基于经验模态分解的风电轴承早期故障诊断研究

介绍了采用基于经验模态分解EMD包络谱的滚动轴承早期故障诊断方法。该方法先用EMD将原始时域信号分解为若干个平稳的固有模态函数IMF之和,然后求出包含主要故障信息的多个IMF分量的包络谱,通过包络谱频率来判断滚动轴承的故障类型。对滚动轴承内圈故障振动信号的分析结果表明,基于经验模态分解包络谱的故障诊断方法能够比传统的FFT频谱更加及时准确的提取滚动轴承的故障特征,利于提早发现故障隐患。     

基于MCKD-EMD的风电机组轴承早期故障诊断方法

风电机组轴承处于早期故障阶段时,特征信号往往比较微弱,并且受环境噪声及信号衰减的影响严重,因此轴承早期故障特征一直难以提取。经验模态分解(EMD)在轴承的故障特征提取中已经得到了广泛的应用,但其在强背景噪声干扰下对轴承早期故障特征的提取具有一定的局限性。针对这一问题,考虑到最大相关峭度解卷积(MCKD)算法可凸显出轴承振动信号中被噪声所掩盖的故障冲击脉冲,非常适用于轴承早期故障信号的降噪处理,因此将MCKD与EMD相结合用于轴承早期故障诊断。用MCKD对强噪声轴承信号进行降噪,然后对降噪后的信号进行EMD,选取敏感本征模态函数(IMF)并计算其包络谱,通过分析包络谱中幅值凸出的频率成分判断故障类型。仿真和试验分析结果验证了所提方法的有效性和准确性。     

基于变分模态分解和谱峭度的风电机组轴承故障诊断方法

针对风电机组轴承故障特征提取困难的问题,将谱峭度(Spectrum Kurtosis,SK)和变分模态分解(Variational Mode Decomposition,VMD)相结合,提出一种基于VMD-SK的故障诊断新方法。首先,对采集的轴承振动信号进行VMD分解,得到若干个固有模态函数(Intrinsic Mode Function,IMF);其次,对每一个IMF分量进行傅里叶变换,并计算其平方包络;再次,利用SK的滤波特性,选取故障特征频带所在的IMF分量来构建最优包络谱;最后,通过对包络谱分析可以诊断出风力发电机轴承故障。实验结果表明,VDM-SK法可以成功地提取风电机组轴承故障的特征频率,有效区分风电机组轴承的故障类型。     

基于VMD和奇异值能量差分谱的风机滚动轴承故障特征提取方法

风电机组轴承处于早期故障阶段时,故障特征信号微弱,受环境噪声及信号衰减的影响较大,因此轴承早期故障特征的提取一直是个难点。为了有效提取风机滚动轴承的故障特征,提出了基于变分模态分解(Variational Mode Decomposition,VMD)和奇异值能量差分谱的特征提取方法。首先对轴承信号进行VMD分解得到一系列固有模态函数(Intrinsic Mode Function,IMF),然后选取敏感IMF进行奇异值分解,并利用奇异值能量差分谱选取有效奇异值进行信号重构,最后对重构信号进行包络谱分析,进而提取故障特征。实验分析结果验证了所述方法的有效性。     

基于经验模态分解和散度指标的风力发电机滚动轴承故障诊断方法

提出了一种基于经验模态分解（Empirical Mode Decomposition, EMD）和散度指标的滚动轴承故障诊断方法。该方法首先对原始振动信号进行经验模态分解,再以峭度为准则,选取包含故障信息的特征模态函数（Intrinsic Mode Function, IMF）进行信号重构,并对重构后的信号进行Hilbert包络谱分析,然后提取故障特征量,最后通过计算故障特征量的J-散度(J-divergence)和KL-散度(Kullback–Leibler divergence)来判断故障类型和描述故障程度。通过从试验台采集的无故障和具有内环故障、外环故障和滚动体故障样本,以及从某风电场风力发电机齿轮箱高速输出端采集的近一年的监测数据分析结果,证明了所选故障特征量的准确性,同时也验证了所提出的基于经验模态分解和散度指标的滚动轴承故障诊断方法的有效性和准确性。     

基于EEMD和Hilbert分析的滚动轴承故障诊断方法研究

滚动轴承在风电机组中广泛应用,其运行状态直接影响整台风机的性能。提出EEMD(总体平均经验模态分解)和Hilbert包络分析相结合的方法对滚动轴承进行故障诊断。经验模态分解具有自适应性,但存在一些不足,易产生虚假分量和模态混叠现象。针对EMD分解方法的不足,引入改进型算法EEMD。首先将振动加速度信号进行EEMD分解,计算各阶IMF峭度值的大小,选择峭度值较大的IMF分量,利用Hilbert变换对其进行包络谱分析,提取故障特征频率,辨识滚动轴承故障。通过对实验采集的滚动轴承振动信号进行分析,证明了该方法的有效性和准确性。     

基于改进EMD和双谱分析的电机轴承故障诊断实现

轴承是电机设备极重要的部件。轴承故障检测是非常必要的。通过将改进的经验模态分解和双谱分析相结合的故障检测方法来有效诊断电机轴承的早期故障。首先,针对EMD分解无法得到严格单分量IMF的问题,利用小波包分解将轴承振动信号分解为窄带信号并选取能量最集中的频带进行重构,从而降低故障信号的复杂性,抑制模态混叠问题;然后利用经验模态分解方法根据信号的固有波动模式将其分解为一系列IMF分量;再通过方差贡献率检验去除其中的虚假分量;最后,利用双谱分析信号的调制关系进行解耦,得到故障特征频率。验证结果表明,所提出的分析方法能有效诊断轴承故障。     

基于小波变换的轴承故障诊断及预测方法研究

轴承对于保证整个机械系统的安全、稳定运行起着相当关键的作用,针对轴承所开展的故障诊断技术对机械系统、机械设备的正常运转意义重大。以轴承故障模拟实验为基础,介绍了一种轴承故障模拟平台,在此平台上完成了部分轴承故障诊断实验,并运用小波分析方法对模拟实验振动信号进行小波分解与小波去噪。同时本文提出了一种小波变换与EMD相结合的方法,运用MATLAB小波工具箱对诊断信号进行小波分解,将分解后的细节信号进行EMD模态分解以及包络谱分析。运用此方法对滚动轴承各类故障状态进行检测,能够有效判断轴承的故障类型。     

基于DCT和EMD的滚动轴承故障诊断

根据轴承故障振动信号特点,提出了一种离散余弦变换和经验模态分解相结合的轴承振动信号故障诊断新方法。将离散时间序列经过离散余弦变换处理成对应的系数向量,在阈值处理的基础上,重构信号提高故障信号的信噪比;对重构信号进行经验模态分解,通过相关系数计算去除伪分量,并进行频谱分析。仿真信号和轴承故障信号的分析表明,该方法提高了信噪比,降低了EMD运算成本,减少了IMF的数量,保证了IMF的物理意义,成功完成微弱故障诊断。     

基于ESMD和快速谱峭度的电机轴承故障诊断

针对复杂工况下电机轴承故障特征不明显的问题,提出了一种基于极点对称模态分解算法(Extreme-pointSymmetric Mode Decomposition,ESMD)与快速谱峭度联合分析的电机轴承故障诊断方法。首先将复杂故障信号进行ESMD分解得到若干模态分量(Intrinsic Mode Function,IMF)分量,利用信息熵与相关性选取有效IMF并由其信息熵确定信号重构的权重;利用快速峭度图自适应的确定带通滤波器的最佳滤波频带,对重构信号进行带通滤波;然后解调滤波信号分析,从平方包络谱中提取出相应故障的特征频率。最后通过试验分析表明,该方法可对故障信号进行有效降噪并提取出电机轴承故障特征,诊断出故障类型。     

基于EMD方法的高压断路器液压机构振动信号分析

针对高压断路器液压操动机构,分析了振动产生的原因,提出采用EMD(经验模态分解)方法对振动信号进行分解,利用包络谱分析方法提取信号的时域参量,作为反映液压机构操动特性的依据。实验分析表明,该方法能有效地提取液压操动机构运动过程的时域特征。     

改进双谱和经验模态分解在牵引电机轴承故障诊断中的应用

铁路机车传动系统的故障诊断,对保障列车安全可靠运行、防范事故发生起重要的作用。为了有效诊断牵引电机轴承的早期故障,提出基于经验模态分解和改进双谱的故障特征提取方法。经验模态分解是一种数据驱动的信号处理算法,相当于一个自适应滤波器组,其可将信号分解成占据不同频带的固有模态函数,实现信号消噪。滚动轴承承载运转时,局部损伤点以故障特征频率反复撞击与之接触的其它元件表面,会引发机械系统共振;基于此,采用改进双谱分析轴承振动信号各分量间的相互作用,检测轴承故障特征频率。机车实际运行试验表明,所提方法能准确诊断牵引电机轴承的早期故障。     

基于集成经验模态分解和峭度准则的滚动轴承故障特征提取方法

为实现滚动轴承故障的精确诊断,提出一种基于集成经验模态分解(ensemble empirical mode decomposition,EEMD)与峭度准则的包络解调方法。该方法首先利用EEMD将振动信号分解,然后利用峭度最大准则选取EEMD分解后的本征模函数(intrinsic mode function,IMF),将该本征模函数进行包络解调从而获得滚动轴承的故障特征信息。该方法可以有效抑制经验模态分解(empirical mode decomposition,EMD)中的模态混叠问题,同时还避免了共振解调方法中中心频率及滤波频带的选取,具有良好的自适应性。利用该包络解调方法对实际滚动轴承发生内圈、外圈故障进行了分析,证明了该方法可以有效地提取滚动轴承故障特征信息,能够实现滚动轴承故障的精确诊断。     

基于EMD和SPS的容差模拟电路故障诊断

针对具有容差的模拟电路故障诊断难题,提出了结合经验模态分解(EMD)和子带多态谱(SPS)的提取模拟电路故障特征新方法。首先计算出待测试电路的二阶Volterra核序列,然后用EMD对Volterra序列进行分解,获得本征模态函数(IMFs),最后通过计算IMFs的倒谱(CS)和Hiltert谱(HS),对时频域的多态数字故障特征进行提取,从而将容差模拟电路中的软故障和非线性故障进行分离,完成模拟电路故障诊断。实验结果表明,该方法能够有效地解决故障混叠难题,提升故障元件定位和分离的能力。     

基于EMD的局部放电窄带干扰抑制算法

以经验模态分解(empirical mode decomposition,EMD)为基础,提出了一种基于包络线及有效值的自适应窄带干扰抑制算法,用以从噪声中提取局放信号。EMD可以自适应地将信号分解成若干阶不同频率段的固有模态函数(intrinsic mode functions,IMF),窄带干扰经分解后在振幅上显示出与局放脉冲明显不同的特征,通过包络线及有效值确定的阈值可以有效地区别开来。仿真及实际处理结果表明:与常规的基于小波变换的窄带抑制算法相比,该算法具有较强的自适应性;能有效地抑制局放信号中的窄带干扰。     

基于EMD的Hilbert变换应用于暂态信号分析

将一种新的非平稳信号处理方法--基于经验模态分解(EMD)的希尔伯特(Hilbert)变换方法,应用于电力系统暂态信号分析中。通过EMD方法提取信号的固有模态函数(IMF),再进行Hilbert变换,求瞬时频率、瞬时振幅,得到信号的Hilbert谱,进而得到Hilbert边际谱,对故障暂态和扰动信号进行了分析。通过瞬时频率进行故障暂态和扰动时刻的准确检测;通过Hilbert边际谱与傅里叶幅值谱的比较,表明Hilbert边际谱在分辨率上具有明显的优越性。该方法为电力系统暂态信号分析提供了一种新的分析手段。仿真结果验证了该方法的有效性。     

低压断路器振动特性分析及其故障诊断研究

以低压断路器三相不同期故障为对象,首先,利用经验模态分解(EMD)方法,将振动信号分解为若干本征模态函数(IMF),经频谱分析确定前四阶IMF分量作为振动信号特性,并起到振动信号消噪作用;其次,利用分形理论对前四阶IMF分量求取关联维数,以表征低压断路器三相合闸不同期的故障特征;最后,引入极端学习机(ELM)建立三相合闸不同期故障识别模型。试验与仿真结果表明,基于EMD及分形理论的ELM模型可有效区分三相不同期故障。根据上述故障诊断原理,该方法对低压断路器其他故障类型的诊断具有适用性。     

基于经验模态分解的电能质量扰动信号定位方法

提出了一种基于经验模态分解(empirical mode decomposition,EMD)的方法来对电能质量扰动信号进行定位。在EMD方法分解过程中,异常数据会在其第1个固有模态分量中引起局部高频突变信号,此高频突变信号具有幅值相对于无扰动时明显增大的特点。利用此特点,对含有电能质量扰动的电网电压进行EMD分解后得到的第1个固有模态分量求取一阶导数,然后对一阶导数进行阈值处理来确定扰动发生及终止的时刻。仿真结果表明,此方法对多种电能质量扰动信号信号有较好的定位效果。     

基于EEMD和Teager能量算子的电能质量扰动检测

针对电能质量扰动检测的问题,结合经验模态分解（EMD）理论和总体平均经验模态分解（EEMD）算法以及Teager能量算子（TEO）,提出基于EEMD和Teager能量算子的电能质量扰动检测方法。利用经验模态分解方法,将电力系统监测信号分解成不同特征时间尺度的单分量固有模态函数（IMF）,用Teager能量算子计算各固有模态函数的瞬时幅值和频率,得到扰动信号的幅值谱。该方法充分利用了EEMD的自适应性与Teager算子的快速响应能力,仿真试验结果验证了该方法的有效性。