共查询到20条相似文献,搜索用时 0 毫秒
1.
2.
石梦笛 《机电产品开发与创新》2020,33(6):74-76
近年来,经验模式分解作为现代时频分析方法出现,对处理大量非平稳信号有着明显的效果,广泛应用于工程实际中,吸引越来越多的研究人员在此算法的基础上进行优化改进。此外,市面上的设备故障诊断系统中应用的算法较为传统,迫切需要引入新的算法来提高故障识别准确率。针对该问题本文基于Visual Studio VB.net开发环境研制一套包含EMD算法的故障诊断系统,从而实现数据分析与处理工作,有效将算法与工程实际相结合。该故障诊断系统界面操作简单,不仅能为后期设备故障诊断报告提供数据依据而且便于工业现场操作人员的使用,具有重要的研究意义。 相似文献
3.
4.
5.
6.
基于小波及非线性预测的轴承故障诊断方法 总被引:1,自引:0,他引:1
在非线性时间序列预测研究的基础上,提出非线性预测效果的特征提取方法.首先对采集到的足够长轴承数据采用小波变换进行消噪处理及边界延拓,使其满足预测需要的无限长、无噪声的条件,这样延迟时间取任意值均能重构原系统相空间;然后采用基于可预测性的选取嵌入维数的方法确定轴承各种状态信号的嵌入维数,进行相空间重构.应用实验结果表明:该方法提取的特征值能明显地区分轴承各种状态信号,且对数据分段长度的稳定性好,可以作为识别轴承故障的一种新途径. 相似文献
7.
小波变换在设备故障信号处理中得到广泛地应用,然而,小波变换只能消除白色噪声,对有色噪声不起作用.线调频小波变换统一了短时Fourier变换和小波变换的时频分析,是信号的时间-频率-尺度变换,能根据信号的特点自适应生成新的时频窗口.它不仅具有小波变换良好的时频局部性特点,而且它的时频窗口比小波变换的时频窗口更加灵活.本文应用线调频小波变换对旋转机械故障信号进行消噪,效果明显. 相似文献
8.
9.
基于EMMD分解的滚动轴承故障诊断 总被引:1,自引:0,他引:1
针对滚动轴承损伤性故障的故障诊断问题,提出基于极值域均值模式分解(extremum field mean modedecomposition,EMMD)的故障诊断方法,进行故障特征频率的提取。首先通过EMMD方法将原始信号分解成若干个本征模函数(intrinsic mode function,IMF),然后通过计算各个IMF与原始信号的相关系数,确定包含故障特征信息的主要成分,除去虚假分量。最后针对主要成分的本征模函数进行Hilbert包络解调提取故障特征,即轴承的损伤性故障特征。通过工程实例信号的分析结果以及与经验模式分解(empirical mode decomposition,EMD)方法的对比均表明,该方法能较快地提取轴承的故障特征。 相似文献
10.
针对旋转机械中滚动轴承早期信噪比较低的故障特征提取困难问题,提出了一种基于能量的变分模式分解(variational mode decomposition,简称VMD)模态数k优化选取方法,用以提取滚动轴承早期故障特征,同时避免了信号分解过分或不足。首先,对振动信号进行VMD预分解,分别在不同k值条件下计算分量信号能量与原始信号总能量;其次,根据基于能量的模态数k选取准则,确定最佳模态数值对信号进行VMD分解;最后,通过峭度准则选择分量进行信号重构,对其进行包络分析,提取故障特征频率。将该方法运用到实际故障信号中,有效提取出滚动轴承内圈微弱故障特征,实现了早期故障特征判别,具有一定的应用价值和实际意义。 相似文献
11.
基于奇异值分解和局域均值分解的滚动轴承故障特征提取方法 总被引:4,自引:1,他引:4
针对随机噪声干扰滚动轴承故障特征信号提取这一问题,提出一种基于奇异值分解(Singular value decomposition,SVD)滤波降噪与局域均值分解(Local mean decomposition,LMD)相结合的故障特征提取方法。该方法首先对原始振动信号在相空间重构Hankel矩阵并利用SVD方法进行降噪处理,再对降噪后的信号进行LMD分解,将多分量的调制信号分解成一系列生产函数(Product function,PF)之和,最后结合共振解调技术对PF分量进行包络谱分析提取故障特征频率。通过数值仿真和实际轴承故障数据的分析对比,表明该方法提高了LMD的分解能力,可有效辨别出滚动轴承实测信号的典型故障,提高滚动轴承故障的诊断效果。 相似文献
12.
爆震特征提取是汽油机点火闭环控制的前提和基础。基于集合经验模式分解(Ensemble empirical mode decomposition,EEMD),提出一种汽油机爆震特征提取方法。EEMD通过对信号加入有限幅度的高斯白噪声,利用高斯白噪声频率均匀分布的统计特性使信号在不同尺度上保持连续性,有效地抑制经验模式分解(Empirical mode decomposition,EMD)的模式混叠问题。研究了利用EEMD和EMD两种方法分别从汽油机缸内压力信号和缸盖振动信号中提取爆震特征的可行性和有效性。试验结果表明,对于缸内压力信号,EEMD和EMD均能提取出爆震特征;对于缸盖振动信号,EEMD可以提取出爆震特征,而EMD则由于模式混叠的影响,无法提取爆震特征。 相似文献
13.
针对转子故障诊断问题,提出一种基于变分模态分解(variational mode decomposition,简称VMD)的信号处理方法。该方法在获取分解分量的过程中通过迭代搜寻变分模型最优解来确定每个分量的频率中心及带宽,从而能够自适应地实现信号的频域剖分及各分量的有效分离,对各单分量信号进行希尔伯特变换,即可得到瞬时的频率和幅值信息。对仿真信号和典型转子故障信号进行VMD方法和经验模态分解(empirical mode decomposition,简称EMD)方法的分析比较,以验证所提方法的有效性。仿真信号的分解结果表明,变分模态能够准确分离出信号中的固有模态分量且不存在模态混叠;转子故障实验信号的分析结果表明,所提方法能够有效提取出明显的故障特征,从而准确诊断出转子存在的故障。 相似文献
14.
为解决齿轮箱故障振动信号信噪比低、故障特征提取难的问题,提出了基于参数优化变分模态分解(VMD)的齿轮箱故障特征提取方法。首先,以分解结果的局部极小包络熵最小为目标,利用果蝇算法搜寻VMD分解参数K和α的最优组合;将原始信号分解成若干IMF分量,从中选择包络熵较小的分量进行信号重构,并对重构信号进行包络解调运算,从重构信号的包络谱中提取故障频率特征。结果表明,利用此方法对实测信号进行处理,成功降噪、提取齿轮箱故障特征,并且比利用经验模态分解方法降噪效果更好,提取的故障特征更加明显。 相似文献
15.
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 总被引:15,自引:2,他引:15
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。 相似文献
16.
基于多尺度线调频基稀疏信号分解的轴承故障诊断 总被引:6,自引:1,他引:6
在线调频小波路径追踪算法和稀疏信号分解的基础上,提出一种基于多尺度线调频基的稀疏信号分解方法,并将其应用于非平稳转速下的轴承故障诊断。基于多尺度线调频基的稀疏信号分解方法,根据信号的特点,自适应地选择多尺度的线调频基函数对信号进行投影分解。由于基函数库多尺度特性,使得该方法比以往采用单一尺度库函数的稀疏信号分解方法更适用于分解频率呈曲线变化的非平稳信号。在非恒定转速下,当轴承出现故障时,振动信号中与故障对应的特征频率将会随转速变化而波动,采用基于多尺度线调频基的稀疏信号分解方法能准确获得非平稳转速下轴承故障特征频率随时间的变化情况,进而对其状态和故障特征进行识别,仿真算例和应用实例说明了此方法的有效性。 相似文献
17.
在复杂的流程工业中,机械设备往往处在高速、重载、高温、高辐射的环境中,轴承作为主要的机械零部件起着重要作用。由于轴承故障振动信号的微弱和不平稳的特性,造成故障特征向量提取和故障诊断存在着困难。提出一种改进的CEEMDAN(Improved Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,ICEEMDAN)轴承故障诊断方法。通过对比分析仿真信号和实测信号可以得知:ICEEMDAN方法可以改善信号重构质量,具有良好的自适应性,能够提高故障信号的信噪比,从而可以有效地识别并提取有用的故障特征信息。 相似文献
18.
19.
针对变转频情况下滚动轴承振动信号出现频谱混叠现象而无法直接提取故障特征频率的问题,提出一种基于快速Hoyer谱图及改进变分非线性调频模态分解(variational nonlinear chirp mode decomposition,简称VNCMD)的变转频轴承故障诊断方法。首先,采用快速Hoyer谱图确定轴承故障冲击所处的共振频带,对信号进行带通滤波提取轴承故障冲击成分并与低通滤波后的信号进行融合;其次,通过多分量协同转频估计方法对转频及轴承故障特征频率脊线进行估计;最后,将估计的脊线作为VNCMD的输入参数,提取转频及轴承故障冲击成分,并通过阶次分析确定轴承的故障类型。相较于集合经验模态分解(ensemble empirical mode decomposition,简称EEMD),所提方法可以获得更加精确的时频脊线,并通过信号分解得到正确的分量。仿真信号和实验信号均表明所提方法的有效性。 相似文献