EMD方法在转子局部碰摩故障诊断中的应用

针对转子系统局部碰摩故障振动信号的特征，将经验模态分解方法（Empirical Mode Decomposition，简称EMD）应用于转子局部碰摩故障诊断中。采用EMD方法对转子振动信号进行分解，实现碰摩、背景和噪声信号分离，从而提取转子系统局部碰摩振动信号的故障特征。试验分析结果表明，对具有局部碰摩故障的转子振动信号进行EMD分解得到的基本模式分量（IMF）具有明显的调幅特性，而其他状态下的转子振动信号经过EMD分解后得到的IMF分量没有明显的调幅特性。因此，EMD方法可以有效地应用于转子系统局部碰摩故障诊断中。     

基于Teager-Huang变换的转子局部碰摩故障诊断

针对转子碰摩故障诊断问题,提出一种基于Teager-Huang变换的转子局部碰摩故障特征提取方法,该方法首先通过经验模态分解(Empirical mode decomposition,EMD)将原始振动信号分解为若干个本征模态函数(Intrinsic Mode Function,IMF)分量,然后利用Teager量算子计算IMF分量的瞬时幅值和瞬时频率,得到故障信号的时频分布信息。通过转子局部碰摩故障诊断实例分析结果表明Teager-Huang变换方法比Hilbert-Huang变换方法能更好地追踪转子碰摩的发生,并能有效提取转子碰摩故障特征,验证了该方法的有效性。     

噪声环境下滚动轴承故障特征提取

滚动轴承故障振动信号采集中往往含有大量的噪声信号。为了从含噪信号中提取故障特征,首先对采集的信号进行小波降噪,然后利用经验模态分解(empirical mode decomposition,EMD)得到若干个内禀模态函数(intrinsic mode function,IMF),并考虑分解的各模态函数的能量特征,将分解后的IMF分量与分解前信号的能量比作为判断标准,剔除附加低频成分,最后选取有效的IMF集进行包络谱分析,提取故障特征。通过仿真分析和以真实滚动轴承为研究对象的故障诊断实验,表明该方法有效地去除了混杂在故障信号中的噪声,有效地提取旋转机械中的故障特征信息。     

全矢IMF信息熵用于高速列车转向架故障诊断

针对高速列车转向架振动信号具有非线性、非平稳的特征,以及单通道故障诊断带来的信息不完整问题,提出了一种多元经验模态分解（multivariate empirical mode decomposition ,简称MEMD）和全矢本征模态函数（intrinsic mode function,简称IMF）信息熵相结合的高速列车故障特征提取方法。首先,使用MEMD方法对同源双通道的振动信号进行分解,得到一系列的2元本征模态函数;其次,分别计算前6个IMF的全矢IMF信息熵,通过特征评价方法进行特征维数约简;最后,将得到的特征向量作为支持向量机的输入来识别转向架的故障类型。实验结果表明,该方法能有效提高转向架的故障识别率,最高可达到100%,验证了全矢IMF信息熵在高速列车故障诊断中的可行性。     

VMD结合小波包信息熵和GJO-SVM的电机轴承故障诊断

针对电机滚动轴承故障特征难以提取从而导致诊断准确率低的问题,提出了一种基于变分模态分解(Variational Modal Decomposition, VMD)结合小波包信息熵(Wavelet Packet Information Entropy, WPIE)的特征提取方法,并采用金豺优化(Golden Jackal Optimization, GJO)算法优化后的支持向量机(Support Vector Machine, SVM)进行电机滚动轴承的故障诊断。首先,利用VMD将采集到的信号进行分解,依据局部极小包络熵筛选出最优本征模态(Intrinsic Mode Function, IMF)分量;其次,利用小波包将最优IMF分量再分解,并提取信息熵作为特征向量矩阵;最后,采用GJO算法对支持向量机中的惩罚参数和核参数进行寻优选择,建立GJO-SVM故障诊断模型,将特征向量矩阵输入金豺算法优化支持向量机(GJO-SVM)故障诊断模型中进行故障诊断。将VMD结合小波包信息熵特征提取与VMD结合近似熵特征提取进行对比试验,试验结果表明,VMD结合小波包信息熵特征提取精度提高了2.5%,其...     

发动机异响信号的小波包能量特征提取

在机械故障诊断过程中,最关键的问题就是故障特征信号的特征提取,从某种意义上说,特征提取是当前机械故障诊断研究中的"瓶颈"问题.发动机是一种多振源、宽频带、振动形态复杂的机械,其振动信号呈现非平稳时变特征,噪声干扰大,故障信号往往被淹没在干扰噪声中.发动机声响的分析在其故障诊断中显得极为重要.现提出一种依靠小波包分析来进行发动机故障诊断的方法,即通过对发动机异响信号在全频带范围内进行正交小波包分解,得到由全频带均匀划分的各子频带的小波包分解系数,对小波包分解系数进行重构得到该频带的信号,提取各频带信号的能量构造出小波包特征向量,从而实现对故障源的判断.     

基于HMM-EMD的滚动轴承故障诊断方法

针对滚动轴承早期微弱冲击性故障信号特征难以提取及诊断的问题,提出了一种基于HMM-EMD的滚动轴承故障诊断新方法。该方法首先对滚动轴承故障振动信号进行经验模态分解,将其分解为多个IMF之和,其次对分解后的信号进行能量特征提取,得到相应的故障特征,再对故障特征进行归一化处理得到故障能量特征向量,最后通过建立HMM进行故障诊断。     

CEEMD与卷积神经网络特征提取的故障诊断方法研究

轴承动力学行为具有非线性的特点,导致其振动信号特征与运行状态之间存在较强的非线性关系;且振动信号的特征提取与选择往往需要大量的先验知识,导致特征的设计难以准确反映不同的运行状态。针对以上问题,提出一种基于互补集合经验模态分解(Complementary ensemble empirical mode decomposition,CEEMD)与卷积神经网络(Convolutional neural networks,CNN)的特征提取方法,从振动信号时频图中自适应提取其敏感特征,反映设备运行状态。首先采用CEEMD算法分解得到振动信号的固有模态函数(Intrinsic mode function,IMF)分量,构造各个IMF时频图,并采用CNN提取时频图的特征;然后,将提取到的特征与小波包分频带能量值相结合,组建特征指标向量,用于构建轴承故障诊断模型。将该方法应用于不同负载、不同故障深度的轴承试验中,结果表明该方法能够在多种工况下有效地提高故障识别率。     

FDM和RCMDE结合的特征提取与故障诊断

为提取有效特征向量以实现航空发动动机转子的故障诊断,针对航空发动机转子振动信号的非线性、非平稳的特性,首先,应用傅里叶分解方法(Fourier decomposition method,简称FDM)提取航空发动机转子信号的边际谱重心及最大能量层的谱重心;其次,计算振动信号的精细复合多尺度散布熵;最后,应用双阶自适应小波聚类方法对特征空间实现故障分类与识别。应用航空发动机转子试验器采集的样本验证表明,上述方法提取的特征值准确且波动小,同种故障类型的特征值集中,不同故障类型之间差异大,有利于提高多种故障类型混合的诊断精度。     

基于改进小波包和EEMD的轴承故障诊断

针对轴承振动信号非平稳性及工作情况下难以获得故障频率,提出一种基于改进小波包和总体经验模态分解(EEMD)的轴承故障诊断方法。首先运用改进小波包对振动信号进行分解,得到按顺序排列的子带频带。然后提取故障频率范围的子带信号并进行EEMD,以互相关系数和峭度准则提取故障分量,避免了固有模态函数(IMF)分量选择的盲目性。仿真和试验分析结果表明,该方法能有效且准确地检测出轴承故障。     

基于CEEMDAN奇异值熵和SVM的转子故障诊断

提出一种基于自适应白噪声完整经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)奇异值熵和支持向量机(support vector machine,SVM)的转子故障诊断方法。利用CEEMDAN方法首先对非平稳的转子振动信号分解得到若干个表征信号自身特性的固有模态函数(intrinsic mode function,IMF),并通过虚假IMF分量判别法,剔除对于故障特征不敏感的IMF,以保证故障信息提取的准确性和有效性,在此基础上产生初始特征向量矩阵。并对此矩阵进行奇异值分解得到矩阵奇异值,使其作为故障特征向量,通过归一化处理得到奇异值熵,并以此作为SVM的输入,对转子的工作状态进行识别。研究结果表明:该方法可有效应用于转子故障诊断,实现对转子工作状态和故障类型的有效诊断。     

基于IMF能量矩和神经网络的轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征,提出了一种本征模函数(Intrinsic Mode Function,简称IMF)能量矩的特征向量提取法,并与BP神经网络相结合用于滚动轴承的故障诊断.该方法首先利用经验模态分解(Em-pirical Mode Decomposition,简称EMD)方法.把振动信号分解为若干个IMF,再将重要的IMF分量作基于时间轴的积分,得到IMF能量矩特征向量,最后借助BP神经网络的分类能力对特征向量进行分类.对滚动轴承的正常状态、外圈故障、滚动体故障和外圈故障信号的分析结果表明,该方法能够准确、有效地识别这些故障.     

基于双阶自适应小波聚类的复合故障诊断

有效特征向量的提取与故障诊断方法是实现航空发动机转子故障快速正确诊断的关键。首先根据航空发动机转子振动信号的非平稳及非线性的特点,应用小波变换和Hilbert-Huang变换方法提取振动信号的有效值、边际谱重心和小波变换最大能量层的功率谱重心三个特征向量,然后应用双阶自适应小波聚类方法对航空发动机转子进行多类型混合故障诊断。结果表明双阶自适应小波聚类方法能快速准确地实现故障分类与识别,尤其对于密度分布不均匀的多类型混合数据,诊断精度显著高于传统的小波聚类方法。     

VPMCD和模糊熵在转子系统故障诊断中的应用

针对转子系统的故障特征,提出了基于多变量预测模型（variable predictive mode based class discriminate,简称VPMCD）和模糊熵的故障诊断方法。VPMCD方法是根据所提取的全部或部分特征值之间具有的某种内在关系建立预测模型,并以建立的变量预测模型进行模式识别。首先,对转子振动信号进行经验模态分解(empirical mode decomposition,简称EMD),得到若干个内禀模态函数（intrinsic mode function,简称IMF）分量;接着,提取包含主要故障信息的前几个IMF分量的模糊熵组成故障特征向量矩阵;然后,采用VPMCD方法建立预测模型;最后,通过建立的VPMCD预测模型区分转子的工作状态和故障类型。实验分析结果表明,基于VPMCD和模糊熵的故障诊断方法可以准确、有效地识别转子系统的工作状态和故障类型。     

基于能量熵和EEMD结合的滚动轴承故障诊断方法

采用了一种基于小波包能量熵结合集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)方式完成对高速列车轴箱轴承仿真振动信号和实测振动信号的故障诊断.在完成仿真轴承应力状态分布分析和仿真振动信号故障提取方式检验以及实测振动信号时域参数分析和对轴承故障初步诊断的基础上,对振动信号进行三层小波包分解以及降噪处理;将处理后的剩余信号进行重构,再对重构后的8个小波包频段进行能量熵和能量百分比的计算,找出所含剩余信息量较大的频段,进行EEMD方式分解;对分解后的IMF1分量进行频谱和包络谱转换,从而准确提取出轴箱轴承故障特征信号,完成轴承早期微弱故障特征提取.     

基于分段线性分类器的滚动轴承的故障识别

为了解决滚动轴承的特征提取和故障特征的模式分类问题,提出了一种应用小波包变换和线性分类器相结合的滚动轴承故障诊断的识别方法。根据轴承振动信号的频域变化特征,首先对滚动轴承振动信号进行三层小波包分解,提取第三层各个终节点系数的能量作为特征向量,然后将特征向量输入由线性判别式构成的分段线性分类器中进行故障的模式分类和识别,最后在滚动轴承试验台上实测故障。试验表明,分段线性分类器可以有效地识别轴承的故障模式。     

基于EWT和多尺度熵的高压断路器故障诊断

提出了一种以经验小波变换(empirical wavelet transform,简称EWT)和多尺度熵相结合的高压断路器振动信号的特征向量提取和故障诊断的分析方法。首先,将高压断路器的振动信号进行经验小波变换,得到内禀模态函数(intrinsic mode function,简称IMF),选择相关系数较大的IMF进行重构;其次,提取重构信号的多尺度熵作为表征断路器状态的特征向量,采用归一化的方法对特征向量进行预处理并以此作为支持向量机(support vector machine,简称SVM)的输入向量进行分类训练;最后,将测试样本信号故障特征输入训练好的SVM,在SVM核函数参数进行网格算法优化的基础上进行状态识别及分类。实验结果表明,该方法可快速准确地检测高压断路器故障,实现了断路器故障的状态识别。     

基于傅里叶分解方法的航空发动机转子故障诊断

针对传统时频分析法无法提取转子故障特征信息的问题,提出了基于傅里叶分解方法(FDM)的转子碰摩故障诊断方法。构造了调频调幅仿真信号,对比FDM、集合经验模态分解(EEMD)、变分模态分解(VMD)的分解结果发现,FDM能够实现仿真信号的完备性分解,且时频分辨率高。利用FDM对采集到的转子试验器机匣单点-转子全周碰摩试验故障数据进行诊断,不同算法故障信号分解结果的周期功率谱密度估计和故障特征提取结果表明,该方法具有更高的诊断可靠性,可有效地解决转子故障诊断问题。     

CEEMD-WVD多尺度时频图像的滚动轴承故障诊断

针对一般EMD-WVD方法在提取时频图像信息不充分的问题,提出一种基于CEEMD-WVD多尺度时频图像的滚动轴承故障诊断方法。该方法采用互补集合经验模态分解(CEEMD)方法对故障振动信号进行分解,自适应地获得不同频段的固有模态函数(IMF)分量;选取前几个高频信号IMF模态分量,运用Wigner-Ville分布(WVD)对各IMF分量分别做时频分析,进一步转化成对应的多尺度的时频图像;然后提取各尺度时频图像的局部二进制(LBP)纹理特征,并利用其特征训练SVM分类器;最后用训练好的分类器对不同的轴承故障振动信号进行故障识别。实验结果表明,该方法有较强的自适应性且能生成高分辨率图像,故障识别率高,在凯斯西储大学(CWRU)的滚动轴承数据库上进行5类故障的实验,诊断正确率为99.75%。     

小波脊线解调与两次EMD分解相结合的故障识别方法及应用研究

提出了一种基于小波脊线解调与两次经验模态分解(EMD)相结合的故障识别方法,用于轴向柱塞泵的故障诊断.结合EMD与小波脊线法在处理非平稳信号方面的优势,首先对故障原始信号进行了EMD分解,利用边际谱发现故障发生时的共振频带范围并据此找出对故障敏感的固有模态函数(IMF)分量,然后对该敏感IMF分量分别进行小波脊线解调和Hilbert解调,最后通过比较两种解调方法解调后敏感分量的时频谱和三维谱图发现,小波脊线解调比Hilbert解调具有更高的时频定位精度和抗干扰能力.此后,分别对小波脊线解调与Hilbert解调后的敏感分量进行EMD再分解,利用所得的各阶二次IMF分量的归一化特征能量来构造特征向量,得到液压泵5种典型状态的样本集,结合K均值聚类算法对故障状态进行识别.研究结果表明,与采用Hilbert解调处理方法相比,利用2次EMD分解与小波脊线解调相结合的故障特征向量提取方法显著提高了故障识别准确率,故障确诊率可高达92％.