基于集合经验模式分解的汽油机爆震特征提取

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。     

基于广义变分模式分解的滚动轴承故障微弱特征提取

针对变分模式分解（Variational Mode Decomposition,VMD）算法在微弱特征分量按需提取方面存在的不足,提出采用广义变分模式分解（Generalized Variational Mode Decomposition,GVMD）算法提取滚动轴承故障微弱特征。GVMD算法具有优良的频域多尺度定频分解性能,算法频谱分解位置和频域分解尺度可由先验中心频率和尺度参数灵活控制,实现按需分解。仿真和实验分析结果表明,与VMD算法相比,GVMD算法能够充分利用轴承故障频率信息和带宽信息,按需准确提取轴承故障微弱特征分量;且具有较强的噪声鲁棒性。     

基于双谱的汽油机爆震特征提取与强度评价

将双谱分析应用于爆震振动信号分析,提出了爆震特征频率提取和强度判定的方法。首先,用功率谱密度估计的方法分析发动机3个方向的振动信号,确定爆震特征频率范围;然后,利用双谱分析不同爆震强度下的振动信号并提取双谱主对角线切片,分析不同状况下的信号频率间的相位耦合关系,确定爆震特征频率;最后,提出了爆震强度评价参数。试验结果表明,相比功率谱密度估计,双谱峰值频率更能凸显爆震特征频率,爆震强度评价参数能有效判定爆震强度。     

基于经验模式分解的全息谱故障识别方法

由于实测信号中的一些噪声干扰会影响全息谱对信号分析的准确性,采用经验模式分解(emprical mode decomposition,简称EMD)方法进行信号滤波以提高识别的可靠性.应用EMD对信号分解,并结合互相关系数对内蕴模式分量(intrinsic mode function,简称IMF)进行滤波,在此基础上对信号进行重构,以降低噪声干扰,并对实际测试信号进行有效提纯.最后,对滤波后的转子信号进行全息谱分析,并通过分析实际转子碰摩信号来验证该方法的有效性.     

基于时变滤波经验模式分解的齿轮箱故障诊断

经验模式分解(Empirical Mode Decomposition,EMD)经常出现模态混叠问题。集总经验模式分解(Ensemble EMD,EEMD)能够在一定程度上缓解模态混叠,但是辅助白噪声的引入却破坏了原始EMD方法的时变滤波特性。为了提高齿轮箱故障诊断的效果,将时变滤波经验模式分解(Time Varying Filter for EMD,TVFEMD)引入到齿轮箱振动信号分析领域,提出了基于TVFEMD的齿轮箱故障诊断方法。将该方法用于分析包含着输出轴不对中故障的齿轮箱振动信号,结果表明,该方法能够有效地诊断出齿轮箱的不对中故障,与基于EMD和EEMD的方法相比具有明显的优势。     

基于小波除噪和经验模式分解的信号分析方法

经验模式分解是一种自适应分解算法。通过对常见信号的经验模式分解结果进行分析,发现信号中包含的噪声对分解结果影响较大。在此基础上,提出一种小波除噪与经验模式分解相结合的信号分析方法。该方法充分利用小波变换的降噪功能和经验模式分解的自适应分解能力,能真实地反映信号特征,为基于信号分析的故障诊断提供了一种可行的途径。     

基于变模式分解降噪的滚动轴承故障诊断研究

变模式分解(Variational Mode Decomposition,VMD)是近年出现一种新的自适应分解方法,对其最小化可以把一个信号分解为固有模式。基于此,提出了变模式分解(VMD)降噪。首先通过VMD将故障信号分解为一系列模式,计算各模式与原信号的相关系数,再根据相关系数选择相应的分量进行重构以达到对原信号降噪的目地,之后通过差值形态滤波对重构信号进行解调以提取故障特征。为验证降噪的必要性和有效性,对比了直接差值形态滤波提取特征。仿真信号和对滚动轴承的实验证明了方法的有效性。     

基于模式分解和符号匹配的特征识别方法研究

针对环形或链式工程图提出了基于模式分解和符号匹配的特征识别方法。首先采用凸线模式分解原则和凸共线元素对最小序号优先模式分解原则将图形分解为由单个特征组成的图形子模式 ,并采用具有几何变换不变性编码规则——基于角度的编码 ,实现对图形子模式和特征的符号描述 ,通过符号匹配方法鉴别出零件的形状特征。该方法已应用于三牙轮钻头特征识别系统中。     

基于优化VMD与欧氏距离的柴油机故障识别

为实现利用单一通道信号通过同一方法区分多种发动机故障的目的,笔者对现有算法进行了优化以提取振动信号中的故障特征。首先,针对变分模式分解（variational mode decomposition,简称VMD）的分解层数选择困难问题,文中以几种不同类型故障的频率特征为基础,优化了其中心频率迭代初始值,在保证准确性的前提下提高了算法的计算效率与简便性;然后,利用鲁棒性独立分量分析（Robust independent component analysis,简称Robust ICA）对VMD处理结果再次分解,分析发动机中可能存在的不同振源的同频率信号,并将两个阶段分解结果重构信号的四阶累积量作为故障判定指标。结果表明：以模糊C均值聚类（fuzzy C-means clustering,简称FCM）确定的聚类中心为参考点,利用各个工况点与喷油故障聚类中心的欧氏距离区分故障类型,取得了较高的正确率。     

基于张量Tucker分解的发动机故障诊断

传统的发动机故障诊断方法通常基于向量模式进行数据特征的提取,可能丢失数据之间的结构信息及破坏数据间相关性。针对此问题,提出了一种张量模式下提取发动机数据特征的方法,构建了“信号类别×曲轴转角×转速”的三阶张量形式的发动机状态样本,基于交替投影的思想,使用HOSVD-HOOI张量Tucker分解的联立求解算法,对数据特征进行提取。分别以不进行数据特征提取和基于张量Tucker分解进行数据特征提取两种情况,对发动机正常工作、单缸失火和轴系不对中三种状态下的实验数据进行处理,并分别采用网格参数优化法、遗传算法、粒子群算法对分类模型中的参数进行优化。以预测准确率和模型学习时间为评价指标进行对比分析,实验结果表明,基于张量Tucker分解的发动机数据特征提取及诊断方法预测准确率更高,分类模型学习时间更短。     

基于变分模态分解的风电齿轮箱轴承故障诊断方法

双馈异步风力发电机采用变转速变桨距的控制策略以保持风力最大功率捕获,风电齿轮箱时刻处于变速变载的恶劣工况,其关键部件极易受到损伤.针对齿轮箱轴承故障特征易受到风机变工况干扰的问题,提出了一种变分模态分解与瑞利熵相结合的特征分析方法,实现对风电齿轮箱高速轴轴承健康状态系数的估计.本文以双馈异步风机齿轮箱高速轴轴承作为研究...     

运用改进掩膜信号法的经验模态分解

为了克服经验模态分解中出现的模态混叠现象,提出了一种基于改进的掩膜信号法的经验模态分解方法。该方法通过设置掩膜信号,并依据能量法优化掩膜信号的选择,结合经验模态分解达到了消除模态混叠现象的目的,并利用仿真信号以及齿轮箱振动信号进行了验证。试验结果表明,该方法可有效分离混叠模态,提取有用信号。     

EMD方法在烟机摩擦故障诊断中的应用

提出了一种将经验模式分解（Empirical Mode Decomposition，简称EMD）方法与传统信号处理技术相结合的故障诊断方法。首先将原始信号分解为若干基本模式分量（Intrinsic Mode Functions，简称IMFs），通过希尔波特变换得到每个IMF相应的瞬时频率，再对此瞬时频率曲线做傅里叶变换得到其频谱图，该频谱图即表示了对应IMF的调频频率。利用对应IMF组合成基于EMD的滤波轴心轨迹，这种轴心轨迹可以准确反映轴心的实际运行状况。将该方法应用于某炼油厂烟机摩擦故障诊断中，发现摩擦故障信号具有有色噪声分量存在、工频IMF的调频现象和基于EMD轴心轨迹的反转现象等特征。结果表明提出的方法在旋转设备摩擦故障诊断中非常有效。     

变分模态分解在转子故障诊断中的应用

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。     

经验模态分解中的模态混叠问题-

针对经验模态分解(empirical model decomposition,简称EMD)存在的模态混叠问题,总结了引起模态混叠异常事件的类型,讨论了模态混叠的产生原因,提出了采用加入高频谐波后再进行EMD分解消除模态混叠的方法.根据信号分析频率范围和特征选择高频简谐波的频率和幅值,并使高频谐波作为第1阶IMF分解出来,可以有效消除模态混叠现象,异常事件通常可以包含在第1阶IMF中,必要时可以将加入的高频信号直接减掉,不影响对EMD结果的判断.与总体平均经验模态分解法(ensemble empirical model decomposition,简称EEMD)对比的仿真计算表明,两种方法都可以有效消除模态混叠现象,但高频谐波加入法具有运算速度快、误差小、分解结果物理意义明确和不需后处理的优点,对含复杂异常事件的实际故障信号分析验证了该方法在工程应用中的有效性和可行性.     

发动机爆震与爆震传感器

从理论上概述了发动机爆震现象的产生机理、危害以及抑制措施。分析发动机爆震传感器的结构、工作原理以及常见故障的检测方法,并给出LJ474Q3E2爆震传感器故障维修实例。     

发动机爆震与爆震传感器

从理论上概述了发动机爆震现象的产生机理、危害以及抑制措施,分析发动机爆震传感器的结构、工作原理以及常见故障的检测方法,并给出LJ474Q3E2爆震传感器故障维修实例。