基于EEMD的重燃压气机液压IGV系统内泄漏诊断

重型燃气轮机中轴流压气机的进口导叶(IGV)系统中,液压油缸在变化的运动位移和负载条件下工作。液压油缸的内泄漏故障会导致IGV系统累积偏差超过限度,引发燃气发电机组跳闸。针对此故障,根据液压油缸一侧油腔的压力信号,提出了一种基于集合经验模态分解(EEMD)和希尔伯特变换(HT)的诊断方法。该方法先将压力信号通过EEMD方法分解成一系列固有模态函数(IMF)分量,然后应用HT方法对第一个IMF分量进行变换,获得瞬时幅值,最后得到瞬时幅值的绝对均值。通过IGV模拟实验台的实验证明,提出的诊断方法能够有效地检测液压油缸有无内泄漏发生,以及泄漏的程度。     

基于EEMD和THT的齿轮故障诊断方法

提出了一种基于总体平均经验模态分解(ensemble empirical mode decomposition,简称EEMD)和TeagerHuang变换的齿轮箱故障诊断方法,该方法首先运用EEMD方法,将振动信号分解成不同特征时间尺度的单分量固有模态函数,然后用Teager能量算子计算各固有模态函数的瞬时频率和瞬时幅值,得到Teager-Huang变换时频谱.齿轮箱齿轮裂纹故障振动试验信号的研究结果表明,Teager-Huang变换时频谱优于Hilbert-Huang变换时频谱,能有效识别齿轮故障.     

三相异步电动机异常振动分析

研究了变频调速三相异步电机的异常振动问题.针对某电机运行过程中振动异常并有明显噪声的情况,首先利用总体经验模态分解(EEMD)算法将含噪电机振动信号分解为若干个独立的固有模态函数(IMF),消除了经验模态分解(EMD)的模态混叠现象,并对其进行互信息关系处理,对互信息值归一化处理后,发现前三个互信息闽值较大,所以对前三个IMF分量进行求和重构,得到反映系统振动特性的响应信号估计,然后利用包络检波提取出了电机故障特征.     

基于EEMD和Choi-Williams分布的齿轮故障诊断

针对齿轮箱齿轮故障特征提取过程中,经验模态分解(EMD)存在模态混叠、固有模态函数(IMF)筛分困难以及Wigner-Ville分布(WVD)存在交叉干扰项的问题,提出一种集合经验模态分解(EEMD)和Choi-Williams分布(CWD)相结合的齿轮故障诊断方法。首先,将采集到的齿轮故障信号进行EEMD分解,分解为多个单分量固有模态函数(IMF)的组合;然后,通过相关系数和香农熵准则去除虚假分量并筛选IMF;最后,将筛选出的IMF分量进行CWD表达,结合时频域表现出的频率与等时冲击特性,识别出齿轮故障特征。通过齿轮故障仿真和实验分析,验证了该方法在齿轮箱齿轮故障诊断中的适用性和有效性。     

EEMD_H与ITLBO_SVM相结合的滚动轴承故障诊断方法

针对滚动轴承数据信号不稳定、非线性的特性,提出一种采用集合经验模态分解(EEMD)、希尔伯特(Hilbert)变换实现特征提取,改进教与学算法(ITLBO)优化支持向量机(SVM)参数的滚动轴承故障诊断方法。首先通过EEMD方法将目标信号分解成若干个模态函数,采取Hilbert变换获得模态函数的瞬时频率;对模态函数和其瞬时频率进行统计特征提取并实现特征变量降维,提高诊断效率;最后利用ITLBO算法优化SVM参数,构造ITLBO_SVM诊断模型进行多分类故障诊断。实例证明,信号经过EEMD分解和Hilbert变换再提取特征信息,代入ITLBO_SVM的优化模型比传统的粒子群算法优化模型的正确率更高,效果更稳定,验证了该方法的可行性与有效性。     

基于离散余弦变换的IMF特征频率提取

针对经验模态分解(EMD)处理后,固有模态函数(IMF)分量通常会受到其他频率的干扰,导致物理意义不明确,提出应用离散余弦变换提取IMF中轴承故障特征信息的方法。该方法利用离散余弦变换对能量的集中性质,通过对离散余弦变换系数进行硬阈值处理重构信号,能够在时域有效凸显IMF的主要规律,在频域准确提取IMF的故障频率。     

基于MEEMD的复合电能质量扰动检测方法研究

该文提出一种基于改进集合经验模态分解(MEEMD)的复合电能质量扰动检测方法,该方法不仅能抑制分解过程中的模态混叠,而且可以减少计算量,降低重构误差。采用MEEMD方法分解复合电能质量扰动信号,得到固有模态函数(IMF)分量,然后进行希尔伯特(Hilbert)变换,获得频率和幅值等信息,进而确定电能质量扰动信号的瞬时特征信息。MATLAB仿真结果表明,该文所提出的方法对复合电能质量扰动具有良好的分解效果,同时能够抑制模态混叠。     

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EEMD-HT的飞行数据小突变信号检测

针对快速存取记录器(quick access recorder,简称QAR)所记录的飞行数据小突变信号监测问题,提出一种总体经验模式分解(ensemble empirical mode decomposition,简称EEMD)结合希尔伯特变换(Hilbert transform,简称HT)的时频分析方法.介绍了EEMD的基本原理及其求解步骤,在评估实际QAR数据序列的平稳性的基础上,对存在小突变的飞行数据序列进行求解分析.结果表明EEMD可有效抑制模态混叠现象,基于EEMD求解结果的希尔伯特谱与瞬时能量密度水平可检测出飞行数据中的小突变信号,证实了EEMD结合HT对QAR数据中小突变信号检测的有效性.     

基于HHT的非平稳信号分析仪的研究

本文介绍了希尔伯特-黄变换（HHT）的原理，首先通过经验模态分解（EMD），信号被分解成一系列固有模态函数（IMF），再通过Hilbert变换得到每个IMF的瞬时频率（IF）和瞬时幅值函数，最终得到原始信号的IF分布和Hilbert谱。Hilbert谱是信号的时间-频率-能量分布。为使HHT能有效分析非平稳信号，引入了改进HHT的方法，即在HHT过程中，将小波包变换（WPT）作为预处理器，外加IMF的筛选。采用虚拟仪器开发技术研制了一台基于HHT的非平稳信号分析仪。最后以HHT去噪为例，介绍了基于HHT的非平稳信号分析仪的应用。     

Simulative and experimental investigation on stator winding turn and unbalanced supply voltage fault diagnosis in induction motors using Artificial Neural Networks

The three-phase shift between line current and phase voltage of induction motors can be used as an efficient fault indicator to detect and locate inter-turn stator short-circuit (ITSC) fault. However, unbalanced supply voltage is one of the contributing factors that inevitably affect stator currents and therefore the three-phase shift. Thus, it is necessary to propose a method that is able to identify whether the unbalance of three currents is caused by ITSC or supply voltage fault. This paper presents a feedforward multilayer-perceptron Neural Network (NN) trained by back propagation, based on monitoring negative sequence voltage and the three-phase shift. The data which are required for training and test NN are generated using simulated model of stator. The experimental results are presented to verify the superior accuracy of the proposed method.     

基于EEMD样本熵的电机轴承电流信号复杂性评估

电机轴承损伤会导致电机定子电流产生相应的电流谐波,电流谐波频率包含轴承故障特征频率。为了有效评估定子电流信号的复杂性（即电流谐波出现概率）,采用总体平均经验模态分解（EEMD）结合样本熵来实现。该方法先用EEMD将定子电流信号分解为若干个内禀模态分量,再计算分量的样本熵。通过比较得出在评估损伤轴承定子电流信号复杂性时EEMD样本熵的效果较样本熵更好,并且EEMD样本熵增大一减小一增大的变化趋势与轴承损伤逐渐加大时定子电流的变化趋势一致。根据上述结论该方法可应用于封闭结构中电机轴承运行状态的监测和预判,也可以作为智能故障识别的信号源。     

基于EEMD和HT的轴流泵压力脉动特征信息提取

压力脉动是影响轴流泵运行稳定性的重要因素,为提取其压力脉动信号中的特征信息,提出了采用基于聚合经验模式分解(EEMD)和Hilbert变换(HT)的时频分析方法对轴流泵压力脉动信号进行分析。首先分别应用EEMD和传统经验模式分解(EMD)对含噪声信号进行了分析,证明了EEMD分解能抑制传统EMD中出现的模式混叠现象,从而有效提取了信号中的各频率分量;然后采用基于EEMD和Hilbert变换的时频分析方法,对某轴流泵的压力脉动信号进行了分析。研究结果表明,该方法能够准确地提取轴流泵压力脉动信号中的频率成分及其时变情况。     

Hilbert versus Concordia transform for three-phase machine stator current time-frequency monitoring

This paper deals with mechanical fault diagnosis in three-phase induction machines from stator current measurements. According to machine models, mechanical faults lead to amplitude and/or phase modulations of the measured stator current with possibly time varying carrier frequency. The modulation diagnosis requires a univocal definition of the instantaneous phase and amplitude. This is performed by associating a complex signal to the real measured one. For a convenient separate modulation diagnosis, the complex signal instantaneous phase and amplitude are expected to carry, respectively, information about the phase and amplitude modulations. The complex signal is classically obtained through the Hilbert transform. Under Bedrosian conditions, the so-called analytic signal allows a separate modulation diagnosis. However, mechanical faults may also produce fast modulations violating the Bedrosian conditions. This study proposes an alternative complex signal representation which takes advantage of the three stator current measurements available in a three-phase machine. From two stator current measurements, the Concordia transform builds a complex vector, the so-called space vector, which unconditionally allows separate modulation diagnosis. This paper applies and compares the Hilbert and Concordia transforms, theoretically and in case of simulated and experimental signals with various modulation frequency ranges.     

三相异步电动机软启动器设计

为了解决由于三相异步电动机启动电流大,对电机造成损坏的问题,采用了80C196KC单片机及功率器件晶闸管为核心,完成了三相异步电动机软启动器的系统设计。采用模块化设计思想,利用16位单片机80C196KC实现了电压斜坡启动、限流启动、软停车等算法,通过改变晶闸管的触发角来实现对电机定子两端的电压调节,解决了电动机启动时对电网和机械设备的冲击,延长了供电设备的寿命,同时能够实现软停车、故障保护、节能等功能。     

基于EMD和峭度的Hilbert包络解调在滚动轴承故障诊断中的应用分析

针对直接运用快速傅里叶变换（FFT）无法有效提取具有非线性非平稳特性的滚动轴承振动信号故障特征频率的问题,提出了一种基于经验模式分解和峭度指标的Hilbert包络解调方法.首先对滚动轴承的振动信号进行了经验模式分解（EMD）,得到了包含轴承故障特征信息的各阶本征模态函数（IMF）,再计算各阶IMF的峭度值,选取了峭度值较大的几阶IMF分量重构信号,并对重构信号进行了Hilbert包络解调分析,从而获得了滚动轴承的准确故障特征信息.分别对仿真模拟信号和实际滚动轴承发生内圈故障的振动信号进行了分析,清晰地得到了故障特征频率.研究结果表明,利用融合EMD、峭度系数和Hilbert包络解调的诊断方法能够快速、准确地提取滚动轴承的故障特征频率,从而可以对滚动轴承进行有效地故障诊断.     

异步电机直接转矩控制的仿真研究

在异步电动机α-β坐标系下介绍了异步电动机的数学模型、直接转矩控制(DTC)系统的工作原理和基本组成。针对直接转矩控制系统存在的转矩脉动问题,给出了一种新型的定子磁链控制器和转矩控制器,采用新型的电压矢量选择表代替传统的电压矢量选择表。并在Matlab/Simulink平台上搭建了异步电动机直接转矩控制调速系统的仿真模型,并对仿真模型中的主要模块进行了描述,简要说明了空间电压矢量的选择对转矩和磁链的作用和影响。仿真结果验证了该模型的正确性和整个系统的快速动态响应特性。     

EMD方法在烟机摩擦故障诊断中的应用

提出了一种将经验模式分解（Empirical Mode Decomposition，简称EMD）方法与传统信号处理技术相结合的故障诊断方法。首先将原始信号分解为若干基本模式分量（Intrinsic Mode Functions，简称IMFs），通过希尔波特变换得到每个IMF相应的瞬时频率，再对此瞬时频率曲线做傅里叶变换得到其频谱图，该频谱图即表示了对应IMF的调频频率。利用对应IMF组合成基于EMD的滤波轴心轨迹，这种轴心轨迹可以准确反映轴心的实际运行状况。将该方法应用于某炼油厂烟机摩擦故障诊断中，发现摩擦故障信号具有有色噪声分量存在、工频IMF的调频现象和基于EMD轴心轨迹的反转现象等特征。结果表明提出的方法在旋转设备摩擦故障诊断中非常有效。     

A new approach to detect broken rotor bars in induction machines by current spectrum analysis

This paper deals with a new technique to detect broken rotor bars in polyphase induction machines. Like most techniques, we employ the Fourier Transform of the stator current to make detection. But where the other methods use the Fourier Transform modulus, this alternative approach proposes to analyse its phase. As shown by results, the Fourier Transform phase allows to detect one broken rotor bar when the motor operates under a low load but the method robustness decreases for a half-broken rotor bar. So, in order to improve the diagnosis and to permit the detection of incipient broken rotor bar, the analysis is completed with the Hilbert Transform. This transform provides good results and a partially broken rotor bar can be detected when the load torque is equal or greater than 25%. The main advantage of these methods is that the final decision on the rotor cage state is took without the healthy motor reference.     

Detection of broken rotor bar faults in induction motor at low load using neural network

The knowledge of the broken rotor bars characteristic frequencies and amplitudes has a great importance for all related diagnostic methods. The monitoring of motor faults requires a high resolution spectrum to separate different frequency components. The Discrete Fourier Transform (DFT) has been widely used to achieve these requirements. However, at low slip this technique cannot give good results. As a solution for these problems, this paper proposes an efficient technique based on a neural network approach and Hilbert transform (HT) for broken rotor bar diagnosis in induction machines at low load. The Hilbert transform is used to extract the stator current envelope (SCE). Two features are selected from the (SCE) spectrum (the amplitude and frequency of the harmonic). These features will be used as input for neural network. The results obtained are astonishing and it is capable to detect the correct number of broken rotor bars under different load conditions.