EMD与同态滤波解调在滚动轴承故障诊断中的应用

根据滚动轴承的振动故障特征,介绍了一种新的基于经验模态分解(Empirical Mode Decomposition,EMD)与同态滤波解调相结合的滚动轴承故障诊断方法.EMD可将轴承故障信号分解成若干个IMFs(Intrinsic Mode Functions),各个IMF突出了原始信号的某些局部特征.再对某些IMFs有针对性地进行同态滤波解调,提取了轴承内圈故障特征频率,诊断出轴承内圈严重磨损故障.同时,为更突出同态滤波解调方法的优越性,与Hilbert包络进行了对比分析.仿真与应用结果表明,同态滤波解调方法要优于Hilbert包络法.     

基于EMD和FFT的齿轮箱故障诊断

提出了一种基于小波包分析（WPA）,经验模态分解（EMD）和快速傅里叶变换（FFT）的齿轮箱故障诊断方法,此方法适合于非线性非稳态信号的自适应分析.首先运用WPA对采集的齿轮箱振动信号进行分解可得到不同频率的子频带;然后对各子频带信号进行EMD,从而得到一定数量的本征模态函数（IMF）;最后选取特定的IMF,对其作FFT可得到相应的功率谱,从而提取齿轮箱故障特征频率,进而对齿轮箱故障模式进行识别和诊断.分析结果表明本文所提议的方法能有效地检测出齿轮箱故障特征频率.     

基于改进EMD和小波阈值法的风机数据降噪研究

风机轴承振动信号中混杂着噪声,会对后期的故障诊断造成困难。提出了一种改进经验模态分解(EMD)与小波阈值降噪相结合的风机数据降噪方法。首先,采用EMD对原始振动信号进行分解得到信号的固有模态函数,考虑到各个分量中都含有噪声和信号从而出现模态混叠现象,故采用相关系数法筛选出信号分量和噪声分量对EMD进行改进。然后,采用小波阈值法对噪声分量进行降噪,并将信号分量与处理后的噪声分量进行重构,最终完成信号降噪。最后,选取某风机轴承振动数据作为实验数据,有效地去除了原始信号中的噪声,并得出轴承内圈故障的结论,与实际结果一致,验证了所提方法的有效性。     

采用循环叠加经验模态分解的去噪算法

为了检测被强噪声淹没的目标信号,提出了一种新的基于经验模态分解(EMD)的去噪算法.该算法将经验模态分解得到的第一个固有模态函数(IMF)循环移位,得到功率保持不变的噪声样本函数.将多个噪声样本函数叠加后,与重构的目标信号合成新的含噪信号.进一步采用软阈值去噪的方法,达到显著削弱噪声的目的.仿真实验表明:所提的新算法能够抑制4~6 dB的高斯白噪声,但抑制高斯混合噪声的能力较差;并且当信噪比较低时,其性能明显好于原始的基于EMD的去噪算法.该算法为低信噪比下的弱信号检测提供了一种新的思路.     

基于MEEMD的内燃机辐射噪声贡献

为了研究内燃机振动成分对噪声的贡献,提出一种改进的集总平均经验模态分解（MEEMD）方法.通过仿真试验,对比MEEMD与传统经验模态分解（EMD）和集总平均经验模态分解（EEMD）的结果.结果表明,MEEMD是一种更为优秀的自适应信号模态分解方法,不仅能够抑制模态混叠问题,而且能够解决模态分裂等问题.采用MEEMD方法对内燃机振动成分对辐射噪声的贡献进行研究,以一个4缸4冲程内燃机为例,对标定工况下的缸盖罩振动信号和缸盖罩近场噪声信号进行MEEMD分解,并对分解得到的本征模态函数（IMF）进行时频分析,研究对辐射噪声贡献大的振动成分的来源.研究结果表明,通过MEEMD方法能够得到对内燃机辐射噪声贡献大的振动成分,并且准确确定其来源.     

基于VMD-HHT方法的水电机组启动过渡过程振动信号分析研究

为了解决水电机组启动过渡过程振动信号特征频率提取困难问题,采用一种较新的处理非线性非平稳信号自适应方法---变分模态分解（VMD）,并用于葛洲坝某台机组启动过渡过程振动信号分析。通过Hilbert-Huang（HHT）变换对VMD分解得到的各固有模态函数（IMF）进行瞬时频率计算,得出相应Hilbert谱图,并将结果与经验模态分解（EMD）方法进行对比。结果表明：经VMD分解后,机组启动过渡过程振动信号各分量频率变化与机组转速时变规律吻合良好,能够有效提取特征频率,较EMD具有更好的自适应性,分析结果更加准确有效,能够更好的揭示水电机组过渡过程信号中的振动规律。     

基于EMD与ICA的污泥回流泵故障诊断

针对污泥回流泵振动信号易受噪声污染、故障特征提取困难的问题,提出基于经验模态分解(EMD)与独立成分分析(ICA)的故障诊断方法。首先,将振动信号进行EMD分解得到一系列本征模态函数(IMF)。然后,对各个本征模态函数进行主成分分析,选取满足贡献累加值的分量重构信号,并与原信号组成矩阵进行ICA解混处理。最后,将处理后的数据进行Hilbert变换与频谱分析,通过对比处理后的正常信号与故障信号的特征频率差异,实现污泥回流泵的故障诊断。实验结果表明,本文所提出的故障诊断方法能够有效降低噪声干扰,准确提取出故障特征并实现故障诊断的目的。     

基于EMD和能量算子解调的采煤机截割部振动故障诊断研究

针对采煤机截割部振动剧烈,振动故障特征不易提取的问题,应用基于经验模态分解(EMD)和能量算子解调的故障诊断方法,首先对采煤机截割部振动信号进行EMD分解,进而得到一定数量的本征模态函数(IMFs)分量;其次对IMFs进行能量算子解调,提取出故障特征频率.通过对采煤机井下现场试验研究,结果表明,该方法能够有效地对采煤机截割部进行故障诊断,对及时发现采煤机故障,避免事故的发生具有重要的作用.     

基于自适应滤波的滚动轴承故障诊断研究

针对固有频率未知的滚动轴承故障诊断问题，提出了一种基于经验模态分解的自适应滤波方法。讨论了经验模态分解方法及其在获取固有模态函数过程中的自适应滤波特性。通过对滚动轴承故障振动信号进行经验模态分解得到固有模态函数，运用希尔伯特变换解调固有模态函数得到包络幅频图，获取滚动轴承故障特征频率，进而确定滚动轴承的故障位置。应用该方法对仿真和实际数据进行了分析，并与冲击脉冲法作了比较。结果表明，基于经验模态分解自适应滤波的滚动轴承振动信号解调方法能够更有效地突出故障特征频率成分，避免误诊断。     

基于EMD和FFT的齿轮箱故障诊断

提出了一种基于小波包分析(WPA),经验模态分解(EMD)和快速傅里叶变换(FFT)的齿轮箱故障诊断方法,此方法适合于非线性非稳态信号的自适应分析.首先运用WPA对采集的齿轮箱振动信号进行分解可得到不同频率的子频带;然后对各子频带信号进行EMD,从而得到一定数量的本征模态函数(IMF);最后选取特定的IMF,对其作FFT可得到相应的功率谱,从而提取齿轮箱故障特征频率,进而对齿轮箱故障模式进行识别和诊断.分析结果表明本文所提议的方法能有效地检测出齿轮箱故障特征频率.     

基于EMD与ICA的滚动轴承复合故障诊断

针对单通道情况下滚动轴承复合故障难以分离问题,提出基于经验模式分解(empirical mode decomposition,EMD)的独立分量分析(independent component analysis,ICA)算法.该方法首先对单通道采集的轴承复合故障信号进行EMD分解,得到多个基本模式分量函数(intrinsic mode function,IMF),然后依据帩度指标及相关系数值,选取有效的IMF分量与原观测信号组成新的观测信号,对其进行ICA处理,进而实现轴承复合故障的分离.实验结果表明,该方法可有效地分离轴承早期的复合故障.     

基于EMD和小波变换的结构风振高阶参振模态识别

为了确定结构随机理论求解中的高阶参振模态数目,采用经验模式分解(EMD)与小波变换相结合的方法分析结构气弹模型自激响应数据信号的时-频-谱联合特性,从原始信号中分解出固有模态函数(IMF),再对各个IMF进行小波变换提取信号特征参数,从而识别出结构风振随机计算所需的高阶参振模态截止频率,并将识别结果与直接采用随机理论对...     

基于EMD和Hilbert变换的心电信号去噪方法

基于经验模态分解(EMD)和Hilbert变换理论,提出一种心电信号(ECG)去噪方法.经验模态分解法将任意信号分解为一组固有模态函数IMF,对于非白噪声层IMF的阈值选取,针对传统阈值去噪方法存在较大偏差的问题,提出利用各层IMF的平均频率和能量密度乘积来确定非白噪声层IMF的噪声水平.介绍了白噪声层IMF的检验方法,并给出了利用该方法以及小波阈值去噪方法对心电信号进行去噪处理的实验结果.     

撞击流反应器压力波动信号的Hilbert-Huang变换分析

将Hilbert-Huang变换(HHT)应用于撞击流反应器压力波动信号分析,并提取出浸没循环撞击流 反应器压力波动信号的各阶内禀模态函数(IMF),证实了压力波动信号的非线性、非平稳特性。分析压力波动信号 各阶内禀模态函数的能量分布以及高、中、低频段能量分布与转换,发现不同频段IMF的能量分布与流型转变之间 的对应关系。结果表明,随着螺旋桨转速的增加,在粒子相互撞击的过程中,产生不同程度涡运动,使得各阶IMF分 量的能量分布也随之变化。新的Hilbert-Huang变换分析方法直接揭示了撞击流反应器内压力波动信号经EMD 分解所得的IMF分量的能量分布与流体流型转变之间的内在规律,同时也提供了一个有力的定量依据。     

Rolling element bearing instantaneous rotational frequency estimation based on EMD soft-thresholding denoising and instantaneous fault characteristic frequency

The accurate estimation of the rolling element bearing instantaneous rotational frequency(IRF) is the key capability of the order tracking method based on time-frequency analysis. The rolling element bearing IRF can be accurately estimated according to the instantaneous fault characteristic frequency(IFCF). However, in an environment with a low signal-to-noise ratio(SNR), e.g., an incipient fault or function at a low speed, the signal contains strong background noise that seriously affects the effectiveness of the aforementioned method. An algorithm of signal preprocessing based on empirical mode decomposition(EMD) and wavelet shrinkage was proposed in this work. Compared with EMD denoising by the cross-correlation coefficient and kurtosis(CCK) criterion, the method of EMD soft-thresholding(ST) denoising can ensure the integrity of the signal, improve the SNR, and highlight fault features. The effectiveness of the algorithm for rolling element bearing IRF estimation by EMD ST denoising and the IFCF was validated by both simulated and experimental bearing vibration signals at a low SNR.     

基于EMD虚拟通道的ICA算法在信号消噪中的应用

提出了一种由经验模态分解构造虚拟噪声通道,结合独立分量分析进行信号消噪的方法. 在分析经验模态分解及独立分量分析的优越性基础上,阐述了构造虚拟噪声通道的基本原理,给出了具体构造方法. 用固有模态函数的Hilbert时频谱作为虚拟噪声通道重构分量选择的依据. 仿真计算表明,该方法对白噪声的消除是有效的,消噪效果较为理想. 与传统小波方法比较,具有优势.     

基于小波-VMD-Teager能量算子的滚动轴承微弱故障诊断

针对滚动轴承的单一故障进行诊断,提出了将小波VMD-Teager能量算子相结合和小波CEEMD-Teager能量算子相结合的诊断方法。对于滚动轴承的故障信号首先是进行小波降噪,使用VMD分解得到IMF分量,利用峭度和相关系数的大小选择合适的IMF分量,进行重构。通过对重构的IMF进行Teager能量算子包络解调处理,最后可以得到不同故障程度的轴承故障的特征频率。对比VMD处理和CEEMD处理得到的故障信号包络图,利用实验数据验证表明, VMD处理能更有效提取滚动轴承的单一故障微弱特征。     

陀螺飞轮信号的EMD/LPF混合去噪方法

为提高陀螺飞轮系统的标定与辨识精度进而保证姿态测量性能,对其信号去噪方法进行研究以便从复杂噪声中提取标定辨识所需的有用信息.首先基于噪声产生机理对陀螺飞轮信号的噪声特性进行分析.其次,在不影响信号低频特性的前提下,采用传统低通滤波（LPF）方法对信号进行预处理以抑制高频周期噪声.然后应用经验模态分解方法（EMD）对LPF预处理后的信号进行分解,根据信号和各模态分量的概率密度函数的相似性度量,给出一种模态判定准则.在此基础上,结合现有阈值滤波方法,提出一种EMD/LPF混合去噪方案. 结果表明:所提出的基于相似性度量的模态判定准则在不同信噪比条件下均能够实现分界点的准确判定;将所研究的去噪方法分别应用于标准测试信号和陀螺飞轮实测信号;所提出的混合去噪方法相比于现有去噪方法更为有效.     

基于经验模式分解和广义维数的机械故障诊断

结合经验模式分解方法和广义维数的特点,提出了基于经验模式分解和广义维数的机械故障诊断方法。先对信号进行经验模式分解,得到内禀模态函数,然后求每个内禀函数的广义维数,从中提取盒维数、信息维数和关联维数,组成广义维数矩阵。通过分析待检测信号和各样本信号的广义维数矩阵相关系数,判断故障状态。实验结果表明,该方法可以准确地识别机械故障状态,是一种有效的机械故障诊断手段。