改进EMD分解自相关解调的变速箱故障诊断

分析了某型坦克轴承滚动体故障信号,运用EMD分解和峭度指标优选准则选取包含故障特征较多的固有模式分量,结合回转机械信号具有准周期特点,对重构信号进行自相关去噪然后解调,该方法能减少噪声与其他激励源的干扰,提高诊断效果,对齿轮断齿故障运用此步骤,亦得到较好的诊断效果,与传统包络解调相比有更好的效果。     

EMD和Elman神经网络在滚动轴承故障诊断中的应用

针对滚动轴承故障信号的特点,提出EMD和Elman神经网络结合的滚动轴承故障诊断方法。以滚动轴承振动信号为研究对象,首先对信号进行经验模态分解（EMD）,提取包含主要信息成分的本征模函数（IMF）分量,将IMF的能量比作为特征向量输入Elman神经网络进行网络训练和故障识别,实现滚动轴承的故障诊断。结果表明,EMD方法能按频率由高到低把复杂的非平稳信号分解成有限个IMF分量,具有自适应的特点,有效地突出轴承故障特征;而Elman神经网络能直接反映动态过程系统的特性,达到很好的识别效果。     

基于LabVIEW与Matlab的滚动轴承故障诊断

针对滚动轴承故障在线监测问题,将LabVIEW与Matlab 2种编程方式相结合进行故障诊断。论述滚动轴承故障信号特征,介绍峭度分析法和共振解调法分析方法,并采用LabVIEW和Matlab联合编程进行算法实现。借助典型轴承故障实验数据对分析方法进行验证,结果表明：该系统能有效分析并识别轴承的特征故障,可用于轴承故障监测。     

基于奇异值分解与最优Morlet小波的微弱故障特征提取方法研究

为了有效提取湮没在强噪声背景下的微弱故障信号,文中提出了一种基于奇异值分解(SVD)与最优Morlet小波的故障特征提取方法。采用基于奇异值曲率谱的有效奇异值个数选择方法进行有效奇异值的自动判别,利用Shannon小波熵方法优化带宽参数设计出最优Morlet基小波,并实现母小波与冲击特征成分的最优匹配。对仿真信号和实际轴承内圈故障信号的诊断分析表明,该方法具有非常好的降噪性能,能有效地提取出湮没在强噪声背景中的微弱故障特征。     

基于小波包能量谱与主成分分析的轴承故障特征增强诊断方法

滚动轴承出现损伤时,采集的振动信号呈非平稳性,采用一般的时域和频域分析方法不能准确提取出振动信号的故障特征。根据小波包多分辨、精细化的分解特性,提出一种基于小波包能量谱与主成分分析（PCA）方法的滚动轴承故障诊断算法。将振动信号进行小波包分解,得到重点频率段信息的能量谱,提取能量谱作为特征向量;利用PCA方法对特征向量降维并减小噪声信号的干扰,获得增强的故障特征;利用层次聚类方法和改进的模糊c均值聚类算法对不同类型的滚动轴承故障进行识别,两种聚类方法都准确地识别出了不同的故障类型。实例验证结果表明,所提方法能够有效地提取振动信号中的有用故障特征,实现轴承故障类型的精确诊断。     

一种新的水声目标辐射噪声特征提取模型

针对复杂环境中水声目标辐射噪声特征难以准确提取的问题,提出了一种新的基于第二代小波变换(SGWT)、改进的经验模式分解(EMD) 和Hilbert包络解调分析(HESA)的水声目标辐射噪声特征提取模型.首先,该模型利用SGWT滤除水声目标的非平稳辐射噪声信号中的噪声成分;其次,通过改进的EMD方法对滤波后的信号进行分解,提取信号的本征模式分量;最后,对这些本征模式分量进行HESA处理,从而实现辐射噪声特征的提取.将该模型应用在仿真和实测的水声目标辐射噪声数据的特征提取中,测试结果表明,同常规的小波滤波和HESA相比,该模型能够有效地提取出辐射噪声特征.     

倒频谱分析在滚动轴承故障监测中的运用

对原始滚动轴承的时域信号进行傅里叶变换,然后进行二次频谱变换即倒频谱分析.得出的结果能较好地反映出周期信号中的突变.通过对轴承内圈外圈的实验信号进行分析,结果表明,该信号分析方法能对轴承的大部分故障情况有效地监测.     

基于改进经验模式分解算法的实时滤波新方法

由于电液伺服系统本身的特点使某些干扰信号频段与正常信号的频段很靠近,普通数字滤波器很难起到较好的作用。为了能够精确过滤这些干扰信号,改进了Hilbert-Huang变换中所提出的经验模式分解(EMD)算法,扩展了极值点的定义,给出了插值判断条件,新增了分解结束判断条件。改进后的EMD算法对电液伺服系统信号有更好的包络效果、更佳的分解效果和更快的分解速度,可以满足实时滤波要求。将基于改进EMD算法的实时滤波器应用于实际的电液伺服控制系统后,同普通数字滤波器和原EMD算法进行对比,其结果验证了该滤波器的滤波效果优于普通数字滤波器,计算效率得到提高。     

分形理论在装甲车辆滚动轴承故障诊断中的应用

滚动轴承由于其工作过程受到载荷、安装、润滑状态等因素的影响,会产生与构件特征频率有关的外圈、内圈及滚动体故障.由于滚动轴承的时域波形在一定的时域长度下存在自相似性,可用分形理论来描述其时间序列的不规则度.考虑到滚动轴承故障信号的特殊性,进行了短时分形维数与分形滤波研究,探讨了滤波器的滤波效果与模糊控制参数间的关系,获得了滚动轴承在常见故障状态下的网格维数和网格维数距离.提出了利用分形维数自动调整模糊控制参数的自适应动态调整方法,有效地改善了噪声滤除效果.针对装甲车辆滚动轴承的正常状态、外圈裂纹、内圈裂纹、滚动体损坏和待测信号5种状态进行了分析与诊断,得到了较好的诊断结果.     

基于卷积神经网络的滚动轴承故障诊断

针对传统故障诊断方法诊断过程复杂、效果不佳的问题,提出一种基于卷积神经网络的滚动轴承故障诊 断方法。首先选取不同故障的振动信号进行归一化处理,然后把 1 维的振动信号转化成 2 维的灰度图像,利用每个 元素与其相邻元素之间的关系,并且采用重叠采样的方法加强数据集。在卷积神经网方面利用 tensorflow 搭建网络 框架,采用 4 种不同的卷积神经网络结构对样本进行训练。为避免实验的随机性,对每种方案进行多次训练,采其 结果的均值。根据测试集的准确率选取最好的适合轴承故障诊断的模型,同时对网络的结构参数进行优化改进,提 高模型的识别率和运行效率。实验结果表明,该方法可以准确地将滚动轴承的故障进行识别和分类。     

多退化变量灰色预测模型的滚动轴承剩余寿命预测

针对单一退化变量预测滚动轴承性能退化趋势时可靠性和误差精度较低的问题,提出了基于多退化变量灰色预测模型的滚动轴承剩余寿命预测方法。该方法通过提取滚动轴承全寿命周期振动信号的退化趋势特征参数集,结合退化趋势特征参数集及故障早期突变点,实现滚动轴承的早期故障识别;并根据轴承寿命与特征参数之间的映射关系建立多退化变量灰色预测模型对轴承的剩余寿命进行预测。仿真实验结果表明,多退化变量灰色预测模型具有更高的误差精度和可靠性,其预测效果优于BP神经网络、单一退化变量灰色预测以及SVR(支持向量回归)预测模型,能够更好对滚动轴承寿命的变化趋势进行表征。     

最小熵反卷积在水下航行体滚动轴承故障特征提取中的应用

随着海洋开发和军事战略的发展,水下航行体日益得到世界各国的重视。水下航行体能完成水下勘探、侦测和军事攻防等任务。滚动轴承在水下航行体旋转部件支撑元件中应用广泛,但过大的振动将导致水下航行体无法可靠完成既定任务,对轴承进行状态监测和故障特征提取是水下航行体领域不可忽视的。轴承的冲击往往由于传递路径,其他部件的运行振动,制造装配误差等引起的随机振动等因素影响,冲击特征容易被淹没。研究了基于最小熵反卷积方法,建立滚动轴承动力学模型,在模型获得的纯净故障信号中添加谐波、白噪声,以此探讨最小熵反卷积方法在滚动轴承特征提取方面的应用,为水下航行体的安全服役提供重要理论参考。     

基于SVRM 极值延拓的EMD 端点效应抑制方法

以满足船舶机械设备故障实时在线快速诊断为牵引,针对经验模态分解(empirical mode decomposition, EMD)的端点效应问题,深入研究支持向量回归机(support vector regression machine,SVRM)延拓参数对延拓性能的 影响,提出一种EMD 极值快速延拓算法。研究端点效应的产生机理及影响,分析典型端点效应处理方法的优点及局 限性;阐述SVRM 预测基本原理,提出以信号极值尺度设置延拓长度与样本数量的方法;以信号极值点数值和时刻 值为样本,提出一种基于SVRM 的极值预测延拓方法。仿真结果表明：该方法可显著提高EMD 的分解精度及运算 效率,可为拓展EMD 技术在舰船装备实时监测与智能诊断中的应用提供支撑。     

基于Hilbert-Huang变换的发动机振动信号特征提取

基于Hilbert-Huang变换与小波分析相结合的故障特征提取方法,先利用小波分析方法将缸盖振动分解在低、中、高三个频段,然后对各个频段的信号进行EMD分解,对得到的IMF分量做Hilbert变换,得到各个频段的Hilbert谱.再根据发动机冲击响应的特点,将Hilbert谱沿频率轴积分,然后在时间-幅值平面上投影成二维的频带能量分布图,突出故障信息.实例表明,通过各频段、各冲击响应能量分布的变化,可实现故障的判断和定位.     

基于特征融合的注意力增强卷积神经网络的航空发动机滚动轴承故障诊断方法

针对现有基于深度卷积神经网络的故障诊断方法只考虑对信息局部特征的提取、忽视全局信息的不足,将可以把握全局信息的注意力机制融入卷积层,使得注意力机制参数和卷积层参数参与网络的训练,提出一种注意力增强卷积神经网络的机械故障诊断方法。通过经验模态分解、变分模态分解和小波包分解的方法提取滚动轴承振动信号的高维特征模量;将特征模量组成多通道样本输入到注意力增强卷积神经网络中进行训练,利用网络对特征模量自适应地融合和选择,从而挖掘特征模量的隐式特征;使用Softmax分类器进行分类识别;通过训练好的网络对高转速下的滚动轴承进行故障诊断;利用不同信噪比的信号对所提方法进行测试,以验证网络的泛化能力和故障诊断效果。实验结果表明：该方法能准确、有效地对航空发动机滚动轴承不同故障的损伤程度进行分类识别。     

基于EMD与AR谱的某型舰炮减速器故障诊断

某型舰炮减速器的故障信号呈现出非线性、非平稳等特征。为了便于对该复杂信号进行分析,采用EMD方法,将故障信号分解为若干平稳信号,再利用AR模型的自回归特性建模以提取减速器的故障信息,从而可以判断故障原因。     

基于虚拟仪器的滚动轴承在线监测系统

针对滚动轴承故障的多发性和重要性,依据振动加速度信号设计了在线监测系统。利用LabVIEW开发平台,结合Matlab,采用小波包络算法和模式识别技术,对振动信号进行采集和实时分析,完成滚动轴承状态的监测和故障的报警。该系统能够灵活地添加、修改监测方法,操作简便。     

基于模态分析和经验模态分解的弹体加速度处理

针对气体炮发射过程中弹体加速度信号目前尚无有效的、准确的处理方法,提出了基于模态分析与经验模态分解算法(EMD)的气体炮发射过程弹体加速度信号处理方法。该方法结合模态分析与EMD获得气体炮发射过程弹体结构响应与谐振,再将弹体结构响应从实测加速度信号中剔除,从而较为精确地获得弹体的刚体加速度变化情况。通过对加速度进行二次积分得到的位移与实际行程之间的相对误差较小,试验表明,通过该方法处理的弹体加速度信号准确有效。     

基于EEMD和二维边际谱熵的齿轮箱故障诊断

针对信号经验模态分解（EMD）过程中存在波形混叠现象,提出一种基于聚合经验模态分解（EEMD）和Hilbert二维边际谱熵相结合的方法对齿轮箱故障进行分类故障诊断．首先使用小波阈值分析对背景噪声较大的齿轮箱振动信号进行预处理;其次对预处理信号进行分解,得到IMF分量,对比正常信号与故障信号的区别;最后对3种工况信号进行Hilbert变换并计算得到边际谱,并且提取二维边际谱熵作为支持向量机（SVM）的输入量,建立故障诊断模型．经测试该方法在齿轮箱故障诊断方面有着较强的分类能力和诊断精度,具有一定的可行性．     

深海环境下利用噪声抵消器和经验模态分解的拖船干扰抑制方法

针对深海环境下拖船自噪声在靠近端射和非端射方向产生的多途角扩展干扰影响拖曳声纳探测性能的问题,提出一种利用归一化最小均方误差(Normalized Least Mean Square, NLMS)噪声抵消器和经验模态分解(Empirical Mode Decomposition, EMD)的拖船干扰抑制方法。通过借鉴逆波束形成(Inverse Beamforming, IBF)的思想,对靠近端射方向的干扰波束进行相位补偿,重构出时域干扰信号,并将其作为自适应噪声抵消器的输入信号,基阵接收信号作为期望信号,利用NLMS方法调整滤波器的权值,进行初步干扰抑制。在此基础上通过EMD对噪声抵消器的输出结果进行分解得到多个本征模态(Intrinsic Mode Function, IMF)和残余分量,再利用匹配滤波方法筛选出用于重构拖船噪声的IMF,并在阵元域抵消完成干扰抑制,其中匹配模版为靠近端射方向频域干扰波束逆傅里叶变换得到的时域干扰信号。仿真数据和海试数据分析结果表明,与其他方法相比,所提方法能够大幅度抑制拖船自噪声产生的多途角扩展干扰,提升拖曳声纳在干扰盲区内对弱目标信号的检测能力。