遗传算法在EMD虚假分量识别中的应用

针对EMD(经验模态分解)产生虚假分量这一问题,将遗传算法和K-L散度相结合,对虚假分量进行研究。该方法是先将原始信号进行EMD得到固有模态分量(IMF);将遗传算法和基于均方积分误差的窗宽最优化原则相结合,分别对原始信号和各个IMF分量优化选取窗宽;然后运用核密度估计方法分别得到它们的概率密度函数估计;最后计算原始信号与IMF分量之间的K-L散度值,设定K-L阈值,将K-L散度值大于阈值的IMF分量去除。实验证明,该方法能准确而又快速地获得实验数据的窗宽,虚假成分与真实分量的K-L值有明显差别,根据设定的阈值能准确识别虚假分量。     

基于KL-HVD的转子振动故障诊断方法研究

希尔伯特振动分解(Hilbert Vibration Decomposition,HVD)由于其虚假分量问题,严重制约了其在实际故障诊断中的应用。针对该问题,引入信息论中的K-L散度概念,提出了基于K-L散度的HVD虚假分量识别方法(KL-HVD)。KL-HVD将HVD分量视作概率分布各不相同的信号,并且认为真实分量与原信号的概率分布较为相近。该方法在原HVD方法基础上,计算HVD各分量与原信号的K-L散度值,对分量的虚假性进行量化。由于真假分量之间具有较大的差异性,选用高斯混合模型对这些分量进行聚类,自动区分出虚假分量并予以去除。此外,分别利用互信息及相关系数方法对虚假分量问题进行研究。并将三种方法应用于转子振动问题分析,结果显示三者中KL-HVD方法能够更有效地识别虚假分量,更清晰地提取出故障的时频特征。     

爆破振动信号分析中模态混叠和虚假分量消除的改进方法

针对CEEMD (Complementary Ensemble Empirical Model Decomposition)方法在处理爆破振动信号中模态混叠和虚假分量问题方面的局限性,提出一种改进的解相关CEEMD方法。第一,对信号端点进行特殊处理后,采用CEEMD对信号进行分解;第二,求取各IMF分量信号与原信号的相关系数及其频谱图,共同判定虚假分量;第三,将虚假分量与主分量相加后,通过解相关计算消除模态混叠。仿真信号的CEEMD分解结果以及相关系数与能量插值计算表明,改进的解相关CEEMD方法分解精度比EMD(Empirical Model Decomposition)和CEEMD高,有效抑制了信号模态混叠现象,能够避免直接处理虚假分量而带来的能量损失。应用于爆破振动信号分解,基本保证了各IMF分量非主频率信号的能量比例较低。改进方法有效消除了爆破振动信号的模态混叠和虚假分量现象。     

基于改进EMD和滑动峰态算法的滚动轴承故障特征提取

针对滚动轴承故障特征往往被强背景噪声淹没的特点,提出一种基于改进经验模态分解(Empirical Mode Decomposition,EMD)与滑动峰态算法的滚动轴承故障特征提取方法。首先利用EMD方法分解原故障信号得到一组平稳固有模态分量(Intrinsic Mode Function,IMF)。然后采用互信息和广义相关系数筛选法消除传统EMD分解结果中虚假分量,并运用滑动峰态算法对真实IMF分量处理得到滑动峰态时间序列。最后计算滑动峰态序列频谱提取故障特征频率。滚动轴承的实例研究结果表明：该方法能够有效提取滚动轴承故障特征,可以取得比直接滑动峰态算法和传统包络解调分析更好的效果。     

基于包络解调随机共振和CEEMD的机械早期微弱故障诊断方法研究

针对噪声背景下机械振动信号早期故障特征提取难题,提出一种基于包络解调随机共振和互补总体经验模态分解的机械早期微弱故障提取及诊断新方法。首先对含噪声机械故障信号进行包络解调处理,然后对包络信号进行变尺度随机共振输出,使故障特征信号得到增强,最后对处理后的信号进行互补总体经验模态分解(CEEMD),得到机械振动信号故障特征分量,实现故障特征提取及诊断。对机械故障诊断实例表明,该方法不仅能增强信号幅值,同时减少了虚假分量,提高了CEEMD算法的精度,有效提取出被噪声淹没的微弱故障信号,提高了机械早期故障诊断效果。     

基于D-CA和R-EEMD的液压系统故障识别

剖析液压系统故障特征,采用了一种双相关分析(D-CA)和改进的集合经验模态分解(R-EEMD)相结合的液压系统故障提取新方法。该方法首先对原信号进行自相关分析,突出信号中的周期成分和去噪,利用支持向量回归机(SVR)延拓来改进的EEMD对原信号的自相关函数进行分解;得到理论意义上的固有模态函数(IMF)。再通过求取IMF分量与自相关处理的信号的频域而非传统时域上的互相关系数,去除虚假IMF分量。最后对去除虚假分量重构信号进行Hilbert谱分析提取信号的故障特征。该方法提高了信噪比,减少了IMF的数量,抑制了端点效应,成功地提取了液压系统故障特征频率。     

基于改进小波阈值降噪的滚动轴承故障诊断方法

针对滚动轴承早期故障信号存在大量噪声使得提取故障特征困难的问题,提出了一种基于新改进小波阈值的降噪方法。该方法是通过采用互补集合经验模态分解（CEEMD）方法将原始故障信号进行分解,得出各阶本征模态函数（IMF）分量;选取关键的IMF分量进行重构信号,将重构信号经过新改进小波阈值算法和快速谱峭度进行滤波降噪;进行Hilbert包络解调,得出滚动轴承的故障特征频率。分别用仿真噪声信号和滚动轴承的实验信号对该方法进行验证,并将新改进小波阈值算法与传统的小波硬阈值和小波软阈值算法进行比较分析,结果表明该方法可以有效提高故障信号的信噪比,降噪效果明显,能有效获得滚动轴承的故障特征频率。     

EEMD和优化的频带熵应用于轴承故障特征提取

针对滚动轴承早期故障特征提取困难的问题,提出了将集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)和优化的频带熵(OFBE)相结合的轴承故障特征提取方法。针对EEMD的多个本征模态分量(Intrinsic Mode Function,IMF),如何选出更能反映故障特征的敏感IMF的问题,提出一种基于频带熵的敏感IMF的选取方法。首先,对原始振动信号进行EEMD分解,获得一系列IMFs;然后,对原信号和各个IMF分量求频带熵,在熵值最小处设计带通滤波器带宽作为特征频带,比较各个IMF的特征频带与原信号熵最小值所处频带之间的从属关系,进而选出反映故障特征的敏感IMF。由于背景噪声的影响,从选取的IMF中难以准确地得到故障频率。因此,利用FBE在选取IMF的基础上设计的带通滤波器,并提出利用包络峭度最大值原则优化带宽,然后对其进行带通滤波,并进行包络功率谱分析以提取故障特征频率。将该方法应用到轴承仿真数据和实际数据中,能够实现轴承故障特征的精确诊断,证明了该方法的有效性和优势。     

基于VMD-SVD能量标准谱-Teager能量算子的轴承故障诊断方法

对难以提取处于微弱故障状态的滚动轴承非线性、非平稳时变特性振动信号中故障特征频率的问题,提出基于VMD-SVD能量标准谱-Teager能量算子联合诊断方法。首先,对预处理后轴承微弱故障信号进行VMD分解,根据各模态分量(IMF)中心频率确定最优模态数K,再由各IMF分量峭度和相关系数指标确定包含故障信号的敏感IMF。然后,对选取模态分量的Hankel矩阵进行SVD分解,由奇异值能量标准谱确定有效奇异值数量,实现对信号的降噪重构。最后,利用瞬时Teager能量算子及其频谱分析识别微弱故障产生的周期性冲击特征频率。运用该方法处理滚动轴承微弱故障信号,能准确提取故障特征频率及倍频,文中证明了其准确性和有效性。     

基于最小二乘平滑滤波与CEEMDAN的光纤陀螺信号处理研究

针对光纤陀螺在面板堆石坝面板挠度监测中易受到噪声干扰,难以准确提取反映结构变形特征信号的实际问题,提出一种基于最小二乘平滑滤波与CEEMDAN混合降噪的方法。该方法运用CEEMDAN将光纤陀螺实测信号进行分解,得到一系列IMF分量。分别对每一阶IMF分量进行傅里叶频谱分析得到幅值谱图和幅值的方差,根据幅值方差的大小判断噪声IMF分量与有用信号IMF分量的分界,结合最小二乘平滑滤波对噪声IMF分量进行降噪。最后将降噪后的IMF分量与有用信号IMF分量进行重构,得到降噪后的光纤陀螺信号。通过对仿真信号和水布垭面板堆石坝面板挠度监测的实测数据进行分析,该方法能有效滤除噪声信号,准确提取反映结构变形的特征信号,验证了该方法对实际工程中光纤陀螺测量信号降噪的可行性和适用性。     

基于CEEMD和排列熵的故障数据小波阈值降噪方法

针对旋转机械故障数据的非平稳性及总体平均经验模态分解方法(CEEMD)舍弃高频分量降噪方法和小波阈值降噪方法存在的不足,提出了基于CEEMD和排列熵的小波阈值降噪方法。运用CEEMD将信号分解为一系列的固有模态函数(IMF)分量,利用排列熵来确定含有噪声成分较多的IMF分量,采用小波阈值降噪方法对含有较多噪声成分的IMF分量进行降噪处理,保留这些分量中的有效信息。仿真分析和实例分析表明,基于CEEMD和排列熵的小波阈值降噪方法效果优于单纯的CEEMD降噪方法和小波阈值降噪方法。     

基于EEMD和能量分离的风电机组传动系统的故障诊断方法

摘 要：针对风力发电机传动系统故障发生时难以有效提取识别问题，提出基于EEMD分解和能量分离算法的故障诊断方法。首先，对采集到的振动信号进行EEMD分解；然后，根据峭度和相关系数选取包含故障最多且与原信号相关性较大的IMF分量；最后，通过能量分离算法来估计选定的IMF分量的幅值包络和瞬时频率，用来进一步解调分析，实现故障的诊断与定位。通过对风电传动系统的实验数据和风场现场实际运行数据证实了提出方法的准确性和有效性。该方法在风电场的实际工程当中具有良好的应用价值。     

改进的HHT方法及其在旋转机械故障诊断中的应用

针对希尔伯特-黄变换(Hilbert-Huang Transform,HHT)方法中存在的模态混叠和虚假固有模态函数(Intrinsic Mode Function,IMF)问题,提出一种基于总体包络均值经验模态分解(Ensemble Envelop Mean Empirical Mode Decomposition,EEMEMD)和虚假模态函数剔除算法相结合的改进HHT方法。该方法利用EEMEMD可准确反映加噪后信号的自身变化,一定程度上中和残留在各模态分量间的噪声,获得无模式混淆的较纯净的IMF分量。同时,通过基于归一化能量熵值的虚假模态函数剔除算法可有效剔除噪声干扰成分和迭代误差分量,从而提高信号特征提取的准确性。通过仿真分析和转子不对中故障诊断的工程实例表明,改进HHT方法能够较好地抑制模态混叠问题并有效剔除同故障无相关的虚假IMF,实现对旋转机械故障的有效诊断。     

基于改进CEEMD的超声检测信号自适应降噪

针对超声时域检测污垢数据的非平稳性和模态混叠难以实现污垢特征分离的问题,对于采用功率谱密度判定噪声区间的CEEMD分解,进而直接舍弃高频分量容易造成有效信息损失的不足,以及传统小波降噪易造成重构信号的变形等缺陷,提出基于CEEMD自相关函数的自适应软阈值降噪,引入模态自相关特性曲线判定含有噪声成分较多的IMF分量,并结合小波自适应软阈值方法拾取噪声分量中的高频有用信号。仿真分析和实验研究表明:基于CEEMD和自相关的自适应降噪方法优于传统小波阈值和单纯的CEEMD,且能很好的解决模态混叠问题,提取出污垢特征信号,对超声检测信号的处理具有重要意义。     

基于EEMD和能量分离的风电机组传动系统的故障诊断方法

针对风力发电机传动系统故障发生时难以有效提取识别问题,提出基于EEMD分解和能量分离的故障诊断方法。对采集到的振动信号进行EEMD分解,根据峭度和相关系数选取包含故障最多且与原信号相关性较大的IMF分量;应用EEMD对信号进行分解,满足能量分离的要求。利用Teager能量算子对信号瞬时变化和精细时间分辨率的适应性,用能量分离算法估计选定的IMF分量的幅值包络和瞬时频率,用来进一步做Fourier变换,通过频谱分析实现故障的诊断与定位。风电机组的实验数据和现场实际运行数据证实了所提方法的准确性和有效性。该方法在风电场的实际工程中具有较高的应用价值。     

基于频域盲解卷积的齿轮箱复合故障声学诊断

针对复杂声场环境中齿轮箱复合故障特征的提取,提出了一种基于频域盲解卷积的声学诊断方法。该方法通过形态滤波滤除非调制信号,结合改进复数固定点算法优选复独立分量,进而通过复独立分量J-散度解决独立分量间次序不确定性问题,计算机仿真及实际环境下齿轮箱复合故障声信号提取实验验证了算法的有效性。论文最后指出了未来需要进一步研究的主要问题。     

基于信息熵优化变分模态分解的滚动轴承故障特征提取EI北大核心CSCD

针对变分模态分解(Variational Mode Decomposition,VMD)的参数需事先人为确定的问题以及如何选取包含故障特征信息的本征模态分量(Intrinsic Mode Function,IMF)的问题,提出了基于信息熵的参数确定方法和基于信息熵的IMF选取方法。该方法首先对原始故障信号进行变分模态分解,通过信息熵最小值原则对其参数进行优化,获得既定的若干IMF分量;在优化参数时获得信息熵最小值所在的IMF,选取其为有效IMF分量进行包络解调分析,提取轴承故障特征频率。通过轴承仿真信号和实际数据分析,表明该方法能够提取滚动轴承早期故障信号的微弱特征,并实现故障的准确判别。     

基于VMD和SVD联合降噪方法的球磨机振动信号随机噪声压制

针对球磨机筒体振动信号中存在大量噪声信号,难以提取其有效信息的问题,提出一种基于变分模态分解(VMD)和奇异值分解(SVD)的联合降噪方法。该方法首先利用VMD算法对球磨机振动信号进行分解,得到K个本征模态分量(IMF),其中K值采用瞬时频率均值法确定;然后通过互相关系数法选取大于等于互相关系数阈值的IMF分量,将选出的分量视为敏感模态分量,再利用奇异值分解算法对敏感模态分量进行去噪处理;最后将经过奇异值去噪的敏感模态分量重构,得到最终降噪信号。仿真分析验证该方法的有效性,将该方法运用到实测球磨机筒体振动信号中,结果表明,该方法能够去除磨机筒体信号中的噪声,提高了信号后续分析处理的可靠性。     

基于MS-EEMD的滚动轴承微弱故障提取研究

在实际工况下,轴承的早期故障信号与强噪声信号相比属于微弱信号,而轴承的早期故障特征从强噪声环境中提取出来一直是故障诊断课题的一大难点。基于上述问题,提出一种基于MS（Mask Signal）和EEMD（Ensemble Empirical Mode Decomposition）方法的滚动轴承微弱故障提取方法。由于EEMD方法在噪声背景下分解出的IMF分量存在模态混叠现象,很难辨别故障频率的真伪,所以引入掩膜信号法对分解出的IMF分量进行处理,抑制虚假频率,将故障频率提取出来。通过将掩膜信号法与EEMD方法相结合的方式,对存在噪声的故障信号进行处理,提取出故障特征。     

基于信息熵优化变分模态分解的滚动轴承故障特征提取

针对变分模态分解(Variational Mode Decomposition,VMD)的参数需事先人为确定的问题以及如何选取包含故障特征信息的本征模态分量(Intrinsic Mode Function,IMF)的问题,提出了基于信息熵的参数确定方法和基于信息熵的IMF选取方法。该方法首先对原始故障信号进行变分模态分解,通过信息熵最小值原则对其参数进行优化,获得既定的若干IMF分量;在优化参数时获得信息熵最小值所在的IMF,选取其为有效IMF分量进行包络解调分析,提取轴承故障特征频率。通过轴承仿真信号和实际数据分析,表明该方法能够提取滚动轴承早期故障信号的微弱特征,并实现故障的准确判别。