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EMD和Hilbert-Huang的滚动轴承故障诊断

采用EMD和Hilbert- Huang相结合的方式开发了故障诊断程序,并在试验台上针对滚动轴承故障工况进行了模拟试验,采集振动信号并做了分析.     

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。     

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。     

基于改进标准化EMD的滚动轴承故障诊断方法

基于传统的标准化经验模态分解方法在实际应用中存在没有考虑插值误差的影响、停机准则过于苛刻和计算得到的瞬时幅值不光滑带有毛刺等不足,提出了改进方法,并运用该方法对实际的轴承振动信号进行处理。结果表明:该方法可以有效提取滚动轴承故障特征频率,提高了轴承故障诊断的准确性。     

基于EMD分解与小波包的滚动轴承故障诊断

针对滚动轴承故障信号分析中的问题,提出了将Hilbert-Huang变换和小波包分析相结合的滚动轴承故障诊断新方法,实测信号分析表明,该方法能有效地对滚动轴承故障信号进行检测.     

基于EMD和球结构SVM的滚动轴承故障诊断

提出了一种基于经验模式分解(Emprical Mode Decomposition,简称EMD)和球结构支持向量机的滚动轴承故障诊断方法.该方法以EMD的能量特征向量作为输入来建立球结构支持向量机分类器,识别滚动轴承的故障类型,通过麦克斯韦的三角平面坐标色度图方法进行可视化验证,并且与小波包能量特征向量作为输入的球结构支持向量机诊断方法进行比较.结果表明,用EMD能量法作预处理更能准确地提取故障特征量,有更高的故障识别率.     

基于EMD和Hilbert包络谱的滚动轴承故障诊断

为了对旋转机械中滚动轴承的运行状态进行故障监测和诊断,提出了一种基于EMD和Hilbert包络谱的滚动轴承故障诊断新方法.通过在滚动轴承实验台上提取振动信号,用EMD对数据进行分解得振动信号的固有模态函数分量(IMF分量),然后对IMF作Hilbert包络并进行谱分析.结果表明,该方法能够准确地识别和诊断出滚动轴承的运行状态和故障类型,非常适合滚动轴承故障精确诊断,具有很高的工程实用价值.     

一种内燃机滚动轴承故障诊断方法

滚动轴承是内燃机旋转连接处重要的零部件之一,其发生故障时会导致整个机器无法运转。论文首先系统研究了调制密度分布(MID)的算法原理,其次通过仿真信号在理论上对其应用效果进行了分析,最后从外圈故障振动信号中分解出相关模态分量,并从其包络谱中识别故障特征频率。仿真分析和外圈模拟点蚀故障试验表明,该方法能够有效提取滚动轴承故障特征。     

基于EMD与功率谱分析的滚动轴承故障诊断方法研究

针对西部油田大型设备故障信号的非线性、非平稳特征,提出一种基于经验模态分解方法EMD（empirical mode decomposition）和功率谱的分析方法。首先对滚动轴承振动信号进行经验模态分解,然后对分解后包含轴承故障特征信息的固有模态函数分量作功率谱分析,得到各分量的功率谱图,清晰直观显示出故障特征信号的功率谱,从混有背景信号和噪声的振动信号中提取轴承故障信息。由于EMD方法具有自适应特性,适宜于非线性、非平稳信号的分解,该方法应用于滚动轴承的故障振动信号分析中,结果表明,该方法能够突出滚动轴承振动信号的故障特征,从而提高滚动轴承故障诊断的准确性。     

基于EMD和免疫参数自适应SVM的滚动轴承故障诊断

为实现滚动轴承故障的智能诊断,提出一种基于经验模式分解和免疫参数自适应支持向量机相结合的滚动轴承故障诊断方法.使用经验模式分解将故障信号分解为若干个本征模函数之和,然后通过定义的故障特征频率筛选函数,自动地从各本征模函数的包络谱中提取出包含轴承外圈、内圈及滚动体故障的特征向量.在特征提取的基础上,将改进的免疫克隆选择算法和K折交叉验证方法相结合,实现了支持向量机参数的自适应优化选取,并进一步训练得到免疫参数自适应支持向量机分类器.通过SKF6203滚动轴承数据实验表明,该方法能获得较高的故障诊断识别率.     

基于EMD二值化图像和CNN的滚动轴承故障诊断

针对传统故障诊断方法识别准确率低、泛化能力差,而基于深度学习的故障诊断普遍存在需要海量训练数据的问题,提出了一种基于经验模态分解(empirical mode decomposition,简称EMD)与卷积神经网络(convolutional neural networks,简称CNN)的滚动轴承智能故障诊断方法.首先...     

基于改进EMD样本熵和SVM的风机滚动轴承故障诊断

风机齿轮箱振动信号成分复杂,而经验模态分解(EMD)在故障诊断中存在模态混叠和端点效应问题.针对此问题,研究了一种EEMD样本熵和高斯径向基核函数的SVM分类器的滚动轴承故障诊断方法.以风机齿轮箱滚动轴承为研究对象,提取了内圈故障、外圈故障、滚动体故障和正常轴承4种状态振动信号,利用EEMD和小波分别对振动信号分解降噪并筛选主要IMF分量;计算前4阶IMF分量的样本熵作为特征向量;最后将特征向量输入高斯径向基核函数的SVM模型进行故障识别.结果表明:EEMD算法对端点效应和模态混叠都有一定抑制作用,EEMD样本熵和SVM相结合可有效识别滚动轴承故障类型,故障识别率为97.5％,为工程应用中风机齿轮箱滚动轴承故障诊断提供参考.     

基于CNN并引入EMD预处理机制的滚动轴承故障诊断方法

滚动轴承故障信号具有非线性、非平稳、强噪声特性,传统算法依赖于人工特征提取且缺乏自适应性。为此,该文利用经验模态分解(EMD)将原始特征集分解为一系列平稳的本征模态函数(IMF),结合相关系数遴选能突出更多局部特征的IMF构建特征向量,剔除部分噪声干扰信号。构造卷积神经网路(CNN)的多层特征提取网络,以遴选的特征向量为输入将其逐级变换为抽象的深层特征,最后完成特征域到故障类别域的映射。实验结果表明,该算法相比较其他方法具有更高的准确率、更好的鲁棒性。     

基于小波改进阈值去噪与EMD的滚动轴承故障诊断研究

针对传统阈值去噪方法在处理轴承故障信号时存在的不足,提出了基于小波改进阈值去噪与经验模态分解(Empirical Mode Decomposition,EMD)的滚动轴承故障信号的分析方法。为改善小波去噪产生的信号振荡和失真问题,构造了适用于滚动轴承振动信号的非线性阈值函数,并将其用为滚动轴承故障信号的噪声过滤器。采用经验模态分解将去噪后的信号分解成若干固有模态函数(Intrinsic Mode Function,IMF),并用统计分析的方法提取出谱峭度值、各固有模态函数与去噪信号之间的互相关系数最大的分量。最后,为了在频域内提取到故障特征频率,对抽取到的固有模态分量进行包络分析。仿真数据分析和模拟实验数据分析表明,所提方法可有效地提取轴承故障特征频率,实现轴承的故障诊断。     

基于EMD幅值熵和支持向量机的滚动轴承故障诊断

针对滚动轴承早期故障特征微弱,无法对轴承状态进行有效辨识的特点,提出基于EMD幅值熵和支持向量机的故障诊断方法。首先通过经验模态分解的自适应性将振动信号分解为不同时间尺度的本征模态函数IMFs,然后从分解的IMFs中分别提取瞬时幅值香农熵构造故障特征集,最后通过支持向量机对提取的故障特征集进行分类识别。滚动轴承实验结果表明,所提方法相比基于EMD和AR模型的故障诊断方法效果更好,诊断识别率达到100%。     

EMD和PCA融合在滚动轴承故障诊断中的应用

针对滚动轴承的特征提取问题提出了一种经验模态分解(Empirical Mode Decomposition,EMD)与主成分分析(Principle Component Analysis,PCA)相融合的算法。该算法先使用经验模态分解(Empirical Mode Decomposition,EMD)对故障信号进行分解,然后将得到的EMD与PCA结合提取特征。在滚动轴承故障识别中,将PCA提取的累计贡献率为95%及以上的特征主成分作为支持向量机(Support Vector Machine,SVM)的输入量,采用SVM实现故障分类。试验结果表明,融合算法故障诊断的准确率达到100%,优于单一算法PCA的诊断率。     

变转速下内燃机滚动轴承故障诊断方法综述

内燃机滚动轴承故障诊断是重要的机械课题,然而传统方法大多只能提取稳速条件下的故障特征,在变转速下不再适用,为此针对变转速下滚动轴承故障诊断方法的探索不断展开。论文对现有的变转速下滚动轴承故障诊断方法进行梳理,沿着阶次跟踪—时频分析—循环平稳的发展脉络对上述方法进行分类,着重对角度/时间循环平稳(AT-CS)进行研究,从理论上证明其先进性。最后通过仿真信号验证了AT-CS能够有效提取变转速下滚动轴承故障特征,并对研究现状进行了全面总结。     

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。