EMD在LabVIEW中的实现及其在水轮机主轴振动信号分析中的应用

针对LabVIEW中缺少经验模态分解(EMD)算法模块的问题,对LabVIEW进行了二次开发,建立了基于LabVIEW的EMD模块,为振动故障信号分析提供了有效的工具,进而以水轮机故障信号的振动特征和故障产生机理为依据,将此算法运用于水轮机主轴振动信号分析,以河北省西达水电站水轮机主轴振动数据为基本资料,对分解得到的高频本征模函数(IMF)分量做包络谱分析,提取故障信息,并与轴心轨迹分析方法相结合加以验证。结果表明,该方法能够有效判别出水轮机主轴故障类型,可应用于水轮机主轴振动信号分析。     

旋转机械振动信号基于EMD的HT和STFT时频分析比较

基于经验模态分解（Empinrical Mode Decomposition，EMD）的希尔伯特变换（Hilbert Transformation，HT），是先把一列时间序列数据通过经验模态分解，然后经过希尔伯特变换获得频谱的信号处理新方法。介绍了该方法的理论和算法。对仿真和旋转机械油膜涡动故障振动信号分别用基于EMD和基于STFT（Short-Time Fourier Transformation，STFT）的时频分析进行了比较研究，研究结果说明，用基于EMD的HT方法对旋转机械的振动信号进行时频分析比STFT有效。     

旋转机械振动信号基于EMD的HT和Winger分布时频分析比较

基于经验模态分解(Empirical Mode Decomposition，EMD)的希尔伯特变换(Hilbert Transformation，HT)，是先把一列时间序列数据通过经验模态分解，然后经过希尔伯特变换获得频谱的信号处理新方法。介绍了该方法的理论和算法。对仿真和旋转机械油膜涡动故障振动信号分别用基于EMD的HT和Winger分布的时频分析进行了比较研究，研究结果说明，用基于EMD的HT方法对旋转机械的振动信号进行时频分析比Winger分布分析有效。     

基于改进的经验模式分解的旋转设备振动信号特征提取

针对旋转设备局部碰摩故障振动信号的特征,提出了一种基于经验模式分解(Empirical Mode Decomposition,EMD)与小波分析相结合的故障特征提取的改进方法,先利用小波分析方法将振动信号分解为低、中、高3个频段,然后对各个频段的信号进行EMD分解,实现碰摩、背景和噪声信号分离,从而提取旋转设备局部碰摩振动信号的故障特征.在某热电厂2号汽轮发电备用机组的碰摩故障诊断的应用中,仿真信号和试验数据的分析结果表明,该方法正确、有效,可应用于工程实践.     

改进EMD降噪方法在水轮机尾水管压力脉动信号中的应用

针对水轮机尾水管压力脉动信号的降噪处理问题,提出一种基于改进经验模态(EMD)分解的降噪方法。首先将信号进行EMD分解,得到一系列本征模态函数;然后利用基于自相关函数特性的分析方法将其分解为噪声主导分量和信号主导分量两部分,并将噪声主导分量利用小波软阈值降噪;最后将经过处理的噪声主导分量与信号主导分量重构成新信号,用于后续分析。通过与基于互相关分析的EMD降噪法对比,发现该方法具有更高的信噪比,既保留了尾水管压力脉动信号的低频成分,又保留了其有用的高频成分,是一种有效的水轮机尾水管压力脉动信号降噪方法。     

小波神经理论在风力机齿轮箱故障诊断系统中的应用

风力机齿轮箱振动信号是一种时频特性复杂的非平稳信号,常规的时域和频域分析方法难以有效的分析齿轮箱故障及提取故障特征。提出一种基于小波分析和神经网络的风力机齿轮箱故障诊断方法,该方法采用小波时频分析技术对风力发电机故障振动信号进行消噪滤波,通过小波包分解系数求取频带能量,根据各个频带能量的变化提取故障特征,为实现智能诊断提供故障特征值。应用BP神经网络进行故障识别,并采用LabVIEW和matlab软件予以实现。结果表明,该方法能有效提高风力发电机组齿轮箱故障诊断的准确性。     

基于Lab VIEW的小波理论在风力机齿轮箱故障诊断中的应用

给出一种基于Lab VIEW实现信号的小波包络分析的方法。在Lab VIEW的高级信号处理工具箱中包含了小波包信号分解和重构的模块,利用这些模块快速实现了小波包分解,然后对风电机组齿轮箱采集振动数据进行包络分析,得到了直观的包络谱线,进而得到准确判断风力发电机组的实际工作状态。另外采用小波分解对齿轮箱故障振动信号进行消噪滤波,通过小波包分解系数求取频带能量,根据各个频带能量的变化提取故障特征,为实现智能诊断提供故障特征值。     

基于EMD的水轮机空化声发射信号阈值降噪方法

针对随机噪声对水轮机空化声发射信号的影响,提出了基于经验模态分解(EMD)的水轮机空化声发射信号阈值降噪方法:首先利用EMD将水轮机空化声发射信号分解得到多个本征模态分量(IMF),然后结合给定阈值规则对前半部分IMF分量进行降噪,将降噪后的IMF分量与未处理的IMF分量重构,得到降噪后的声发射信号。采用该方法分别对仿真信号和水轮机空化试验过程中采集到的声发射信号进行了降噪处理,并与小波阈值降噪方法、小波包阈值降噪方法及传统EMD降噪方法进行了对比。结果表明:EMD阈值降噪方法有效结合了EMD自适应分解的特性和阈值降噪的良好性能优点,对水轮机空化声发射信号的降噪效果优于其他3种方法。     

基于AEWT-KELM的风电机组轴承故障诊断策略

针对风力发电机组轴承故障振动信号传递路径复杂多变,且故障信号易受到背景噪声的严重干扰,传统方法对故障特征难以准确提取的问题,提出一种自适应经验小波变换（AEWT）与奇异值分解（SVD）的特征提取方法,并结合核极限学习机（KELM）实现风电机组轴承的故障诊断,该方法同时考虑轴承不同故障类型及不同损伤等级的情况。其中,自适应EWT为两阶段调整过程：基于尺度空间法固有模态函数（IMF）分解-确保EWT分解的有效性、基于相关系数最大的敏感分量提取-实现相关特征最大化和冗余信息的消除。通过相关实验结果可明显发现,所提AEWT的分解效果优于EMD、EEMD、CEEMDAN、LMD等方法。对提取敏感分量利用SVD计算奇异值,构建故障特征向量;最后将特征向量作为KELM的输入,建立KELM轴承状态识别模型。通过西储大学平台轴承振动信号和实际风场采集的轴承振动信号对算法进行验证,结果表明,相比SVM、ELM、KNN等识别模型,该方法能有效识别出不同故障类型及不同损伤等级下的轴承故障,整体识别率达99%。     

基于小波包的泵站机组振动信号特征分析

提出了一种应用小波包分析对泵站机组振动信号进行特征分析的方法。与小波分析相比,小波包分析能对信号的高频频带进一步分解,提高了频率分辨率。利用小波包对泵站机组振动信号进行了信号压缩与消噪以及奇异性分析,为诊断机组振动故障提供了决策依据。对泵站机组主轴摆度和轴承振动实测信号进行了分析,结果表明小波包分析可有效提取原始信号的特征。     

EMD方法在内燃机故障诊断中的应用

针对内燃机瞬时转速信号的非平稳性特点,将EMD方法用于瞬时转速信号的时频分析,将其自适应分解为几个基本模式分量和剩余值序列;对各个基本模式分量进行Hilbert变换得到Hilbert谱,从而得到瞬时频率和振幅随时间的变化规律,并进一步得到了EMD边界谱。实验测量6-135型柴油机正常和故障状态下瞬时转速信号,对其进行EMD分析表明：瞬时转速EMD边界谱可以指示有无故障发生,而瞬时频率和分解剩余值序列可以指示故障缸位置,二者结合可以较好地实现内燃机的故障诊断,为基于瞬时转速的内燃机故障诊断提供了一条新的思路。     

基于ALIF-HT的汽轮发电机组转子故障诊断

针对汽轮发电机组转子故障振动信号为多分量非平稳信号,将一种新的信号分解方法——自适应局部迭代滤波(ALIF)用于转子故障振动信号分解,并与希尔伯特变换(HT)相结合,提出了基于ALIF-HT的汽轮发电机组转子故障诊断方法:首先对转子原始振动信号进行ALIF得到若干信号分量,再应用HT求取每个分量的瞬时频率,获取原信号全部信号分量的完整时频表示,最后根据转子故障振动信号的时频特征判别转子的故障类型.通过仿真信号分析验证ALIF对多分量信号的分解能力,并利用转子油膜失稳故障分析验证该方法的工程实用性.结果表明:ALIF方法能够有效克服经验模态分解(EMD)存在的模态混叠问题,使得ALIF-HT方法相对于希尔伯特黄变换(HHT)方法具有更高的时频分析精度.     

改进VMD融合深度学习在滚动轴承故障诊断中的应用

针对滚动轴承早期振动信号微弱且难以提取的问题,结合灰狼算法与变分模态分解（Variational mode decomposition,VMD）提出改进变分模态分解（Improved variational mode decomposition,IVMD）方法分解轴承故障信号,并基于快速谱峭度图（Fast kurtogram,FK）提取特征分量进行信号重构,采用深度学习与混沌理论对各故障轴承重构信号进行非线性分析,完成故障识别。在保留原故障信息整体几何结构的同时降低了特征数据复杂度,增强了故障状态分类能力。基于损伤轴承实验数据验证所提方法的有效性。结果表明：IVMD较VMD能更好地分解故障信号,快速谱峭度图可有效提取特征分量;采用IVMD FK进行信号前处理后,经卷积神经网络（Convolutional neural network,CNN）进行故障分类,准确率高达99.99%,远高于传统故障诊断方法;在强噪声环境下此方法仍可较好地进行故障分类,在-8dB噪声下准确率达到75.75%,具有良好的鲁棒性;同时,结合混沌相图与Lyapunov指数反映故障信号的混沌特性,随卷积层数增加Lyapunov指数逐渐减小,表明深度学习模型和混沌理论可从混沌序列中提取纯净特征信息,准确进行故障识别。     

EMD在柴油机燃烧不良诊断中的应用

介绍了经验模态分解(EMD)方法的基本原理和实现过程,并应用该方法对柴油机气缸盖上面采集到的非线性非稳态复杂信号进行了分解,获得了线性稳态的本征模函数(IMF)信号。每个本征模函数信号包含了比较单一的故障特征,对其进行功率谱密度分析最终找到了产生剧烈振动的激振源激振频率。分析、判断激振的频率可以知道产生剧烈振动的最终原因为燃烧不良。现场拆装发动机缸盖部分发现喷油孔严重烧损,验证了结论的正确性。     

汽轮机转子故障诊断中LMD法和EMD法的性能对比研究

针对仿真信号和实验转子故障信号,对局部均值分解(LMD)法和经验模态分解(EMD)法的性能进行了对比研究,提出端点效应的评价指标和基于LMD法的转子不平衡、转子碰摩和转子油膜涡动的故障诊断方法,对基于EMD法和基于LMD法的信号分解结果进行对比分析.结果表明:LMD法分解转子振动信号时的模态混叠现象较EMD法分解时的模态混叠现象不明显;LMD法抑制端点效应的能力强于EMD法;LMD法的诊断结果更精确,能有效应用于汽轮机转子故障诊断中.     

HHT与RBF神经网络在离心泵故障振动信号处理中的应用

根据离心泵故障振动信号的特点,提出了一种Hilbert-Huang变换(HHT)和径向基(RBF)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,利用能量比构造离心泵振动信号的特征向量可以很好刻画不同振动故障信息;应用RBF神经网络建立了从特征向量到故障模式之间的映射实现故障的诊断,对于离心泵的正常状态、质量不平衡、转子不对中和基础松动故障具有很高的诊断率。实验研究结果表明,该方法可以有效地对离心泵振动信号进行诊断。     

基于EMD与Duffing振子的风机轴承早期故障诊断研究

针对风电机组滚动轴承早期故障诊断,文章提出了一种以改进的Duffing振子与经验模态分解(EMD)相结合的混沌检测系统对早期微弱的故障信号进行有效识别的方法。首先利用EMD将采集到的振动信号分解成几个内蕴模式函数分量IMF,将包含故障特征的IMF作为外加策动力输入混沌系统,通过正逆向检测过程观察相轨迹的变化情况来确定是否捕捉到轴承早期的微弱故障特征信号。Duffing振子不仅能很好地抑制噪声,而且对内部策动力同频的微弱周期信号非常敏感,信噪比可达-45 d B。EMD分解法对信号进行初步筛选进一步提高了检测门限。通过轴承实验数据验证了该方法的有效性。     

基于改进EMD与关联维数的水轮机空化声发射信号特征提取

为研究水轮机空化状态下声发射信号的特征及其演变规律,提出了基于改进经验模态分解(Empirical Mode Decomposition, EMD)与关联维数的水轮机空化声发射信号特征提取方法。采用镜像延拓与可变余弦窗函数相结合的方法对传统EMD进行改进。将改进EMD方法应用于混流式水轮机模型空化状态下的声发射信号分析中,分别采用自相关法和假近邻法计算声发射信号各阶固有模态函数(Intrinsic Mode Function, IMF)分量的时间延迟参数和最佳嵌入维数,采用G-P算法提取各阶IMF的关联维数,分析关联维数随水轮机空化系数的变化关系。结果表明:随着空化状态从无空化、初生空化到临界空化,声发射信号的各阶IMF关联维数逐渐增大,直接反映了水轮机空化从无到有,从弱到强,水流流态更加复杂和紊乱的过程。     

基于HHT的转子扭振估计方法研究

提出了一种从转子径向振动信号中估计扭振的方法,因为径向振动和扭振之问的相互耦合,会产生一种相位调制现象,先用经验模块分解（EMD）的方法将振动信号分解成一系列的本征模函数（IMF）,然后将其中一个本征模函数作Hilbert变换就可获得扭振的估计值。根据现场数据分析结果,该方法有一定的可行性。     

基于小波包的EITD风力发电机组齿轮箱故障诊断

基于三次样条插值和固有时间尺度分解中的线性变换,提出了集成固有时间尺度分解(EITD)方法,将该方法与小波包变换相结合,实现了风电机组齿轮箱故障的精确诊断.首先使用三次样条插值拟合基线控制点,将振动信号分解为一系列固有旋转分量;然后选择相关系数最大的PR分量进行小波包分解,计算分解后小波包系数的能量分布,选择能量比重较大的小波包系数重构PR分量;最后计算重构PR分量的关联维数,实现振动信号的故障诊断.利用所提出的方法对风电机组齿轮箱振动信号进行了分析,结果表明:与经验模态分解(EMD)方法处理后直接计算关联维数和经小波包的EMD方法处理后计算关联维数相比,采用小波包的EITD方法处理后计算关联维数更具有区分性,可有效识别齿轮的工作状态和故障类型.