基于EMD和能量算子解调的采煤机截割部振动故障诊断研究

针对采煤机截割部振动剧烈,振动故障特征不易提取的问题,应用基于经验模态分解(EMD)和能量算子解调的故障诊断方法,首先对采煤机截割部振动信号进行EMD分解,进而得到一定数量的本征模态函数(IMFs)分量;其次对IMFs进行能量算子解调,提取出故障特征频率.通过对采煤机井下现场试验研究,结果表明,该方法能够有效地对采煤机截割部进行故障诊断,对及时发现采煤机故障,避免事故的发生具有重要的作用.     

基于EMD和FFT的齿轮箱故障诊断

提出了一种基于小波包分析(WPA),经验模态分解(EMD)和快速傅里叶变换(FFT)的齿轮箱故障诊断方法,此方法适合于非线性非稳态信号的自适应分析.首先运用WPA对采集的齿轮箱振动信号进行分解可得到不同频率的子频带;然后对各子频带信号进行EMD,从而得到一定数量的本征模态函数(IMF);最后选取特定的IMF,对其作FFT可得到相应的功率谱,从而提取齿轮箱故障特征频率,进而对齿轮箱故障模式进行识别和诊断.分析结果表明本文所提议的方法能有效地检测出齿轮箱故障特征频率.     

自适应时间尺度分解方法及其应用

针对齿轮故障振动信号的非线性、非平稳和多分量的特征,在定义了瞬时频率具有物理意义的本征时间尺度函数(intrinsic time-scale function,ITF)的基础上,结合固有时间尺度分解中基线信号的构造方法,提出自适应时间尺度分解(adaptive time-scale decomposition,ATD)的时频分析方法,该方法可以自适应地将一个复杂信号分解为若干个瞬时频率具有物理意义的本征时间尺度分量之和.仿真分析验证了ATD方法的有效性以及定义本征时间尺度函数方法的合理性.分别将ATD、经验模态分解(EMD)、局部均值分解(LMD)和固有时间尺度分解(ITD)与包络解调分析相结合应用于斜齿轮故障诊断中,实验结果表明:自适应时间尺度分解方法在保证分解结果正确性的前提下,计算效率方面具有明显优势,将该方法与包络解调相结合能够有效提取到齿轮的故障特征.     

分离EMD中混叠模态的新方法

针对经验模态分解(empirical mode decomposition,EMD)过程中可能出现的模态混叠问题,提出一种新的处理方法.该方法利用了差分运算、累计求和,同时结合EMD来实现混叠模态的分离.该文对数值仿真信号和LOD(1ength-of-day)数据进行了仿真分析,比较了原始EMD和所提算法的分析结果.仿真结果表明,该算法可有效分离混叠模态,得到尺度成分清晰的本征模态函数.     

基于改进EMD频率族分离法的齿轮磨损故障诊断

针对齿轮磨损故障信号非平稳性的特点,提出一种基于改进经验模态分解(EMD)频率族分离的齿轮磨损故障诊断方法。该方法采用改进经验模态分解方法将齿轮磨损振动信号分解成若干阶表征齿轮自身信息的固有模态函数(IMF),各阶IMF对应齿轮箱振动信号的各个频率族,通过对各频率族分量的分析来提取齿轮磨损振动信号的故障特征。仿真分析表明该方法能有效应用于齿轮故障分析,试验研究证明了基于改进EMD的频率族分离法能够有效地提取齿轮磨损故障特征信息。     

基于EMD和FFT的齿轮箱故障诊断

提出了一种基于小波包分析（WPA）,经验模态分解（EMD）和快速傅里叶变换（FFT）的齿轮箱故障诊断方法,此方法适合于非线性非稳态信号的自适应分析.首先运用WPA对采集的齿轮箱振动信号进行分解可得到不同频率的子频带;然后对各子频带信号进行EMD,从而得到一定数量的本征模态函数（IMF）;最后选取特定的IMF,对其作FFT可得到相应的功率谱,从而提取齿轮箱故障特征频率,进而对齿轮箱故障模式进行识别和诊断.分析结果表明本文所提议的方法能有效地检测出齿轮箱故障特征频率.     

基于VMD的滚动轴承早期故障诊断方法

滚动轴承是旋转机械的重要零部件,当发生早期故障时,难以有效地提取其微弱的故障特征.针对这一问题,提出了优化参数K取值的变分模态分解(variational mode decomposition,VMD)早期故障诊断方法.首先,通过瞬时频率均值判断法确定模态数K的取值,然后用VMD方法对采集的轴承故障信号进行处理.通过筛选轴承故障信号分解得到本征模态函数分量,对其中的敏感分量进行包络谱分析,从而判断轴承的故障类型与严重程度.最后,分别比较EMD和原VMD算法得到的结果.结果表明:优化后的VMD算法能成功地提取滚动轴承早期故障特征,实现轴承早期故障诊断.     

基于HHT和模糊C均值聚类的轴向柱塞泵故障识别

提出了一种基于Hilbert-Huang变换(HHT)和模糊C均值聚类算法相结合的故障识别方法。利用HHT在处理非线性、非平稳信号方面的优势,对采集到的轴向柱塞泵泵壳振动加速度信号进行HHT处理。首先对信号分别进行经验模态分解(EMD)和集总经验模态分解(EEMD),结合短时最大熵谱分析选取对故障最为敏感的固有模态函数(IMF)分量,再对其分别进行二次分解。然后,采用本文提出的基于局部边际能量谱特征能量的方法求出故障特征向量。最后,采用模糊C均值聚类算法进行故障模式识别。识别结果表明:EEMD比EMD在迭代次数上大幅减少,故障识别准确率有了显著提高。     

基于EMD和有向因子图的航天器故障诊断

为了消除噪声对提取传感器信号中故障特征的影响,同时在系统模型不精确条件下,描述故障在系统部件间的传播方式.本文提出了一种基于经验模态分解(EMD)和有向因子图(DFG)的故障诊断方法.对传感器信号进行经验模态分解得到的内部模态函数(IMF),提出采用能量做为其零点区间包含噪声成分的评价指标,基于信号内部模态函数的区块能量消除其噪声成分.对无法精确建模的物理系统,提出使用有向因子图描述系统组成部件间的因果关系,应用概率推理实现故障诊断.通过对航天器电源系统供电模块的实例分析,验证了方法的有效性.     

基于改进EMD和小波阈值法的风机数据降噪研究

风机轴承振动信号中混杂着噪声,会对后期的故障诊断造成困难。提出了一种改进经验模态分解(EMD)与小波阈值降噪相结合的风机数据降噪方法。首先,采用EMD对原始振动信号进行分解得到信号的固有模态函数,考虑到各个分量中都含有噪声和信号从而出现模态混叠现象,故采用相关系数法筛选出信号分量和噪声分量对EMD进行改进。然后,采用小波阈值法对噪声分量进行降噪,并将信号分量与处理后的噪声分量进行重构,最终完成信号降噪。最后,选取某风机轴承振动数据作为实验数据,有效地去除了原始信号中的噪声,并得出轴承内圈故障的结论,与实际结果一致,验证了所提方法的有效性。     

EEMD-PE与M-RVM相结合的轴承故障诊断方法

滚动轴承振动信号中包含了大量轴承运行状态信息,但是由于振动信号具有非线性和非平稳性的特点,难以充分提取振动信号中的故障特征,导致现有基于模式识别的轴承故障诊断方法的故障识别准确率较低.为了提高滚动轴承故障识别的准确率,提出了一种基于集合经验模态分解-排列熵(EEMD-PE)特征提取与多分类相关向量机(M-RVM)相结合的轴承故障诊断方法.首先,该方法利用EEMD对非线性和非平稳信号的自适应分解能力,将轴承故障信号分解为一组包含故障特征的本征模态函数(IMFs).然后,利用排列熵提取由EEMD分解得到的IMFs中的故障特征,并组成特征向量.最后,采用EEMD-PE对不同故障状态下的训练样本集进行特征提取,组成特征向量集对M-RVM分类器进行建模,以概率输出的形式实现对滚动轴承的故障诊断.实验结果表明:EEMD-PE特征提取方法能够对滚动轴承振动信号的故障特征进行有效提取,M-RVM能够对故障滚动轴承振动信号包含的故障特征进行识别.与现有轴承故障诊断方法相比较,所提出的方法能够提高故障识别准确率,达到99.58%.     

EMD遗传神经网络方法

针对BP(back propagation)神经网络搜索速度慢、容易陷入局部最小的缺陷,提出了经验模态分解(EMD)遗传神经网络方法,首先用对带噪的信号进行分解,得到信号的各阶本征模函数分量,每个本征模函数分量对应着一个能量不同的频段,即一种故障特征,将各频段能量的特征向量作为优化神经网络的输入样本;其次用遗传算法对神经网络的初始权值和阈值进行优化.利用EMD遗传神经网络方法对滚动轴承多类故障信号进行分析,可提高故障识别能力.     

基于FastICA改进EMD的算法研究

经验模态分解(EMD)算法在非线性、非稳态的信号处理上具有显著的优势,但EMD在实际应用过程中存在着一些缺陷,其中以模态混叠和虚假模态现象最为突出。模态混叠现象可以简单地概述为在1个本征模函数 (IMF)含有多于一阶的结构固有模态分量;虚假模态现象则是指不该有的频率组分对结构模态参数识别精度的严重影响。针对这一问题,对EMD中存在的以上两大缺陷展开研究,提出了利用频带滤波和独立分量分析算法(ICA)中的快速ICA算法(FastICA)相结合改进的EMD 算法。利用希尔伯特变换(HT)识别结构频率,并通过Benchmark 结构验证了所提算法的有效性。     

基于EMD与ICA的滚动轴承复合故障诊断

针对单通道情况下滚动轴承复合故障难以分离问题,提出基于经验模式分解(empirical mode decomposition,EMD)的独立分量分析(independent component analysis,ICA)算法.该方法首先对单通道采集的轴承复合故障信号进行EMD分解,得到多个基本模式分量函数(intrinsic mode function,IMF),然后依据帩度指标及相关系数值,选取有效的IMF分量与原观测信号组成新的观测信号,对其进行ICA处理,进而实现轴承复合故障的分离.实验结果表明,该方法可有效地分离轴承早期的复合故障.     

油管传输射孔信号的识别

在研究经验模态分解(EMD)方法的基础上,提出一种基于EMD的油管传输射孔信号的处理方法。通过EMD方法将原始信号分解成少量的,频率逐渐降低的本征模态函数(IMF),采用第一阶高频IMF分量信号,与原始信号进行对比分析,定位信号畸变点,提取相位突变点,从而得到射孔枪首末位置信息,估算射孔弹爆破数目。现场实验表明该方法较好地实现了对TCP射孔信号主要特征的提取,同时显示了EMD方法在处理该类非平稳信号中的有效性。     

基于EMD的FCMM降噪和故障诊断

为了解决现场三坐标测量机(FCMM)在加工车间现场环境下由于振动、环境因素等干扰造成的输出带有较强背景噪声而可能导致滚动轴承发生故障的问题,提出一种基于经验模态分解(EMD)的FCMM降噪和故障诊断方法,对FCMM输出进行EMD分解得出本征模态函数(IMF)分量,采用互相关系数准则法对IMF分量降噪重构,同时进行边际谱分析,从中提取故障特征频率。实验根据FCMM速度参数测量数据,结合Matlab仿真方法,得到FCMM输出速度数据的IMF分量与原始速度数据之间的互相关系数表以及IMF分量边际谱图。实验结果验证了EMD方法滤波效果明显,故障分析手段可靠。     

基于EMD模态能量分析的滚动轴承故障特征提取

针对滚动轴承振动信号具有非平稳性的特点,提出一种提取相同工况条件下正常信号与故障信号各固有模态函数能量比构建特征向量的特征提取方法。由于EMD分解后各模态分量存在模态混叠现象,导致分解结果具有不确定性,因此传统的能量特征提取方法在滚动轴承故障诊断中的故障识别率较低。通过引入相同工况条件下的正常信号,将各模态分量的能量特点转化为相对于正常信号的能量特征。仿真实验表明,本文所提方法能够有效地提取滚动轴承的故障特征,进而实现其故障诊断。     

基于经验模态分解的旋转机械故障信号去噪源分离

针对旋转机械故障诊断中信号源不足的问题,综合经验模态分解(EMD)、主成量分析(PCA)和去噪源分离(DSS)各自的优点,提出一种基于EMD和PCA的欠定去噪源分离方法(EMD-PCA-DSS)。首先通过EMD求出本征模函数(IMF),进而重组IMF分量和原观测信号作为新的观测信号,解决了盲源分离(BSS)中源信号数据不足的问题。然后,通过PCA估计观测信号的源数,利用DSS估计出源信号。将该方法应用于某转子的实测故障信号分析中,诊断出转子发生了不平衡故障,表明该方法在旋转机械故障诊断中的有效性,这对于机械设备的状态监测和故障诊断具有重要的工程意义。     

斯特林发动机振动信号分析及谱估计

为了检测斯特林发动机运行状态,针对斯特林发动机在运行过程中振动信号产生机理,采用了经验模态分解与自回归模型相结合的方法对振动信号进行分析,设计了振动检测系统.通过选取故障信息的本征模函数进行功率谱估计,提取滚动轴承故障特征.测试结果表明:经验模态分解可自适应地分解非平稳信号,生成的本征模函数可提取信号内在的本质特征.对自回归模型进行功率谱估计,提取振动状态异常信号.经实验验证,故障情况与真实异常状况吻合,可有效检测斯特林发动机运行过程中的故障特征.     

基于MEEMD的内燃机辐射噪声贡献

为了研究内燃机振动成分对噪声的贡献,提出一种改进的集总平均经验模态分解（MEEMD）方法.通过仿真试验,对比MEEMD与传统经验模态分解（EMD）和集总平均经验模态分解（EEMD）的结果.结果表明,MEEMD是一种更为优秀的自适应信号模态分解方法,不仅能够抑制模态混叠问题,而且能够解决模态分裂等问题.采用MEEMD方法对内燃机振动成分对辐射噪声的贡献进行研究,以一个4缸4冲程内燃机为例,对标定工况下的缸盖罩振动信号和缸盖罩近场噪声信号进行MEEMD分解,并对分解得到的本征模态函数（IMF）进行时频分析,研究对辐射噪声贡献大的振动成分的来源.研究结果表明,通过MEEMD方法能够得到对内燃机辐射噪声贡献大的振动成分,并且准确确定其来源.