细的描述。该诊断系统除具有“便携式”的特征外，还具有操作简便，测试、诊断与分析自动化、智能化等特点，适用于生产现场对滚动轴承故障进行快速、自动地诊断。