基于EMD与峭度滤波的煤岩界面识别

煤岩界面识别问题一直是制约放煤自动化发展的一项关键问题,液压支架尾梁振动信号分析法是近年来发展较快的一种有效方法。该方法中煤和矸石信号在频域内存在差异是非常有用的信息,但因系统低频干扰较多且两种信号差异微弱,无法直接提取使用。通过对振动信号使用经验模态分解(empirical mode decomposition,简称EMD)得到多个固有模态分量(intrinsic mode function,简称IMF);以峭度为准则,选取煤和矸石差异最大的通道对信号重新合成;使用Hilbert边际谱分析煤、矸石的频域范围,以矸石频域特征区域求取带通滤波最优截止频率;对合成后的信号进行滤波。实验结果表明,该方法能够减少信号低频干扰、突出较高频成分,使煤与系统干扰的低频信号视为常态被屏蔽,而混入煤中的矸石较高频信号能够被及时识别,实现了煤岩界面识别的目的。     

基于IMF能量矩和神经网络的轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征,提出了一种本征模函数(Intrinsic Mode Function,简称IMF)能量矩的特征向量提取法,并与BP神经网络相结合用于滚动轴承的故障诊断.该方法首先利用经验模态分解(Em-pirical Mode Decomposition,简称EMD)方法.把振动信号分解为若干个IMF,再将重要的IMF分量作基于时间轴的积分,得到IMF能量矩特征向量,最后借助BP神经网络的分类能力对特征向量进行分类.对滚动轴承的正常状态、外圈故障、滚动体故障和外圈故障信号的分析结果表明,该方法能够准确、有效地识别这些故障.     

IMF能量和RBF神经网络相结合在滚动轴承故障诊断中的应用研究

针对滚动轴承的故障特点,提出了一种将IMF能量与RBF神经网络相结合的方法用于故障诊断.该方法首先利用经验模态分解(EMD)方法,把振动信号分解为若干个IMF分量,再用重要的IMF分量求得IMF能量特征向量,最后将特征向量输入RBF神经网络进行故障模式分类.通过对滚动轴承的正常状态、内圈故障、滚动体故障和外圈故障信号的分析结果表明,该方法能够准确、有效地识别这些故障.     

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.     

基于EMD—Gabor变换的发动机故障诊断

以连杆轴承为研究对象,对振动信号进行经验模态分解(Empirical Mode Decomposition,EMD)分解得到若干本征模态函数(Intrinsic Mode Function,IMF),通过能量占比法选出最优的IMF分量并对其进行Gabor变换,提出了一种基于EMD—Gabor变换的信号分析方法。通过分析频带能量累加曲线随连杆轴承不同故障程度的变化,提取出能够反应连杆轴承不同故障程度的频带能量,以此作为特征向量结合BP神经网络算法进行故障识别。     

全矢IMF信息熵用于高速列车转向架故障诊断

针对高速列车转向架振动信号具有非线性、非平稳的特征,以及单通道故障诊断带来的信息不完整问题,提出了一种多元经验模态分解（multivariate empirical mode decomposition ,简称MEMD）和全矢本征模态函数（intrinsic mode function,简称IMF）信息熵相结合的高速列车故障特征提取方法。首先,使用MEMD方法对同源双通道的振动信号进行分解,得到一系列的2元本征模态函数;其次,分别计算前6个IMF的全矢IMF信息熵,通过特征评价方法进行特征维数约简;最后,将得到的特征向量作为支持向量机的输入来识别转向架的故障类型。实验结果表明,该方法能有效提高转向架的故障识别率,最高可达到100%,验证了全矢IMF信息熵在高速列车故障诊断中的可行性。     

基于EEMD奇异熵的高速道岔裂纹伤损检测

针对高速道岔裂纹伤损特征提取及状态监测问题,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)奇异熵和最小二乘支持向量机(least square support vector machine,简称LSSVM)的高速道岔裂纹伤损检测方法。首先,通过EEMD方法将非平稳的道岔振动信号自适应地分解为有限个基本模态分量(intrinsic mode function,简称IMF),每个IMF包含了原信号不同的特征尺度;然后,利用相关性分析筛选出与原始信号相关性最大的若干个IMF,计算所筛选IMF分量的奇异熵构成特征向量;最后,将多测点数据融合后的奇异熵特征向量输入LSSVM进行训练与测试,从而判断道岔的工作状态和伤损类型。模拟道岔裂纹伤损实验平台的振动信号分析及实验结果表明,在信噪比高于20dB时,该方法受噪声影响小,算法稳定性好,能有效地用于道岔裂纹伤损检测。     

变量预测模型在齿轮故障诊断中的应用

将基于变量预测模型的模式识别(variable predictive model based class discriminate,简称VPMCD)方法、经验模态分解(empirical mode decomposition,简称EMD)方法和奇异值分解(singular value decomposition,简称SVD)相结合,提出了一种基于EMD,SVD和VPMCD的齿轮故障的诊断方法.首先,对齿轮振动信号进行EMD分解,得到若干个IMF(intrinsic mode function,简称IMF)分量;其次,将包含齿轮主要故障信息的前几个IMF分量组成特征向量矩阵,并对其进行SVD分解;最后,将奇异值作为特征向量建立VPMCD多故障分类器,以此来区分齿轮的工作状态和故障类型.将提出的方法应用于齿轮实验数据,分析结果表明,该方法能够实现齿轮故障类型的分类和诊断,是一种有效可行的齿轮故障诊断方法.     

基于VMD-MDE和ELM的柱塞泵微弱故障诊断

针对早期微弱故障信号易受噪声干扰、难以提取和识别的问题,提出一种基于变分模态分解(variational mode decomposition,简称VMD)多尺度散布熵(multiscale dispersion entropy,简称MDE)和极限学习机(extreme learning machine,简称ELM)的柱塞泵微弱故障诊断方法。首先,采集各状态的振动信号进行VMD分解,得到若干模态分量,根据各模态分量Hilbert包络谱中特征频率能量贡献率大小,提出以归一化特征能量占比(feature energy ratio,简称FER)为重构准则的变分模态分解特征能量重构法(variational mode decomposition feature-energyreconsitution,简称VMDF),对各模态分量进行信号重构;其次,计算重构信号的MDE,对各尺度散布熵进行分析,选择有效尺度散布熵作为特征向量;最后,将提取的特征向量输入ELM完成故障模式识别。柱塞泵不同程度滑靴端面磨损故障的实验结果表明,该方法不仅提高了模式识别效率,还可以更好地反映故障程度变化规律,具有较好的应用性。     

噪声环境下滚动轴承故障特征提取

滚动轴承故障振动信号采集中往往含有大量的噪声信号。为了从含噪信号中提取故障特征,首先对采集的信号进行小波降噪,然后利用经验模态分解(empirical mode decomposition,EMD)得到若干个内禀模态函数(intrinsic mode function,IMF),并考虑分解的各模态函数的能量特征,将分解后的IMF分量与分解前信号的能量比作为判断标准,剔除附加低频成分,最后选取有效的IMF集进行包络谱分析,提取故障特征。通过仿真分析和以真实滚动轴承为研究对象的故障诊断实验,表明该方法有效地去除了混杂在故障信号中的噪声,有效地提取旋转机械中的故障特征信息。     

基于改进EMD与PNN的汽轮机通流部分故障诊断

根据热力参数非线性、非稳态的特点,提出了一种基于改进的经验模态分解(empirical mode decomposition,简称EMD)算法与概率神经网络(probabilistic neural network,简称PNN)的汽轮机通流部分故障诊断新方法。该方法针对EMD存在的端点效应问题,采取基于波形相似度的镜像延拓法进行改进,以得到更准确、更真实的本征模函数(intrinsic mode function,简称IMF)分量,从而有效提取了故障特征信息,并通过PNN训练判别汽轮机通流部分故障类型。以某电厂600MW火电机组实时运行数据为基础进行仿真实验,结果表明,基于改进EMD与PNN的汽轮机通流部分诊断方法能够快速准确地判别汽轮机通流部分的故障类型,其准确率明显高于基于EMD与PNN的故障诊断方法。     

EMD和SOM神经网络在燃气发动机故障诊断中的应用

提出了EMD和SOM神经网络相结合的燃气发动机故障诊断方法。将燃气发动机振动信号进行EMD分解,提取前几个IMF分量的能量构成故障诊断的特征向量,输入SOM网络进行聚类,再将测试样本输入训练好的网络模型进行故障识别,网络输出结果采用U矩阵图法进行显示。对燃气发动机正常、气门间隙大、排气阀漏气3种状态的信号分析结果表明,该方法可以有效地提取非平稳信号的故障特征,网络模型结构简单,对大数据量样本的聚类与识别准确率高,输出结果清晰、直观、可视性强,该方法为燃气发动机故障诊断提供了新的途径。     

关联维数和基于内禀模态函数的AR模型在滚动轴承故障诊断中的应用

提出一种基于内禀模态函数(Intrinsic Mode Function,IMF)、自回归(Auto-Regressive,AR)模型和关联维数的滚动轴承故障诊断方法.该方法首先采用经验模态分解(Empirical Mode Decomposition,EMD)将滚动轴承振动信号分解成若干个IMF,然后对包含主要故障信息的IMF分量建立AR模型,计算AR模型自回归参数的关联维数,并以关联维数作为特征向量输入神经网络分类器,最后通过网络的输出结果来识别轴承的工作状态和故障类型.对实验数据的分析结果表明,该方法能有效地应用于滚动轴承的故障诊断.     

基于经验模式分解和一维密集连接卷积网络的电液换向阀内泄漏故障诊断方法

内泄漏作为电液换向阀常见的故障类型,其故障振动信号具有非平稳性、非线性等特点,且容易被其他信号淹没、破坏。对此提出了一种经验模式分解(Empirical Mode Decomposition,EMD)和一维密集连接卷积网络(Densely Connected Convolutional Networks,DenseNet)的电液换向阀内泄漏故障诊断方法。该方法首先利用EMD对振动信号进行分解得到一系列本征模态分量(Instrinsic Mode Function,IMF),并将IMF分量和原始振动信号依次进行并联堆叠;然后将并联堆叠信号作为一维密集连接卷积网络的输入进行特征的自动提取,并进行故障分类;最后通过DenseNet与传统的一维卷积神经网络(CNN)对比验证得出,该方法能准确、有效地对电液换向阀内泄漏故障进行诊断。     

基于EMD和SVM的刀具故障诊断

为有效监测刀具在机床中可能出现的故障,提出基于经验模态分解(EMD)和支持向量机(SVM)的一种故障诊断方法。首先用EMD方法将振动信号分解为有限个固有模态函数(IMF),并选取能量较大的IMF进行标量量化得到特征向量,最后将其输入SVM进行测试进而判断故障类型。分析结果表明,基于EMD-SVM的刀具故障方法能够更有效地识别刀具故障状态。     

基于总体平均经验模式分解近似熵和混合PSO-BP算法的轴承故障诊断方法

针对机械系统的非平稳、非线性特性,提出了一种基于总体平均经验模式分解(EEMD)近似熵和混合PSO-BP算法的轴承故障诊断方法。EEMD能够解决EMD的端点效应,改善处理非线性信号时的局限性;引入随机权重和压缩因子来改进粒子群算法,优化BP神经网络的权值和阈值,解决BP网络的全局收敛问题。将信号经EEMD得到的IMF分量与近似熵结合,组成特征向量,再将构造的特征向量输入到PSO-BP神经网络中进行模式识别。实验及工程应用实例证明了该方法的有效性和优越性。     

振动模态固有频率和阻尼比的EMD识别方法

针对机械系统固有频率和阻尼比的识别问题,提出了基于经验模式分解(EMD)的模态参数识别方法.该方法首先对脉冲激励下机械系统的位移响应进行了EMD分解,确定与该系统的各阶模态对应的固有模式函数(IMF),分别对各阶IMF进行希尔伯特变换以得到各自的瞬时幅值和瞬时相位曲线,并对所得曲线进行线性拟合,最后根据拟合曲线的参数来...     

基于经验模态分解的滚动轴承故障诊断方法

提出了一种基于经验模态分解的滚动轴承故障诊断方法，并定义了能量熵的概念。从不同状态的滚动轴承振动信号的能量熵值中发现，当滚动轴承发生故障时，各频带的能量会发生变化。为了进一步对滚动轴承的状态和故障类型进行分类，再从若干个包含主要故障信息的IMF分量中提取能量特征参数作为神经网络的输入参数来识别滚动轴承的故障类型。对滚动轴承的正常状态、内圈故障和外圈故障振动信号的分析结果表明，以经验模态分解为预处理器提取各频带能量作为特征参数的神经网络诊断方法比以小波包分析为预处理器的神经网络诊断方法有更高的故障识别率，可以准确、有效地识别滚动轴承的工作状态和故障类别。