基于经验模态分解的轴承故障诊断

简要介绍了轴承故障诊断的基本方法,通过对比共振解调法和经验模态分解法,证明了经验模态分解是一种适用于分析非线性、非平稳信号的方法.同时,通过实际例子验证了该方法可以用于有效地发现轴承故障,从而提高了诊断的准确性.     

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。     

基于多元经验模态分解互近似熵及GG聚类的轴承故障诊断

提出了一种基于多元经验模态分解（Multi-EMD）、互近似熵和GG聚类的滚动故障轴承诊断方法。首先,将振动信号进行多元经验模态分解,得到若干个内禀模态函数（IMF）分量和一个趋势项。然后,将IMF分量分别与原始信号进行相关性分析,筛选出前7个含主要特征信息的IMF分量,并将筛选的IMF分量的互近似熵作为特征向量。最后,将特征向量输入到GG模糊分类器中进行聚类识别。通过聚类三维图,对两种算法机械运行的4种状态进行了对比,验证了多元经验模态分解方法不仅可解决采样的不均衡问题,而且可解决EMD算法聚类的混叠问题。     

经验模态分解在密封轴承故障诊断中的应用

应用Labview直观的图形化界面将采集到的有缺陷的轴承信号转换为数字信号,在labview中调用matlab函数程序.将经验模态分解(EMD)引入到轴承的振动特征信号提取中,再从若干个包括故障的IMF分量中提取能量特征参数以判别故障产生的部位。试验结果表明,经验模态分解的分析方法在判断轴承故障的部位时具有很高的准确性,是一种有效的轴承故障诊断方法。     

运用改进掩膜信号法的经验模态分解

为了克服经验模态分解中出现的模态混叠现象,提出了一种基于改进的掩膜信号法的经验模态分解方法。该方法通过设置掩膜信号,并依据能量法优化掩膜信号的选择,结合经验模态分解达到了消除模态混叠现象的目的,并利用仿真信号以及齿轮箱振动信号进行了验证。试验结果表明,该方法可有效分离混叠模态,提取有用信号。     

基于经验模态分解的瞬时相位分析方法的应用

提出了基于经验模态分解的瞬时相位分析的新方法。通过对振动信号作经验模态分解得到信号的固有模态函数，再求出各个固有模态函数的Hilbert变换，得到信号的瞬时相位．通过瞬时相位的傅里叶分析就可提取信号特征。介绍了该方法的基本原理，并应用于齿轮箱轴承的故障诊断研究，通过选取表征轴承故障的固有模态函数进行瞬时相位和傅里叶分析，就可提取轴承故障振动信号的特征。通过对轴承故障实验信号的分析．表明该方法能有效地诊断轴承的故障。     

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.     

经验模态分解中虚假模态分量消除法

基于能量原理,提出经验模态分解(EMD)中虚假模态分量消除方法.在正常采样的条件下,分析信号EMD分解误差与虚假模态分量的关系,讨论虚假模态分量的性质.从EMD分解的完备性角度考虑在虚假模态存在情况下能量不守恒,给出模态函数消除法,从EMD分解结果中剔出虚假模态分量,消除信号经验模态分解误差.其有效性在所给例子中得到证实.     

基于经验模态分解的旋转机械振动信号滤波技术研究

把经验模态分解方法引入了旋转机械振动信号滤波领域,详细地解释了这种方法及其算法。通过对一个带高频毛刺干扰的振动信号的经验模态分解与本征模函数的组合,演示了基于经验模态分解的振动信号滤波的方法。把振动信号滤波前后的波形进行了比较,发现基于经验模态分解的信号滤波方法对振动信号滤波有较好的效果。     

基于总体经验模态分解的桥梁动态位移重构

针对微机电系统(micro-electro-mechanical-systems,简称MEMS)加速度传感器输出信号通过传统二次积分变换为位移信号时精度较低的问题,根据桥梁振动信号的特点,提出了一种基于总体经验模态分解和时域积分相结合的桥梁动态位移重构方法.通过桥梁模拟信号的仿真和振动测试台的验证,分析比较了4种桥梁动...     

轴承振动及异常声的检测

S092轴承振动(异常声)测量仪采用单片微处理机对检测数据进行计算处理，并根据被测轴承振动值的大小，控制仪器自动换档，从而对振动值、峰值因数和脉冲数等参数进行鉴别。论述测量仪的工作原理和检测过程。     

球轴承振动和异常声在线自动测量与分选

介绍一种球轴承振动和异常声的在线自动检测、分选系统，详尽地描述了自动检测机构和控制系统的结构及功能，该设备能配置在球轴承装配生产线上检测轴承的振动和异常声，并按测得的振动的均方根值、峰值、峰值因数和峭度，将已测轴承分为4个等级。通过一维单自由度的轴承振动模型，分析了异常声产生的机理。     

基于STFT和SVD的滚动轴承异常声识别

本文提出轴承异常声在振动曲线上可以被描述为一种瞬态脉冲，可以用时频谱图加以分析，通过奇异值分解有效地提取特征矢量，并将特征矢量送入神经网络分类器进行模式识别。仿真实验表明，这是一种稳定、有效的方法。     

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。     

基于EMD和STFT的球轴承异常声识别

轴承加速度振动信号具有广谱性,利用广谱信号的经验模态分解性质,用本征模态函数从检测信号中分离周期、非周期和随机性的冲击成分,然后对其进行短时Fourier变换得到滚动轴承异常声时频域图形的两种表达形式。此方法的优点在于揭示了轴承在运行中瞬间冲击所发生的时刻、冲击的幅度和频率,时频域图形反映轴承异常声产生的本质,且直观易懂。     

经验模分解在信号趋势项提取中的应用

研究了经验模分解方法(EmpiricalModeDecomposition,简称EMD)在信号趋势项提取中的应用,提出了基于EMD方法在不同频率限制要求下信号趋势项的定义和提取方法。通过应用于数值模拟信号及实测记录,验证了此定义的可靠性。分析结果表明,EMD方法依据信号自身的特性来定义趋势项,无需预先假定其类型,是一种提取信号趋势项的良好方法。     

基于EMD和BCS的振动信号数据修复方法

为改善振动信号修复效果,引入贝叶斯压缩感知(BCS)理论,并提出一种基于经验模态分解(EMD)的贝叶斯压缩感知修复方法,以解决连续缺失信号修复问题。针对随机缺失信号,根据压缩感知修复原理,利用贝叶斯压缩感知算法进行修复;针对连续缺失信号,先对其进行经验模态分解,对分解得到的所有基本模式分量利用多任务贝叶斯压缩感知算法进行修复,最终将所有修复的基本模式分量累加得到整体信号。利用西储大学公开轴承数据进行修复实验,发现所提方法在时频域指标、误差、信噪比、峰值信噪比等方面均优于正交匹配追踪和正则化正交匹配追踪算法。从修复效果角度验证,发现该方法成功还原了外圈故障信号基本模式分量中的故障特征频率,达到了修复的目的。     

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。     

轴承振动加速度和异常声检测新方法

为克服滚动轴承异常声检测中的人为因素，在SO910加速度测振仪的基础上，运用虚拟仪器技术，开发出基于计算机平台的轴承振动加速度和异常声检测仪。经实践证明，该检测系统提高了检验的准确性、可比性及检测效率。     

汽车用机械变速器异响故障原因判断及检修

从汽车诞生时起,汽车变速器在汽车传动系中扮演着至关重要的角色.介绍了汽车用机械变速器使用过程中产生的异响故障,并对故障的原因及检修进行了介绍,详细分析了由于轴承的破损、齿轮磨损、齿轮轴向间隙调整不当等原因引起的异响,及对应的处理措施.