基于经验模式分解的旋转机械振动信号降噪处理

分析了经验模式分解的滤波性能；针对旋转机械振动信号信噪比低及非平稳特性，应用经验模式分解对振动信号进行降噪处理，突出了有用振动信号，为旋转机械在线监测和故障诊断提供了有效的依据；仿真实验及真实数据分析表明，经验模式分解在振动信号降噪处理中是有效的，为振动信号分析提供了新的方法。     

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...     

基于改进奇异值分解和经验模式分解的滚动轴承早期微弱故障特征提取

针对滚动轴承早期微弱故障特征难以提取的问题,提出了改进奇异值分解(SVD)和经验模式分解(EMD)的滚动轴承早期微弱故障特征提取方法。首先用多分辨奇异值分解将信号分成具有不同分辨率的近似和细节信号,然后对近似信号用奇异值差分谱进行消噪,对消噪后的信号进行经验模态分解,将得到的各本征模函数分量进行希尔伯特包络解调,从而获得滚动轴承故障特征信息,最后通过对滚动轴承早期内圈故障的诊断实验证明了该方法的有效性     

基于SVD降噪和盲信号分离的滚动轴承故障诊断

滚动轴承早期微弱故障特征信号往往淹没于系统噪声信号中而难于识别,奇异值分解技术（SVD ）可以有效降低噪声水平,提高周期成分的提取能力,盲源分离技术可以分离故障源信号并提取故障特征。本文将奇异值分解技术和盲信号分离技术的优势应用于滚动轴承故障诊断,利用奇异值分解降噪特性消除系统信号中的混合噪声,对降噪后的信号通过盲信号分离技术进行盲源分离,提取出原始故障信号。数值仿真及实验结果表明,该方法可以成功地分离出滚动轴承实测信号的典型故障,提高滚动轴承故障诊断的效果。     

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CEEMDAN与SVD的泄流结构振动信号降噪方法EI北大核心CSCD

针对泄流结构振动信号非平稳性和特征信息被强噪声淹没的实际问题,提出一种基于具有自适应噪声的完整集成经验模态分解(CEEMDAN)和奇异值分解(SVD)联合的信号降噪方法。对一维泄流振动信号时程进行CEEMDAN分解,将信号分解为一系列固有模态函数分量(IMF),运用频谱分析方法筛选包含主要振动信息的IMF分量,滤除低频水流噪声,实现信号的初次滤波;利用排列熵理论确定含噪声较多的IMF分量,采用奇异值分解技术提取奇异值信息,运用奇异熵增量定阶理论滤除IMF分量中的高频噪声,实现信号的二次滤波;将包含结构振动信息的IMF分量重构,得到泄流结构的工作特征信息。结合拉西瓦模型振动实测数据,运用该方法进行计算分析,滤除高频和低频噪声,提取结构振动特征信息;结果表明该方法在泄流结构特征信息提取方面具有优越性,可为泄流结构在线监测和安全运行提供依据。     

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.     

基于集合经验模式分解和K-奇异值分解字典学习的滚动轴承故障诊断

针对经典K-奇异值分解算法构造的字典中原子形态受噪声、谐波干扰影响,进而降低冲击故障特征提取精度的问题,提出了基于集合经验模式分解和K-奇异值分解字典学习的冲击特征提取方法。该方法首先利用集合经验模式分解与Hurst指数对振动信号进行预处理,剔除谐波干扰;其次,利用经典K-奇异值分解算法和预处理信号构造超完备字典;然后,利用K-均值聚类算法对字典中的原子进行筛选;最后,利用正交匹配追踪算法实现冲击故障特征的稀疏表示。实验分析和工程应用验证了所提方法的有效性和实用性。     

S变换时频谱SVD降噪的冲击特征提取方法

为了从滚动轴承故障振动信号中提取出冲击特征,以进行轴承故障诊断,提出基于S变换时频谱奇异值分解(SVD)的信号降噪方法。S变换是一种信号时频表示方法,适合于处理与分析非平稳的冲击特征信号。在SVD降噪过程中,数据矩阵由信号的S变换谱系数构成;奇异值序列的置零阈值位置坐标可由奇异值差分谱最前面部分峰值群的最后一个峰值点序号来确定。最后对降噪的数据矩阵进行S逆变换,获得信号的时域冲击特征。仿真研究表明,基于S变换时频谱的SVD降噪方法可以成功地从低信噪比信号中提取出周期性的冲击特征。将本方法用于处理与分析滚动轴承故障振动信号,根据所提取出的冲击特征出现频率,能够方便有效地实现轴承相关故障的诊断。     

基于经验模式分解和Teager能量谱的齿轮箱故障诊断

在线监测汽车齿轮变速箱运转工作状态,及时发现齿轮箱的早期故障,对汽车运行的安全性有重要意义。利用经验模式分解和Teager能量谱对振动加速度传感器获取的齿轮箱振动信号进行特性分析。先利用经验模式分解获得故障信号的本征模式函数,然后计算本征模式函数Teager能量谱,提取本征模式函数系数-能量谱特征值来分析时频故障特性。仿真研究结果表明用Teager能量特征表达在故障定位和故障信息提取方面是可行的和有效的,提高了故障检测的可靠性。     

基于经验模态分解和模型缩聚的动力响应重构方法研究

大型工程结构自由度数量巨大,采用现有基于全局有限元模型的时域方法重构此类结构动力响应效率低、计算难度大,因此,提出一种结合经验模态分解和模型缩聚的动力响应重构方法.基于模态综合法,将有限元全模型适当划分为多个子结构,通过坐标转换,得到自由度数目更少的超单元模型,结合带有间歇准则的经验模态分解法进行重构.由于该方法无需考...     

基于奇异值分解、模糊聚类和粗糙集理论的旋转机械故障诊断

对含有重复和冲突对象的离散决策表,提出了一种基于粗糙集的规则获取方法,使得获得的规则能够涵盖所有的对象。对连续条件属性值和离散决策属性值的决策表,基于矩阵的奇异值分解、模糊C均值聚类和粗糙集属性约简技术,提出连续属性最佳离散数目确定方法。在上述方法的基础上,进行旋转机械故障诊断的规则获取,获得的诊断规则具有很好的知识归纳能力和知识泛化能力。利用获得的诊断规则进行旋转机械故障诊断,建立了待诊断对象和诊断规则的弹性匹配模式,使得诊断结论的获取取决于不同的诊断要求。     

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。     

SVD方法在折叠结构分析中的应用

折叠结构是近年来应用越来越广泛的一种可展开结构形式。将折叠结构分类为刚性和柔性折叠结构。引入了平衡矩阵的奇异值分解(SVD)方法并解释了其力学含义。采用该方法对静不定动不定折叠体系进行了求解,确定了铰接式折叠结构的运动分歧点并求解了其高阶相容方程。给出了悬臂和拱形折叠结构及铰接式三杆折叠结构的算例分析。     

一种基于样本熵的轴承故障诊断方法

运用非线性动力学参数样本熵作为特征,对轴承正常、内圈故障、滚动体故障、外圈故障四种工况的振动信号进行分析识别。针对利用原始振动信号的样本熵只能在一个尺度域进行分析,无法准确区分轴承运行状况的问题,提出一种基于集成经验模式分解与样本熵的轴承故障诊断方法。首先利用集成经验模式分解方法将原始振动信号分解为有限个内蕴模式分量,从中选取包含故障主要信息的前几个内蕴模式分量的样本熵作为特征,然后利用支持向量机进行轴承故障诊断,这样可以在多个尺度对轴承信号进行分析,提高了轴承故障诊断的准确率。通过轴承故障实测信号的诊断实验,证明了该方法的可行性和有效性。     

基于EMD分解和奇异值差分谱理论的轴承故障诊断方法

针对故障轴承振动信号中含有强烈的背景噪声,难以提取故障频率的现实情况,提出了基于经验模态分解(Empirical Mode Decomposition,EMD)和奇异值差分谱的轴承故障诊断方法.首先通过EMD方法将非平稳的原始轴承振动信号分解成若干个平稳的本征模函数(Intrinsic Mode Function,IMF);由于背景噪声的影响,从各个IMF的频谱中难以准确地得到故障频率.对IMF分量构建Hankel矩阵并进行奇异值分解,进一步找到奇异值差分谱,根据奇异值差分谱理论对某个IMF分量进行消噪和重构,然后再求其频谱,便能准确地得到故障频率.实验结果表明,提出的方法能有效地应用于轴承的故障诊断.     

基于EMD能量熵和支持向量机的齿轮故障诊断方法

针对齿轮振动信号的非平稳特征和现实中难以获得大量典型故障样本的实际情况,提出了基于经验模态分解（empirical mode decomposition,EMD)和支持向量机的齿轮故障诊断方法。首先通过EMD方法将非平稳的原始加速度振动信号分解成若干个平稳的本征模函数(intrinsic mode function, IMF);齿轮发生不同的故障时,在不同频带内的信号能量值会发生改变,故可以通过计算不同振动信号的EMD能量熵判断是否发生故障;从包含有主要故障信息的IMF分量中提取出来的能量特征作为输入建立支持向量机（support vector machine,SVM）,判断齿轮的工作状态和故障类型。实验结果表明,文中提出的方法能有效地应用于齿轮的故障诊断。     

基于改进变分模态分解的滚动轴承故障诊断方法

提出一种改进变分模态分解的轴承故障信号诊断方法。使用改进的奇异值分解降噪方法对信号进行降噪,然后对信号进行变分模态分解;利用分量信号的能量之和占原信号能量的比值,判断变分模态分解的分解效果,从而找出最佳分解层数;根据分量信号间的相关系数,判断中心频率相邻的分量信号是否来自信号中的同一调制部分;最后通过主要分量的包络谱找出故障特征频率,判断故障类型。通过对仿真信号和实际轴承故障信号进行处理,成功提取微弱频率特征信息,验证了该方法的有效性。