应用Hilbert-Huang变换的齿轮箱故障诊断

提出了基于经验模态分解(EMD)的齿轮箱故障诊断HHT方法,介绍了Hilbert-Huang变换理论及其算法.此后以1台现场轧机故障减速机为对象,对采集的故障信号进行EMD分解,得到固有模态函数(IMF)分量,然后对所有固有模态函数进行Hilbert变换处理,所得三维图和边际谱图较为清晰地表达了故障信息,说明了该方法在工程应用中的适用性.     

基于小波去噪和Hilbert-Huang变换在齿轮箱故障诊断中的应用

为了从混有大量噪声的信号中准确地提取故障信息,利用小波去噪和Hilbert-Huang变换相结合的方法。首先利用小波去噪作为信号的预处理,通过经验模式分解和Hilbert变换求得边际谱,确定故障的特征。该方法克服了直接运用经验模式分解方法由于大量噪声带来的不必要的干扰,更好地辨识出故障的局部特征信息。通过实例分析表明了该方法的有效性和实用性。     

基于改进Hilbert-Huang变换的转子碰摩故障诊断

针对信号总体平均经验模式分解中的两个参数———所加白噪声标准差和总体平均次数难以设置的问题,通过仿真信号实验分析,给出了这两个参数设置的一般方法。以转子碰摩故障信号为对象,提出了改进的Hilbert-Huang变换（HHT）算法并将其用于提取转子碰摩故障特征。仿真和实验结果表明,改进的HHT算法能较好地提取出转子碰摩故障特征,与传统HHT算法相比,改进的HHT算法效果更好。     

基于小波去噪和Hibert-Huang变换在齿轮箱故障诊断中的应用

为了从混有大量噪声的信号中准确地提取故障信息,利用小波去噪和Hilbert-Huang变换相结合的方法.首先利用小波去噪作为信号的预处理,通过经验模式分解和Hilbert变换求得边际谱,确定故障的特征.该方法克服了直接运用经验模式分解方法由于大量噪声带来的不必要的干扰,更好地辨识出故障的局部特征信息.通过实例分析表明了该方法的有效性和实用性.     

非平稳振动信号分析中Hilbert-Huang变换的对比研究

Hilbert-Huang变换是一种信号分析新方法,特别适合于对非平稳信号进行分析。介绍该方法的基本理论,并利用它对一个典型的旋转机械非平稳振动信号进行分析。然后通过与利用短时傅里叶变换和小波变换所得到的分析结果的对比,研究Hilbert—Huang变换在分析一般非平稳振动信号中的优势和缺陷。最后结合实际应用中遇到的问题,简要论述Hilbert—Huang变换中的经验模态分解在分析频率成分非常靠近的复杂信号时的不足和原因。研究结果表明,Hilbert—Huang变换和其他方法相比,具有分辨能力强、自适应分解、物理意义清晰、信息完整、形式简洁和易于精确分析等优点;同时也存在具有端点效应、实时性稍差和难以将复杂信号中特别靠近的频率成分分解为独立的本征模分量的缺陷。     

基于小波变换的齿轮箱振动信号降噪处理

应用了小波变换理论和小波降噪的原理,对齿轮箱的振动信号进行了小波降噪处理,有效的从含有噪声的齿轮箱振动信号中提取出该信号更加准确和真实的故障特征,从而为提高齿轮箱故障诊断的准确性以及检测齿轮箱的早期微弱故障信号提供了重要的参考价值。通过对仿真信号的降噪处理,然后进行FFT变换,并且和没经过信号降噪处理就进行FFT变换的对比,显示了小波降噪的优越性。最后通过对齿轮箱的实际振动信号的降噪处理,进一步表明了小波降噪在消除噪声干扰方面有效性。     

基于Hilbert-Huang变换的转子碰摩故障特征分析

Hilbert-Huang变换(HHT)得出的时频图是分析非平稳信号的有效工具.应用HHT时频方法对转子早期局部碰摩和全局碰摩故障信号进行了分析,与传统的频谱分析比较表明:HHT时频方法具有良好的时频聚集性,能够很好地反映转子系统早期故障信号的时频特征,可以有效地对转子系统碰摩早期故障进行诊断.通过对全局碰摩故障信号分析,说明碰摩过程中摩擦力是不均匀的,碰摩接触面积的增大在时频图上表现为基频成分的波动变化加剧和高频成分的增加.基于HHT的三维谱图和时频亮度谱图能清晰地显示碰摩故障的频率、时间和振幅信息,为工程实际中转子系统的早期碰摩故障诊断和全局碰摩特征分析提供了有效的依据.     

基于小波分析与Hilbert-Huang变换的矿井提升机故障诊断

基于小波信号重构与Hilbert—Huang变换,对矿井提升机进行了故障诊断研究。结果表明,采用自适应的信号处理方法,可获得故障振动信号发生的时间和故障发生的周期,定量刻画故障的频率、时间与幅值的分布,从而能够有效识别故障类型。     

基于连续小波变换的滚动轴承外圈故障检测

提出了用连续小波变换与傅里叶变换相结合进行轴承外圈故障识别的新方法。先通过Morlet连续小波变换对故障轴承信号进行不同尺度的分解．再对其获得的小波系数进行快速傅里叶变换来识别故障特征频率。然后对不同信号做小波系数能量谱进行对比。优点在于能够在强噪声背景下较为精确的识别外圈故障。实际测试验证了新方法的正确性。     

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.     

改进希尔伯特-黄变换的滚动轴承故障诊断

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固有模态函数的问题,提出一种改进希尔伯特-黄变换方法并将此方法应用于滚动轴承故障诊断中。首先,利用最小二乘支持向量机和镜像延拓相结合的方法来抑制端点效应;其次,采用敏感固有模态函数选择算法选出反映故障特征的敏感固有模态函数;最后,利用敏感固有模态函数的包络谱进行故障诊断。通过仿真分析和应用实例可看出,该方法能够有效提取出滚动轴承故障信号的特征信息并准确诊断出引起滚动轴承的故障原因。     

齿轮箱故障诊断技术的新发展

齿轮箱是机械设备的重要传动部件,其故障诊断得到了广泛的重视。本文综述了几种新的信号分析方法和故障诊断技术及其在齿轮箱故障诊断中的应用情况。     

基于小波神经网络弧齿锥齿轮故障诊断及实验研究

提出了一种离散小波变换结合神经网络的故障状态识别方法,运用信号特征提取机理对航空用弧齿锥齿轮故障诊断及状态识别进行了研究.建立了孤齿锥齿轮传动系统振动测试试验台,对正常结构和故障结构的齿轮传动进行了试验测试,通过小波阈值去除掉齿轮箱的振动数据信号系统噪声的影响;采用离散小波变换提取信号的能量特征,利用带有反馈算法的神经...     

同步压缩小波与希尔伯特-黄变换性能对比

经验模式分解(empirical mode decomposition简称EMD)中包络均值代替信号实际均值的算法误差,使其在处理复杂多频振动信号时易出现模式混叠,引起分析误差。针对这一问题,采用同步压缩小波变换(synchrosqueezed wavelet transform,简称SWT)根据时间-尺度平面中各元素模的大小,对平面内的能量进行重新分配,通过映射关系将时间-尺度平面转化为时间-频率平面,获得频率曲线更加集中的时频表达。这一方法的正交性与算法自身良好的数据驱动性降低了模式混叠引起的时频分析误差,多组分仿真信号时频特征提取证明了SWT的优异时频特性,利用旋转机械不对中振动位移信号进行了实测数据分析。结果表明,SWT能够精确描述谐波信号的频率构成,且所获时频能量分布集中,时、频域定位精度高,为机械设备的状态监测与故障诊断提供了一种新的时频分析手段。     

Hilbert-Huang变换及其在纱线故障诊断中的应用

阐述了Hilbert-Huang 变换的基本原理,以实际的纱线信号为例,通过经验模态分解(EMD)将纱线信号分解成有限个固有模态函数(IMF),并求得纱线信号的Hilbert谱.结合分析纱线信号的波谱图和Hilbert谱图,判断出故障产生的原因.     

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。     

基于信号奇异性分析的轴承故障检测方法

针对轴承振动信号利用小波单奇异点检测无法克服噪声影响的不足,提出利用小波模极大值分析信号奇异性变化进而进行轴承故障检测的方法。实验中对信号的模极大分形指数、模极大分形指数熵、Lipschitz指数以及Lipschitz指数熵等奇异特征进行分析比较,实验结果表明这些特征都能有效克服噪声影响实现故障检测,但模极大曲线数最能体现故障特征且检测效果最好。最后将本方法同基于小波包能量谱特征和小波单奇异点检测的方法进行比较,实验结果表明本文中建议的方法在检测时间及检测率上都有显著提高。     

HHT在Lamb波检测信号分析中的应用

将一种新的超声信号处理技术用于Lamb波波形中多个模式到达时间的提取。通过将希尔伯特-黄变换(Hilbert-Huang transform,简称HHT)与快速傅里叶变换(fast Fourier transform,简称FFT)、小波变换(wavelettransform,简称WT)在时频分辨率方面的比较,表明HHT能够精确识别信号中两种频率分量突变的时刻,显示了HHT方法的优越性。将HHT方法的特性用于Lamb波模式到达时间的提取,从HHT的能量-时间图上可以看出,能量峰值时刻对应着各Lamb波模式的到达时间。试验结果与理论值具有较好的一致性。     

HHT新方法及其在齿轮箱故障诊断中的应用

为了克服Hilbert-Huang transform(HHT)中的端点效应,利用基于掩模信号法的端点处理方法,对信号进行外延后再进行empirical mode decomposition(EMD),在一定程度上克服了EMD方法的端点效应问题.同时利用掩模信号对intrinsic mode function(IMF)分量进行延拓后,再进行Hilbert变换,有效地抑制了Hilbert变换中的端点效应.系统仿真信号以及实测信号的验证结果表明该方法是有效的.