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。     

基于SVD-SGWT和IMF能量熵增量的液压故障特征提取

针对随机噪声和虚假分量影响总体平均经验模态分解(EEMD)分解质量问题,提出基于奇异值分解(SVD)和第二代小波变换(SGWT)联合降噪预处理和本征模态分量(IMF)能量熵增量剔除虚假分量的改进EEMD方法。该方法首先对原始信号进行第二代小波变换,利用SVD对SGWT得到的高频系数进行降噪处理,克服了软、硬阈值法降噪的缺陷。然后对消噪处理的信号进行EEMD分解,通过IMF能量熵增量去除虚假分量;最后对主IMF分量进行Hilbert谱分析来提取信号的主要特征。仿真和实验结果表明,SVD和SGWT联合降噪故障信号信噪比显著提高,且失真度小,抑制了噪声对EEMD分解精度的干扰,能量熵增量能有效地去除虚假IMF,Hilbert谱中各频率成分清晰不混叠,成功提取了液压系统故障特征频率。     

液压系统故障特征提取方法研究

针对液压系统故障特征不清楚、诊断特别困难的难题,提出利用EEMD分解与相关性分析相结合的液压系统故障特征提取方法。首先用EEMD分解液压故障信号得到一组IMF分量,从中筛选出与故障信号自身相关系数大的IMF分量作为一组故障的候选IMF分量集;再在故障信号的IMF分量中筛选出与正常信号相关系数小的IMF分量,作为另一组故障的候选IMF分量集;两组候选IMF分量集的交集确定原故障信号的主要故障特征IMF分量,作自功率谱分析即可得到所提取IMF分量包含主要故障特征频率,并通过所提取IMF分量与正常信号的互功率谱验证特征提取的正确性。用该方法准确提取出液压实验台泄漏故障特征IMF分量以及故障特征频率。     

随机共振降噪下的齿轮微弱故障特征提取

针对强背景噪声下的齿轮微弱故障特征提取问题,提出了一种将级联单稳随机共振与经验模式分解(EMD)-Teager能量算子解调方法相结合的特征提取方法。首先对含噪故障信号进行随机共振输出,降噪后再进行经验模式分解,分解得到具有不同特征时间尺度的固有模态函数(IMFs),最后通过Teager能量算子解调方法求取每个有效IMF分量的幅频信息,从而提取齿轮微弱故障特征。仿真分析和实际测试结果均表明,通过随机共振降噪后,该方法能有效检测出齿轮局部损伤故障特征频率。     

改进的EEMD算法及其在多相流检测中的应用

针对低信噪比下EEMD法在分解过程中产生模态混叠导致滤波效果变差的问题,提出了一种改进的EEMD滤波方法.该方法首先设计最优带通滤波器,滤除信号中的脉冲干扰,再将滤波后的信号进行EEMD分解,然后采用SG滤波器对筛选的IMF再进行滤波,最后对滤波后IMF进行重构.最后将改进的EEMD法和EEMD法分别用于多相流测量信号滤波及含水率测量,结果表明,改进的EEMD法与EEMD法相比,信噪比提高了约2～3 dB,滤波效果更好;含水率平均测量精度提高了约3％,测量误差更小.     

随机共振消噪和EMD分解在轴承故障诊断中的应用

针对实际机械故障诊断中强噪声背景下难以提取故障特征的情况,提出了一种基于随机共振消噪(stochastic resonance,SR)和经验模态分解(Empirical Mode Decomposition,EMD)的轴承故障诊断方法。首先,将轴承振动信号进行随机共振消噪,利用噪声增强振动信号的信噪比;然后,将消噪的信号再进行EMD分解,通过求取本征模函数(Intrinsic Mode Function,IMF)幅值谱,从而发现轴承故障频率。实验结果表明,该方法可以提高信噪比,实现微弱信号检测,更有效地应用于轴承的故障诊断。     

基于遗传算法的自适应随机共振与VMD分解的轴承故障诊断方法

随机共振(Stochastic resonance,SR)在处理实测轴承故障信号时需满足绝热近似条件,即需满足小参数信号(信号幅值、信号频率、噪声强度远小于1),这一问题极大地制约了对实测振动信号的检测,针对这一现象,提出基于遗传算法的自适应变尺度随机共振与变分模态分解(Variational mode decomposition,VMD)的轴承故障诊断方法。首先,设定合适的压缩比R将实测信号进行压缩,使其满足小参数条件;然后,定义信号的输出信噪比为目标函数,利用遗传算法(Genetic algorithm,GA)对变尺度随机共振的结构参数a和b进行同步优化,选取最优值代入变尺度随机共振中对实测信号进行消噪处理;最后,将降噪信号进行VMD分解,从分解得到的各IMF分量的频谱图中识别轴承故障特征频率。对实验数据分析的结果表明,该方法可有效地提高轴承故障诊断的准确度。     

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EEMD奇异熵的高速道岔裂纹伤损检测

针对高速道岔裂纹伤损特征提取及状态监测问题,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)奇异熵和最小二乘支持向量机(least square support vector machine,简称LSSVM)的高速道岔裂纹伤损检测方法。首先,通过EEMD方法将非平稳的道岔振动信号自适应地分解为有限个基本模态分量(intrinsic mode function,简称IMF),每个IMF包含了原信号不同的特征尺度;然后,利用相关性分析筛选出与原始信号相关性最大的若干个IMF,计算所筛选IMF分量的奇异熵构成特征向量;最后,将多测点数据融合后的奇异熵特征向量输入LSSVM进行训练与测试,从而判断道岔的工作状态和伤损类型。模拟道岔裂纹伤损实验平台的振动信号分析及实验结果表明,在信噪比高于20dB时,该方法受噪声影响小,算法稳定性好,能有效地用于道岔裂纹伤损检测。     

随机共振消噪与ELMD相结合的轴承故障诊断

针对实际工况下轴承故障信号容易淹没在强烈噪声中难以提取,局部均值分解(local mean decomposition,LMD)在信号处理方面不可避免出现模态混叠现象的问题,提出1种基于随机共振(Stochastic Resonance,SR)与总体局部均值分解(ensemble local mean decomposition,ELMD)相结合的轴承故障诊断方法。首先将采集到的实际轴承振动信号进行随机共振消燥,以白噪声驱动与双稳系统形成随机共振现象,将噪声的部分能量转移到低频区域集中,提高信号的信噪比;然后将经过随机共振后的信号进行ELMD分解,得到1组乘积函数(product function,PF),以及1个残余分量,对得到的PF分量进行时频分析,最终发现轴承故障特征频率。实验结果表明,该方法可以提高信号信噪比,以达到微弱信号检测的目的,因此可以很好的应用在轴承故障诊断中。     

基于自适应时频分析的滚动轴承故障诊断

针对滚动轴承故障诊断,提出一种将集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)和平滑伪魏格纳分布(Smoothed Pseudo Wigner-Ville Distribution,SPWVD)相结合的EEMD-SPWVD自适应时频分析方法。首先将多分量轴承故障信号通过EEMD分解为多个单分量信号的叠加;然后参考各分量的互相关系数去除虚假分量,筛选出真实的固有模态分量(Intrinsic Mode Function,IMF);最后将筛选出的固有模态函数进行SPWVD计算,并从低频到高频逐步有选择地线性叠加到EEMD-SPWVD时频谱图中。通过对EEMD-SPWVD方法的滚动轴承内圈故障诊断仿真和西储大学轴承内圈故障信号的特征提取应用,对比SPWVD时频谱,说明了EEMD-SPWVD方法相对单一方法的优越性,验证了该方法在滚动轴承故障特征提取中的有效性。     

基于多元经验模态分解的旋转机械早期故障诊断方法*

针对旋转机械早期微弱故障诊断问题,提出了基于多元经验模态分解的旋转机械早期故障诊断新方法。首先将多个加速度传感器合理布置在轴承座的关键位置,同步采集多通道振动信息;再利用多元经验模态分解同时对多通道振动信号进行自适应分解,得到一系列多元IMF分量;最后,依据峭度准则和相关系数从中选取包含故障主要信息的IMF分量进行信号重构,提取故障特征。多元经验模态分解方法克服了EMD等方法在进行多通道数据融合时缺乏理论依据的局限性。仿真信号和旋转机械故障信号的实验结果表明,该方法明显优于EEMD方法,对齿轮和滚动轴承故障的检测精度更高,可以在强背景噪声情况下更好地提取出故障冲击特征。     

基于改进EMD样本熵和SVM的风机滚动轴承故障诊断

风机齿轮箱振动信号成分复杂,而经验模态分解(EMD)在故障诊断中存在模态混叠和端点效应问题.针对此问题,研究了一种EEMD样本熵和高斯径向基核函数的SVM分类器的滚动轴承故障诊断方法.以风机齿轮箱滚动轴承为研究对象,提取了内圈故障、外圈故障、滚动体故障和正常轴承4种状态振动信号,利用EEMD和小波分别对振动信号分解降噪并筛选主要IMF分量;计算前4阶IMF分量的样本熵作为特征向量;最后将特征向量输入高斯径向基核函数的SVM模型进行故障识别.结果表明:EEMD算法对端点效应和模态混叠都有一定抑制作用,EEMD样本熵和SVM相结合可有效识别滚动轴承故障类型,故障识别率为97.5％,为工程应用中风机齿轮箱滚动轴承故障诊断提供参考.     

基于MCKD-EEMD的滚动轴承微故障特征提取

在强噪声环境下滚动轴承故障信号非常微弱,特征信息难以识别,为了能够准确、有效地检测出轴承故障,提出了最大相关峭度反褶积(maximum correlated kurtosis deconvolution,MCKD)和总体平均经验模态分解(ensemble empirical mode decomposition,EEMD)相结合的诊断方法。信噪比较低时EEMD不能很好地提取微弱的信号特征,故先运用MCKD对含有强噪声的轴承振动信号进行降噪预处理。然后对降噪后的信号进行EEMD分解,选取与降噪信号相关系数较大的IMF分量进行信号重构。最后对重构信号进行能量算子解调分析,从包络谱中便能准确获得故障特征频率。通过信号仿真和实验数据处理结果证明了该方法的有效性。     

基于EEMD和Hilbert包络分析的轴承复合故障诊断研究

针对低信噪比的齿轮传动系统的轴承复合故障,首先采用EEMD对故障信号进行分解,得到各阶IMF分量和残余量;以峭度为特征指标,计算各阶IMF分量的峭度值;对峭度最大的IMF分量进行Hilbert包络解调。最终结果表明,该方法能有效地提高信噪比,从强背景噪声的齿轮传动系统中提取了轴承故障特征频率。     

基于VMD的自适应随机共振在滚动轴承早期故障检测中的应用

针对滚动轴承早期微弱故障难以检测的问题,提出一种基于变分模态分解(Variational mode decompsition,VMD)的自适应随机共振轴承故障检测方法。首先对滚动轴承的振动故障信号进行VMD分解,得到有限个本征模态函数(Intrinsic mode function,IMF),选取包含故障特征的IMF分量并进行信号重构;将重构信号输入随机共振系统,采用以改进加权峭度为目标函数的量子粒子群算法,优化系统结构参数,得到最佳共振输出,从而实现降噪和增强故障特征的目的,最后通过输出信号的自相关包络谱提取故障特征频率。实测数据的分析结果验证了该方法的有效性和优势。     

基于IMF相关比例划分的液压复合故障特征提取方法研究

为解决液压系统中不同的单故障信号具有一定数量的共有特征频率导致复合故障特征难以分离和提取的问题,提出了基于EEMD分解的IMF相关比例划分的液压复合故障特征提取方法。通过EEMD分解将复合故障信号分解成若干IMF分量,同样将已预先实测获得的两个单故障信号也分解成IMF分量组,将复合故障信号的每组IMF分量分别与两个单故障信号相对应的IMF分量一一作互相关分析,然后按相关系数比例将复合故障信号划分成两组信号,实现复合故障特征的分离并进行提取,最后分别与实测的两个单故障信号比较确定复合故障的组成。实验结果表明,该方法能够有效地从液压复合故障中分离并提取出故障特征频率。     

基于快速谱峭度图的EEMD内禀模态分量选取方法

针对在总体平均经验模式分解(ensemble empirical mode decomposition,简称EEMD)的多个内禀模态分量(intrinsic mode function,简称IMF)中,如何选取出反应故障特征的敏感IMF的问题,提出一种基于快速谱峭度图的敏感IMF选取方法。由EEMD分解获得的一组无模式混淆的IMF,计算原信号及各个IMF的快速谱峭度图,选择每个快速谱峭度图中谱峭度最大值所处的频带作为参考频带,比较各个IMF的参考频带与原信号谱峭度最大值所处频带之间的从属关系,筛选出反应故障特征的敏感IMF,为后续故障诊断提供特征信息。将该方法应用于模拟仿真信号及滚动轴承滚动体故障信号,验证了方法的有效性。     

基于EEMD与奇异熵增量谱的齿轮故障特征提取

针对齿轮振动信号非线性、非平稳的特点,提出一种基于集合经验模态分解(EEMD)与奇异熵增量谱的齿轮故障特征提取方法。首先,利用EEMD方法将齿轮振动信号分解为若干个平稳的本征模态函数(IMF)分量。EEMD方法利用正态分布白噪声的二进尺度分解特性,能够有效抑制经验模态分解(EMD)中的模态混叠现象。但由于背景噪声和残余辅助白噪声的影响,EEMD分解得到的IMF分量难以准确提取齿轮故障特征。利用奇异值分解(SVD)对IMF分量进行消噪和重构,根据奇异熵增量谱确定重构阶次,准确地提取齿轮的故障特征频率。仿真信号分析和齿轮箱齿轮故障实验验证了该方法的准确性和有效性。     

基于最优 IMF 分量和 K-SVD 的滚动轴承故障声音信号特征提取

针对滚动轴承声音信号中周期性冲击故障特征难提取的问题,提出了基于最优 IMF 分量与 K-SVD 字典学习相结合的轴承故障特征提取方法。首先,利用 VMD 分解原始信号获得一系列 IMF 分量;其次,利用 SAF 指标自适应选取最优 IMF 分量,并作为训练信号;最后,利用 K-SVD 字典学习方法训练出字典库,通过正交匹配追踪算法( OMP )对原始信号处理得到稀疏信号,并对稀疏信号进行包络谱分析。仿真及实验结果表明,对比传统 K-SVD 字典学习方法,该方法得到的稀疏信号信噪比( SNR )更高,能更准确地提取滚动轴承周期性冲击,增强了轴承故障特征。