基于EMD-SVD-BIC的机械动源数估计方法

提出了一种复合EMD-SVD-BIC(经验模态分解,empirical mode decomposition,简称EMD;奇异值分解,singular value decomposition,简称SVD;贝叶斯信息准则,bayesian information criterion,简称BIC)的机械振动源信号数量估计方法,解决卷积混合的机械振动源在观测数小于振动源数情况下的源数估计问题.应用EMD方法获得信号的本征模函数,对两观测信号的本征模函数复合矩阵的相关矩阵进行奇异值分解,获得反映源数信息的特征值分布;再采用BIC信息准则,判断源信号的数目.仿真和试验结果表明,该方法可以在观测数小于振动源数的情况下正确获取信号源数,为机械振动故障诊断中的振动源分析及其源信号的正确分离提供了方法保障.     

大跨径桥梁实时动态挠度信号的分离

由于经验模式分解(empirical mode decomposition,简称EMD)将非线性非平稳信号分解成为一系列线性、平稳的本征模函数(intrinsic mode function,简称IMF)信号,针对单通道大跨径桥梁挠度信号分离问题,结合盲源分离和经验模式分解各自优点,提出基于经验模式分解的盲源分离方法。利用奇异值分解(singular value decomposition,简称SVD)估计信号源数目,根据源信号数目将单通道挠度信号和其本征模函数重组为多通道输入信号,应用独立分量分析（independent component analysis,简称ICA）理论中的快速独立分量分析（fast independent component analysis,简称FastICA）算法对输入信号进行分解,实现桥梁挠度信号各分量的分离。仿真研究表明,该方法能较好地解决ICA模型源数估计和单通道挠度信号盲源分离难题。     

大跨径桥梁实时动态挠度信号的分离

由于经验模式分解(empirical mode decomposition,简称EMD)将非线性非平稳信号分解成为一系列线性、平稳的本征模函数(intrinsic mode function,简称IMF)信号,针对单通道大跨径桥梁挠度信号分离问题,结合盲源分离和经验模式分解各自优点,提出基于经验模式分解的盲源分离方法。利用奇异值分解(singular value decomposition,简称SVD)估计信号源数目,根据源信号数目将单通道挠度信号和其本征模函数重组为多通道输入信号,应用独立分量分析(independent component analysis,简称ICA)理论中的快速独立分量分析(fast independent component analysis,简称FastICA)算法对输入信号进行分解,实现桥梁挠度信号各分量的分离。仿真研究表明,该方法能较好地解决ICA模型源数估计和单通道挠度信号盲源分离难题。     

基于经验模式分解的单通道机械信号盲分离

盲源分离是机械设备复合故障诊断的一种有效方法,经验模式分解是非平稳信号分析的有力工具,它将非线性、非平稳信号分解成为一系列线性、平稳的本征模函数信号。在机械故障信号盲分离中,单通道机械信号盲分离是一个病态问题。针对单通道机械信号盲分离的困境,综合盲源分离和经验模式分解各自的优点,提出基于经验模式分解的单通道机械信号源数估计和盲源分离方法。针对单通道机械观测信号进行经验模式分解,并将单通道信号和其本征模函数组成多维信号,利用奇异值分解估计机械源数目,根据源信号数目重组多通道机械混合信号,并利用FastICA算法实现机械信号的盲分离。将该方法应用于轴承和齿轮的仿真研究,正确分离出轴承和齿轮源信号,仿真研究表明,它能很好地解决单通道机械信号的源数估计和盲源分离难题。     

VMD⁃SVD在机械故障信号欠定源数目估计中的应用

针对在观测信号数目小于机械故障振动信号源数目的欠定情况下,源信号的个数难以估计的问题,提出一种变分模态分解(Variational mode decomposition,VMD)和奇异值分解(Singular value decomposition,SVD)相结合的盲源数目估计方法.首先利用VMD对振动信号进行分解,得到若干本征模态函数分量(Intrinsic mode function,IMF),然后对IMF进行重新组合得到多维观测信号的协方差矩阵,最后依据奇异值分解的结果来对信号源数目进行最终确定.仿真信号分析验证了该方法的有效性,将该方法运用到轴承复合故障振动信号中,分析结果表明,该方法能够实现欠定情况下源数目的可靠估计.     

基于形态奇异值分解和经验模态分解的滚动轴承故障特征提取方法

针对随机噪声和局部强干扰影响经验模态分解(Empirical mode decomposition,EMD)质量的问题,提出一种形态奇异值分解滤波消噪方法,并将其与EMD相结合形成一种新的故障特征提取方法。该方法首先对原始振动信号进行相空间重构和奇异值分解(Singular value decomposition,SVD),根据奇异值分布曲线确定降噪阶次进行SVD降噪,再形态滤波,最后把消噪后的信号进行EMD分解,利用本征模模态分量(Intrinsic mode function,IMF)提取故障特征信息。对仿真信号和实际轴承故障数据的应用分析表明,该方法能有效地提取轴承故障特征,诊断轴承故障,还可以减少EMD的分解层数和边界效应,提高EMD分解的时效性和精确度。     

基于EMD和奇异值差分谱理论的列车齿轮箱故障诊断研究及实现

针对列车齿轮箱故障频率难以提取的情况,提出了一种基于EMD和奇异值差分谱理论的故障诊断方法。通过EMD分解齿轮原始振动加速度信号,得到若干个本征模函数;从频谱图中提取某个含有故障特征信息的本征模函数,对该分量构造hankel矩阵并对其进行奇异值分解,差分谱消噪,信号重构和希尔伯特包络解调,从而确定故障频率,准确实现列车齿轮箱的故障诊断。通过实验证明了该方法的可行性和有效性,为列车运行状态监控、故障诊断和运行安全自动防护提供理论和实践参考。     

基于EEMD奇异值熵的滚动轴承故障诊断方法

为充分利用振动信号进行故障辨识,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)奇异值熵判据的滚动轴承故障诊断方法。首先,对滚动轴承的振动信号进行EEMD分解获得若干个本征模态函数(intrinsic mode function,简称IMF),并根据一种IMF分量故障信息含量的评价指标(即峭度、均方差和欧氏距离)选出能够表征原始信号状态的分量进行信号重构;其次,利用奇异值分解技术对重构信号进行处理,结合信息熵算法求取其奇异值熵;最后,利用奇异值熵的大小判断滚动轴承的故障类别。用美国西储大学滚动轴承振动信号对所述方法进行验证的结果表明,相比传统的EMD奇异值熵故障诊断方法,本方法能够清晰的划分出滚动轴承不同工作状态的类别特征区间,而且具有更高的故障诊断精度。     

基于EMMD和BSS的单通道旋转机械故障诊断方法

针对在欠定的观测信号情况下,传统基于矩阵的盲源分离算法效果比较差的问题,提出一种基于极值域均值模式分解和盲源分离的单通道旋转机械信号故障特征提取方法,并应用于实际的故障诊断中.该方法先通过极值域均值模式分解法分解观测信号,把得到的固有模态函数和原观测信号一起组成新观测信号,从而实现了信号升维,使欠定问题转化为正定问题;然后,由奇异值分解和贝叶斯准则进行源数估计;最后,利用基于四阶累积量的特征矩阵联合对角化方法实现信号的盲分离.通过仿真,验证了该方法对旋转机械故障信号进行盲源分离的可行性.将提出的方法应用到齿轮和轴承系统的故障诊断中,进一步证明了该方法的有效性.     

基于流形学习的滚动轴承故障盲源分离方法

滚动轴承的故障信号是一种典型的非线性非平稳信号,其信号中常常混有噪声信号及其他干扰成分。提出了一种基于流形学习的滚动轴承故障盲源分离方法,首先,利用经验模态分解(empirical mode decomposition,简称EMD)对单通道模拟信号进行分解,对得到的多通道信号构造其协方差矩阵,计算矩阵的奇异值下降速比得到原始信号数目;其次,利用峭度等指标选择最优观测信号,利用核主成分分析(kernel principal components analysis,简称KPCA)提取信号的流形成分;最后,利用快速独立成分分析(fast independent component analysis,简称Fast ICA)还原得到源信号。该方法不但解决了故障信号的欠定盲源分离问题,还提出了最优观测信号的确定准则,并通过实例验证了方法的有效性。     

EMD与ICA在故障诊断中的应用研究

由于经验模式分解(EMD)的自身分解能力的不足和外部信号的影响,在处理固有模态函数的精确分离和消除调制信号的干扰成分时存在困难,不能得到合适的IMF分量。提出了一种经验模式分解和独立分量分析联合的方法。该方法将振动信号进行经验模式分解(EMD)形成本征模式函数IMF,再基于互相关准则对分解后的本征模函数进行重新组合,组织虚构的采集信号通道,与源信号一起,最终形成Fast ICA的输入矩阵。此方法不但解决盲源分离算法中观测信号数目需大于等于源信号数目的问题,而且能分离出单独IMF分量的固有特性,保证每个IMF分量丢失的信息特征得到复原后,解决了各个分量之间的信息失真和模态混叠现象,充分发挥出经验模式分解和独立分量分析的特征提取优点。进行数据仿真和实验,验证了该方法在滚动轴承故障特征提取中具有明显效果。     

基于DEMD的高压隔膜泵单向阀早期故障诊断

针对高压隔膜泵单向阀的早期故障特征提取困难的问题,提出基于微分经验模态分解(differential empirical mode decomposition,简称DEMD)的高压隔膜泵单向阀早期故障诊断方法。首先,对振动信号进行微分运算,提高高频成分的振幅比,使微弱高频成分在后续分解中更易提取;其次,对得到的新信号进行经验模态分解(empirical mode decomposition,简称EMD),并将分解后的本征模函数(intrinsic mode function,简称IMF)分量信号进行积分还原;最后,计算分量信号与原振动信号的Kullback-Leibler散度(Kullback-Leibler divergence,简称K-L散度)值,选取K-L散度值较小的分量信号进行重构,并利用Hilbert边际谱对重构信号进行瞬时频谱分析,以提取故障振动信号的特征。仿真与工程实验分析表明,该方法能够较好地提取出单向阀早期故障特征信息。     

基于吸引子SVD降噪的改进EMD法

基于经验模式分解(empirical mode decomposition,简称EMD)分解出的基本模式分量往往会因为原始数据中的一些异常数据和高频噪声而丧失明确的物理意义。因此,提出了一种基于系统重构吸引子奇异值分解(singular value decomposition,简称SVD)降噪的EMD分解方法。在改进方法中,原始信号经SVD降噪后分解出了原信号中的有用成分和冗余成分,对有用成分进行EMD分解可以减少原信号中冗余成分对EMD分解能力的干扰,提高EMD分解能力,使得分解出的基本模式分量更加具有实际意义,更加有利于特征的提取。     

基于EMD-PCA的轴承故障源盲分离方法

结合经验模态分解和主分量分析各自的优点,提出了一种基于EMD-PCA的轴承故障源的盲分离方法。利用EMD方法对混合观测信号进行分解得到若干个本征模函数分量,把所有的IMF分量重新组合在一起,作为新的观测信号,然后采用PCA对新的观测信号进行共性分析以得到源信号中的主要成分,并进行了轴承故障源分离试验验证。     

快速自适应经验模态分解方法及轴承故障诊断

提出一种快速自适应经验模态分解(fast and adaptive empirical mode decomposition,简称FAEMD),其算法结构和本征模态函数的特点与经验模态分解(empirical mode decomposition,简称EMD)类似。采用顺序统计滤波器代替三次样条来拟合曲线,简易的终止准则使耗机时间大幅减小。该方法可以快速、有效、准确地分解信号,能够避免终止准则和端点效应问题,改善模态混叠和耗时问题。在滚动轴承故障诊断的应用中,效果表现良好。     

基于EMD和非线性峭度的齿轮故障诊断

采用经验模式分解(empirical mode decomposition,简称EMD)和非线性峭度的统计特性对振动加速度传感器获取的齿轮箱振动响应信号进行特性分析。利用EMD分解获得振动响应信号的本征模式函数,用非线性Tea-ger能量算子计算每个本征模式函数的瞬时能量,并对本征模式函数进行系数的非线性峭度计算,提取系统的特征信息。仿真结果表明,用经验模式分解和非线性峭度可实现在线监测齿轮运转工作状态,及时发现齿轮的早期故障,提高了故障检测的可靠性。     

变量预测模型在齿轮故障诊断中的应用

将基于变量预测模型的模式识别(variable predictive model based class discriminate,简称VPMCD)方法、经验模态分解(empirical mode decomposition,简称EMD)方法和奇异值分解(singular value decomposition,简称SVD)相结合,提出了一种基于EMD,SVD和VPMCD的齿轮故障的诊断方法.首先,对齿轮振动信号进行EMD分解,得到若干个IMF(intrinsic mode function,简称IMF)分量;其次,将包含齿轮主要故障信息的前几个IMF分量组成特征向量矩阵,并对其进行SVD分解;最后,将奇异值作为特征向量建立VPMCD多故障分类器,以此来区分齿轮的工作状态和故障类型.将提出的方法应用于齿轮实验数据,分析结果表明,该方法能够实现齿轮故障类型的分类和诊断,是一种有效可行的齿轮故障诊断方法.     

基于能量的振动信号经验模态分解终止条件

经验模态分解(Emprical Mode Decomposition,简称EMD)主要思想是把一个时间序列的信号分解成不同尺度的本征模函数(Intrinsic Mode Function,简称IMF).EMD算法用残余量极值点数量小于2来终止分解,该终止条件有无关组分多和分解速度慢的缺点.针对该缺点,提出了采用残余能量小于设定值的EMD分解终止条件.通过对非线性和实例振动信号的试验研究表明,基于能量的EMD分解终止条件既可以减少分解的无关组分,又可以提高分解的速度.该研究成果能广泛地用于振动信号分析领域.     

基于源数估计的旋转机械源盲分离

在传统的源数估计方法基础上引入聚类分析思想，提出了一种基于奇异值分解的聚类不相关源数估计新方法。应用该方法，可以估计系统中独立源数的上界，并籍此获得足够维数的传感观测信号，保证盲源分离方法在实际应用中的正确实施。仿真以实验的结果证明了所提出的整体解决方案的可行性和有效性。     

基于EMD-SVD和CNN的旋转机械故障诊断

为解决旋转机械振动信号复杂且难以提取有效故障特征的问题,提出了一种经验模态分解（empirical mode decomposition,简称EMD）、奇异值分解（singular value decomposition,简称SVD）和深度卷积网络（Convolutional Neural Network,简称CNN）相结合的故障诊断方法。首先,通过EMD方法将故障信号分解成若干个固有模态分量（intrinsic mode function,简称IMF）,构造时域与频域空间状态矩阵;其次,利用SVD方法对空间状态矩阵进行分解得到奇异值数组,构造时域与频域奇异值特征矩阵;最后,将提取的奇异值特征矩阵输入到CNN中进行模式识别。将该方法分别应用于滚动轴承与齿轮箱故障诊断中,在西储大学滚动轴承数据集、PHM2009直齿齿轮箱数据集上均取得了很好效果,正确率优于将原始信号直接输入到CNN中等几种对比方法,验证了该方法的优越性。