CEEMD和小波半软阈值相结合的滚动轴承降噪

针对滚动轴承振动信号降噪处理时如何保证信号边缘信息完整性的问题,提出将互补集合经验模态分解(complementary ensemble empirical mode decomposition,简称CEEMD)与小波半软阈值相结合的信号降噪方法,对滚动轴承故障高频振动信号进行降噪处理。首先,采用CEEMD方法对故障振动信号进行分解,针对信号特点自适应获取不同频段模态分量;其次,将对包含噪声污染的高频信号模态分量进行相关性分析,得到含噪成分较高的高频模态分量,进一步采用小波半软阈值进行降噪处理;最后,将降噪后的模态分量同残余分量进行信号重构,完成降噪过程。分析结果表明,相对于传统小波阈值降噪和CEEMD强制降噪方法,提出的方法能够有效去除高频信号的噪声,且最大程度地保证了原始信号的完整性,降噪效果更好。     

基于CEEMD与小波阈值的机械密封声发射信号自适应降噪方法

针对机械密封声发射信号容易受到环境噪声干扰,难以有效地从背景噪声中分离的问题,提出将互补集合经验模态分解(CEEMD)与改进小波阈值降噪方法相结合的声发射信号自适应降噪方法。根据白噪声经经验模态分解(EMD)后其固有模态函数分量的能量密度与其平均周期的乘积为一常数的特性,自适应地判定CEEMD信噪分量的分界点;为避免小波原阈值函数的缺陷,应用改进小波阈值函数对高频IMF分量进行降噪处理,然后同其余的IMF分量进行信号重构,完成降噪过程。对仿真信号和采集的机械密封声发射信号的降噪结果,证明了该降噪方法的有效性和可行性。     

基于谱峭度和CEEMD的滚动轴承声信号故障诊断研究

使用声信号来诊断轴承故障越来越受到重视.针对滚动轴承故障信号的强背景噪声特点,提出一种基于谱峭度和互补集合经验模态分解(CEEMD)的故障特征提取方法.该方法首先对滚动轴承声信号进行快速谱峭度计算并进行带通滤波预处理,使滚动轴承声信号变得简单且噪声小,故障冲击成分明显;然后利用CEEMD将滤波信号进行分解运算,得到一系...     

基于CEEMD与IMCKD的滚动轴承故障诊断方法

针对滚动轴承故障冲击信号周期性强且易被强烈的背景噪声所淹没的特点,提出基于互补集合经验模态分解(CEEMD)与改进的最大相关峭度解卷积(IMCKD)的轴承故障诊断方法。首先,对采集到的信号进行CEEMD分解,利用峭度为准则筛选IMF分量进行信号的重构,再对重构信号进行最大相关峭度解卷积处理,实现信号的滤波降噪,最后,将滤波信号进行包络解调得到轴承的故障特征。通过轴承故障的仿真和实验研究,验证了该方法的有效性和可行性。     

基于CEEMD和Teager能量算子的滚动轴承故障诊断研究

滚动轴承出现局部损伤时,故障时域信号中会出现周期性冲击特征,为了能够准确地提取故障特征信息,提出了CEEMD和Teager能量算子相结合的故障诊断方法。首先应用CEEMD方法对轴承故障信号进行预处理,结果得到一系列本征模态分量,依据相关系数准则,从分解结果中选取相关系数最大的分量作为研究对象;然后采用Teager能量算子对选出分量进行解调处理;最后从得到的能量谱图中即可准确地获取故障特征信息。通过对仿真信号和轴承实验数据进行诊断分析,结果验证了该方法的有效性。     

基于集合经验模态分解的滚动轴承振动信号希尔伯特谱分析方法

针对滚动轴承振动信号的特点,提出一种基于集合经验模态分解的滚动轴承振动信号希尔伯特谱分析方法。这一方法采用集合经验模态分解对滚动轴承振动信号进行分解,可以抑制传统经验模态分解可能产生的模态混淆现象。对于所得到的所有固有模态函数,采用相关因数法自动获取与原信号相关程度大的固有模态函数分量,并进行希尔伯特变换,计算瞬时频率和幅值,进而得到振动信号的时间、频率和幅值三维希尔伯特谱。通过对滚动轴承仿真信号与实际振动信号进行试验研究,验证了利用基于集合经验模态分解的滚动轴承振动信号希尔伯特谱分析方法进行故障诊断的有效性。     

基于灰色准则与EEMD的滚刀振动信号降噪方法

工程现场采集的滚刀振动信号掺杂噪声,致使信号特征难以提取。提出一种基于灰色准则与集合经验模态分解(EEMD)的滚刀振动信号降噪方法。首先将原信号进行EEMD分解得到若干个特征模态函数(intrinsic mode function,IMF),再根据提出的灰色准则对IMF分量进行极性一致化处理、均值化处理,计算出IMF1与其他IMF分量的灰色关联度,并按照灰色关联度将IMF分量降序排列,然后选择降序排列中前一半IMF分量进行软阈值处理,最终将处理后的IMF分量、未处理的IMF分量及余项进行重构,得到降噪后的信号。通过不同初始信噪比的仿真信号和实际加工中的滚刀振动信号验证了本方法的可行性和有效性,同时与EEMD结合相关系数降噪法、小波软阈值降噪法进行了比较,结果表明本方法的降噪效果更优。     

CEEMD与卷积神经网络特征提取的故障诊断方法研究

轴承动力学行为具有非线性的特点,导致其振动信号特征与运行状态之间存在较强的非线性关系;且振动信号的特征提取与选择往往需要大量的先验知识,导致特征的设计难以准确反映不同的运行状态。针对以上问题,提出一种基于互补集合经验模态分解(Complementary ensemble empirical mode decomposition,CEEMD)与卷积神经网络(Convolutional neural networks,CNN)的特征提取方法,从振动信号时频图中自适应提取其敏感特征,反映设备运行状态。首先采用CEEMD算法分解得到振动信号的固有模态函数(Intrinsic mode function,IMF)分量,构造各个IMF时频图,并采用CNN提取时频图的特征;然后,将提取到的特征与小波包分频带能量值相结合,组建特征指标向量,用于构建轴承故障诊断模型。将该方法应用于不同负载、不同故障深度的轴承试验中,结果表明该方法能够在多种工况下有效地提高故障识别率。     

基于CEEMDAN-ICA的干气密封振动信号降噪方法*

干气密封运行过程中的振动信号特征信息微弱并受外界强噪声干扰,其振动信号难以真实反映干气密封摩擦学特性。针对上述问题以及振动信号难以从噪声中分离的问题,提出一种基于CEEMDAN（自适应噪声的完全集合经验模态分析）与ICA（独立成分分析）相结合的信号降噪方法。首先对试验采集的干气密封运行时的加速度信号进行CEEMDAN分解得到IMF分量,然后通过ICA变换得到对应独立成分分量并计算其模糊熵值,将模糊熵值不符合条件的分量进行置零,并把符合条件的分量进行重构得到降噪后信号。利用干气密封加速度实验信号进行算法分析验证,证实了该方法相较于其他传统降噪方法更加有效,为干气密封故障诊断提供了一种新的途径。     

基于CEEMD-WPT的滚动轴承特征提取算法

为实现对滚动轴承振动信号中特征频率成分的精确提取,提出了将互补总体平均经验模态分解(complementary ensemble empirical mode decomposition,简称CEEMD)与小波包变换(wavelet package transform,简称WPT)相结合即CEMMD-WPT特征信号提取算法。两种方法的结合既有效解决了CEEMD分解后依然存在的模态混叠问题,又消除了进行WPT处理后产生虚假频率分量、频率混淆现象的影响。通过仿真试验验证了该方法的有效性,并应用于实际,取得很好的结果。     

基于自适应CEEMD的非平稳信号分析方法

由于标准的互补集总经验模态分解(complementary ensemble empirical mode decomposition,简称CEEMD)在处理模态混叠问题时缺乏自适应性,其本质是分解信号获得的本征模态函数(intrinsic mode function,简称IMF)之间产生了一定的信息耦合现象,使IMF分量不能正确地反映信号的真实成分。因此,提出了在使用CEEMD分解信号的过程中嵌入网格搜索算法(grid search algorithm,简称GSA),以最小二乘互信息(least squares mutual information,简称LSMI)为网格搜索算法的适应度函数,构造一个自适应CEEMD方法。该算法通过自适应地搜索最佳的白噪声幅值,修正信号分解过程中产生的少量的耦合频率成分,确保每个IMF分量之间信息的正交性,以进一步抑制模态混叠问题。最后,通过仿真实验验证了该方法的有效性,并将该方法用于提取滚动轴承微故障的特征频率。实验结果表明,该算法在滚动轴承的微故障特征提取应用中具有更少的迭代数、IMF分量以及相对更小的计算量。     

基于自适应自相关谱峭度图的滚动轴承故障诊断方法

自相关谱峭度图通过最大重叠离散小波包变换对信号频谱进行分割,并选取最大峭度值所对应频带内的信号进行诊断分析.针对自相关谱峭度图方法在分割频带时因遵循二叉树结构而导致的频带划分区域固定问题,提出一种基于自适应自相关谱峭度图方法的滚动轴承故障诊断方法.自适应自相关谱峭度图方法以改进的经验小波变换为基础,对原始信号傅里叶谱进...     

基于EEMD奇异值熵的滚动轴承故障诊断方法

为充分利用振动信号进行故障辨识,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)奇异值熵判据的滚动轴承故障诊断方法。首先,对滚动轴承的振动信号进行EEMD分解获得若干个本征模态函数(intrinsic mode function,简称IMF),并根据一种IMF分量故障信息含量的评价指标(即峭度、均方差和欧氏距离)选出能够表征原始信号状态的分量进行信号重构;其次,利用奇异值分解技术对重构信号进行处理,结合信息熵算法求取其奇异值熵;最后,利用奇异值熵的大小判断滚动轴承的故障类别。用美国西储大学滚动轴承振动信号对所述方法进行验证的结果表明,相比传统的EMD奇异值熵故障诊断方法,本方法能够清晰的划分出滚动轴承不同工作状态的类别特征区间,而且具有更高的故障诊断精度。     

基于相关系数的EEMD转子信号降噪方法

针对转子振动信号周期性强的特点,应用集合经验模式分解(ensemble empirical mode decomposition,简称EEMD)对转子振动信号降噪过程中固有模式函数(intrinsic mode functions,简称IMF)分量的选取问题,提出了基于相关系数的EEMD降噪方法。首先,对原始信号进行EEMD分解得到IMF分量,并计算各IMF分量自相关函数与原信号自相关函数的相关系数;然后,根据相关系数选择相应的IMF分量重构信号最终达到对原信号降噪的目的;最后,对比了EEMD过程中不同加噪次数对降噪效率和效果的影响,给出了加噪次数的设置方法。仿真信号和转子振动信号的降噪结果表明了该降噪方法的可行性和有效性。     

基于改进平移不变量小波阈值法的齿轮泵振动信号降噪

齿轮泵的振动信号中含有大量噪声,在对其进行应用之前必须降噪处理。传统的小波阈值降噪法在信号的奇异点附近会产生振荡现象,为此研究了一种新的小波阈值函数,把新的阈值函数和平移不变量相结合,提出了改进小波阈值法的平移不变量降噪方法。该方法克服了软、硬阈值的缺陷,同时抑制阈值法降噪时产生的伪吉布斯(Pseudo-Gibbs)现象。利用该方法对仿真信号和实测齿轮泵振动信号进行降噪处理,并与小波软、硬阈值法及新阈值法进行了对比。结果表明:该方法具有更好的降噪效果,可应用于齿轮泵振动信号降噪处理。     

基于字典学习和稀疏编码的振动信号去噪技术

针对现有机械振动信号去噪算法需要一定先验知识的问题,提出了一种基于字典学习和稀疏编码的自适应去噪滤波方法。根据信号的本质特性,应用在线字典学习方法对原始数据进行学习和训练,寻求数据驱动的最优字典空间。引入正交匹配追踪算法,确定原始信号在最优字典空间上的稀疏表示。基于稀疏编码和优化字典,重构原始信号,实现信号去噪。仿真和试验结果表明,相对于现有去噪方法,基于字典学习和稀疏编码的方法自适应能力强,去噪效果好。     

快速自适应经验模态分解方法及轴承故障诊断

提出一种快速自适应经验模态分解(fast and adaptive empirical mode decomposition,简称FAEMD),其算法结构和本征模态函数的特点与经验模态分解(empirical mode decomposition,简称EMD)类似。采用顺序统计滤波器代替三次样条来拟合曲线,简易的终止准则使耗机时间大幅减小。该方法可以快速、有效、准确地分解信号,能够避免终止准则和端点效应问题,改善模态混叠和耗时问题。在滚动轴承故障诊断的应用中,效果表现良好。     

粒子滤波在轴承故障振动信号降噪中的应用

针对滚动轴承振动信号容易受到较为复杂的随机噪声的污染,提出了基于Rao-blackwellised粒子滤波的振动信号降噪方法。建立了不含噪的振动信号的时变自回归模型,进而转化成对应的状态空间模型,把降噪问题转化成在状态空间模型下的滤波问题,并用仿真信号进行了试验研究,结果表明,该方法具有较好的降噪效果。