小波改进阈值去噪和经验模态分解相结合的旋转机械故障特征提取

针对实际工程信号易受噪声干扰导致提取的故障特征不明显的问题,将小波改进阈值方法和经验模态分解(Empirical Mode Decomposition,EMD)相结合,提出一种基于小波改进阈值的经验模态分解去噪方法,并应用到旋转机械故障特征提取中。首先,为了克服传统小波阈值方法在阈值函数的连续性以及重构误差等方面的不足之处,研究小波改进阈值方法并利用其进行振动信号预处理,减少随机噪声对振动信号的干扰,同时减少EMD分解过程中的分解层数以及其边缘效应对有用信号分解质量的影响。在实际应用中,由于振动信号中混有多种不同性质的噪声,预消噪处理常常不足以消除全部噪声的干扰,因此有必要用EMD相关度方法适当地消噪后处理,提高故障特征提取的准确度,研究为旋转机械故障进一步识别诊断提供了重要的参考。     

小波改进阈值去噪和经验模态分解相结合的旋转机械故障特征提取

针对实际工程信号易受噪声干扰导致提取的故障特征不明显的问题,将小波改进阈值方法和经验模态分解(Empirical Mode Decomposition,EMD)相结合,提出一种基于小波改进阈值的经验模态分解去噪方法,并应用到旋转机械故障特征提取中。首先,为了克服传统小波阈值方法在阈值函数的连续性以及重构误差等方面的不足之处,研究小波改进阈值方法并利用其进行振动信号预处理,减少随机噪声对振动信号的干扰,同时减少EMD分解过程中的分解层数以及其边缘效应对有用信号分解质量的影响。在实际应用中,由于振动信号中混有多种不同性质的噪声,预消噪处理常常不足以消除全部噪声的干扰,因此有必要用EMD相关度方法适当地消噪后处理,提高故障特征提取的准确度,研究为旋转机械故障进一步识别诊断提供了重要的参考。     

基于WT与cICA的齿轮箱低频故障特征提取

齿轮箱低频故障信号易受到高频振动及强噪声等因素的干扰,测量信号中隐藏的有效低频故障特征比较微弱,再考虑到源噪声的影响,则约束独立分量分析直接提取低频故障特征的效果很差。为此提出了基于小波变换与约束独立分量分析的齿轮箱低频故障特征提取方法,通过对测量信号的小波多分辨率分解,有针对性地选择小波系数重构,提高了信噪比和非高斯性,从而增强了约束独立分量分析方法提取齿轮箱低频故障特征的效果。而未经小波变换除噪时,约束独立分量分析的效果不佳。断齿与局部断齿的低频故障特征提取试验结果表明,提出的方法能有效降低高频振动及源噪声等因素的干扰,提取出齿轮箱的低频故障特征,尤其是微弱低频故障特征,为齿轮箱低频故障特征提取与故障诊断提供了一种有效方法。     

改进小波去噪Teager算子的齿轮微弱故障提取方法

针对齿轮箱在强噪声背景下齿轮微弱故障振动信号的特征不易被提取的问题,提出将改进小波去噪和Teager能量算子相结合的微弱故障特征提取方法。采用改进小波阈值函数对振动信号进行去噪处理,与形态学滤波和传统小波阈值函数相比能够有效地提高信号的信噪比。对去噪后的信号进行集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)得到若干本征模式函数(intrinsic mode function,简称IMF),计算各IMF分量与原信号的相关系数并结合各IMF分量的频谱剔除虚假分量。对有效的IMF分量计算其Teager能量算子,并重构得到Teager能量谱,对重构信号进行时频分析并将其结果与原信号的希尔伯特黄变换(HilbertHuang transform,简称HHT)得到的边际谱进行对比。实验研究结果表明,本研究方法相比HHT能够对齿轮微弱故障特征进行更为有效地提取,验证了本研究方法在齿轮箱微弱故障诊断中的可行性。     

基于MVMD-FRFT的滚动轴承早期故障特征提取研究

滚动轴承的振动信号具有非平稳、非线性的特点,造成其早期故障信号的特征提取困难,针对这一问题,对滚动轴承状态监测中常用的特征提取方法进行了研究,提出了一种基于多元变分模态分解(MVMD)和分数阶傅里叶变换(FRFT)的特征提取方法,并将其应用于滚动轴承的故障诊断中。利用MVMD算法将多传感器同时采集的多通道振动信号进行了同步分解,有效地提高了多通道数据融合处理能力,同时得到了若干个固有模态函数(IMF)分量;依据相关系数法从分解后得到的IMF分量中选取了包含故障信息最多的分量作为最优分量,利用FRFT对最优分量进行了滤波,降低了噪声对微弱故障信号的干扰;对滤波后的信号进行了1.5维包络谱解调,通过分析滤波后信号的包络谱,提取了滚动轴承的故障特征。研究结果表明:应用MVMD和FRFT相结合的方法能够有效地避免模态混叠现象,充分地利用故障特征信息,削弱低频信号与噪声的干扰,从而有效地提取出了滚动轴承的故障特征信息。     

EWT-KICA联合的滚动轴承故障诊断

滚动轴承故障信号能量较弱,故障信息在实际工况下更容易受到噪声的影响,致使很难有效地实现信噪分离。针对这一问题,提出经验小波变换（EWT）和核独立分量分析（KICA）联合的振幅解调方法消噪。使用经验小波变换对轴承故障信号进行分解,根据相关系数准则对分解获得的IMF分量信号进行筛选,重组分量信号并构造虚拟噪声信号。使用核独立分量分析算法对重构的信号进行增强处理并分解,实现信号和噪声的分离。采用包络谱法对分离后的信号进行分析。仿真对照实验表明,该方法具备较强的特征提取能力。     

利用小波去噪和HHT的模态参数识别

提出了基于小波去噪和HHT的模态参数识别方法,以改善模态参数识别的精度.该方法先利用小波进行信号去噪,克服噪声对EMD分解的影响,以减少EMD分解过程的计算量和分解层数,对去噪后的信号进行EMD分解提取单模态的自由响应,然后利用自由响应的Hilberr变换识别模态固有频率和阻尼比.利用该方法对某振动台简支梁系统进行了模态参数识别,结果表明在噪声干扰下,该方法识别模态参数的精度较高,特别是阻尼比识别精度高.     

基于数学形态变换的转子故障特征提取方法

基于非线性数学形态变换提出旋转机械故障特征提取的新方法.由数学形态变换构成的形态滤波器可以有效地提取出信号的边缘轮廓以及形状特征,通过选取不同长度的形态结构元素,采用组合形态滤波器将旋转机械故障信号分解到不同频带上,故障信号被分解成基频成分、故障成分及高频噪声三部分,在分解过程中,信号长度没有减少,没有信息的丢失;将分解得到的故障成分单独提取出来进行分析,可以更准确描述故障特征;对实际碰摩故障信号进行形态学分解后,提取出故障成分,采用Hilbert-Huang变换(Hilbert-Huang transform,HHT)对分解前后的信号进行对比分析,验证了方法的有效性,表明基于形态变换的信号特征提取可以更准确刻画故障的非平稳特性,提高了分析效果,并具有计算简单、快速的优点.     

静态小波相关滤波法在振动信号处理中的应用

为了有效提取振动信号中的故障特征,本文提出将静态小波变换和尺度相关滤波相结合的方法.先对信号进行静态小波分解,再利用尺度相关法分离信号与噪声,提出了一种针对振动信号的噪声能量阈值估计算法.利用连续小波变换和尺度相关对振动信号降噪.实例分析表明,该方法具有良好的去噪性能,并能更好的提取振动信号中的故障特征.     

基于SVD-高斯小波的振动信号非平稳特征提取方法

分析了高斯小波及其滤波特性,结合小波变换技术和奇异值分解技术,提出了基于奇异值分解和高斯小波的滤波消噪方法,解决了传统小波去噪方法的不足。该方法可以很好的降低噪声信号,有效提取信号中周期成分,具有较好的瞬态信息提取能力,并通过齿轮箱振动信号降噪实验说明该方法在故障特征提取中的重要性,以及本降噪方法的有效性。     

利用HHT和重采样技术分析瞬态机械信号

介绍了HHT理论及数据重采样技术的实现方法。分析了利用HHT理论和瞬态信号进行机械故障诊断时常用故障特征提取方法的不足。针对瞬态信号中所包含的故障特征是随时间的变化而变化的特点,研究了将数据重采样技术与HHT理论相结合的瞬态信号分析方法。以齿轮箱齿面磨损故障为例进行了算例分析,通过对照分析原始信号与重抽样信号的分析结果,说明了该方法的有效性。     

瞬态信号边际谱中故障特征频率的定常化提取

Hilbert-Huang变换具有自适应的分析非平稳信号的能力,因此常被用于机械故障诊断.此时,从边际谱中提取与故障特征频率对应的峰值是主要的故障特征提取方式.对于转速变化的旋转机械,故障特征频率常与转频相关,随转频变化而变化,所以常因边际谱中故障谱线不单一而难以进行特征提取.提出了故障特征频率的定常化方法,将故障特征相对某一转速定常化为单一谱线,解决了瞬态信号故障特征难以提取的难题.并用实例验证了其有效性.     

基于HHT与GA-BP网络的离心通风机故障诊断

结合HHT同GA-BP神经网络的优点,提出了将二者结合用于风机故障诊断的新方法,并且应用最新提出的方法改进HHT(希尔伯特-黄变换),使其应用更为有效。利用HHT构造出代表振动信号特征的"能-频分布";根据GA-BP网络模型能够逼近任意非线性函数和具有高效寻找全局最优的特点作为特征分类器,进行故障诊断。风机故障诊断结果表明,该方法是可行有效的。     

回转支承的故障监测诊断技术研究

回转支承的故障监测诊断技术的研究对于提高设备的运行效率、减少经济损失具有重要的意义.有针对性地概述了基于振动信号、温度信号、摩擦力矩、声发射、应力波的回转支承监测诊断技术,以及针对上述信号的分析处理方法,其中包括针对回转支承局部缺陷信号诊断的HHT、EEMD-MSPCA等方法.最后,对各监测诊断方法进行比较,并提出基于...     

基于第2代小波和Hilbert-Huang变换的轴承故障诊断

将第2代小波算法和Hilbert-Huang变换相结合并应用于滚动轴承的故障诊断中。该方法首先构造并运用自适应冗余第2代小波对轴承振动信号进行消噪,并通过仿真分析验证了该算法的优越性;其次,对消噪信号进行HHT分析,通过EMD将信号分解为包含不同特征尺度的模态函数,针对低频成分进行Hilbert边际谱分析,从而提取故障特征。仿真及试验结果表明了该方法的有效性和实用性。     

基于Hilbert-Huang变换的转子碰摩故障特征分析

Hilbert-Huang变换(HHT)得出的时频图是分析非平稳信号的有效工具.应用HHT时频方法对转子早期局部碰摩和全局碰摩故障信号进行了分析,与传统的频谱分析比较表明:HHT时频方法具有良好的时频聚集性,能够很好地反映转子系统早期故障信号的时频特征,可以有效地对转子系统碰摩早期故障进行诊断.通过对全局碰摩故障信号分析,说明碰摩过程中摩擦力是不均匀的,碰摩接触面积的增大在时频图上表现为基频成分的波动变化加剧和高频成分的增加.基于HHT的三维谱图和时频亮度谱图能清晰地显示碰摩故障的频率、时间和振幅信息,为工程实际中转子系统的早期碰摩故障诊断和全局碰摩特征分析提供了有效的依据.     

盲分离与Hilbert-Huang结合应用于航空发动机振动信号分析

在航空发动机故障诊断中,首要任务是分析故障信号提取故障特征。针对航空发动机非平稳振动信号,提出了利用盲分离(BSS)获得发动机的振源信号,结合Hilbert-Huang变换(HHT)对振源信号进行时频分析提取故障特征的方法。首先利用仿真信号验证了此方法的有效性,然后分析了某航空涡扇发动机空中停车故障并与直接应用HHT分析的结果进行比较,证实了盲分离与HHT的结合能更准确地提取航空发动机非平稳故障特征。     

基于广义形态滤波和相关系数的Hilbert-Huang变换方法

针对Hilbert-Huang变换(HHT)中噪声引起的模态裂解和虚假模态问题,应用广义形态滤波降噪法和相关系数法改进了HHT.该方法首先将广义形态滤波器作为经验模态分解(EMD)的预处理,抑制噪声干扰;然后利用相关系数法去除虚假固有模态函数(IMF);最后对真实的IMF进行Hilbert谱分析,得到改进的HHT.利用...     

HHT与Elman神经网络在离心泵故障振动信号处理中的应用

提出了一种Hilbert-Huang变换(HHT)和Elman神经网络相结合的离心泵振动信号故障诊断新方法.首先,将离心泵振动信号时间序列数据经验模态分解(Empirical Mode Decomposition,简称EMD),然后经过Hilbert-Huang变换获得各模态(Intrinsic Mode Functions,简称IMF)的能量,并以"能量比"为元素,构造离心泵振动信号的特征向量,根据Elman神经网络模型能够逼近任意非线性函数的特点和具有反映系统动态特性的能力,利用Elman神经网络模型实现离心泵故障的诊断.实验研究结果表明该方法对离心泵振动信号故障具有很高的诊断率.     

Fault diagnosis of partial rub and looseness in rotating machinery using Hilbert-Huang transform

Partial rub and looseness are common faults in rotating machinery because of the clearance between the rotor and the stator. These problems cause malfunctions in rotating machinery and create strange vibrations coming from impact and friction. However, non-linear and non-stationary signals due to impact and friction are difficult to identify. Therefore, exact time and frequency information is needed for identifying these signals. For this purpose, a newly developed time-frequency analysis method, HHT (Hilbert-Huang Transform), is applied to the signals of partial rub and looseness from the experiment using RK-4 rotor kit. Conventional signal processing methods such as FFT, STFT and CWT were compared to verify the effectiveness of fault diagnosis using HHT. The results showed that the impact signals were generated regularly when partial rub occurred, but the intermittent impact and friction signals were generated irregularly when looseness occurred. The time and frequency information was represented exactly by using HHT in both cases, which makes clear fault diagnosis between partial rub and looseness. This paper was recommended for publication in revised form by Associate Editor Eung-Soo Shin