基于经验模态分解包络谱的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的非平稳特征和传统包络分析法的缺陷,提出了一种基于经验模态分解包络谱的滚动轴承故障诊断方法.该方法首先采用经验模态分解将原始信号分解为若干个平稳的固有模态函数之和,然后求出包含主要故障信息的若干个固有模态函数分量的包络谱,再定义包络谱中故障特征频率处的幅值比为特征幅值比,最后以特征幅值比作为故障特征向量,输入神经网络,以神经网络的输出来判断滚动轴承的工作状态和故障类型.对滚动轴承内圈、外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有效地提取滚动轴承的故障特征.     

基于多特征参数和概率神经网络的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的非平稳特性,提出了一种基于多特征参数和概率神经网络的滚动轴承故障诊断方法。首先利用经验模态分解（EMD）方法将采集到的滚动轴承原始振动信号分解为有限个固有模式函数（IMF）之和,然后提取表征故障信息的若干个IMF的能量、峭度和偏度作为概率神经网络的输入参数来进行故障分类。试验结果表明,该方法可以准确、有效地识别滚动轴承的工作状态和故障类型,是一种可行的滚动轴承故障诊断方法。     

基于本征模态函数包络谱的滚动轴承故障诊断

针对滚动轴承故障振动信号非平稳的特征,以及传统傅里叶变换不能反映信号细节的缺陷,引入了一种基于本征模态函数包络谱的方法。首先,采用经验模态分解（empirical mode decomposition,EMD）将滚动轴承故障振动信号分解成若干个本征模态函数（intrinsic mode function,IMF）之和;然后,求出包含主要信息成分的IMF分量的Hilbert包络谱;最后,对照滚动轴承故障特征频率,进而判定故障类型。通过对滚动轴承内圈、外圈故障振动信号的分析处理,表明该方法能有效地提取滚动轴承的故障特征。     

基于ESMD和SVM的滚动轴承故障诊断

针对轴承诊断典型样本较少的问题,提出一种基于极点对称模态分解(ESMD)和支持向量机(SVM)的滚动轴承故障诊断方法。其对信号进行ESMD分解,提取含主要故障信息的IMF能量值进行归一化处理,构成能量特征向量并建立SVM,即可准确判断轴承的工作状态。工程实例分析表明,该方法诊断准确率较高(100%),能够有效应用于轴承的故障诊断。     

基于多方向振动数据的风机齿轮箱故障智能诊断

风机齿轮箱作为风机的关键传递结构,针对其关键部件的故障诊断,提出了一种基于极点对称模态分解算法（ESMD）、Mobile Net V2神经网络和D-S证据理论的诊断方法。首先将3个方向的复杂的故障信号进行ESMD分解与重构,将3个方向重构后的信号输入到Mobile Net V2网络中进行训练,最后利用D-S证据理论进行融合计算并得到最终的预测结果。使用某公司搭建的风机齿轮箱实验平台数据,最终通过实验表明,文中所提出的诊断方法有效,在准确率可以接受的前提下,极大地减少了运算的时间,实现了轻量化。     

EEMD熵特征和t-SNE相结合的滚动轴承故障诊断

针对滚动轴承振动信号的非平稳非线性特性,提出了一种采用集合经验模态分解（EEMD）熵特征提取、t-分布邻域嵌入（t-SNE）和粒子群优化-概率神经网络（PSO-PNN）的滚动轴承故障诊断方法。首先,对振动信号应用EEMD算法实现分解,生成多个固有模态函数（IMFs）,对生成的含有主要故障信息的模态分量进行选择,以进一步实现熵特征提取,然后对高维特征数据应用t-SNE算法进行降维,最后利用PSO-PNN分类器进行故障识别。通过案例1和案例2的分析结果表明：该方法对滚动轴承故障识别率均达到100%,具有较高的故障识别率,能对滚动轴承的故障类型有效的识别。     

改进的ESMD用于公共场所异常声音特征提取

由于公共场所异常声音的特殊性及背景噪声的复杂性,极点对称模态分解(ESMD)用于异常声音分解时,存在一些理论和技术上的缺陷。经分析认为公共场所异常声音为非线性、非平稳信号,背景噪声服从T分布。为此,提出改进的ESMD用于公共场所异常声音分解,得到有利于识别的特征。所提出方法的特点是将T分布噪声序列添加到具有背景噪声的异常声音信号中,以减小背景噪声对特征提取的影响;将模态分量的排列熵作为判定异常声音与背景噪声的准则,自适应筛选有效的模态分量;用对称中点插值法替代极值中点奇偶插值法,以缓解ESMD插值端点不明确带来的模态失真。在公共场所异常声音数据库上进行了相关实验。实验结果表明,所提出的方法与目前典型的时频信号处理方法相比,在提高公共场所异常声音分类识别率的同时,缩短异常声音的分解时间,是一种有效的公共场所异常声音特征提取方法。     

基于EMD与功率谱分析的滚动轴承故障诊断方法研究

针对西部油田大型设备故障信号的非线性、非平稳特征,提出一种基于经验模态分解方法EMD（empirical mode decomposition）和功率谱的分析方法。首先对滚动轴承振动信号进行经验模态分解,然后对分解后包含轴承故障特征信息的固有模态函数分量作功率谱分析,得到各分量的功率谱图,清晰直观显示出故障特征信号的功率谱,从混有背景信号和噪声的振动信号中提取轴承故障信息。由于EMD方法具有自适应特性,适宜于非线性、非平稳信号的分解,该方法应用于滚动轴承的故障振动信号分析中,结果表明,该方法能够突出滚动轴承振动信号的故障特征,从而提高滚动轴承故障诊断的准确性。     

滚动轴承故障程度识别与诊断研究

通过滚动轴承模拟故障试验台,获取了滚动轴承外圈、内圈和滚动体不同剥落程度时的振动信号,并对故障程度的识别与诊断进行了探索.采用经验模态分解方法对轴承信号进行分解,得到其固有模态分量,然后将前8阶分量的有效值作为特征向量输入BP神经网络,进行故障程度识别与诊断,滚动轴承3种类型不同程度的故障被准确地区分出来.     

基于改进EEMD的滚动轴承故障诊断研究

滚动轴承的故障信号具有非平稳性、非线性等特点,在经验模态分解过程中会出现模式混叠现象。集合经验模态分解算法(EEMD)是在原始信号中引入随机高斯白噪声序列,改变信号的局部时间跨度,可以有效抑制常规经验模态分解过程中产生的模式混叠现象。在研究EEMD原理的基础上,引入白噪声的幅值标准差准则来选择EEMD参数,并且对分解得到的所有的固有模态函数(IMF)分量通过相关系数法提取有效本征模态分量,再对提取的有效本征模态函数分量阀值处理后进行重构。通过Hilbert变换对重构信号进行包络谱分析,提取滚动轴承的故障特征。轴承故障信号实验结果表明,EEMD方法可以有效应用于滚动轴承的故障诊断中。     

基于改进EMD与PNN的汽轮机通流部分故障诊断

根据热力参数非线性、非稳态的特点,提出了一种基于改进的经验模态分解(empirical mode decomposition,简称EMD)算法与概率神经网络(probabilistic neural network,简称PNN)的汽轮机通流部分故障诊断新方法。该方法针对EMD存在的端点效应问题,采取基于波形相似度的镜像延拓法进行改进,以得到更准确、更真实的本征模函数(intrinsic mode function,简称IMF)分量,从而有效提取了故障特征信息,并通过PNN训练判别汽轮机通流部分故障类型。以某电厂600MW火电机组实时运行数据为基础进行仿真实验,结果表明,基于改进EMD与PNN的汽轮机通流部分诊断方法能够快速准确地判别汽轮机通流部分的故障类型,其准确率明显高于基于EMD与PNN的故障诊断方法。     

基于改进概率神经网络的滚动轴承故障诊断

探讨了经典概率神经网络(PNN)作为模式分类器时的相关原理,针对传统PNN采用相同平滑因子而导致识别率低的问题,提出了一种改进概率神经网络(IPNN),其平滑因子根据模式类别的不同而自适应变化,从而使隐含层的神经元具有更高的适应性,更好地表征了特征向量与模式状态的关联性,反映了输入特征向量对于正确分类结果的实际作用,并将该IPNN应用于滚动轴承的故障诊断中。实验结果表明:IPNN能够有效提高滚动轴承故障分类的准确性,比经典PNN和常用的误差反向传播神经网络(BPNN)具有更高的识别率。     

EMD和SOM神经网络在燃气发动机故障诊断中的应用

提出了EMD和SOM神经网络相结合的燃气发动机故障诊断方法。将燃气发动机振动信号进行EMD分解,提取前几个IMF分量的能量构成故障诊断的特征向量,输入SOM网络进行聚类,再将测试样本输入训练好的网络模型进行故障识别,网络输出结果采用U矩阵图法进行显示。对燃气发动机正常、气门间隙大、排气阀漏气3种状态的信号分析结果表明,该方法可以有效地提取非平稳信号的故障特征,网络模型结构简单,对大数据量样本的聚类与识别准确率高,输出结果清晰、直观、可视性强,该方法为燃气发动机故障诊断提供了新的途径。     

Adaptive extraction method for trend term of machinery signal based on extreme-point symmetric mode decomposition

In mechanical fault diagnosis and condition monitoring, extracting and eliminating the trend term of machinery signal are necessary. In this paper, an adaptive extraction method for trend term of machinery signal based on Extreme-point symmetric mode decomposition (ESMD) was proposed. This method fully utilized ESMD, including the self-adaptive decomposition feature and optimal fitting strategy. The effectiveness and practicability of this method are tested through simulation analysis and measured data validation. Results indicate that this method can adaptively extract various trend terms hidden in machinery signal, and has commendable self-adaptability. Moreover, the extraction results are better than those of empirical mode decomposition.     

基于总体平均经验模式分解近似熵和混合PSO-BP算法的轴承故障诊断方法

针对机械系统的非平稳、非线性特性,提出了一种基于总体平均经验模式分解(EEMD)近似熵和混合PSO-BP算法的轴承故障诊断方法。EEMD能够解决EMD的端点效应,改善处理非线性信号时的局限性;引入随机权重和压缩因子来改进粒子群算法,优化BP神经网络的权值和阈值,解决BP网络的全局收敛问题。将信号经EEMD得到的IMF分量与近似熵结合,组成特征向量,再将构造的特征向量输入到PSO-BP神经网络中进行模式识别。实验及工程应用实例证明了该方法的有效性和优越性。     

滚动轴承故障特征提取的EMD频谱自相关方法

首先,在论述频谱自相关方法(spectrum auto-correlation,简称SAC)的特点、经验模态分解(empirical mode decomposition,简称EMD)分析过程和轴承故障机理的基础上,指出了在故障信号不占主导作用时频谱自相关方法在轴承故障诊断中的局限性,并得到仿真算例验证;然后,提出了基于经验模态分解和频谱自相关的轴承故障特征提取方法,将经验模态分解得到的各分量进行分析比较,再对适合的分量进行频谱自相关分析,可有效提出轴承故障频率;最后,分别在轴承故障试验台实测了深沟球轴承和圆柱滚子轴承内外圈故障振动数据,结果表明,EMD-频谱自相关分析方法可以很好地提取轴承故障信号,较单一EMD分解、频谱自相关和峭度等方法效果更好,为轴承故障诊断提供了新思路。     

An improvement EMD method based on the optimized rational Hermite interpolation approach and its application to gear fault diagnosis

A demodulation technique based on improvement empirical mode decomposition (EMD) is investigated in this paper. Firstly, the problem of the envelope line in EMD is introduced and the drawbacks of two classic interpolation methods, cubic spline interpolation method and cubic Hermite interpolation method are discussed; then a new envelope interpolation method called optimized rational Hermite interpolation method (O-EMD) is proposed, which has a shape controlling parameter compared with the cubic Hermite interpolation algorithm. At the same time, in order to improve the envelope approximation accuracy of local mean, the parameter determining criterion is put forward and an optimization with Genetic Algorithm (GA) is applied to automatic select the suitable shape controlling parameter in each sifting process. The effectiveness of O-EMD method is validated by the numerical simulations and an application to gear fault diagnosis. Results demonstrate that O-EMD method can improve the reliability and accuracy significantly compared with traditional EMD method.