APEEMD及其在转子碰摩故障诊断中的应用

总体平均经验模态分解(ensemble empirical mode decomposition,简称EEMD)是抑制经验模态分解(empirical mode decomposition,简称EMD)模态混叠的有效方法,针对EEMD分解效果依赖于添加噪声的大小、筛分次数和总体平均次数等参数的选择及噪声残留大、分解不完备等问题,提出了自适应部分集成经验模态分解。该方法通过成对地向目标信号加入自适应噪声,并对每个内禀模态函数(intrinsic mode function,简称IMF)自动选择筛选次数,通过排列熵检测筛分出高频IMF,再对剩余信号进行EMD分解。将提出的方法应用于仿真和转子碰摩故障试验数据分析,结果表明提出的方法能够有效地应用于转子碰摩故障诊断,而且在分量的精确性、完备性和模态混叠的抑制等方面优于EEMD方法。     

EMD方法在转子局部碰摩故障诊断中的应用

针对转子系统局部碰摩故障振动信号的特征，将经验模态分解方法（Empirical Mode Decomposition，简称EMD）应用于转子局部碰摩故障诊断中。采用EMD方法对转子振动信号进行分解，实现碰摩、背景和噪声信号分离，从而提取转子系统局部碰摩振动信号的故障特征。试验分析结果表明，对具有局部碰摩故障的转子振动信号进行EMD分解得到的基本模式分量（IMF）具有明显的调幅特性，而其他状态下的转子振动信号经过EMD分解后得到的IMF分量没有明显的调幅特性。因此，EMD方法可以有效地应用于转子系统局部碰摩故障诊断中。     

变分模态分解在转子故障诊断中的应用

针对转子故障诊断问题,提出一种基于变分模态分解(variational mode decomposition,简称VMD)的信号处理方法。该方法在获取分解分量的过程中通过迭代搜寻变分模型最优解来确定每个分量的频率中心及带宽,从而能够自适应地实现信号的频域剖分及各分量的有效分离,对各单分量信号进行希尔伯特变换,即可得到瞬时的频率和幅值信息。对仿真信号和典型转子故障信号进行VMD方法和经验模态分解(empirical mode decomposition,简称EMD)方法的分析比较,以验证所提方法的有效性。仿真信号的分解结果表明,变分模态能够准确分离出信号中的固有模态分量且不存在模态混叠;转子故障实验信号的分析结果表明,所提方法能够有效提取出明显的故障特征,从而准确诊断出转子存在的故障。     

基于Teager-Huang变换的转子局部碰摩故障诊断

针对转子碰摩故障诊断问题,提出一种基于Teager-Huang变换的转子局部碰摩故障特征提取方法,该方法首先通过经验模态分解(Empirical mode decomposition,EMD)将原始振动信号分解为若干个本征模态函数(Intrinsic Mode Function,IMF)分量,然后利用Teager量算子计算IMF分量的瞬时幅值和瞬时频率,得到故障信号的时频分布信息。通过转子局部碰摩故障诊断实例分析结果表明Teager-Huang变换方法比Hilbert-Huang变换方法能更好地追踪转子碰摩的发生,并能有效提取转子碰摩故障特征,验证了该方法的有效性。     

基于自适应经验傅里叶分解的机械故障诊断方法

为了克服傅里叶变换、经验模态分解与傅里叶分解方法在分析非平稳信号方面的不足,提出一种适合非线性和非平稳信号分析的新方法——自适应经验傅里叶分解(Adaptive empirical Fourier decomposition,AEFD)。AEFD方法以快速傅里叶变换为基础,通过对变换系数进行分组重构,能够将一个非平稳信号自适应地分解为若干个瞬时频率具有物理意义的傅里叶本征模态函数(Fourier intrinsic mode function,FIMF)之和。研究了AEFD的分解正交性和精确性,通过仿真信号分析,将其与经验模态分解,变分模态分解和傅里叶分解方法等进行了详细对比,结果表明了AEFD的优越性。最后,为了提高故障诊断的精度和验证AEFD的有效性,将AEFD应用到转子碰摩和滚动轴承局部故障诊断中。试验数据分析结果表明,与经验模态分解等方法相比,AEFD不仅能够有效地诊断故障,而且诊断精度更高。     

基于EMD与功率谱分析的滚动轴承故障诊断方法研究

针对西部油田大型设备故障信号的非线性、非平稳特征,提出一种基于经验模态分解方法EMD（empirical mode decomposition）和功率谱的分析方法。首先对滚动轴承振动信号进行经验模态分解,然后对分解后包含轴承故障特征信息的固有模态函数分量作功率谱分析,得到各分量的功率谱图,清晰直观显示出故障特征信号的功率谱,从混有背景信号和噪声的振动信号中提取轴承故障信息。由于EMD方法具有自适应特性,适宜于非线性、非平稳信号的分解,该方法应用于滚动轴承的故障振动信号分析中,结果表明,该方法能够突出滚动轴承振动信号的故障特征,从而提高滚动轴承故障诊断的准确性。     

基于RO-SBM的Hilbert-Huang变换端点效应抑制方法

针对Hilbert-Huang变换方法中由于信号经验模态分解(empirical mode decomposition,简称EMD)过程中所存在的端点效应问题,分析了现有数据延拓方式的利弊,并在基于斜率(slope based method,简称SBM)方法以及改进方法(improved slope based method,简称ISBM)的基础上提出了一种全新的基于斜率再优化(re-optimization slope based method,简称RO-SBM)方法用于信号序列的极值点延拓,然后对延拓后的数据进行EMD分解,得到相应的本征模函数(intrinsic mode function,简称IMF)分量.数值仿真结果表明,采用基于RO-SBM方法进行数据延拓,相比镜像延拓以及ISBM方法,可以更有效地抑制EMD中的端点效应问题,提升HHT方法的信号分析性能.通过基于RO-SBM方法进行数据延拓的HHT方法准确分离出了某转子系统的局部碰摩径向振动信号中所包含的故障特征分量,并将此方法成功应用于旋转机械故障诊断领域.     

基于RO-SBM的Hilbert Huang变换端点

针对Hilbert-Huang变换方法中由于信号经验模态分解(empirical mode decomposition, 简称EMD)过程中所存在的端点效应问题,分析了现有数据延拓方式的利弊,并在基于斜率(slope based method, 简称SBM)方法以及改进方法(improved slope based method,简称ISBM)的基础上提出了一种全新的基于斜率再优化(re-optimization slope based method, 简称RO-SBM)方法用于信号序列的极值点延拓,然后对延拓后的数据进行EMD分解,得到相应的 本征模函数(intrinsic mode function,简称IMF)分量。数值仿真结果表明,采用基于RO-SBM方法进行数据延拓,相比镜像延拓以及ISBM方法,可以更有效地抑制EMD中的端点效应问题, 提升HHT方法的信号分析性能。通过基于RO-SBM方法进行数据延拓的HHT方法准确分离出了某转子系统的局部碰摩径向振动信号中所包含的故障特征分量,并将此方法成功应用于旋 转机械故障诊断领域。     

基于VMD与Hilbert谱的旋转机械碰摩故障诊断方法

为了有效地诊断旋转机械中的碰摩故障,提出了基于变分模态分解(variational mode decomposition,简称VMD)与Hilbert谱分析的故障诊断方法。首先,利用VMD将碰摩故障信号自适应地分解为若干个不同频率段的本征模态函数(intrinsic mode function,简称IMF),并与集合经验模态分解(ensemble empirical mode dcomposition,简称EEMD)的处理结果进行对比分析;然后,在VMD分解的基础上,利用Hilbert谱对故障信号的时频特性进行分析。实验结果表明:与传统的频谱分析相比,该方法不但可以准确反映故障信号的频率成分,而且可以反映频率随时间的变化情况;与EEMD相比,该方法可以有效抑制模态混叠,更加准确地反映故障信息,从而验证了该方法的可行性与有效性。     

自主致密局部特征尺度分解方法及其应用

针对局部特征尺度分解（LCD）的模态混叠问题,提出了自主致密局部特征尺度分解（ACLCD）方法。该方法通过确定待分解信号的最小信号极值尺度来度量其信号尺度,采用新增伪极值点均匀化信号尺度,可有效抑制模态混叠的产生;引入了最优致密系数的概念,并给出了最优致密系数评价准则。研究了ACLCD方法的原理,通过仿真信号将ACLCD与LCD和EMD进行分析对比,结果表明,ACLCD在提高分量精确性和正交性、抑制模态混叠等方面具有一定的优越性。将ACLCD方法应用于转子碰摩故障的诊断,结果表明该方法有效。     

自适应无参经验小波变换及其在转子故障诊断中的应用

为了实现经验小波变换中Fourier谱的自适应分割,提出了自适应无参经验小波变换(APEWT)方法。同时,为了克服希尔伯特变换解调的不足,更精确地估计信号的时频分布,提出了改进归一化希尔伯特变换(INHT)。通过分析仿真信号将APEWT和INHT方法与经验模态分解(EMD)、总体平均经验模态分解(EEMD)和局部特征尺度分解等方法进行对比,结果表明了APEWT和INHT方法的优越性。最后,将基于APEWT和INHT的时频分析方法应用于转子局部碰磨故障诊断,试验数据分析结果表明,所提出的方法不仅能够有效地诊断转子局部碰磨故障,而且诊断效果优于EMD和EEMD方法。     

自适应特征尺度分解方法及其应用

针对局部特征尺度分解（LCD）存在的模态混叠问题和其在均值曲线定义方面存在的不足,在对LCD方法研究的基础上,充分借鉴经验模态分解（EMD）和LCD等此类基于筛分的信号分解方法的思路,定义了一种新的瞬时频率具有物理意义的单分量信号--内禀致密尺度分量（ICC）,并提出了一种新的自适应信号分解方法--自适应特征尺度分解（ACD）方法。同时,给出了ICC分量评价准则,通过对ACD每阶筛分中由不同均值曲线和致密系数取值得到的一组不同的分解分量进行对比,选取最优分量作为该阶筛分的ICC分量,从而保障最终分解效果优于LCD方法分解效果。对仿真信号的分析结果证实了ACD方法的分解效果优于EMD、LCD、总体平均经验模态分解（EEMD）和自主致密局部特征尺度分解（ACLCD）方法的分解效果;对实验数据的分析结果验证了ACD的有效性,从而为旋转机械故障诊断提供了一种新的方法。     

基于经验模式分解的全息谱故障识别方法

由于实测信号中的一些噪声干扰会影响全息谱对信号分析的准确性,采用经验模式分解(emprical mode decomposition,简称EMD)方法进行信号滤波以提高识别的可靠性.应用EMD对信号分解,并结合互相关系数对内蕴模式分量(intrinsic mode function,简称IMF)进行滤波,在此基础上对信号进行重构,以降低噪声干扰,并对实际测试信号进行有效提纯.最后,对滤波后的转子信号进行全息谱分析,并通过分析实际转子碰摩信号来验证该方法的有效性.     

改进的经验模式分解在机械故障诊断中的应用

针对经验模式分解(empirical mode decomposition,简称EMD)在工程应用中存在的端点效应和模式混叠问题,提出了一种改进的EMD方法。首先,利用遗传支持向量回归对短信号进行延拓;然后,采用改进的包络拟合方法并结合总体经验模式分解(ensemble empirical mode decomposition,简称EEMD)处理信号,数值仿真结果验证了该方法能够有效抑制端点效应和模式混叠;最后,利用该方法并结合包络解调对滚动轴承内圈故障信号进行实验与分析。结果表明,与EMD相比,该方法可以更有效地提取故障特征,满足机械设备故障诊断工程实际需求。     

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。     

机械转子动静碰摩故障的EMD分解Hilbert包络谱分析

为避免碰摩故障对旋转机械的影响,针对转子系统局部碰摩的特征,提出一种基于EMD分解Hilbert包络谱分析方法。该珐利用EMD方法分解含有碰摩故障的振动信号,提取出的IMF分量有明显的调幅特征,再对其中突出的IMF分量进行Hilbert包络谱分析提取出故障特征频率。与倒谱分析相比,得到的碰摩故障信息更加精确;与小波分析相比,能更容易提取出真实的故障特征。