基于CEEMD和GG聚类的轴承故障识别方法

为提高复杂工况下滚动轴承故障识别率,提出一种基于互补总体平均经验模态分解(CEEMD)和GG聚类的轴承故障诊断方法。用CEEMD方法对原始采样信号进行分解,并选择包含故障特征丰富的IMF分量求解近似熵,最后将近似熵作为特征向量输入GG聚类分析器中对轴承故障类型进行分类与识别。验算分析结果证实该方法能够有效提高复杂工况下滚动轴承的故障识别精度。     

基于形态滤波和HHT的滚动轴承故障特征提取

应用形态滤波和HHT提取滚动轴承振动信号故障特征。通过形态组合滤波对信号进行预处理,对预处理后的信号进行EMD分解,把信号分解为若干个IMF的和,之后计算IMF的希尔伯特能量谱,提取振动信号的故障特征频率。本算法能够较准确地提取出滚动轴承振动信号的故障特征频率,为滚动轴承振动检测与故障诊断研究提供参考。     

基于EEMD自适应选取IMF的机泵滚动轴承故障诊断

滚动轴承是机泵中关键的旋转零部件,研究其有效的故障状态监测及诊断方法对机泵的稳定运行具有重要的意义。总体平均经验模态分解方法利用高斯白噪声具有频率均匀分布的统计特性,将其加入到信号的EMD分解中,促进抗混分解,避免了用EMD方法因IMF分量的不连续性而造成的模态混淆现象。首先利用EEMD方法把机泵滚动轴承故障信号分解成若干个内禀模态函数(IMFs)之和,然后用文中提出的自适应选取IMF分量的方法,对自适应选取的IMF分量进行能量算子解调,提取故障特征,从而避免了基于人为经验选取IMF分量进行能量算子解调所造成的主观性及不科学性。     

小波分析在真空练泥机轴承故障诊断中的应用

针对练泥减速机滚动轴承运转速度低、响应弱、低频信号容易淹没、调制源多、振动信号非平稳性等特点而导致常规的傅立叶分析诊断故障效果不佳的情况，提出了一种小波变换的时频分析滚动轴承故障诊断方法。利用小波变换对振动信号进行分解和重构处理，获得了振动信号在不同的频段的分量，提取相应特征频段重构分量的功率谱的频域统计值作为特征参数，从而实现对轴承故障诊断。试验结果显示该方法对真空练泥机轴承故障诊断有很好的效果。     

基于EMD能量熵的离心泵汽蚀故障诊断研究方法

汽蚀现象是导致水泵效率和使用寿命降低的主要原因之一。快速准确的诊断并排除汽蚀故障,使水泵正常运行,具有重要的意义。本文根据离心泵入口压力脉动信号的特点,提出一种基于EMD能量熵的汽蚀故障诊断方法。该方法首先应用提升小波,对原始信号进行阈值去噪处理,然后将处理后的信号进行EMD分解,计算其能量熵,并以能量熵作为离心泵汽蚀故障识别的判断依据。试验结果表明:在不同的有效汽蚀余量(NPSH)下,压力脉动信号的EMD能量熵值明显不同,因此可以将其作为一种有效的特征参数来表征不同的汽蚀工况。     

基于CEEMD-SVD和ELM的滚动轴承故障诊断

针对滚动轴承故障特征难以提取和故障难以识别的问题,提出一种基于互补总体平均经验模态分解(CEEMD)与奇异值分解(SVD)和极限学习机(ELM)分类模型相结合的滚动轴承故障诊断方法。该方法首先通过CEEMD对原始采样信号进行分解,得到由高频到低频组成的固有模态分量(IMFS),通过互相关性分析筛选出最能表征原始信号的固有模态(IMF)分量,并对它进行奇异值分解,然后将分解得到的奇异值作为特征参数构造特征向量,最后采用ELM分析提取特征向量矩阵,并建立ELM分类模型,实现对轴承故障类型的识别。仿真结果表明该方法对滚动轴承的故障识别度达到了95.0%。     

基于双谱分析的滚动轴承故障特征提取

对高阶统计量方法用于滚动轴承故障特征提取进行了研究,提出了基于双谱估计的滚动轴承故障诊断方法。利用高阶统计量方法做出了滚动轴承故障信号的高阶统计量中的双谱特征图谱。研究表明,双谱可以敏感地监测滚动轴承工作状态的模式,因而可以有效地识别滚动轴承不同的故障特征。     

磨机减速机滚动轴承特征提取和故障诊断研究

滚动轴承是水泥磨机减速机的核心组件,同时也是故障频发的部件之一,为保证其健康、安全、高效的运行,本文将独立分量分析(ICA)与支持向量机(SVM)方法结合,为磨机减速机滚动轴承的故障诊断提供一个新的思路。首先提取轴承不同故障状态下观测信号的独立分量,再对独立分量(ICA)进行奇异值分解从而得到特征信息,最后联合支持向量机(SVM)将特征信息进行故障识别。数据处理结果表明这种特征提取的方法是有效的。     

基于蝙蝠算法优化支持向量机的滚动轴承故障诊断

支持向量机中参数的选择会直接影响滚动轴承故障诊断的分类效果,基于此提出一种采用蝙蝠算法优化支持向量机的故障诊断模型,以提高分类的准确率.首先将采集到的振动信号进行集成经验模式分解,分解后得到一系列模态函数分量IMF,并将计算得到的各个分量的能量熵作为信号的特征向量,将所构造的特征向量输入到蝙蝠算法优化的支持向量机BA-...     

基于小波和EMD的滚动轴承非接触声发射诊断方法

采用声发射技术对滚动轴承进行非接触检测,利用小波分解把故障轴承信号分解在不同频段,然后依照各频带能量重构信号,消除背景噪声,对降噪信号进行EMD分解,对分解后感兴趣的IMF进行边际谱分析,观察特征频率,得到清晰的故障信息,以此诊断轴承故障。     

基于EEMD和模糊BP神经网络的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征,提出一种基于总体经验模态分解(EEMD)和模糊BP神经网络的故障诊断方法。首先对滚动轴承的振动信号采用总体经验模态分解方法进行分解,得到若干个本征模态函数分量(IMF);然后提取各分量的均方差、峭度和能量,把这些特征参数作为学习集和训练集,将学习集输入到模糊BP神经网络中进行学习;最后把训练集输入到特征参数经过学习训练后的模糊BP神经网络中进行故障类型识别,并与BP神经网络进行比较。实验结果表明:所提方法能有效地应用于滚动轴承故障诊断,而且比BP神经网络具有更高的精确度。     

基于经验模式分解的气液二相流研究

为了更加准确地了解气液二相流动特性,文中用能量熵、奇异熵及Lyapunov指数结合经验模式分解(EMD)的方法对气液二相流进行研究.先对流型信号进行经验模式分解,然后由特征向量计算出经验模式能量熵、奇异熵及最大Lyapunov指数.计算结果表明:经过EMD分解的流型信号的2种熵值及Lyapunov指数能够体现信号的变化...     

基于EMD和边际谱频带能量的离心泵汽蚀故障诊断

离心泵在化工生产中得到广泛应用。汽蚀是导致离心泵效率降低的主要原因之一。快速准确的诊断出汽蚀故障,具有重要意义。提出一种基于泵入口压力脉动信号低频和高频特征的汽蚀故障诊断方法。以经验模态分解产生的本征模态函数的均方根能量值作为高频特征,以希尔伯特-黄变换的边际谱频带能量值作为低频特征,组成4维特征向量输入BP网络训练、仿真。通过对比小波分析法和EMD能量熵方法,表明本文提出的方法能够快速、更准确的诊断汽蚀故障。     

气液两相流的多尺度混沌特性分析

Using the high-speed camera the time sequences of the classical flow patterns of horizontal gas-liquid pipe flow are recorded, from which the average gray-scale values of single-frame images are extracted. Thus obtained gray-scale time series is decomposed by the Empirical Mode Decomposition (EMD) method, the various scales of the signals are processed by Hurst exponent method, and then the dual-fractal characteristics are obtained. The scattered bubble and the bubble cluster theories are applied to the evolution analysis of two-phase flow patterns. At the same time the various signals are checked in the chaotic recursion chart by which the two typical characteristics (diagonal average length and Shannon entropy) are obtained. Resulting term of these properties, the dynamic characteristics of gas-liquid two-phase flow patterns are quantitatively analyzed. The results show that the evolution paths of gas-liquid two-phase flow patterns can be well characterized by the integrated analysis on the basis of the gray-scale time series of flowing images from EMD, Hurst exponents and Recurrence Plot (RP). In the middle frequency section (2nd, 3rd, 4th scales), three flow patterns decomposed by the EMD exhibit dual fractal characteristics which represent the dynamic features of bubble cluster, single bubble, slug bubble and scattered bubble. According to the change of diagonal average lengths and recursive Shannon entropy characteristic value, the structure deterministic of the slug flow is better than the other two patterns. After the decomposition by EMD the slug flow and the mist flow in the high frequency section have obvious peaks. Anyway, it is an effective way to understand and characterize the dynamic characteristics of two-phase flow patterns using the multi-scale non-linear analysis method based on image gray-scale fluctuation signals.     

基于改进EWT-多尺度熵和KELM的球磨机负荷识别方法

针对球磨机在磨矿过程中负荷靠经验难以准确判断的问题,提出了一种基于改进的经验小波变换(empirical wavelet transform, EWT)-多尺度熵和核极限学习机(KELM)的球磨机负荷识别方法。首先,针对筒体振动信号的多样性和复杂性特点,对EWT频谱分割方法进行改进,通过构建信号仿真模型,比较EWT、EMD的分解效果,证明该方法的有效性。再将不同负荷状态下的筒体振动信号用改进的EWT算法进行分解得到内禀模态函数(intrinsic mode function, IMF),接着,对分解后的IMF分量进行相关性分析得到敏感分量进行重构;最后,将重构信号的多尺度熵作为表征磨机不同负荷状态的特征向量,并计算多尺度熵偏均值。结果表明：三种负荷信号的多尺度熵及多尺度熵偏均值都存在明显的差异,关系表现为:欠负荷>正常负荷>过负荷。将提取的多维特征向量进行归一化处理并作为KELM的输入,磨机负荷状态作为输出,利用核排列(kernel target alignment, KTA)算法优化核参数,建立磨机负荷状态识别最优模型;通过磨矿实验验证了方法的可行性,相比SVM整体识别率提高了3.4%,且对于EMD-多尺度熵、EWT-多尺度熵分别提高了12.3%、8.9%。     

基于ELMD与LS-SVM的滚动轴承故障诊断方法

针对局部均值分解（local mean decomposition,LMD）实现过程中存在的模式混淆现象,提出了一种基于总体局部均值分解（ensemble local mean decomposition,ELMD）与最小二乘支持向量机（least squares support vector machine,LS-SVM）相结合的滚动轴承故障诊断方法。该方法先对滚动轴承振动信号进行ELMD分解,并得到若干乘积函数（product function,PF）,然后选取包含主要故障信息的PF分量,提取其峭度系数与能量特征参数以构造故障特征向量,并作为LS-SVM的输入来识别滚动轴承的工作状态和故障类型。通过对滚动轴承正常状态,内圈故障和外圈故障的分析结果表明,基于ELMD与LS-SVM的诊断方法可以准确有效识别滚动轴承的工作状态和故障类型。     

基于GA-BP神经网络的多传感器轴承故障诊断

由于单一传感器采集滚动轴承的故障信息精度较低,提出基于GA-BP神经网络的多传感器信息融合方法。首先使用单一传感器采集其状态信息,并采用小波包分析提取轴承故障状态特征,然后采用遗传算法(GA)优化BP神经网络对单传感器进行滚动轴承故障诊断,接着运用DS证据理论把每一个诊断结果进行信息融合,最终得到诊断结果。仿真实验结果表明:该方法可提高滚动轴承故障诊断的精确度和效率。     

大颗粒循环流化床压力波动信号分析

应用功率谱分析法、R/S分析法及混沌分析法对大颗粒循环流化床压力波动信号的性质和组成进行了研究.功率谱分析法和R/S分析法从两个不同的角度均得出了压力波动信号中存在一定的周期成分,而混沌分析得出的关联维和K熵进一步证实了压力波动信号表面上是随机的,但实质上具有确定性,即表明大颗粒的气液固三相循环流化床的压力波动信号具有混沌信号的特征.