基于经验模式分解和谱峭度的滚动轴承故障诊断

滚动轴承的振动信号是强背景噪声下的非平稳非线性信号,其特征提取是滚动轴承故障诊断的难点。为了提高滚动轴承的故障诊断效果,提出了基于经验模式分解(Empirical Mode Decomposi-tion,EMD)和谱峭度(Spectrum Kurtosis,SK)的滚动轴承故障诊断方法。首先利用EMD方法对轴承故障信号进行分解,剔除趋势项,利用归一化白噪声分量的统计特性来滤除信号中的噪声分量,然后利用谱峭度方法估计带通滤波器的中心频率和带宽,最后对剩余的信号执行带通滤波和包络解调进行故障诊断。对滚动轴承故障诊断的结果表明,本文提出的方法能够有效地提高轴承故障诊断的效果。     

基于时变滤波经验模式分解的齿轮箱故障诊断

经验模式分解(Empirical Mode Decomposition,EMD)经常出现模态混叠问题。集总经验模式分解(Ensemble EMD,EEMD)能够在一定程度上缓解模态混叠,但是辅助白噪声的引入却破坏了原始EMD方法的时变滤波特性。为了提高齿轮箱故障诊断的效果,将时变滤波经验模式分解(Time Varying Filter for EMD,TVFEMD)引入到齿轮箱振动信号分析领域,提出了基于TVFEMD的齿轮箱故障诊断方法。将该方法用于分析包含着输出轴不对中故障的齿轮箱振动信号,结果表明,该方法能够有效地诊断出齿轮箱的不对中故障,与基于EMD和EEMD的方法相比具有明显的优势。     

全息谱力、力偶分解法在全息动平衡中的应用

在三维全息谱分解技术的基础上,通过分析分解后的力,力偶分量随转速的变化规律,提出了一种在全息动平衡中有效地添加试重的方法,并进行了试验验证,结果表明,此方法能较精确地指出不平衡的方位,在现场动平衡有较好的应用前景。     

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。     

基于小波-中值降噪的经验模式分解及应用

为提高经验模式分解(EMD)质量,降低模式混叠,使分解得到的固有模式函数(IMF)序列能较好地反映设备的振动模式,针对EMD在信号处理方面存在的不足,利用小波消噪对高斯噪声的滤除作用,以及中值滤波对脉冲干扰较好的抑制作用,引入小波-中值组合滤波设计,对待分解数据进行预处理以滤除随机噪声并抑制脉冲干扰.将该方法应用到航空发动机振动信号处理中,能够有效减少各IMF的“筛选”次数和EMD分解层数,降低端点效应在EMD分解过程中的累积作用,抑制模式混叠现象.分解结果表明,使用组合滤波设计能更好地反映出发动机的振动模式和工作状态,并能获取表征高压转子和低压转子振动特征的数据分量.     

基于二维全息谱的汽轮发电机的振动分析

在多功能模拟轴系试验台上,对空冷型135MW汽轮发电机模拟转子系统进行了强迫响应试验。应用二维全息谱技术对汽轮发电机的主要部分之一———转子系统进行了动力特性分析,取得了较满意的结果。全息谱图可以丰富旋转机械故障诊断系统知识库中的振动特征信息,对于更准确地诊断发电设备中的故障具有一定意义。     

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...     

机械设备状态的经验模式分解统计识别方法

采用经验模式分解与基于统计的Mahalanobis—Taguchi system相结合的方法进行机械设备状态识别。利用经验模式分解自适应提取设备状态监测信号的特征,针对机械设备实际运行中存在的大量正常样本和少量异常状态样本的情况,运用统计方法实现对机械设备状态的识别诊断。实验表明,运用经验模式分解与Mahalanobis-Taguchi system方法能有效地识别设备运行状态,提高状态识别的准确性。     

基于经验模式分解与奇异谱分析的微弱信号提取

如果信号的信噪比较小,经验模式分解由于无法对原始信号进行正确分解而失效。为此,提出经验模式分解和奇异谱相结合的微弱信号提取方法。该方法首先采用经验模式分解方法获取若干个固有模式函数,并对包含特征频率成分的固有模式函数进行重组和相空间重构,而后进行奇异谱分析。最后,利用由奇异谱分析得到的主分量和经验正交函数反重构出一个新的时间序列,并对该时间序列进行频谱分析。仿真和实验分析均表明该方法能够有效的从强噪声干扰中提取出微弱特征信号。     

基于小波除噪和经验模式分解的信号分析方法

经验模式分解是一种自适应分解算法。通过对常见信号的经验模式分解结果进行分析,发现信号中包含的噪声对分解结果影响较大。在此基础上,提出一种小波除噪与经验模式分解相结合的信号分析方法。该方法充分利用小波变换的降噪功能和经验模式分解的自适应分解能力,能真实地反映信号特征,为基于信号分析的故障诊断提供了一种可行的途径。     

快速自适应经验模态分解方法及轴承故障诊断

提出一种快速自适应经验模态分解(fast and adaptive empirical mode decomposition,简称FAEMD),其算法结构和本征模态函数的特点与经验模态分解(empirical mode decomposition,简称EMD)类似。采用顺序统计滤波器代替三次样条来拟合曲线,简易的终止准则使耗机时间大幅减小。该方法可以快速、有效、准确地分解信号,能够避免终止准则和端点效应问题,改善模态混叠和耗时问题。在滚动轴承故障诊断的应用中,效果表现良好。     

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。     

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。     

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。     

基于能量的振动信号经验模态分解终止条件

经验模态分解(Emprical Mode Decomposition,简称EMD)主要思想是把一个时间序列的信号分解成不同尺度的本征模函数(Intrinsic Mode Function,简称IMF).EMD算法用残余量极值点数量小于2来终止分解,该终止条件有无关组分多和分解速度慢的缺点.针对该缺点,提出了采用残余能量小于设定值的EMD分解终止条件.通过对非线性和实例振动信号的试验研究表明,基于能量的EMD分解终止条件既可以减少分解的无关组分,又可以提高分解的速度.该研究成果能广泛地用于振动信号分析领域.     

经验模态分解中虚假模态分量消除法

基于能量原理,提出经验模态分解(EMD)中虚假模态分量消除方法.在正常采样的条件下,分析信号EMD分解误差与虚假模态分量的关系,讨论虚假模态分量的性质.从EMD分解的完备性角度考虑在虚假模态存在情况下能量不守恒,给出模态函数消除法,从EMD分解结果中剔出虚假模态分量,消除信号经验模态分解误差.其有效性在所给例子中得到证实.     

基于经验模态分解的转子启动波德图绘制

提出利用经验模态分解的方法来绘制转子启动的波德图。此波德图能够准确地体现转子启动的动态信息,从而克服了手工绘制波德图时由于间断采样使得数据在临界转速不准确的缺点。同时,针对经验模态分解的边缘效应,采用了一种基于等斜率的新方法,即增加极值点的斜率和临近极值点的斜率相等,与其它的边缘值处理方法相比较,该方法不仅利用了信号的内部特征,而且拥有计算简单的优点。     

应用EMD和双谱分析的故障特征提取方法

针对传统双谱分析从理论上仅能抑制高斯噪声,但对非高斯噪声无能为力的不足,提出了一种利用经验模式分解(empirical mode decomposition,简称EMD)和双谱分析的故障特征提取方法,并应用于滚动轴承故障诊断中。首先,对信号进行EMD分解;其次,利用能量相关法去除EMD分解过程中出现的伪本征模态分量(intrinsic mode function,简称IMF);最后,对得到的真实IMF进行双谱分析提取故障特征。仿真和实验结果表明,所提出的方法优于功率谱分析和传统双谱分析,能够更有效地提取强噪声背景下的机械故障特征信息,为滚动轴承的故障特征提取提供了一种新的方法。     

基于相关系数的EEMD转子信号降噪方法

针对转子振动信号周期性强的特点,应用集合经验模式分解(ensemble empirical mode decomposition,简称EEMD)对转子振动信号降噪过程中固有模式函数(intrinsic mode functions,简称IMF)分量的选取问题,提出了基于相关系数的EEMD降噪方法。首先,对原始信号进行EEMD分解得到IMF分量,并计算各IMF分量自相关函数与原信号自相关函数的相关系数;然后,根据相关系数选择相应的IMF分量重构信号最终达到对原信号降噪的目的;最后,对比了EEMD过程中不同加噪次数对降噪效率和效果的影响,给出了加噪次数的设置方法。仿真信号和转子振动信号的降噪结果表明了该降噪方法的可行性和有效性。