改进小波去噪Teager算子的齿轮微弱故障提取方法

针对齿轮箱在强噪声背景下齿轮微弱故障振动信号的特征不易被提取的问题,提出将改进小波去噪和Teager能量算子相结合的微弱故障特征提取方法。采用改进小波阈值函数对振动信号进行去噪处理,与形态学滤波和传统小波阈值函数相比能够有效地提高信号的信噪比。对去噪后的信号进行集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)得到若干本征模式函数(intrinsic mode function,简称IMF),计算各IMF分量与原信号的相关系数并结合各IMF分量的频谱剔除虚假分量。对有效的IMF分量计算其Teager能量算子,并重构得到Teager能量谱,对重构信号进行时频分析并将其结果与原信号的希尔伯特黄变换(HilbertHuang transform,简称HHT)得到的边际谱进行对比。实验研究结果表明,本研究方法相比HHT能够对齿轮微弱故障特征进行更为有效地提取,验证了本研究方法在齿轮箱微弱故障诊断中的可行性。     

基于DEMD的高压隔膜泵单向阀早期故障诊断

针对高压隔膜泵单向阀的早期故障特征提取困难的问题,提出基于微分经验模态分解(differential empirical mode decomposition,简称DEMD)的高压隔膜泵单向阀早期故障诊断方法。首先,对振动信号进行微分运算,提高高频成分的振幅比,使微弱高频成分在后续分解中更易提取;其次,对得到的新信号进行经验模态分解(empirical mode decomposition,简称EMD),并将分解后的本征模函数(intrinsic mode function,简称IMF)分量信号进行积分还原;最后,计算分量信号与原振动信号的Kullback-Leibler散度(Kullback-Leibler divergence,简称K-L散度)值,选取K-L散度值较小的分量信号进行重构,并利用Hilbert边际谱对重构信号进行瞬时频谱分析,以提取故障振动信号的特征。仿真与工程实验分析表明,该方法能够较好地提取出单向阀早期故障特征信息。     

IVMD对泵站管道振动响应趋势的预测分析

采用改进的变分模态分解(improved variational mode decomposition,简称IVMD)与支持向量机(support vector machine,简称SVM)相联合的方法,对泵站管道的振动响应趋势进行预测。首先,基于互信息准则确定IVMD的分解模态数,克服变分模态分解(variatronal mode decomposition,简称VMD)盲目选取分解参数的缺点,利用IVMD将机组和管道的振动序列分解为多个固态模量(intrinsic mode function,简称IMF),分别作为SVM模型的输入和输出;其次,利用粒子群优化(particle swarm optimization,简称PSO)分别寻找各模态分量对应SVM模型的最优参数并对各分量分别进行预测;最后,将各测点对应的IMFs预测结果重构作为最终的预测值。结合某大型泵站2号压力管道振动响应数据,分别采用IVMD-SVM,PSO-SVM和BP神经网络3种模型对管道振动响应趋势进行预测,并将预测结果进行对比分析。结果表明,IVMD-SVM模型得到的预测结果和实测值更加接近,计算精度更高,且误差较小,该方法对管道及类似工程结构的振动趋势预测具有一定的参考价值。     

基于EWT和多尺度熵的高压断路器故障诊断

提出了一种以经验小波变换(empirical wavelet transform,简称EWT)和多尺度熵相结合的高压断路器振动信号的特征向量提取和故障诊断的分析方法。首先,将高压断路器的振动信号进行经验小波变换,得到内禀模态函数(intrinsic mode function,简称IMF),选择相关系数较大的IMF进行重构;其次,提取重构信号的多尺度熵作为表征断路器状态的特征向量,采用归一化的方法对特征向量进行预处理并以此作为支持向量机(support vector machine,简称SVM)的输入向量进行分类训练;最后,将测试样本信号故障特征输入训练好的SVM,在SVM核函数参数进行网格算法优化的基础上进行状态识别及分类。实验结果表明,该方法可快速准确地检测高压断路器故障,实现了断路器故障的状态识别。     

噪声环境下滚动轴承故障特征提取

滚动轴承故障振动信号采集中往往含有大量的噪声信号。为了从含噪信号中提取故障特征,首先对采集的信号进行小波降噪,然后利用经验模态分解(empirical mode decomposition,EMD)得到若干个内禀模态函数(intrinsic mode function,IMF),并考虑分解的各模态函数的能量特征,将分解后的IMF分量与分解前信号的能量比作为判断标准,剔除附加低频成分,最后选取有效的IMF集进行包络谱分析,提取故障特征。通过仿真分析和以真实滚动轴承为研究对象的故障诊断实验,表明该方法有效地去除了混杂在故障信号中的噪声,有效地提取旋转机械中的故障特征信息。     

基于经验模态分解与RBF神经网络的混合预测

为提高时间序列预测模型精度,根据各本征模态函数(intrinsic mode function,简称IMF)序列的变化特点,针对EMD-RBF神经网络隐含神经元数目及其中心数据选取问题,利用经验模态分解(empirical mode decomposition,简称EMD)的信号自适应处理能力和径向基函数(radical basis function,简称RBF)神经网络的非线性逼近能力,提出了一种基于EMD与RBF神经网络的混合预测方法。该方法将具有类似时频特性的本征模态函数分别建立RBF神经网络预测模型,采用基于统计分析的k-均值聚类方法自适应确定RBF模型参数,最后将各IMF-RBF神经网络预测结果进行重构得到最终预测结果。仿真结果表明,该方法充分考虑到各IMF本身的特性,增强了时序的可预测性,预测性能比传统反向传播(back propagation,简称BP)神经网络和小波BP神经网络更优越。将该方法应用在某装备温控系统性能监测中,其温度参数最大预测误差远小于传感器误差,说明将该方法在该装备故障预测中是可行的。     

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。     

基于多尺度本征模态排列熵和SA-SVM的轴承故障诊断研究

针对轴承振动信号的非线性、非平稳性,提出一种基于多尺度本征模态排列熵和模拟退火优化支持向量机(Simulated annealing-support vector machine,SA-SVM)的列车轴承故障诊断方法。该方法首先对获取的轴承振动信息进行小波降噪处理,接着通过集合经验模态分解(Ensemble empirical mode decompose,EEMD)将去噪信号分解成若干个平稳的本征模态函数(Intrinsic mode function,IMF),并提取多尺度本征模态排列熵作为SVM输入,在用样本训练SVM时,用SA对SVM的核函数进行优化,提高其分类准确率,最终实现智能化故障诊断。试验结果表明,基于多尺度本征模态排列熵和SA-SVM的列车轴承故障诊断方法能准确识别列车轴承故障类型,具有重要的实际工程应用价值。     

小波包去噪与改进HHT的微弱信号特征提取

为提取机械设备早期故障微弱信号特征频率,在对信号进行小波包降噪后,利用改进Hilbert-Huang变换(Hilbert-Huang transform,简称HHT)进行特征提取,通过经验模态分解(empirical mode decomposition,简称EMD)得到若干个固有模态函数(intrinsic mode function,简称IMF)后,利用IMF与EMD分解前信号的相关系数作为判断标准,剔除分解中产生的多余低频IMF,选取有效IMF集进行边际谱分析。改进HHT不仅可消除多余IMF的影响,还可节省Matlab计算内存,提高运算速度。     

基于EEMD奇异值熵的滚动轴承故障诊断方法

为充分利用振动信号进行故障辨识,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)奇异值熵判据的滚动轴承故障诊断方法。首先,对滚动轴承的振动信号进行EEMD分解获得若干个本征模态函数(intrinsic mode function,简称IMF),并根据一种IMF分量故障信息含量的评价指标(即峭度、均方差和欧氏距离)选出能够表征原始信号状态的分量进行信号重构;其次,利用奇异值分解技术对重构信号进行处理,结合信息熵算法求取其奇异值熵;最后,利用奇异值熵的大小判断滚动轴承的故障类别。用美国西储大学滚动轴承振动信号对所述方法进行验证的结果表明,相比传统的EMD奇异值熵故障诊断方法,本方法能够清晰的划分出滚动轴承不同工作状态的类别特征区间,而且具有更高的故障诊断精度。     

利用改进的EMD方法进行高速转子振动信号分析

弹用涡扇发动机整机振动信号中经常包含着非线性和非平稳的高速转子振动信号成份。近年来采用一些新的信号处理方法来分析这些振动信号是国内外研究的热点,其中经验模态分解(EMD)方法颇具研究和应用前景。但是EMD方法往往在第一阶内在模函数(IMF)中包含着宽频信号,因而得不出单一成份信号。本文利用小波分析方法对待分析的振动信号进行预处理,把信号分解成一系列的窄带信号,然后应用EMD方法使得各阶IMF均为单一成份信号。该改进的EMD方法用来分析某型弹用涡扇发动机整机振动信号,从中得出了一些有益结论。     

Bi-spectrum based-EMD applied to the non-stationary vibration signals for bearing faults diagnosis

Empirical mode decomposition (EMD) has been widely applied to analyze vibration signals behavior for bearing failures detection. Vibration signals are almost always non-stationary since bearings are inherently dynamic (e.g., speed and load condition change over time). By using EMD, the complicated non-stationary vibration signal is decomposed into a number of stationary intrinsic mode functions (IMFs) based on the local characteristic time scale of the signal. Bi-spectrum, a third-order statistic, helps to identify phase coupling effects, the bi-spectrum is theoretically zero for Gaussian noise and it is flat for non-Gaussian white noise, consequently the bi-spectrum analysis is insensitive to random noise, which are useful for detecting faults in induction machines. Utilizing the advantages of EMD and bi-spectrum, this article proposes a joint method for detecting such faults, called bi-spectrum based EMD (BSEMD). First, original vibration signals collected from accelerometers are decomposed by EMD and a set of IMFs is produced. Then, the IMF signals are analyzed via bi-spectrum to detect outer race bearing defects. The procedure is illustrated with the experimental bearing vibration data. The experimental results show that BSEMD techniques can effectively diagnosis bearing failures.     

基于经验模态分解的旋转机械振动信号滤波技术研究

把经验模态分解方法引入了旋转机械振动信号滤波领域,详细地解释了这种方法及其算法。通过对一个带高频毛刺干扰的振动信号的经验模态分解与本征模函数的组合,演示了基于经验模态分解的振动信号滤波的方法。把振动信号滤波前后的波形进行了比较,发现基于经验模态分解的信号滤波方法对振动信号滤波有较好的效果。     

Local fault detection in helical gears via vibration and acoustic signals using EMD based statistical parameter analysis

Gear is a vital transmission element, finding numerous applications in small, medium and large machinery. Excessive loads, speeds and improper operating conditions may cause defects on their bearing surfaces, thereby triggering abnormal vibrations in whole machine structures. This paper describes the implementation of empirical mode decomposition (EMD) method for monitoring simulated faults using vibration and acoustic signals in a two stage helical gearbox. By using EMD method, a complicated signal can be decomposed into a number of intrinsic mode functions (IMF) based on the local characteristic time scale of the signal. Vibration and acoustic signals are decomposed to extract higher order statistical parameters. Results demonstrate the effectiveness of EMD based statistical parameters to diagnose severity of local faults on helical gear tooth. Kurtosis values from EMD and that obtained from vibration and acoustic signals are compared to demonstrate the superiority of EMD based technique.     

基于振动信号EMD和ICA的刀具破损识别

针对多齿铣削过程中振动信号的特点,提出了一种基于经验模态分解(EMD)和独立分量分析(ICA)相结合的方法,对混叠在振动信号中的铣刀破损信号进行分离。对振动信号进行经验模态分解提取出信号中的所有本征模函数,然后应用fastICA对所提取出的本征模函数进行独立分量分析。利用该方法对铣削加速度振动数据进行了分析,试验表明,该方法可以提取出混合信号中与刀具破损状态相关的故障特征频率成分。     

基于EMD与功率谱分析的滚动轴承故障诊断方法研究

针对西部油田大型设备故障信号的非线性、非平稳特征,提出一种基于经验模态分解方法EMD（empirical mode decomposition）和功率谱的分析方法。首先对滚动轴承振动信号进行经验模态分解,然后对分解后包含轴承故障特征信息的固有模态函数分量作功率谱分析,得到各分量的功率谱图,清晰直观显示出故障特征信号的功率谱,从混有背景信号和噪声的振动信号中提取轴承故障信息。由于EMD方法具有自适应特性,适宜于非线性、非平稳信号的分解,该方法应用于滚动轴承的故障振动信号分析中,结果表明,该方法能够突出滚动轴承振动信号的故障特征,从而提高滚动轴承故障诊断的准确性。     

GEARBOX FAULT DIAGNOSIS BASED ON EMPIRICAL MODE DECOMPOSITION

Time synchronous averaging of vibration data is a fundament technique for gearbox diagnosis. Currently, this technique relies on hardware tachometer to give phase synchronous information. Empirical mode decomposition (HMD) is introduced to replace time synchronous averaging of gearbox vibration signal. With it, any complicated dataset can be decomposed into a finite and often small number of intrinsic mode functions (IMF). The key problem is how to assure that vibration signals deduced by gear defects could be sifted out by HMD. The characteristic vibration signals of gear defects are proved IMFs, which makes it possible to utilize EMD for the diagnosis of gearbox faults. The method is validated by data from recordings of the vibration of a single-stage spiral bevel gearbox with fatigue pitting. The results show EMD is powerful to extract characteristic information from noisy vibration signals.     

基于EMD和分形维数的转子系统故障诊断

提出了一种基于EMD方法和分形维数的转子系统故障诊断方法。利用EMD方法将转子振动信号进行分解,得到若干个基本模式分量,然后将包含主要故障信息的几个基本模式分量相加得到降噪后的转子振动信号,求得降噪后的转子振动信号的分形维数。试验数据的分析结果表明,在不同的故障状态下,采用EMD方法对转子振动信号降噪后求得的分形维数是不同的,从而可以通过分形维数的大小有效地判断转子系统的工作状态和故障类型。     

基于EMD和非线性峭度的齿轮故障诊断

采用经验模式分解(empirical mode decomposition,简称EMD)和非线性峭度的统计特性对振动加速度传感器获取的齿轮箱振动响应信号进行特性分析。利用EMD分解获得振动响应信号的本征模式函数,用非线性Tea-ger能量算子计算每个本征模式函数的瞬时能量,并对本征模式函数进行系数的非线性峭度计算,提取系统的特征信息。仿真结果表明,用经验模式分解和非线性峭度可实现在线监测齿轮运转工作状态,及时发现齿轮的早期故障,提高了故障检测的可靠性。     

基于改进全息希尔伯特谱分析的旋转机械故障诊断方法

时频分析方法能够有效同时提取故障设备振动信号的时间和频率信息,但在全面反映非线性振动信号幅值调制与频率调制特征之间的跨尺度耦合关系方面仍存在局限,且容易受到噪声干扰。对此,创新性地将全息希尔伯特谱分析(Holo-Hilbert spectral analysis,HHSA)方法引入到机械故障诊断中。HHSA通过双层经验模态分解(EMD)结构可完整地描述振动信号的内部调制特性,非常适合机械局部故障的检测。同时,为了进一步提升HHSA的诊断精度、抑制EMD模态混叠和噪声干扰,提出一种基于改进再生相移正弦辅助经验模式分解(Improved regenerated phase-shifted sinusoid-assisted EMD,IRPSEMD)的改进HHSA方法(IHHSA)。通过仿真信号验证IHHSA方法用于局部故障检测和诊断的有效性。最后,将IHHSA应用于齿轮裂纹故障和滚动轴承局部故障诊断中,结果表明,提出的IHHSA方法能够更全面地反映和呈现非线性故障振动信号的内部调制关系,且具有更好的故障识别能力。