基于EMD分解和奇异值差分谱理论的轴承故障诊断方法

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.     

利用微分算子增强EMD算法频带分解能力

针对传统经验模态分解(EMD)方法中信号所含频率分量较接近易出现模态混叠现象,导致分解出的本征模态函数失去原有物理意义问题,提出改进算法。将原始信号频带信号微分;对微分信号进行EMD分解;将所得IMFs进行积分处理获得原始信号有效的IMFs,能抑制EMD分解过程中的模态混叠现象。仿真计算与实际工程应用表明,该方法优于传统EMD算法,可有效分离频率接近的本征模态函数,扩大EMD方法的适用范围。     

基于EMD和Teager能量算子的轴承故障诊断研究

提出了一种基于EMD和Teager能量算子的齿轮箱轴承故障诊断的新方法,该方法综合利用了经验模态分解和Teager能量算子分析技术.首先利用经验模态分解方法,将振动信号分解成不同特征时间尺度的单分量固有模态函数,然后用Teager能量算子计算各固有模态函数的瞬时幅值,最后对感兴趣固有模态函数瞬时幅值的包络谱进行分析,就可识别齿轮箱轴承的故障部位和类型.齿轮箱轴承故障振动实验信号的研究结果表明:该方法能有效地识别轴承的故障.     

基于谱峭度与变分模态分解的转子微弱不对中故障诊断

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。     

基于第二代小波和EMD的解调方法及其应用研究

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.     

基于经验模态分解和主成分分析的滚动轴承故障诊断研究

针对传统的振动信号特征提取效率低、诊断时间较长等问题,提出了基于经验模态分解与主成分分析的滚动轴承故障诊断方法。首先利用经验模态分解将振动信号分解为有限个本征模函数和一个残差函数,提取主要的本征模函数能量及其局部平均频率特征,最后将复合特征向量作为主成分分析分类器的输入,完成对故障的识别。实验结果表明:复合特征向量能够有效地反映轴承的运行状态;相比于BP神经网络、支持向量机、K-近邻算法,主成分分析分类法不仅能够准确地识别故障,而且训练时间短、使用方便。     

基于改进EMD和形态滤波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性特点,提出一种改进经验模态分解(EMD)和形态滤波相结合来提取故障特征信息的方法。该方法首先在原信号中加入高频谐波并进行EMD分解,减小传统EMD分解中存在的模态混叠现象,然后从高频本征模态分量(IMF)中去除高频谐波得到故障冲击成分,经形态滤波消噪后进行频谱分析,提取出故障特征信息。信号仿真分析该方法的实施过程,并将该方法成功运用于滚动轴承内圈和外圈故障的诊断。实验结果表明该方法能够有效提取滚动轴承故障特征信息,实现故障诊断。     

基于改进变分模态分解的滚动轴承故障诊断方法

提出一种改进变分模态分解的轴承故障信号诊断方法。使用改进的奇异值分解降噪方法对信号进行降噪,然后对信号进行变分模态分解;利用分量信号的能量之和占原信号能量的比值,判断变分模态分解的分解效果,从而找出最佳分解层数;根据分量信号间的相关系数,判断中心频率相邻的分量信号是否来自信号中的同一调制部分;最后通过主要分量的包络谱找出故障特征频率,判断故障类型。通过对仿真信号和实际轴承故障信号进行处理,成功提取微弱频率特征信息,验证了该方法的有效性。     

基于改进自适应变分模态分解的滚动轴承微弱故障诊断

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。     

频率调制经验模态分解在轴承故障诊断中的应用

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。     

基于EMD与神经网络的滚动轴承故障诊断方法

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。     

解相关多频率经验模态分解的故障诊断性能优化方法

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。     

基于EMD间隔阈值消噪与极大似然估计的滚动轴承故障诊断方法

针对小波阈值消噪用作滚动轴承故障信号处理存在小波基函数较难选择及传统硬阈值、软阈值消噪效果差等缺点,将EMD间隔阈值消噪与极大似然估计相结合,应用于滚动轴承早期微弱故障诊断。对原始信号进行EMD分解;对各IMF进行基于极大似然估计的间隔阈值消噪,并重构出故障信号;进行包络谱分析得出诊断结果。数字仿真信号与实验信号验证了该方法的有效性。     

极点加权模态分解及其在故障诊断中的应用

经验模态分解(EMD)是一种自适应信号分解方法,由于其能够同时提供振动信号时域和频域的局部信息,在机械故障诊断领域得到广泛应用.受EMD思想的启发,基于相邻极值加权构造均值曲线,提出一种新的自适应信号分解方法—极点加权模态分解(EPWMD).通过仿真信号分析,将提出的EPWMD方法与EMD和局部特征尺度分解(LCD)等...     

基于DEMD和模糊熵的滚动轴承故障诊断方法研究

提出一种基于微分的经验模式分解(DEMD)模糊熵和支持向量机(SVM)相结合的滚动轴承故障诊断方法。首先对信号进行基于微分的经验模式分解,得到若干具有物理意义的本征模函数(IMF)分量,再利用相关度准则对固有模式分量进行筛选,计算所选分量的模糊熵,组成故障特征向量,然后将其作为支持向量机的输入来识别滚动轴承的状态。并将该方法与基于EMD模糊熵和SVM相结合的方法进行比较,实验结果表明该方法对机械故障信号能够更有效准确地进行识别分类。     

基于独立分量分析与希尔伯特-黄变换的轴承故障特征提取

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。     

基于EMD分形技术提取变速器轴承故障特征

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。     

基于EMD与AR谱的轧机主传动系统故障诊断研究

针对轧机故障信号的非线性、非平稳特征,研究了一种基于经验模态分解和AR模型功率谱相结合的分析方法。该方法首先对轧机主传动系统的故障信号进行EMD分解,然后通过选取含有故障信息的IMF分量进行AR模型的功率谱分析,从而提取出故障频率,判断引起故障的原因。通过仿真信号和实例验证了该方法的有效性。