滚动轴承故障的EMD诊断方法研究

提出了一种基于经验模式分解（Empirical Mode Decomposition，EMD）的滚动轴承故障诊断方法。这种方法中，局部损伤滚动轴承产生的高频调幅信号成分被EMD分解作为本征模函数分离出来，然后用Hilbert变换得到其包络信号，计算包络谱，就能够提取滚动轴承故障特征频率。该方法被用于分析实验台上采集的具有内圈损伤及外圈损伤的滚动轴承振动信号。分析结果表明，与传统的包络解调方法相比，新方法能够更有效地提取轴承故障特征，诊断轴承故障，因而具有重要的实用价值。     

EMD和 SVM在变速器故障诊断中的应用

齿轮故障信号具有不平稳特性,故障信号特征向量难提取,典型的齿轮故障数据样本少。针对这些问题,本文提出基于经验模式分解（ EMD）和支持向量机（ SVM）相结合的诊断方法。首先通过传感器采集得到加速度信号,再通过EMD分解将加速度信号分解成多个稳定的本征模态函数信号（ IMFs）。因为SVM能够在小样本集情况下建立决策规则,所以将IMFs的前几项作为特征向量输入SVM训练,对样本训练、测试并诊断故障。齿轮故障诊断实验结果表明：本文所提出方法诊断准确率达92.5％,可实现齿轮故障信息提取和齿轮故障的有效诊断。     

EMD信号分析方法的声发射管道泄漏检测研究

针对管道泄漏声发射检测信号的非平稳特征,提出了基于经验模态分解(EMD)的信号分析方法。该信号分析方法将管道泄漏产生的声发射信号通过EMD分解为多个平稳的固有模态函数(IMF)之和,选择包含声发射特征的若干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。通过对重构后的信号进行互相关分析计算,使基于声发射方法的管道泄漏检测的定位精度得到较大提高,验证了Hilbert-Huang变换是表征声发射信号的非平稳特征及信号参数提取的有效工具。     

一种基于EMD的振动信号时频分析新方法研究

基于经验模态分解(Empirical Mode Decomposition,EMD)的希尔伯特变换(Hibert Tram:formation,HT),是先把一列时间序列数据通过经验模态分解成本征模函数(Intrinsic Mode Function,IMF),然后经过希尔伯特变换获得瞬时频率的信号处理方法.针对HT求瞬时频率的不足,提出了把IMF分解成包络和纯调频信号,然后通过对纯调频信号进行反余弦求瞬时频率的新方法.通过对非线性仿真信号研究表明,该方法是有效的.把该方法应用于转子横向裂纹的时频分析.表明能把横向裂纹转子的扭振所形成的相位调制现象检测出来,获得了良好的效果.仿真和实测信号的分析结果说明,用新方法对振动信号进行时频分析是有效的.该研究成果能广泛地用于信号时频分析领域.     

基于随机微分的EMD图像去噪算法

考虑到传统的图像滤波算法在图像去噪的同时削弱了图像特征,以及图像系统所固有的自相似性和经验模式分解(EMD)算法的完备性和稳定性,提出了一种基于随机微分的改进EMD图像去噪算法。该算法首先利用EMD对图像进行分解,得到图像的多个固有模式函数(IMF)图像和剩余函数图像,然后根据IMF图像和剩余函数图像采取不同的随机微分滤波策略分别得到各层滤波结果,最后重组得到原始图像去噪后的结果。Matlab仿真证明,该算法在图像去噪的同时保留了图像特征。     

经验模态分解理论及其应用

阐述了经验模态分解(EMD)的概念、基本理论及其作为一种数据驱动的时频分析方法,能够根据信号特点自适应地将信号分解成一组具有物理意义的固有模态函数的线性组合,十分适合于非线性、非平稳信号分析的机理,然后综述了一维EMD算法在解决包络拟合、边界效应、模态混叠等关键问题上的研究进展,重点对新兴的多维经验模态分解的发展情况进行了详细论述;介绍了EMD在信号去噪,地球物理、生物医学信号处理,电力工程、机械工程故障诊断方面的主要应用,结合EMD研究中的难点问题,指出了下一步研究的五个重要方向。     

基于EMD和功率谱的齿轮故障诊断研究

提出了一种基于经验模态分解EMD（Empirical Mode Decomposition）的齿轮裂纹故障诊断的新方法。EMD方法具有自适应的信号分解和降噪能力，EMD是先把时间序列信号，分解成不同特征时间尺度的固有模态函数（Intrinsic Mode Function，简称IMF），然后通过选取表征齿轮裂纹故障的IMF分量进行功率谱分析，就可提取齿轮故障振动信号的特征。齿轮故障实验信号的研究结果表明：该方法能有效地识别齿轮的齿根裂纹故障。     

强噪声背景下的经验模式分解研究

研究了强噪声混合条件下微弱信号的经验模式分解(EMD)问题,提出了一种基于随机共振降噪的EMD分解方法.该方法利用随机共振在微弱信号检测方面的独特优势,首先对有噪微弱信号进行随机共振输出,微弱信号得到降噪和加强后,再进行EMD分解.在仿真实验中,对随机共振输出前后的信号分别进行EMD分解,分析结果表明该方法不仅能够提高原始信号的信噪比,有效检测出被噪声淹没的微弱信号从而提高了EMD分解的质量,同时减少了EMD分解的层数,提高了运算效率.     

基于EMD和时序注意力机制的明渠流量预测模型

为了预防煤矿水害事故的发生,本文提出将经验模态分解(EMD)算法与时序注意力机制(TA-LSTM)结合的明渠流量预测模型,通过对明渠流量的实时预测来反映矿井涌水量的变化情况.模型首先通过EMD将明渠流量分解为多维子分量,充分提取明渠流量本身的波动特征和趋势特征;然后以长短时记忆网络(LSTM)为基础,融入注意力机制增强...     

基于改进EMD方法的系统误差分离方法研究

针对测量中系统误差存在复杂的变化规律,将改进的经验模态分解(EMD)方法用于系统误差分离过程,突破传统分离方法限制。采用基于波形相似度的端点延拓方法有效抑制端点效应;基于累计方差贡献率的分解停止准则,合理确定停止时机。仿真与实例分析结果表明,改进的经验模态分解方法在系统误差分离中效果较好。     

经验模态分解方法在航天器故障诊断中的应用

航天器自主和实时的在轨故障诊断一直是航天领域发展的瓶颈问题,对航天器运动部件的故障特征进行经验模态分解(EMD),有效提取失步故障特征,并得到基频,为黑箱工况下的航天器在轨故障诊断提供了实时的判断依据。另外通过EMD方法与FFT、小波分析的效果对比,验证了EMD方法在航天器运动部件故障诊断上的有效性和先进性。     

基于经验模式分解的滚动轴承故障诊断方法

针对水泵电机轴承故障振动信号噪声大和非平稳性的特点,提出了基于经验模态分解的诊断方法;通过对原始信号进行经验模态分解,得到包含故障特征的固有模态分量,从而可以提取出故障频率.该方法应用于外圈、内圈和滚动体故障诊断,取得了很好效果.     

基于AMD的经验模态分解含间断信号模态混叠消除方法

针对在经验模态分解筛选过程中间断信号引起的模态混叠问题,提出了一种基于解析模态分解的经验模态分解模态混叠消除新方法。利用第1个固有模态函数的瞬时频率特性得到其频率成分及二分频率,且能实现对间断信号的定位,然后再采用解析模态分解方法分离出间断信号,再对处理后的信号进行经验模态分解,从而消除该间断信号的影响。仿真分析和工程应用的结果表明,该方法能有效消除间断信号在经验模态分解过程中引起的模态混叠现象。     

基于经验模式分解的时频重排方法及其应用

重排方法通过将代表信号局部能量分布的几何中心重排到其质量中心,从而提高时频表示的聚集性和可读性,但是并没有完全消除交叉项.在此,将经验模式分解算法引入重排方法中,用于抑制重排方法在分析多分量信号时出现的交叉项.利用经验模式分解,首先将待分析的非平稳信号分解成有限个基本模式分量,它具有单分量信号的性质.对这些基本模式分量进行重排处理后的时频表示,具有良好的时频聚集性且交叉项被消除.通过对测试的柴油机爆燃阶段振动信号的重排时频分析,验证了该方法在机械故障特征提取中具有很好的应用潜力.     

基于核主分量分析的经验模式分解及其工程应用

若信号的信噪比较小,经验模式分解不能正确分解出基本模式分量,分量中含有伪分量。根据此种情况,提出一种核主分量分析与经验模式分解相结合的方法。该方法首先建立信号相空间,利用核主分量分析方法提取相空间的核主分量,然后利用投影逆过程将得到的核主分量逆向投影回原相空间,从而重建信号相空间。最后对重建的相空间所对应的信号作经验模式分解。此方法可以有效消除噪声和冗余对经验模式分解的影响,提高经验模式分解的适应能力保证分解的有效性,确保其能够分解出正确的基本模式分量。通过工程实例进一步验证了该方法的可行性。     

基于经验模式分解和排列熵的轴承故障特征提取

针对滚动轴承故障声信号故障诊断中共振解调滤波参数较难确定以及故障诊断困难的问题,提出一种基于经验模式分解和排列熵的改进滚动轴承故障诊断解调方法.该方法首先对滚动轴承声信号进行经验模式分解,将其分解为多个本征模态分量;然后计算各本征模态分量的排列熵值和相关系数,根据联合系数最大化原则对筛选出的分量进行信号重构;最后,利用...     

双稳随机共振降噪下的经验模式分解研究

研究了强噪声混合条件下微弱信号的经验模式分解(EMD)问题,提出了一种基于随机共振降噪的EMD分解方法。该方法利用随机共振在微弱信号检测方面的独特优势,首先对有噪微弱信号进行随机共振输出,微弱信号得到降噪和加强后,再进行EMD分解。在仿真实验中,对随机共振输出前后的信号分别进行EMD分解,分析结果表明该方法不仅能够提高原始信号的信噪比,有效检测出被噪声淹没的微弱信号从而提高了EMD分解的质量,同时减少了EMD分解的层数,提高了运算效率。     

基于经验模式分解(EMD)的齿轮箱齿轮故障诊断技术研究

简述了齿轮箱传统信号分析技术与经验模式分解(EMD)技术的异同，并详细论述了EMD的分解原理和富立叶变换的关系。针对齿轮箱振动加速度数据，运用EMD分解技术，得到IMF(Intrinsic Mode Function)模式分量，提出了基于IMF及功率谱(PSD)的IMFPSD216指标和基于IMF及滤波统计的IMFFLT指标，并验证了它们的有效性。运用这些指标正确明显地分辨出齿轮箱齿轮失效。     

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。