基于EMD和功率谱的齿轮故障诊断研究

提出了一种基于经验模态分解EMD（Empirical Mode Decomposition）的齿轮裂纹故障诊断的新方法。EMD方法具有自适应的信号分解和降噪能力，EMD是先把时间序列信号，分解成不同特征时间尺度的固有模态函数（Intrinsic Mode Function，简称IMF），然后通过选取表征齿轮裂纹故障的IMF分量进行功率谱分析，就可提取齿轮故障振动信号的特征。齿轮故障实验信号的研究结果表明：该方法能有效地识别齿轮的齿根裂纹故障。     

《基于EMD与AR模型的柴油机故障诊断》

柴油机气缸盖振动信号是一种典型的非平稳时变信号,用传统的时频分析难以得到满意的效果,用时域区间分析难以实现实时诊断,而小波分析则存在小波基函数选择困难等问题。本文采用经验模式分解EMD方法对振动信号进行分解,得到固有模态函数IMF,对每一个IMF分量分别建立AR模型,以模型的自回归参数和残差的方差作为特征向量,用支持向量机SVM进行分类,判断柴油机的工作状态和故障类型。实验结果分析表明,该方法即使在小样本情况下也能准确有效地诊断柴油机故障,能实现故障的实时自动化诊断。在不同转速时,需选用新转速工况下的数据作为训练样本,以保证分类准确率。     

基于EMD分解和奇异值差分谱理论的轴承故障诊断方法

针对故障轴承振动信号中含有强烈的背景噪声,难以提取故障频率的现实情况,提出了基于经验模态分解(Empirical Mode Decomposition,EMD)和奇异值差分谱的轴承故障诊断方法.首先通过EMD方法将非平稳的原始轴承振动信号分解成若干个平稳的本征模函数(Intrinsic Mode Function,IMF);由于背景噪声的影响,从各个IMF的频谱中难以准确地得到故障频率.对IMF分量构建Hankel矩阵并进行奇异值分解,进一步找到奇异值差分谱,根据奇异值差分谱理论对某个IMF分量进行消噪和重构,然后再求其频谱,便能准确地得到故障频率.实验结果表明,提出的方法能有效地应用于轴承的故障诊断.     

基于EMD和AR模型的滚动轴承故障诊断方法

提出了基于EMD(Empirical Mode Decomposition)和AR模型的滚动轴承故障诊断方法。该方法用EMD将滚动轴承振动信号分解成若干个平稳的IMF(Intrinsic Mode Function)分量，对每一个IMF分量建立AR模型，以模型的自回归参数和残差的方差作为特征向量建立Mahalanobis距离判别函数，进而判断滚动轴承的工作状态和故障类型。实验结果分析表明，该方法能有效地应用于滚动轴承的故障诊断。     

基于经验模态分解和主成分分析的滚动轴承故障诊断研究

针对传统的振动信号特征提取效率低、诊断时间较长等问题,提出了基于经验模态分解与主成分分析的滚动轴承故障诊断方法。首先利用经验模态分解将振动信号分解为有限个本征模函数和一个残差函数,提取主要的本征模函数能量及其局部平均频率特征,最后将复合特征向量作为主成分分析分类器的输入,完成对故障的识别。实验结果表明:复合特征向量能够有效地反映轴承的运行状态;相比于BP神经网络、支持向量机、K-近邻算法,主成分分析分类法不仅能够准确地识别故障,而且训练时间短、使用方便。     

基于改进EMD和形态滤波的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳性特点,提出一种改进经验模态分解(EMD)和形态滤波相结合来提取故障特征信息的方法。该方法首先在原信号中加入高频谐波并进行EMD分解,减小传统EMD分解中存在的模态混叠现象,然后从高频本征模态分量(IMF)中去除高频谐波得到故障冲击成分,经形态滤波消噪后进行频谱分析,提取出故障特征信息。信号仿真分析该方法的实施过程,并将该方法成功运用于滚动轴承内圈和外圈故障的诊断。实验结果表明该方法能够有效提取滚动轴承故障特征信息,实现故障诊断。     

基于EMD和MKD的滚动轴承故障诊断方法

针对滚动轴承早期微弱故障特征难以提取的问题,提出基于经验模态分解(Empirical Mode Decomposition,EMD)与最大峭度解卷积(Maximum Kurtosis Deconvolution, MKD)的滚动轴承故障特征提取方法。利用EMD方法分解振动信号得到一组固有模态分量(Intrinsic Mode Function,IMF),然后根据时域峭度和包络谱峭度,筛选出敏感IMF分量进行信号重构。然后对重构信号进行最大峭度解卷积处理以增强故障信息,最后得到包络功率谱,从而获得轴承故障特征频率信息。通过实验台信号验证了所述方法的有效性及优点。     

基于EMD和Teager能量算子的轴承故障诊断研究

提出了一种基于EMD和Teager能量算子的齿轮箱轴承故障诊断的新方法,该方法综合利用了经验模态分解和Teager能量算子分析技术.首先利用经验模态分解方法,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幅值,最后对感兴趣固有模态函数瞬时幅值的包络谱进行分析,就可识别齿轮箱轴承的故障部位和类型.齿轮箱轴承故障振动实验信号的研究结果表明:该方法能有效地识别轴承的故障.     

基于AR模型和谱峭度法的滚动轴承故障诊断

自回归(AR)模型是平稳信号分析的重要工具,本文利用峭度最大原则确定AR模型最优阶次,然后利用此AR模型对滚动轴承故障信号进行预处理,剔除可线性预测的平稳成分,得到的残余分量中理论上只包含了噪声信号和信号的非平稳部分,从而降低了后期数据分析难度。谱峭度对于非平稳信号非常敏感,它可以将非平稳信号从噪声中检测出来,因此将两者结合起来可以更有效的对滚动轴承故障进行诊断,实验结果验证了此方法的有效性。     

基于EMD与谱峭度的滚动轴承故障检测改进包络谱分析

针对滚动轴承故障振动信号的调制特征和传统包络分析法的缺陷,提出一种基于经验模式分解(Empirical Mode Decomposition,简称EMD)和谱峭度(Spectrum Kurtosis,简称SK)的改进包络谱滚动轴承故障诊断方法。该方法首先对滚动轴承故障振动信号进行经验模式分解,将其分解为多个固有模式函数(Intrinsic Mode Function,简称IMF)之和,然后对各IMF分量傅里叶变换后取其绝对值,并计算其谱绝对值平方包络,在此基础上再计算不同频带IMF分量谱平方包络的峭度,最后利用谱峭度的滤波器作用,选取由轴承缺陷所引起的共振频率所在频带的IMF分量,自动构建最佳包络来进行故障诊断。将该方法应用到滚动轴承内圈缺陷的仿真故障数据和实际数据中,分析结果表明了该方法的有效性。     

基于盲源分离和AR谱估计的旋转机械故障诊断方法

准确的AR模型能够较好地揭示信号中蕴含的状态特征变化的信息,然而,AR模型对系统的状态变化十分敏感,多个动态变化的源信号的耦合必然会影响其估计结果。基于此,提出了一种基于盲源分离和AR谱估计的旋转机械故障诊断方法。首先,利用盲源分离的方法从混合观测信号中恢复各机械振动源信号;然后,将非平稳性的故障信号通过经验模态分解得到各本征模态函数;最后,对经验模态分解得到的平稳的本征模态函数进行AR谱估计,提取振动信号的故障特征信息。通过仿真研究和实验分析验证了该方法在旋转机械故障诊断中的有效性和可行性。     

轧机主传动系统扭振盲测点测量模型的研究

为解决轧机主传动系统实际测试中不可测点处物理参数测取的难题,构造了一类连续轴段质量扭振分析模型,并推导出轴段上盲测点处的扭振参数计算公式。通过把实测点的测试数据代入盲测点计算公式,可计算盲测点的振动参数。轧机实际现场扭矩测试和数据分析处理结果验证了理论推导的正确性。这为轧机现场监测中一些不易布置传感器关键点处的物理量测取提供了理论依据和技术支持,通过编制程序可以实现轧机在线系统监测和故障分析,从而确保轧机正常平稳运行。     

基于多尺度熵和距离评估的滚动轴承故障诊断

为了解决滚动轴承非线性故障特征难以提取的问题,将多尺度熵和距离评估方法有机结合,提出一种新的滚动轴承非线性特征提取方法。首先利用多尺度熵来刻画滚动轴承振动信号在不同尺度上的细节特征;然后引入距离评估选择算法,对多尺度特征进行特征评估,优化选取敏感尺度特征,并送入支持向量机实现轴承不同状态的分类。通过滚动轴承故障诊断实验对该方法进行验证,结果表明,选取敏感多尺度熵特征集对故障特征进行刻画,较单尺度特征、原始特征集和随机特征集等诊断效果更佳,提高了诊断精度。     

扭振信号拓扑网络的轧机动态扭矩测量

为解决实际测试中轧机传动系统关键点处动态扭矩不易同时测量的难题,提出一种扭振信号拓扑网络的轧机动态扭矩测量方法。通过把扭振计算的力矩和转角位移看作系统的输入输出信号,依据拓扑思想,建立信号之间的扭振信号拓扑网络模型。把有限实测点的测试数据代入扭振信号拓扑网络模型,可获得传动系统中其它关键点处的扭振参数值。轧机实际现场扭矩测试和数据分析处理结果验证了理论推导的正确性。这为轧机现场监测中不易同时布置传感器且非同轴的关键测点的振动参量获取提供了有效方法。通过编制程序可以实现轧机扭振在线监测和故障分析,从而保证轧机正常平稳运行。     

基于改进的经验模态分解的滚动轴承故障诊断研究

传统的时频分析方法不能有效地处理非平稳信号,经验模态分解(EMD)非常适合处理非平稳信号,但结果可能出现伪内禀模态函数(IMF)和不敏感内禀模态函数。针对EMD的不足,提出能量门限法和敏感IMF选择法相结合来识别真IMF和敏感IMF的方法,对同时满足这两个条件的IMF作频谱变换,频谱图上可以清晰呈现故障特征信息。将改进后的EMD应用到滚动轴承故障诊断实例,证明了此方法的可行性和准确性。     

基于Hilbert谱奇异值的滚动轴承故障诊断

提出一种基于Hilbert谱奇异值的故障特征提取方法,将其与支持向量机结合应用于轴承故障诊断。利用小波阈值降噪的方法对拾取的轴承故障振动信号进行滤波降噪,然后利用经验模式分解将降噪信号分解为若干个IMF分量之和,对每个IMF分量进行Hilbert变换得到振动信号的Hilbert谱,对Hilbert谱进行奇异值分解得到反映轴承状态特征的奇异值序列,再利用奇异值作为特征向量,应用支持向量机进行轴承故障诊断,并对不同核函数的诊断结果进行了分析比较。对正常轴承、内圈故障、外圈故障、滚动体故障的实际信号的诊断验证了该方法可的有效性。     

基于部分集成局部特征尺度分解与拉普拉斯分值的滚动轴承故障诊断模型

提出了一种基于部分集成局部特征尺度分解(Partly ensemble local characteristic-scale decomposition,PELCD)、拉普拉斯分值(Laplacian score,LS)特征选择和基于变量预测模型模式分类(Variable predictive model based class discrimination,VPMCD)的滚动轴承故障诊断模型。PELCD是新提出的一种基于噪声辅助数据分析方法,克服了局部特征尺度分解的模态混淆问题,与传统的基于噪声辅助数据分析方法相比有一定的优越性,论文将其应用于滚动轴承振动信号的预处理。之后提取振动信号PELCD分量的时域和频域统计特征及振动信号的时频联合域特征;同时为了降低特征向量维数,提高诊断效率,采用LS优化特征向量。再将优化的特征向量输入到VPMCD分类器进行训练和测试。滚动轴承实验数据分析结果表明该模型能够有效地诊断故障程度和故障类型。     

基于小波去噪和EMD的信号瞬时参数提取

为了消除随机噪声对经验模式分解（EMD）质量的影响,提出利用小波去噪作为EMD的预处理,并结合希耳伯特变换提取信号瞬时参数的方法。研究了经验模式分解与希耳伯特变换相结合的提取信号瞬时参数的EMD／HS法,并针对随机噪声的影响,提出了基于阈值的正交小波变换去噪法。理论分析及仿真结果表明,该法克服了直接运用EMD分解中由于大量噪声带来的不必要的干扰,减少了EMD的分解层数以及累积边界效应对信号分析的影响,提高了瞬时参数提取的时效性和准确性。