共查询到18条相似文献,搜索用时 187 毫秒
1.
针对柴油机振动信号的瞬时非线性特点,提出采用柴油机振动信号的本征模函数(IMF)分量进行特征频带识别的新方法。将柴油机振动信号经经验模态分解,并去掉主要干扰因素所对应的IMF分量,再将剩余IMF分量进行重构得到柴油机振动信号。实际测试结果表明,重构后的信号能反映柴油机机身振动的真实趋势。 相似文献
2.
针对柴油机振动信号的瞬时非线性特点,提出采用柴油机振动信号的IMF分量进行特征频带识别的新方法.将柴油机振动信号经验模态分解,并去掉主要干扰因素所对应的IMF分量,再将剩余IMF分量进行重构得到柴油机振动信号.实际测试结果表明,重构后的信号能反映柴油机机身振动的真实趋势. 相似文献
3.
4.
针对强噪声干扰下柴油机失火故障难以诊断的问题,提出一种基于变分模态分解(variational mode decomposition,VMD)与交叉小波变换(cross wavelet transform,XWT)的柴油机失火故障诊断方法。该方法首先通过VMD将缸盖振动信号进行分解、自适应消噪及信号重构,再利用XWT对任意两个连续工作循环信号进行时频相关分析,进一步消除振动信号中的干扰噪声以提取柴油机燃烧特征,最后通过计算时频空间各缸能量占比进行柴油机失火故障诊断。通过对仿真信号分析及柴油机失火故障诊断,结果表明:该方法可以消除强噪声干扰,提取柴油机燃烧周期瞬态振动冲击特征,有效地识别柴油机失火故障。 相似文献
5.
针对汽轮机运行过程中的非平稳性和多分量性振动故障信号,提出一种基于变分模态分解相对熵云模型和优化最小二乘支持向量机(LSSVM)的汽轮机振动故障诊断方法。首先,利用变分模态分解按照预设尺度将故障信号分解为K个模态分量,根据各模态分量与原始信号的相对熵大小去除伪分量,提取最佳分量并将其输入云模型,采用逆向云发生器提取特征向量。然后使用改进果蝇优化算法动态调整搜索步长搜寻影响LSSVM识别精度的超参数最佳组合,最后将特征向量输入参数优化后的LSSVM进行故障识别,并与采用经验模态分解相对熵云模型和集合经验模态分解相对熵云模型的LSSVM识别结果进行了对比。结果表明:所提方法优于传统的信号分解方法,对汽轮机振动故障类别具有很高的识别准确率。 相似文献
6.
7.
针对传统时频分析方法分解不准确、效率低下的问题,提出一种改进的自适应变分模态分解(AVMD)方法,该方法预先使用短时傅里叶变换预估模态数量,并对原始信号频谱与分量叠加频谱进行谱相关分析筛选最优惩罚因子,提高变分模态分解(VMD)的精确性,与经验模态分解(EMD)、聚合经验模态分解(EEMD)、小波变换相比,该方法分解速度快、准确度高。之后,结合AVMD和谱相关分析提出一种新的滚动轴承故障诊断方法,该方法首先采用AVMD将已知故障信号分解成若干本征模态,并使用主要成分分析(PCA)降维去噪后构成故障模型库;然后对新采集的检测信号进行相同处理得到检测特征向量;最后将检测向量和故障库故障库特征向量分别进行频域内谱相关性分析和判别,实现故障诊断。使用西储大学实验台轴承数据和实际风场采集数据对该方法进行验证,诊断结果表明该方法相比于传统方法,识别率有明显提高。 相似文献
8.
针对水电机组振动信号非平稳、非线性及强噪声的特点,提出了一种IMF多尺度波动散布熵(MFDE)结合门控循环单元(GRU)的故障诊断方法。首先,采用跳蛛优化算法(JSOA)寻找变分模态分解(VMD)最优参数,达到振动信号最佳分解降噪效果;其次,对分解得到的本征模态函数(IMF)进行重构,计算有效IMF的多尺度波动散布熵(MFDE)作为故障特征向量;最后,将特征向量输入GRU构建水电机组故障识别器。所提方法对实际水电站机组故障样本数据的故障识别率达97.83%,验证了该方法的有效性。 相似文献
9.
10.
针对互联电网低频振荡辨识过程中Prony算法对噪声敏感的问题,该文将总体经验模态分解法、鲁棒性独立分量分析方法与Prony进行有机结合,运用到关键振荡模式辨识中。将待处理信号进行总体经验模态分解后得到的本征模态函数作为鲁棒性独立分量分析算法的输入,对得到的独立分量进行软阈值去噪后进行反变换得到重构后的本征模态函数,接着将重构后的本征模态函数相加得到去噪信号,用Prony算法对去噪信号进行辨识,最终得到低频振荡的模态参数。仿真结果表明:该方法综合利用了总体经验模态分解不依赖信号任何先验知识和完全由数据驱动的自适应性优点,及鲁棒性独立分量分析提取独立分量并保持分量信号完整性的优势,相比传统总体经验模态分解去噪算法,该方法在没有损失信号的前提下可提高分量信号的信噪比,克服Prony算法对噪声敏感的缺陷,更大程度去除噪声,有利于提高辨识精度和准确性,更能满足实际应用需求。 相似文献
11.
12.
基于小波分析的柴油机故障信号特征的提取 总被引:7,自引:0,他引:7
本文提出了一种新的柴油机表面振动信号的故障特征的提取方法,利用柴油机表面振动信号经过小波降噪处理,有效地剔除柴油机表面振动信号的噪声干扰,提高信号的信噪比。用小波包提取降噪后振动信号的能量特征参数。以表征柴油机故障特征,建立起能量到柴油机故障的映射关系。实际研究表明这一特征提取方法是有效的。 相似文献
13.
14.
基于时频谱图与图像分割的柴油机故障诊断 总被引:6,自引:0,他引:6
将图像分割理论引入柴油机故障诊断中,提出一种基于时频谱图、图像分割和模糊模式识别的柴油机故障诊断新方法.首先利用二进小波对柴油机缸盖振动信号进行预处理,然后用时频谱图对柴油机气门机构4种状态下的缸盖表面振动信号进行时频分析,并将谱图结果根据图像分割理论对其等高图进行分割,最后通过选取分割后图像的特征体质心位置、特征体面积、数目和熵作为特征参数,并利用模糊C均值聚类对图像进行分类识别.试验结果表明,新方法提取的振动信号图像几何特征与形状特征参数能充分反映柴油机气门工作状态的信息,对不同类型的气门故障均能正确诊断. 相似文献
15.
Muhammad Firdaus Isham Muhammad Salman Leong Meng Hee Lim Zair Asrar Bin Ahmad 《风能》2019,22(6):813-833
Wind turbine gearbox diagnosis is a vital tool for maintaining wind turbine operation and safety. The gearbox vibration signal is invariably complex and variable, and useful information and features are difficulty of extraction. Recently, a new and adaptive signal decomposition method, known as variational mode decomposition (VMD), has been proposed, which helps to improve the efficiency and effectiveness of extracting features from gearbox vibration signals. However, the performance of the VMD method mainly depends on its input parameters, especially the mode number and balancing parameter (also called the quadratic penalty term). Hence, this paper proposes a selection method for an optimized VMD parameter using differential evolution algorithm (DEA), also called VMDEA. Firstly, the VMDEA is used to select optimized VMD input parameters for each of the vibration signals. Following this, VMD decomposes each vibration signal into sets of subsignals using the selected optimized parameter. Multidomain features are extracted from VMD reconstructed signals and are passed on to the extreme learning machine (ELM) for fault classification. This study can thus provide a good solution for determining an optimized VMD parameter for decomposing vibration signals and can also provide a more efficient and effective diagnostic approach to wind turbine gearbox maintenance. 相似文献
16.
17.
柴油机运行时因激振力的作用会产生一定方向和频率的冲击振动,构件的裂纹或松动等故障会影响到其响应成分的频率能量特性.针对柴油机运行时的冲击响应振动信号,利用小波分析快速进行信噪分离,频域范围内采用功率谱分析结合小波包分解对各频段能量谱分析.根据振动信号时域峰值和时刻,频域能量的变化和分布,给出故障诊断层使用的状态特征向量... 相似文献
18.
针对强噪声环境下滚动轴承微弱信号易被淹没,其识别缺乏数学理论基础的问题,基于分形理论提出一种改进变分模态分解(Improved Variational Mode Decomposition, IVMD)与最大相关峭度解卷积(Maximum correlated kurtosis deconvolution, MCKD)相结合的轴承早期故障识别方法。采用灰狼算法(Grey Wolf Optimizer, GWO)优化VMD参数,分形筛选最优分量,MCKD算法突显信号中的冲击成分,对其进行包络谱分析实现故障诊断。与其它方法相比,IVMD-MCKD方法可较好突显故障特征频率及其倍频,实现滚动轴承早期微弱故障诊断。 相似文献