EMD在扭转振动分析中的应用研究

构建扭转振动测试系统,对扭转振动进行了测试分析。用经验模态分解(Empirical Mode Decomposition,EMD)与希尔伯特黄变换(Hilbert-Huang Transform,HHT)解释了扭转振动信号。明确了固有模态函数(IMF)与系统振动频率的对应关系,即一个固有模态函数与系统中某一个频率不是一一对应。对于不复杂的系统,一般情况下,第一、第二固有模态函数基本上表征了系统的模态。最后,采用EMD对扭振测试数据进行了分析,验证了EMD对扭振分析的有效性。     

应用EMD能量值的导轨摩擦特征提取方法

针对机床类设备加速度传感器安装不便的实际情况,以机床电机负荷电流为分析对象,提出了应用经验模态分解(empirical mode decomposition,EMD)和本征模态函数(intrinsic mode function,IMF)能量值的摩擦特征提取方法,间接分析摩擦振动和摩擦磨损状态特性。设计对比实验获取4组传动链电流信号,利用EMD分解电流信号获得系列IMF,计算各阶IMF分量单位时间内能量值,提取摩擦振动对应的边频带和摩擦特征值E(IMF3)。实验表明,通过摩擦特征值E(IMF3)变化曲线可以观察出导轨磨损状态经历的4个时期,实现在线监测导轨磨损状态的目的。     

基于EMD与倒谱分析的轴承故障诊断

提出了一种基于经验模态分解与幅值倒频谱分析的轴承故障诊断方法。该方法首先对外圈故障信号作传统的傅里叶幅值谱和幅值倒频谱分析,未能明显地找到故障特征;然后对故障信号做经验模态分解,并对分解出来的第一层本征模函数作倒频谱分析,有效地提取出了故障特征;最后,用该方法分别对具有内圈故障和滚动体故障的轴承故障信号作分析,也有效地提取出了故障特征。实验结果表明,通过联合经验模态分解和倒频谱分析,能有效并且准确地提取出轴承的故障特征频率。     

改进经验模态分解在动平衡信号提取中的应用

在变频结构干扰和强噪声背景下，传统方法从原始振动信号中提取动平衡信号的精度不高。本文采用经验模态分解可以根据实时振动信号的局部特征时间尺度，将其自适应分解为有限多个由高频到低频排列的、正交的本征模态函数；同时利用自回归预测模型延拓信号端点，以消除分解过程的边界效应对低频动平衡信号的影响；最后，根据功率谱密度可以快速、有效地判断出代表基频信号的本征模态函数。实验结果证明，该方法可以高精度提取动平衡信号，在相同测量条件下，能够获得较高的一次不平衡量降低率和较好的重复性能。     

结合EMD和LSF的振动信号降噪方法的研究

针对原始振动加速度信号中存在的低频趋势项信号在通过数学积分变换时存在严重失真的问题,提出了采用最小二乘法（least squares fit,简称LSF）和经验模态分解（empirical mode decomposition,简称EMD）相结合的方法,实现过滤原始信号中干扰信号的目的。该方法通过对经验模态分解得到的固有模态函数（intrinsic mode function,简称IMF）去除趋势项后进行重构以达到信号降噪的目的。采用该方法分别对模拟信号和某型号干式真空泵的振动实测数据进行了降噪处理,再进行信号积分变换,通过对比证明了该方法能够弥补单一方法在处理信号低频趋势项时的不足,提高了振动信号分析的可靠性。     

基于中值滤波-SVD和EMD的声发射信号特征提取

针对随机噪声和脉冲干扰对经验模态分解(EMD)质量的影响,提出中值滤波和奇异值分解(SVD)联合降噪方法,并将其与EMD分解相结合形成一种新的声发射(AE)信号特征提取方法.首先对原始AE信号进行中值滤波,去除幅值较大的异常值;其次对去除异常值的信号序列进行相空间重构和SVD分解,并针对难以确定重构阶数这一问题,提出奇异值能量差分谱概念,利用谱峰的较大值位置来确定重构阶数,以进一步降噪;最后对降噪信号进行EMD分解,以本征模态函数(IMF)的能量占比作为表征各损伤信号的特征向量.数值仿真和5层胶合板损伤的实测数据表明,该方法不仅能够滤除噪声干扰,提高EMD分解的时效性和准确性,而且能够有效地提取出胶合板AE信号特征,对其损伤类型进行有效地识别.     

运用希尔伯特黄变换的桥梁颤振导数识别

提出了一种基于希尔伯特黄变换(Hilbert-Huang Transform,简称HHT)识别桥梁颤振导数的方法.根据HHT理论,首先利用经验模态分解(Emprical Mode Decomposition,简称EMD)将桥梁节段模型风洞试验中实测得到的自由振动加速度响应信号分解成一系列本征模函数(Intrinsic Mode Function,简称IMF)分量,对幅值最大的IMF分量作希尔伯特变换,得到其瞬时振幅和瞬时频率.通过信号处理,识别出结构的固有频率和模态阻尼比.其次,对自由振动时程进行时域拟合,获得结构的复振型.最后通过状态方程确定系统的8个颤振导数.数值仿真算例表明,该方法具有较好的抗噪性和可靠性,风洞试验也验证了该方法的可行性和有效性.     

随机共振消噪和EMD分解在轴承故障诊断中的应用

针对实际机械故障诊断中强噪声背景下难以提取故障特征的情况,提出了一种基于随机共振消噪(stochastic resonance,SR)和经验模态分解(Empirical Mode Decomposition,EMD)的轴承故障诊断方法。首先,将轴承振动信号进行随机共振消噪,利用噪声增强振动信号的信噪比;然后,将消噪的信号再进行EMD分解,通过求取本征模函数(Intrinsic Mode Function,IMF)幅值谱,从而发现轴承故障频率。实验结果表明,该方法可以提高信噪比,实现微弱信号检测,更有效地应用于轴承的故障诊断。     

应用EMD和双谱分析的故障特征提取方法

针对传统双谱分析从理论上仅能抑制高斯噪声,但对非高斯噪声无能为力的不足,提出了一种利用经验模式分解(empirical mode decomposition,简称EMD)和双谱分析的故障特征提取方法,并应用于滚动轴承故障诊断中。首先,对信号进行EMD分解;其次,利用能量相关法去除EMD分解过程中出现的伪本征模态分量(intrinsic mode function,简称IMF);最后,对得到的真实IMF进行双谱分析提取故障特征。仿真和实验结果表明,所提出的方法优于功率谱分析和传统双谱分析,能够更有效地提取强噪声背景下的机械故障特征信息,为滚动轴承的故障特征提取提供了一种新的方法。     

改进的噪声总体集合经验模式分解方法在轴承故障诊断中的应用

在复杂的流程工业中,机械设备往往处在高速、重载、高温、高辐射的环境中,轴承作为主要的机械零部件起着重要作用。由于轴承故障振动信号的微弱和不平稳的特性,造成故障特征向量提取和故障诊断存在着困难。提出一种改进的CEEMDAN(Improved Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,ICEEMDAN)轴承故障诊断方法。通过对比分析仿真信号和实测信号可以得知:ICEEMDAN方法可以改善信号重构质量,具有良好的自适应性,能够提高故障信号的信噪比,从而可以有效地识别并提取有用的故障特征信息。     

基于EMD和ANFIS的自适应噪声消除研究

对于混入色噪声的混合信号,如果可以通过测量得到产生色噪声的白噪声,对白噪声进行非线性训练即可逼近色噪声,达到非线性滤波的目的.自适应模糊推理系统(adaptive neuro-fuzzy unference system,ANFIS)可以实现上述非线性逼近.文中在上述算法的基础上,提出一种EMD(empirical mode decomposition)-ANFIS的自适应色噪声消除方法,首先对混合信号进行EMD分解,得到各个内禀模态函数分量(intrinsic mode function, IMF),然后对分解得到的内禀模态分量进行ANFIS模糊消噪,最后对消噪后的各个分量信号进行叠加.由于所得内禀模态函数为近似平稳信号,且图形越来越趋于平缓,减小了ANFIS方法的逼近难度.在混合信号信噪比为2.840 7 dB时,经过EMD-ANFIS消噪后的估计误差比只经过ANFIS消噪后的估计误差减少11.74 dB,证明EMD-ANFIS方法的有效性.     

FAST IMPLEMENTATION OF ORTHOGONAL EMPIRICAL MODE DECOMPOSITION AND ITS APPLICATION INTO HARMONIC DETECTION

Since the empirical mode decomposition （EMD） lacks strict orthogonality, the method of orthogonal empirical mode decomposition （OEMD） is innovationally proposed. The primary thought of this method is to obtain the intrinsic mode function （IMF） and the residual function by auto-adaptive band-pass filtering. OEMD is proved to preserve strict orthogonality and completeness theoretically, and the orthogonal basis function of OEMD is generated, then an algorithm to implement OEMD fast, IMF binary searching algorithm is built based on the point that the analytical band-pass filtering preserves perfect band-pass feature in the frequency domain. The application into harmonic detection shows that OEMD successfully conquers mode aliasing, avoids the occurrence of false mode, and is featured by fast computing speed. Furthermore, it can achieve harmonic detection accurately combined with the least square method.     

经验模态分解停止准则及在故障诊断中的应用

停止准则是决定经验模态分解能否完整准确地提取出信号的内禀模态函数的重要因素之一,文中在总结现有的标准偏差(standard deviation,SD)准则、G.Rilling准则和能量差跟踪法的基础上,提出新的结合G.Rilling准则和能量差跟踪法的停止准则,并对这些准则进行仿真和实测数据的比较验证,试验结果表明,文中提出的停止准则优于SD准则和G.Rilling准则,为故障诊断提供更可靠的依据。     

基于阶次跟踪和经验模态分解的滚动轴承包络解调分析

针对齿轮箱升降速过程中振动信号非平稳的特点,将计算阶次跟踪方法与经验模态分解技术相结合,提出一种研究旋转机械瞬态信号故障诊断的分析方法。首先对齿轮箱启动时测得的振动信号进行时域采样,再对时域信号进行等角度重采样,将其转化为角域准平稳信号,然后对角域里的信号进行经验模态分解得到多个固有模态函数分量,最后对包含轴承故障信息的高频固有模态分量进行包络解调分析。结果显示：阶次跟踪技术能够有效地避免传统频谱方法所无法解决的“频率模糊”现象,将非平稳信号转化为准平稳信号;经验模态分解方法能够提取包含故障信息的固有模态分量,将两种方法相结合是对传统频谱分析法的有力补充,具有很广阔的应用前景。     

基于EMD解调的齿轮裂纹早期故障诊断研究

齿轮轮齿发生早期裂纹时,裂纹故障信号十分微弱。为了有效提取早期裂纹故障特征,文中提出基于经验模式分解(empirical mode decomposition,EMD)的早期故障诊断方法。该方法首先去除振动信号中的啮合基频及其谐波成分,得到残余信号,然后针对残余信号进行基于EMD解调分析和处理。仿真及工程实例分析结果表明,所提方法能成功地将齿轮早期裂纹故障信息从复杂的振动中提取出来,更有利于及早发现故障,并判断故障的严重程度。     

Application of computed order tracking, Vold-Kalman filtering and EMD in rotating machine vibration

This paper presents a study on rotating machine vibration signals by using computed order tracking, Vold-Kalman filtering and intrinsic mode functions from the empirical mode decomposition method. Through the sequential use of intrinsic mode function and order tracking methods, both speed synchronous and non-synchronous vibrations that modulate orders in rotating machine vibrations are distinguished, which is difficult when using each of the techniques in isolation alone. Simulation and experimental studies demonstrate the ability of extracting vibrations that modulate order signals through combining the techniques.     

EMD方法基于径向基神经网络预测的数据延拓与应用

把基于径向基神经网络(radbas function,RBF)预测的数据延拓技术引入经验模态分解(empirical mode decomposition,EMD)时频分析领域,论述基于RBF神经网络预测的数据延拓技术原理,通过对非线性仿真信号基于RBF神经网络预测延拓研究表明,该延拓技术是有效的,并且把该延拓技术应用于转子横向裂纹的时频分析,获得良好的效果.该研究成果能广泛用于信号时频分析领域.