基于改进小波包和EEMD的轴承故障诊断

针对轴承振动信号非平稳性及工作情况下难以获得故障频率,提出一种基于改进小波包和总体经验模态分解(EEMD)的轴承故障诊断方法。首先运用改进小波包对振动信号进行分解,得到按顺序排列的子带频带。然后提取故障频率范围的子带信号并进行EEMD,以互相关系数和峭度准则提取故障分量,避免了固有模态函数(IMF)分量选择的盲目性。仿真和试验分析结果表明,该方法能有效且准确地检测出轴承故障。     

基于小波包和HHT变换的声发射信号分析方法

针对声发射管道泄漏检测过程中的噪声干扰问题,对基于小波包和经验模态分解(EMD)的声发射信号处理方法进行了研究.采用小波包分解算法和经验模态分解都可以对管道泄漏声发射信号进行分解,但分解结果却存在一定区别.EMD是近年来非平稳信号分析领域的一个突破,对管道泄漏声发射信号进行EMD分解后,选择包含声发射特征的若干固有模式函数(IMF分量)进行重构,可以提取到管道泄漏声发射信号的本质特征,消除噪声信号的干扰.相对小波包分解方法而言,对根据IMF分量重构的声发射信号进行相关分析计算,得到的管道泄漏点的位置更为精确.     

自适应改进双树复小波变换的齿轮箱故障诊断

针对双树复小波变换存在频率混叠以及参数需自定义的缺陷,提出自适应改进双树复小波变换的齿轮箱故障诊断方法。首先,利用双树复小波变换将信号进行分解和单支重构,采用粒子群算法将分解后分量峭度值作为适应度函数,选择双树复小波的最优分解层数;其次,对重构出的低频信号进行频谱分析提取故障特征,将单支重构后的各高频分量进行变分模态分解,通过峭度值获得各高频分量经变分模态分解后的主频率分量信号;最后,分析各主频率分量信号的频谱,识别齿轮箱的故障特征。结果表明,该方法与双树复小波变换和变分模态分解相比,不仅消除了频率混叠现象,提高了信噪比和频带选择的正确性,而且还提高了从强噪声环境中提取瞬态冲击特征的能力。     

经验模态分解及其在降噪方面的应用

详细介绍经验模态分解(EMD)方法,描述了EMD算法实现步骤;通过EMD分解,任何信号序列都可分解为一系列不同尺度的固有模态函数(IMF),这种分解方法是从信号本身的尺度特征出发对信号进行分解,具有良好的自适应性,非常适合对非线性非平稳信号进行分析,并列举实例证明了其有效性.同时,提出了一种基于EMD的小波阈值降噪方法...     

基于改进双树复小波变换的轴承多故障诊断

针对双树复小波变换产生频率混叠的缺陷,提出了改进双树复小波变换的轴承多故障诊断方法,该方法综合利用了双树复小波包变换和经验模态分解技术。首先,利用双树复小波变换将振动信号分解成不同频带的分量;然后,将各小波分量进行经验模态分解,获得各小波分量的主频率分量信号;最后,计算各小波分量的主频率分量信号的包络谱,根据包络谱识别齿轮箱轴承的故障部位和类型。通过仿真信号和齿轮箱轴承多故障振动实验信号的研究结果表明,该方法不仅消除了频率混叠现象,提高了信噪比和频带选择的正确性,而且提高了从强噪声环境中提取瞬态冲击特征的能力,能有效识别轴承的故障类型。     

基于经验模态分解的瞬时相位分析方法的应用

提出了基于经验模态分解的瞬时相位分析的新方法。通过对振动信号作经验模态分解得到信号的固有模态函数，再求出各个固有模态函数的Hilbert变换，得到信号的瞬时相位．通过瞬时相位的傅里叶分析就可提取信号特征。介绍了该方法的基本原理，并应用于齿轮箱轴承的故障诊断研究，通过选取表征轴承故障的固有模态函数进行瞬时相位和傅里叶分析，就可提取轴承故障振动信号的特征。通过对轴承故障实验信号的分析．表明该方法能有效地诊断轴承的故障。     

基于能量特征和RBF神经网络的柱塞泵状态识别方法

柱塞泵状态发生改变时,其振动信号各频带的能量发生相应变化,利用各频带的能量特征可识别柱塞泵状态。基于此提出一种基于能量特征和径向基函数(radial basis function,RBF)神经网络的柱塞泵状态识别方法。首先利用改进阈值的小波包降噪方法对原信号进行降噪处理,然后对降噪后的信号进行经验模态分解(empirical modedecomposition,EMD),选取含主要状态信息的IMF(intrinsic mode functions)分量,提取能量特征作为神经网络的输入参数,识别柱塞泵的状态。同时利用小波包分析技术提取能量特征,并运用神经网络进行状态识别。应用实例表明,以EMD提取各频带能量作为特征参数的RBF神经网络状态识别方法比小波包分析提取各频带能量特征的方法具有更高的识别率,能有效地识别柱塞泵的状态。     

小波变换中经验模态分解的基波检测及其在机械系统中的应用

针对Mallat算法中存在的频率混叠现象,提出一种应用小波变换和经验模态分解(Empirical mode decomposition,EMD)检测基波的新方法.应用离散二进小波变换将谐波信号分解成不同频带的子带信号,并确定了最佳分解级数.对包含基频成分的子带信号进行单子带重构,再利用经验模态分解就能提取出基波,最后在时域上采用最小二乘法估计基频和幅值.多种方法的仿真比较和工程应用的效果表明,所提方法能有效地提取出基波,频率和幅值的测量具有很高的精度.     

滚动轴承故障特征信息的自动提取方法研究

提出基于小波包分析和包络检测的滚动轴承故障特征信息的自动提取力法。根据滚动轴承的故障冲击能激起轴承座或其他机械零部件产生共振的特性，对轴承振动信号进行快速傅里叶变换FFT分析，在频谱图中自动识别高频共振频带。然后利用小波包分析可以在全频带内把信号分解到相邻的不同频带上的特性，对滚动轴承的振动信号进行小波包分解，自动提取共振频带上的信号并进行重构。最后，对重构后的信号进行包络检波，实现滚动轴承故障特征信息的自动提取。通过对实际滚动轴承振动信号的分析，发现这种方法能非常有效地检测和诊断滚动轴承的故障．     

转子系统油膜振荡的小波包分解与频带能量比例特征分析

在介绍小波包分解原理的基础上。对试验测得的单盘单跨转子系统的油膜振荡非平稳信号用小波包分解方法进行了研究。采用db44小波基函数进行4层小波包分解。给出了各频带内分解信号的特点及频带能量比例，其中第3频带是该转子系统在9600r／min时产生油膜振荡的特征频带。得到的试验数据及其分析结果对转子系统油膜振荡研究和旋转机械状态监测等具有重要意义。     

基于迭代的集总经验模式分解算法的齿轮箱故障特征提取

针对集总经验模式分解方法(Ensemble Empirical Mode Decomposition,EEMD)在实际应用中存在的盲目添加白噪声的问题,提出了一种迭代的集总经验模式分解方法(Iterative Ensemble Empirical Mode Decomposition,IEEMD).首先介绍了IEEMD...     

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。     

基于吸引子SVD降噪的改进EMD法

基于经验模式分解(empirical mode decomposition,简称EMD)分解出的基本模式分量往往会因为原始数据中的一些异常数据和高频噪声而丧失明确的物理意义。因此,提出了一种基于系统重构吸引子奇异值分解(singular value decomposition,简称SVD)降噪的EMD分解方法。在改进方法中,原始信号经SVD降噪后分解出了原信号中的有用成分和冗余成分,对有用成分进行EMD分解可以减少原信号中冗余成分对EMD分解能力的干扰,提高EMD分解能力,使得分解出的基本模式分量更加具有实际意义,更加有利于特征的提取。     

GEARBOX FAULTDIAGNOSIS BASED ON EMPIRICAL MODE DECOMPOSITION

Time synchronous averaging of vibration data is a fundament technique for gearbox diagnosis. Currently, this technique relies on hardware tachometer to give phase synchronous information. Empirical mode decomposition (HMD) is introduced to replace time synchronous averaging of gearbox vibration signal. With it, any complicated dataset can be decomposed into a finite and often small number of intrinsic mode functions (IMF). The key problem is how to assure that vibration signals deduced by gear defects could be sifted out by HMD. The characteristic vibration signals of gear defects are proved IMFs, which makes it possible to utilize EMD for the diagnosis of gearbox faults. The method is validated by data from recordings of the vibration of a single-stage spiral bevel gearbox with fatigue pitting. The results show EMD is powerful to extract characteristic information from noisy vibration signals.     

均值优化经验模态分解及其在转子故障诊断中的应用

经验模态分解（Empirical mode decomposition,EMD）作为一种自适应的信号分解方法已经被广泛应用于诸多工程领域。为了提高EMD的分解性能,分别考虑从不同权值均值曲线的迭代筛分结果中选择正交性最小以及从每层内禀模态函数迭代结果中选择最优以保证整体分解最优,发展了两种均值优化经验模态分解（Mean-optimized empirical mode decomposition,MOEMD）算法。通过仿真信号分析,将MOEMD方法与EMD等现有信号分解方法进行了对比,结果表明,MOEMD方法在分解性能和分解精度方面比EMD等方法有显著提高。最后,将MOEMD方法应用于转子碰摩故障信号分析,并与EMD进行了对比分析,结果表明,MOEMD方法不仅能够有效地识别转子碰摩故障,而且识别效果优于EMD方法。     

An improved decomposition algorithm of surface topography of machining

Abstract

In order to accurately decompose the surface morphology of machined surface and trace the potential errors of the machine, a comprehensive improved algorithm is proposed, which combines wavelet packet decomposition (WPD) and improved complete ensemble empirical modal decomposition of adaptive noise (Improve CEEMDAN). Firstly, the cost function is used to find the optimal wavelet packet base and the optimal decomposition tree is obtained. Secondly, under semi-hard threshold denoising, the wavelet coefficients obtained by the optimal decomposition tree can generate the denoised signal. Finally, the white noise is preprocessed to obtain the upper limit frequency and the band white noise, and the improvement of CEEMDAN is completed. The improved CEEMDAN is used to decompose the denoised signal to obtain a series of intrinsic mode functions (IMFs). The merit of this comprehensive improved algorithm is that it can improve the calculation efficiency and decomposition accuracy by adaptively finding the optimal wavelet packet base and adding band-limited white noise. Simulations and experiments results show the feasibility, effectiveness and higher accuracy of the comprehensive algorithm in decomposing surface topography.     

FAST IMPLEMENTATION OF ORTHOGONAL EMPIRICAL MODE DECOMPOSITION AND ITS APPLICATION INTO HARMONIC DETECTION

Since the empirical mode decomposition （EMD） lacks strict orthogonality, the method of orthogonal empirical mode decomposition （OEMD） is innovationally proposed. The primary thought of this method is to obtain the intrinsic mode function （IMF） and the residual function by auto-adaptive band-pass filtering. OEMD is proved to preserve strict orthogonality and completeness theoretically, and the orthogonal basis function of OEMD is generated, then an algorithm to implement OEMD fast, IMF binary searching algorithm is built based on the point that the analytical band-pass filtering preserves perfect band-pass feature in the frequency domain. The application into harmonic detection shows that OEMD successfully conquers mode aliasing, avoids the occurrence of false mode, and is featured by fast computing speed. Furthermore, it can achieve harmonic detection accurately combined with the least square method.     

基于CEMD的燃油消耗率提取方法

针对飞参系统记录的剩余燃油信号量化噪声较大且呈非线性、非平稳性的特点以及经验模态分解(empirical mode decomposition,简称EMD)中存在的模态混叠给燃油消耗率提取带来的问题,提出了基于复数据经验模态分解(complex empirical mode decomposition,简称CEMD)的燃油消耗率提取方法。首先,提取记录信号中的关键信息,并利用非线性支持向量回归构造与真实信号形态上接近的模拟信号;然后,在CEMD中利用模拟信号来指导记录信号同步分解以减小模态混叠;最后,从分解结果中估算真实的剩余燃油信息并对其求一阶导数得到燃油消耗率。仿真结果表明,该方法相对于其他方法具有明显的性能优势,可以提取出精确的燃油消耗率参数。     

基于形态奇异值分解和经验模态分解的滚动轴承故障特征提取方法

针对随机噪声和局部强干扰影响经验模态分解(Empirical mode decomposition,EMD)质量的问题,提出一种形态奇异值分解滤波消噪方法,并将其与EMD相结合形成一种新的故障特征提取方法。该方法首先对原始振动信号进行相空间重构和奇异值分解(Singular value decomposition,SVD),根据奇异值分布曲线确定降噪阶次进行SVD降噪,再形态滤波,最后把消噪后的信号进行EMD分解,利用本征模模态分量(Intrinsic mode function,IMF)提取故障特征信息。对仿真信号和实际轴承故障数据的应用分析表明,该方法能有效地提取轴承故障特征,诊断轴承故障,还可以减少EMD的分解层数和边界效应,提高EMD分解的时效性和精确度。     

基于时序分析的经验模式分解法及其应用

经验模式分解方法可以将非线性非平稳信号分解为有限的固有模式函数,在故障诊断中这个固有模式函数常常就是故障信号。但当两侧端点不为极值点时,会造成三次样条拟合的极值包络线大大偏离实际值,并且随着分解的不断进行向内“污染”。提出采用时间序列建模与预测方法,对原信号两端点进行预测,有效地消除了端点效应。指出经验模式分解具有分解的自适应性特点。最后,给出了齿轮箱振动信号的应用实例。