共查询到18条相似文献,搜索用时 140 毫秒
1.
基于EMD分解和奇异值差分谱理论的轴承故障诊断方法 总被引:5,自引:0,他引:5
针对故障轴承振动信号中含有强烈的背景噪声,难以提取故障频率的现实情况,提出了基于经验模态分解(Empirical Mode Decomposition,EMD)和奇异值差分谱的轴承故障诊断方法.首先通过EMD方法将非平稳的原始轴承振动信号分解成若干个平稳的本征模函数(Intrinsic Mode Function,IMF);由于背景噪声的影响,从各个IMF的频谱中难以准确地得到故障频率.对IMF分量构建Hankel矩阵并进行奇异值分解,进一步找到奇异值差分谱,根据奇异值差分谱理论对某个IMF分量进行消噪和重构,然后再求其频谱,便能准确地得到故障频率.实验结果表明,提出的方法能有效地应用于轴承的故障诊断. 相似文献
2.
3.
4.
针对噪声干扰下转子微弱不对中故障特征难以提取的问题,提出一种谱峭度与变分模态分解的转子故障诊断方法。该方法首先利用谱峭度(Spectral Kurtosis)滤除信号背景噪声以强化故障特征相关信号分量,然后通过变分模态分解(Variational Mode Decomposition,VMD)将转子振动信号分解为一系列本征模态分量并对各分量进行频谱分析,提取转子的故障特征。将该方法应用到转子不对中故障实验数据中,结果表明,该方法能有效提取出转子微弱不对中故障特征,并且结果要优于基于谱峭度与经验模态分解(EMD)方法的分析结果。 相似文献
5.
基于第二代小波和EMD的解调方法及其应用研究 总被引:4,自引:2,他引:4
针对复合故障中滚动轴承微弱冲击性故障特征难于提取的问题,提出基于第二代小波和EMD的解调方法,进行复合故障的耦合特征分离和轴承损伤性故障微弱信号的特征提取研究.该方法首先应用第二代小波分解与重构原始信号,针对分解与重构出的高频段信号进行经验模式分解(Empirical Mode Decomposition, EMD),得到若干个本征模函数(Intrinsic Mode Functions, IMFs),然后针对本征模函数中的高频成分进行Hilbert包络解调,准确提取高频调制故障特征.仿真及实验结果表明该方法的有效性和实用性. 相似文献
6.
7.
8.
9.
滚动轴承早期故障信息微弱,且混有大量背景噪声,难以提取其故障特征。提出了一种改进的自适应变分模态分解(AVMD)与Teager能量谱的微弱故障诊断方法。将最小平均包络熵(MMEE)作为目标函数,自动搜寻影响参数最佳值,确保变分模态分解(VMD)实现最优分解,并提出加权峭度指标(WK)用于选择有效模态分量进行信号重构,对重构信号进行Teager能量谱分析,从而识别故障特征频率。对轴承微弱故障振动信号的研究表明,所提方法改进了传统VMD算法分解精度受参数影响较大,导致信号出现过分解或欠分解的问题;与集合经验模态分解和局部均值分解算法相比所提方法具有更强的噪声鲁棒性和故障信息提取能力。 相似文献
10.
在密集频率情况下,针对经验模态分解(Empirical Mode Decomposition,EMD)容易产生模态混叠的问题,研究了基于频率调制经验模态分解(Frequency Modulated Empirical Mode Decomposition,FM-EMD)振动信号处理方法。该方法可以较好地分解相对密集频率的弱非线性信号,得到物理意义相对明确的本征模函数(Intrinsic Mode Function,IMF)。通过数值仿真证明了该方法的有效性。利用频率调制经验模态分解方法对故障轴承振动信号进行分析,准确地确定了故障类型。 相似文献
11.
基于EMD与神经网络的滚动轴承故障诊断方法 总被引:27,自引:17,他引:27
针对滚动轴承故障振动信号的非平稳特征,提出了一种基于经验模态分解(Empirical Mode Decomposition,简称EMD)和神经网络的滚动轴承故障诊断方法。该方法首先对原始信号进行了经验模态分解,将其分解为多个平稳的固有模态函数(Intrinsic Mode function,简称IMF)之和,再选取若干个包含主要故障信息的IMF分量进行进一步分析,由于滚动轴承发生故障时,加速度振动信号各频带的能量会发生变化,因而可从各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信号的分析结果表明,以EMD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型。 相似文献
12.
针对故障诊断中采用EMD方法存在模态混叠现象,引起故障特征提取精度低的问题。提出了一种解相关多频率经验模态分解(Decorrelation Multiple-Frequency Empirical Mode Decomposition,DMFEMD)方法,首先对初始信号添加多个频率的掩蔽信号,初步分解其中不同频率比的信号分量得到多个IMF分量;其次计算相邻IMF之间的相关系数并对其解耦,进一步分离IMF中存在混叠的部分,得到最优IMF;最终,从原始信号中减去最优IMF,然后重复上述步骤,直到残余分量为常数或单调。由于保证了IMF之间互不相关且互不干扰,因此模态混叠现象显著减弱,有效提高故障特征提取精度。利用排列熵算法对一系列最优IMF构造特征样本集,引入SVM建立故障分类模型,实现设备故障诊断。通过试验证明,DMFEMD与传统的方法相比,能有效分离不同频率比混合信号,提高分解效果。同时以轴承振动信号为例,DMFEMD可以更好的提取轴承的故障特征,结合PE与SVM能够实现不同故障类型的高效精确的诊断。 相似文献
13.
14.
15.
16.
滚动轴承早期故障信号具有能量小、频带分布宽等特征,易受到其它能量较大振源信号的干扰。传统的希尔伯特-黄变换(HHT)对信噪比大、多频率调制信号常因不能对其所包含的固有模式函数(IMF)实现准确分离和去除调制干扰分量而失效。本文提出了基于HHT和独立分量分析(ICA)的滚动轴承诊断新方法。该方法首先利用经验模式分解(EMD)将滚动轴承振动信号分解成若干平稳的本征模式函数IMF分量,通过提取若干包含主要信息的IMF分量,应用带通滤波器和Hilbert变换获取IMF分量的高频包络波形,再应用ICA分离包络波形并进行频谱分析,进而判断滚动轴承的运行状况。仿真和试验分析结果验证了本方法的可行性。 相似文献
17.
故障轴承振动信号具有分形特征,可以利用分形维数有效识别变速器轴承的故障模式.噪声的存在对分形维数的计算结果影响较大,为此采用经验模态分解(EMD)方法,对变速器轴承振动信号进行EMD分解,计算分解后的IMF分量的分形维数,提取出变速器轴承不同技术状态下的故障特征。对实测变速器轴承振动信号分析,结果表明:EMD能对不同频带信号进行有效分离;特定IMF分量的分形维数能敏感反应变速器轴承技术状态,可以作为变速器轴承故障诊断的特征参数;EMD与分形维数相结合是提取变速器轴承故障特征的一种有效方法。 相似文献