EWT和ICA联合降噪在轴承故障诊断中的应用

在强背景噪声下提取非平稳振动信号的微弱故障特征时,系统信号和干扰噪声在频带互相混叠难以分离,传统消噪方法存在较大局限。为此提出一种基于经验小波变换(EWT)和独立分量分析(ICA)联合降噪的方法。利用EWT算法将振动信号进行分解,避免了经验模态分解(EMD)和总体经验模态分解(EEMD)存在的模态混叠和端点效应;依据峭度及相关系数准则选取相应分量,引入虚拟噪声通道;利用ICA对重组信号进行解混去噪,分离出源信号后进行Hilbert包络解调,提取故障特征频率,实现故障诊断。通过对实际轴承信号的分析,验证了该方法不仅对时变、非平稳的强噪声干扰具有较好的消除效果,还能更清晰、准确地提取故障特征信息。     

基于VMD和SVD联合降噪方法的球磨机振动信号随机噪声压制

针对球磨机筒体振动信号中存在大量噪声信号,难以提取其有效信息的问题,提出一种基于变分模态分解(VMD)和奇异值分解(SVD)的联合降噪方法。该方法首先利用VMD算法对球磨机振动信号进行分解,得到K个本征模态分量(IMF),其中K值采用瞬时频率均值法确定;然后通过互相关系数法选取大于等于互相关系数阈值的IMF分量,将选出的分量视为敏感模态分量,再利用奇异值分解算法对敏感模态分量进行去噪处理;最后将经过奇异值去噪的敏感模态分量重构,得到最终降噪信号。仿真分析验证该方法的有效性,将该方法运用到实测球磨机筒体振动信号中,结果表明,该方法能够去除磨机筒体信号中的噪声,提高了信号后续分析处理的可靠性。     

参数优化VMD的滚动轴承故障诊断方法

由于滚动轴承早期故障信号特征微弱,变分模态分解（Variational Mode Decomposition,VMD）的性能易受模态数和惩罚因子设置的影响,提出了一种自适应优化VMD参数的方法。基于中心频率判断本征模态函数（Band Limited Intrinsic Mode Functions,BIMF）是否混叠的思想提出中心频率混叠商算法,利用最小中心频率差与次小中心频率差的比值确定模态数。利用模糊熵原理,提出求和模糊熵算法优化惩罚因子。利用相关系数筛选模态分量,重构信号提取故障信息。通过对强噪声下外圈故障信号、内圈故障信号的分析,表明该方法能自适应确定模态数和惩罚因子,抑制模态混叠,能够从强噪声下有效地提取出故障信号特征,实现滚动轴承故障诊断。     

基于参数自寻优变分模态分解的信号降噪方法EI北大核心CSCD

针对滚动轴承故障信号具有非线性、非平稳、噪声强的特点,提出了一种基于参数自寻优变分模态分解(variational modal decomposition,VMD)的信号降噪方法。以模态复合熵作为适应度函数,采用改进粒子群算法进行VMD参数自适应寻优,确定变分模态分解最优模态数K和二次惩罚因子α;基于最优K和α,对原始信号进行VMD分解,得到K个本征模态函数(intrinsic mode function,IMF)分量;利用相关系数筛选法,进行模态分量的有效模态和含噪模态识别,利用小波阈值去噪方法对含噪模态进行去噪处理;将有效模态与去噪后的模态进行重构,实现信号降噪。分别用滚动轴承故障仿真信号和试验信号进行验证,并与EMD降噪方法进行比较,结果表明该方法可有效提高故障信号的信噪比,降噪效果明显,有利于滚动轴承故障特征的提取。     

基于变分模态分解和最大重叠离散小波包变换的齿轮信号去噪方法

针对齿轮故障信号易受噪声干扰导致故障特征难以提取的问题,提出一种基于变分模态分解(variational mode decomposition,VMD)和最大重叠离散小波包变换(maximal overlap discrete wavelet packet transform,MODWPT)相结合的信号去噪方法。采用VMD方法将齿轮振动信号分解成一系列不同中心频率的固有模态函数(intrinsic mode function,IMF),对VMD分解过程中影响其精度的主要参数选择方法进行了探究,提出相关参数的选取依据。结合能量熵增量-频域互相关系数准则以剔除分解出的高频噪声和虚假干扰成分;采用MODWPT方法对包含高频噪声的IMF分量进行去噪,以进一步提升信号的去噪效果和性能指标;最后将去噪后高频IMF分量同表征信号自身特征的敏感模态分量重构为去噪信号。通过仿真信号和齿轮断齿故障信号的分析,证明了所提方法的有效性和实用性。     

基于VMD的噪声信号去噪源分离

针对噪声信号分析中的欠定盲源去噪问题,基于变分模态分解(Variational Mode Decomposition,VMD)、主成分分析(Principal Component Analysis,PCA)和去噪盲源分离(Denoising Source Separation,DSS)各自的优点,提出一种基于VMD和PCA的欠定去噪源分离方法 (QVMD-PCA-DSS)。所提方法首先通过第一次VMD分解得到窄带本征模态分量(Band-Limited Intrinsic Mode Function,BIMF),根据BIMF分量的PCA特征值梯度获得最优VMD分解参数,解决VMD参数选择问题,故称作二次估计型可变微分模态(Quadratic-estimates Variational Mode Decomposition,QVMD),然后使用基于QVMD分解得到的BIMF分量来解决盲源分离中源信号数据不足的问题,再根据PCA特征值选择模型估计源信号数量,最后应用DSS进行源信号估计。数据仿真证明,所提QVMD-PCA-DSS方法可以准确估计源信号,与传统方法相比,基于新方法所得估计源信号与源信号更为接近。将该方法应用于内燃机车司机室噪声测试分析中。结果表明,该方法可以自适应解决欠定盲源去噪问题,对降噪分析与噪声分析具有重要的工程意义。     

基于经验模态分解与小波分析的超声信号降噪方法

经验模态分解(EMD)是目前信号去噪中应用较多的一种方法,但处理与噪声时频特征相近的信号时,该算法存在内蕴模态函数(IMF)混叠现象.本文从信号降噪的角度出发,提出基于经验模态分解与小波分析的超声信号降噪方法,首先利用EMD将信号分解为多个IMF分量,通过计算各分量与信号间的互相关系数判断存在模态混叠现象的过渡IMF,从多个IMF分量辨识出噪声与信号的分界,对过渡IMF进行小波去噪,去除过渡分量中的噪声;然后将去噪后的过渡分量IMF与其后续分量进行信号重构,得到去噪后的信号.为了验证所提方法的有效性,本文分别以含噪bumps信号和实际超声信号为例,将该方法与其它4种去噪方法进行了对比.实验结果表明:EMD结合小波法优于单独小波法,而本文方法进一步提高了EMD方法的去噪能力,为EMD去噪方法的改进提供了新思路.     

基于谱峭度与变分模态分解的转子微弱不对中故障诊断

针对噪声干扰下转子微弱不对中故障特征难以提取的问题,提出一种谱峭度与变分模态分解的转子故障诊断方法。该方法首先利用谱峭度(Spectral Kurtosis)滤除信号背景噪声以强化故障特征相关信号分量,然后通过变分模态分解(Variational Mode Decomposition,VMD)将转子振动信号分解为一系列本征模态分量并对各分量进行频谱分析,提取转子的故障特征。将该方法应用到转子不对中故障实验数据中,结果表明,该方法能有效提取出转子微弱不对中故障特征,并且结果要优于基于谱峭度与经验模态分解(EMD)方法的分析结果。     

改进的HHT方法及其在旋转机械故障诊断中的应用

针对希尔伯特-黄变换(Hilbert-Huang Transform,HHT)方法中存在的模态混叠和虚假固有模态函数(Intrinsic Mode Function,IMF)问题,提出一种基于总体包络均值经验模态分解(Ensemble Envelop Mean Empirical Mode Decomposition,EEMEMD)和虚假模态函数剔除算法相结合的改进HHT方法。该方法利用EEMEMD可准确反映加噪后信号的自身变化,一定程度上中和残留在各模态分量间的噪声,获得无模式混淆的较纯净的IMF分量。同时,通过基于归一化能量熵值的虚假模态函数剔除算法可有效剔除噪声干扰成分和迭代误差分量,从而提高信号特征提取的准确性。通过仿真分析和转子不对中故障诊断的工程实例表明,改进HHT方法能够较好地抑制模态混叠问题并有效剔除同故障无相关的虚假IMF,实现对旋转机械故障的有效诊断。     

基于CEEMD的心音信号小波包去噪算法研究

针对传统心音去噪方法易将其部分高频有用信息作为噪声滤除而造成滤波后的心音信号失真及信息丢失的问题,提出了一种基于互补总体经验模态分解(CEEMD)的小波包变换去噪算法。首先通过互补总体经验模态分解将心音信号分解为从高频到低频的不同固有模态函数分量(IMFs),并利用自相关函数客观界定信号的模态分量范围;然后对噪声主导模态分量和混叠模态分量采用小波包变换进行滤波提取有用信息后,与剩余固有模态分量进行重构得到去噪后的信号。实验结果表明,改进的算法不仅可以去除心音中的噪声成分,明显改善心音信号的信噪比和均方根误差,而且能够有效保留信号的高频有用信息,且在不同噪声水平下的去噪性能均优于传统算法,鲁棒性较好。     

广义变分模态分解方法及其在变工况齿轮故障诊断中的应用

变分模态分解(Variational Mode Decomposition,VMD)是近年来提出的非平稳信号分解方法,通过将信号分解问题转化为变分约束问题,从而实现多变量信号的模态分离。但VMD方法在分析时变多分量信号时存在模态混叠现象。对此,提出了一种适合分析时变模态的信号处理方法——广义变分模态分解(Generalized VMD,GVMD)。通过分析仿真信号,将GVMD与小波变换,原VMD和希尔伯特黄变换等方法进行了对比,结果表明,新提出的GVMD方法分解结果更精确,时频分辨率更高。最后,将GVMD方法应用于变转速齿轮振动信号故障特征的识别,结果表明了论文方法的有效性。     

基于ICA-CEEMD小波阈值的传感器信号去噪

针对传感器在采集信号时混入不同的噪声,提出一种基于ICA-CEEMD小波阈值的组合去噪算法。该方法是对一维含噪信号进行剪切分段、平移和拼接,得到几个不同的含噪信号作为独立分量分析(ICA)的输入通道信号。通过ICA的盲源分离技术使得信号和噪声进行初步分离。再利用互补集合经验模态分解(CEEMD)对分离信号进行分解去噪,由于不同的高频和低频噪声,需要对分解的高阶和低阶固有模态函数(IMF)进行处理。对第一层和最后一层IMF利用3σ原则提取细节信息,进一步抑制模态混叠影响,重构去噪信号。最后,利用小波阈值对重构信号做去噪处理,提升去噪效果和性能指标。为验证该方法的有效性,进行了仿真和中北大学汾机实测实验,结果表明,该方法在去噪效果和性能指标上都优于小波软阈值去噪和基于CEEMD的小波阈值去噪方法,是一种有效的信号去噪新方法。     

基于变分模态分解和Teager能量算子的滚动轴承故障特征提取

针对滚动轴承早期故障振动信号信噪比低、故障特征提取困难的问题,提出了基于变分模态分解和能量算子的滚动轴承故障特征提取方法。该方法首先对故障信号进行变模态分解(Variational Mode Decomposition,VMD),得到若干本征模态分量(Intrinsic Mode Function,IMF);其次,通过峭度准则选取其中峭度最大的分量进行Teager能量算子解调,得到信号的Teager能量谱。将该方法应用到滚动轴承仿真故障数据和实际数据中,结果表明,该方法提高了信号的分解效率,降低了噪声的影响,能够实现滚动轴承故障的精确诊断,证明了该方法的有效性。     

基于噪声辅助多元经验模态分解和多尺度形态学的滚动轴承故障诊断方法

为了从强噪背景中提取滚动轴承微弱故障特征,提出一种基于噪声辅助多元经验模态分解 (Noise Assisted Multivariate Empirical Mode Decomposition,NAMEMD)和数学形态学的滚动轴承故障诊断方法。NAMEMD是新提出的一种基于噪声辅助数据分析方法,其克服了集成经验模态分解的模态混淆和运算量大等问题。本文将NAMEMD与多尺度形态学相结合应用于滚动轴承故障诊断。该方法首先利用NAMEMD将多分量调频调幅故障信号自适应分解为一系列IMF分量;其次,选取能量高的IMF分量求和重构;最后利用多尺度形态学差值滤波器提取信号的故障特征频率。为了验证理论的正确性,进行了仿真试验和轴承故障试验,并与EEMD和包络解调进行了比较,结果表明本文方法在进一步降低模态混叠效应的同时,明显提高了运算速度,对滚动轴承外圈、内圈和滚子故障的检测精度更高,能够清晰地提取出故障信号的故障特征频率。     

基于VMD和样本熵的高压断路器故障特征提取及分类

提出了一种基于变分模态分解(Variational Mode Decomposition,VMD)和样本熵的高压断路器振动信号的特征向量提取方法,并采用支持向量机(Support Vector Machine,SVM)对故障类型进行识别。将断路器振动信号进行滤波处理,对信号进行变分模态分解,利用分解得到的固有模态函数分量(Intrinsic Mode Function,IMF)表征断路器各个振动事件,计算其样本熵作为特征向量,利用SVM对断路器不同运行状态进行分类识别。仿真信号表明,VMD对于处理瞬态非周期性的振动信号具有优越的分解特性。利用该方法在实验室条件下对四类故障状态进行特征提取和识别,对比结果表明应用该方法能有效提取高压断路器的故障特征并准确地识别出故障类型。     

SCA-VMD在变压器声信号降噪中的应用

针对采集变压器运行声信号时会混入噪声的情况,提出了基于稀疏分量分析-变分模态分解（sparse component analysis-variational modal decomposition,SCA-VMD）分离变压器运行声信号并降噪的方法。基于稀疏特性的欠定盲源分离能够在观测信号数目小于未知源信号数目的情况下实现源信号的有效分离,变分模态分解（VMD）能将一个多分量信号一次性分解为多个单分量信号。以两路观测信号作为输入,利用稀疏分量分析法（SCA）分离得到变压器运行声信号,再利用VMD将分离信号分解为4层本征模态函数（intrinsic mode function,IMF）分量,通过阈值滤波的方法对高频分量和低频分量进行去噪处理,利用新的IMF分量重构得到去噪信号。仿真试验和实际试验结果表明,该方法能实现对变压器运行声信号的有效分离和去噪处理。     

基于VMD和Infogram的滚动轴承故障特征提取EI北大核心CSCD

带通滤波器参数(中心频率和带宽)选取是共振解调的关键,针对快速峭度图找寻的中心频率偏大、带宽过宽的问题,提出Infogram(信息图)用于确定滤波器参数;并利用变分模态分解(Variational Mode Decomoposition,VMD)预先对信号进行重构,以减少噪声对信息图的影响,增强其应用效果。对轴承故障振动信号进行变分模态分解得到有限个模态分量,根据模态选取准则确定包含故障信息较多的模态分量进行信号重构,再应用信息图确定最佳共振频带的中心频率和带宽,并对重构信号进行带通滤波和包络谱分析,识别轴承故障特征频率。仿真分析和轴承外圈模拟故障试验验证了该方法的有效性。     

基于VMD和Infogram的滚动轴承故障特征提取

带通滤波器参数(中心频率和带宽)选取是共振解调的关键,针对快速峭度图找寻的中心频率偏大、带宽过宽的问题,提出Infogram(信息图)用于确定滤波器参数;并利用变分模态分解(Variational Mode Decomoposition,VMD)预先对信号进行重构,以减少噪声对信息图的影响,增强其应用效果。对轴承故障振动信号进行变分模态分解得到有限个模态分量,根据模态选取准则确定包含故障信息较多的模态分量进行信号重构,再应用信息图确定最佳共振频带的中心频率和带宽,并对重构信号进行带通滤波和包络谱分析,识别轴承故障特征频率。仿真分析和轴承外圈模拟故障试验验证了该方法的有效性。     

适于泥石流除噪的EMD联合小波阈值除噪方法

次声传感器采集到的泥石流次声信号中包含有大量的无关干扰信号,严重影响信号的分析与评估。针对含噪泥石流信号中无法准确确定噪声频段的特点,以及传统经验模态分解(Empirical Mode Decomposition, EMD)联合小波阈值去噪方法无法智能分辨噪声所在频段的缺点,提出了信号经EMD分解后,基于相关性选择噪声频段的方法。首先利用EMD分解获取信号的固有模态函数(Intrinsic Mode Function, IMF)分量,然后计算各个IMF分量与原始信号的相关性,根据相关性大小确定IMF噪声频段,然后采用小波阈值去噪方法对噪声频段进行处理,最后对处理后的信号进行重构得到去噪泥石流信号。通过模拟实验分析,证明该方法具有智能选择噪声频段的能力,是一种更适于泥石流信号的去噪方法。     

频率调制经验模态分解在轴承故障诊断中的应用

在密集频率情况下,针对经验模态分解(Empirical Mode Decomposition,EMD)容易产生模态混叠的问题,研究了基于频率调制经验模态分解(Frequency Modulated Empirical Mode Decomposition,FM-EMD)振动信号处理方法。该方法可以较好地分解相对密集频率的弱非线性信号,得到物理意义相对明确的本征模函数(Intrinsic Mode Function,IMF)。通过数值仿真证明了该方法的有效性。利用频率调制经验模态分解方法对故障轴承振动信号进行分析,准确地确定了故障类型。