基于改进Hilbert-Huang变换的机械故障诊断

Hilbert-Huang变换(Hilbert-Huangtransform,HHT)通过经验模式分解(Empirical mode decomposition,EMD)和Hilbert变换能够自适应地将复杂的非线性、非平稳信号刻画成Hilbert-Huang谱,突显信号的局部特征,具有良好的时频聚集能力,因此被广泛用于机械信号处理与故障诊断.然而,EMD存在的模式混淆问题使其难以获得准确的本征模式分量(Intrinsic mode function,IMF).此外,通常只有部分IMF包含故障敏感信息、表征故障特征.因此基于EMID和所有IMF的Hilbert-Huang谱的故障诊断精度有待提高.为此提出一种基于总体平均经验模式分解(Ensemble empirical mode decomposition,EEMD)和敏感IMF的改进HHT.该方法利用EEMD获取无模式混淆的IMF,通过敏感度评估算法从EEMD所有的IMF中选择反应故障特征的敏感IMF,从而得到改进的Hilbert-Huang谱以更准确地诊断机械故障.通过仿真试验以及转子早期碰摩故障诊断的工程实例验证了改进HHT的有效性.     

VPMCD和模糊熵在转子系统故障诊断中的应用

针对转子系统的故障特征,提出了基于多变量预测模型（variable predictive mode based class discriminate,简称VPMCD）和模糊熵的故障诊断方法。VPMCD方法是根据所提取的全部或部分特征值之间具有的某种内在关系建立预测模型,并以建立的变量预测模型进行模式识别。首先,对转子振动信号进行经验模态分解(empirical mode decomposition,简称EMD),得到若干个内禀模态函数（intrinsic mode function,简称IMF）分量;接着,提取包含主要故障信息的前几个IMF分量的模糊熵组成故障特征向量矩阵;然后,采用VPMCD方法建立预测模型;最后,通过建立的VPMCD预测模型区分转子的工作状态和故障类型。实验分析结果表明,基于VPMCD和模糊熵的故障诊断方法可以准确、有效地识别转子系统的工作状态和故障类型。     

改进的经验模式分解在机械故障诊断中的应用

针对经验模式分解(empirical mode decomposition,简称EMD)在工程应用中存在的端点效应和模式混叠问题,提出了一种改进的EMD方法。首先,利用遗传支持向量回归对短信号进行延拓;然后,采用改进的包络拟合方法并结合总体经验模式分解(ensemble empirical mode decomposition,简称EEMD)处理信号,数值仿真结果验证了该方法能够有效抑制端点效应和模式混叠;最后,利用该方法并结合包络解调对滚动轴承内圈故障信号进行实验与分析。结果表明,与EMD相比,该方法可以更有效地提取故障特征,满足机械设备故障诊断工程实际需求。     

基于EMD与同态滤波解调的矿用齿轮箱故障诊断

针对矿用齿轮箱振动信号的特点,提出了一种基于经验模态分解(empirical mode decomposition,简称EMD)与同态滤波相结合的故障解调方法.利用EMD对某矿用皮带机齿轮箱故障信号进行分解,得到若干个本征模态函数(intrinsic mode functions,简称IMFs)分量,然后对其中较突出的IMFs进行同态滤波解调分析,提取出了频率为7.0Hz的调制故障信号.研究表明,EMD与同态滤波解调相结合是一种有效的齿轮箱故障诊断方法.     

变量预测模型在齿轮故障诊断中的应用

将基于变量预测模型的模式识别(variable predictive model based class discriminate,简称VPMCD)方法、经验模态分解(empirical mode decomposition,简称EMD)方法和奇异值分解(singular value decomposition,简称SVD)相结合,提出了一种基于EMD,SVD和VPMCD的齿轮故障的诊断方法.首先,对齿轮振动信号进行EMD分解,得到若干个IMF(intrinsic mode function,简称IMF)分量;其次,将包含齿轮主要故障信息的前几个IMF分量组成特征向量矩阵,并对其进行SVD分解;最后,将奇异值作为特征向量建立VPMCD多故障分类器,以此来区分齿轮的工作状态和故障类型.将提出的方法应用于齿轮实验数据,分析结果表明,该方法能够实现齿轮故障类型的分类和诊断,是一种有效可行的齿轮故障诊断方法.     

基于EMD和球结构SVM的滚动轴承故障诊断

提出了一种基于经验模式分解(Emprical Mode Decomposition,简称EMD)和球结构支持向量机的滚动轴承故障诊断方法.该方法以EMD的能量特征向量作为输入来建立球结构支持向量机分类器,识别滚动轴承的故障类型,通过麦克斯韦的三角平面坐标色度图方法进行可视化验证,并且与小波包能量特征向量作为输入的球结构支持向量机诊断方法进行比较.结果表明,用EMD能量法作预处理更能准确地提取故障特征量,有更高的故障识别率.     

基于改进EMD的齿轮箱故障特征提取方法研究

针对经验模式分解(Empirical mode decomposition,简称EMD)方法在信号处理时普遍出现的端点效应问题,结合齿轮箱早期故障非稳态信号特点,提出了基于分段三次Hermit插值的极值截断法与相关筛选法相结合的改进EMD方法。该方法将信号用分段三次Hermit插值法求取包络线,在距离端点最近的极值点处对包络线及信号进行截断,取中间部分继续处理,将分解后得到的基本模式分量(Intrinsic mode function,简称IMF)与原信号计算相关系数,筛选主要IMF作为进一步分析对象。实验结果表明,本改进EMD方法可以有效提取齿轮箱故障特征。     

IEWT和FSK在齿轮与滚动轴承故障诊断中的应用

改进的经验小波变换方法(improved empirical wavelet transform,简称IEWT)是一种新的自适应性信号处理方法,将这种方法和快速谱峭度(fast spectral kurtosis,简称FSK)相结合,进行齿轮与滚动轴承的故障诊断。首先,采用IEWT对信号进行分解,筛选出故障特征最为明显的2个分量并重构信号;其次,对重构信号进行快速谱峭度滤波;最后,对滤波后的信号进行包络谱分析,提取出信号的故障特征。分析齿轮断齿及滚动轴承故障信号,与直接包络谱和基于EMD经验模态分解(empirical mode decomposition,简称EMD)方法的FSK滤波包络谱分析方法相比可知,采用IEWT处理后再进行FSK滤波的信号进行包络谱分析更具有区分性,可有效识别齿轮和滚动轴承的故障特征。     

基于EEMD和SOM的轴承故障诊断

EMD算法所存在的端点效应及模态混叠问题会导致故障轴承特征值提取时精度不高等问题。为提高故障诊断系统的准确性,文中选用一种基于EMD的改进算法EEMD,通过提取时域特征参数,衡量故障诊断程度,判断故障类型。运用SOM神经网络进行诊断识别。文中在进行实际实验分析的基础上,总结了实验平台的框架、典型的故障轴承类型,分析了选用的特征参数对故障诊断的不同判别方向,并提出基于集合经验模态与SOM神经网络的轴承故障诊断方法。     

基于敏感分量与MCPG的轴承故障诊断方法

针对滚动轴承故障难以准确识别问题,提出了一种基于敏感分量与多卷积池化组(Multi convolution pooling group,MCPG)的故障诊断方法。首先,采用经验模态分解(Empirical mode decom?position,EMD)将原始信号分解成为多个固有模态分量(Intrinsic mode function,IMF),使用离散Fréchet距离作为衡量指标,选取出故障敏感分量作为表征不同故障类型的故障数据源;之后,提出了一种MCPG深度神经网络架构,并使用敏感数据源对模型进行训练与测试,从而实现数据驱动的轴承故障诊断。通过实验验证,表明该方法对不同类型的振动数据(不同转速、不同损伤类型、不同损伤程度)均具有较好的识别效果。     

A fault diagnosis approach for roller bearing based on IMF envelope spectrum and SVM

Targeting the modulation characteristics of roller bearing fault vibration signals, a method of fault feature extraction based on intrinsic mode function (IMF) envelope spectrum is proposed to overcome the limitations of conventional envelope analysis method. By utilizing the proposed feature extraction method, the disadvantages of conventional envelope analysis method such as the chosen of central frequency of filter with experience in advance, looking for spectral line of fault characteristic frequencies in envelope spectrum and so on could be overcome. Firstly, the original modulation signals are decomposed into a number of IMFs by empirical mode decomposition (EMD) method. Secondly, the ratios of amplitudes at the different fault characteristic frequencies in the envelope spectra of some IMFs that include dominant fault information are defined as the characteristic amplitude ratios. Finally, the characteristic amplitude ratios serve as the fault characteristic vectors to be input to the support vector machine (SVM) classifiers and the work condition and fault patterns of the roller bearings are identified. Since the recognition results are available directly from the output of the SVM classifiers, the proposed diagnosis method provides the possibility to fulfill the automatic recognition to machinery faults.     

基于改进EMD和谱峭度法滚动轴承故障特征提取

针对滚动轴承故障信号的强背景噪声特点,提出一种基于改进经验模态分解(empirical mode decomposition,简称EMD)与谱峭度法的滚动轴承故障特征提取方法.首先,利用EMD方法对原故障信号进行分解,得到若干平稳固有模态分量(intrinsic mode function,简称IMF);然后,采用灰色关联度与互信息相结合方法剔除传统EMD分解结果中存在的虚假分量;最后,运用谱峭度法和包络解调方法对真实IMF分量进行分析,提取故障特征频率.通过对实际滚动轴承故障信号的应用表明,该方法可有效地提取滚动轴承故障特征,且能够取得比传统包络解调分析更好的效果.     

基于EMD和SVM的刀具故障诊断

为有效监测刀具在机床中可能出现的故障,提出基于经验模态分解(EMD)和支持向量机(SVM)的一种故障诊断方法。首先用EMD方法将振动信号分解为有限个固有模态函数(IMF),并选取能量较大的IMF进行标量量化得到特征向量,最后将其输入SVM进行测试进而判断故障类型。分析结果表明,基于EMD-SVM的刀具故障方法能够更有效地识别刀具故障状态。     

滚动轴承故障特征提取的EMD频谱自相关方法

首先,在论述频谱自相关方法(spectrum auto-correlation,简称SAC)的特点、经验模态分解(empirical mode decomposition,简称EMD)分析过程和轴承故障机理的基础上,指出了在故障信号不占主导作用时频谱自相关方法在轴承故障诊断中的局限性,并得到仿真算例验证;然后,提出了基于经验模态分解和频谱自相关的轴承故障特征提取方法,将经验模态分解得到的各分量进行分析比较,再对适合的分量进行频谱自相关分析,可有效提出轴承故障频率;最后,分别在轴承故障试验台实测了深沟球轴承和圆柱滚子轴承内外圈故障振动数据,结果表明,EMD-频谱自相关分析方法可以很好地提取轴承故障信号,较单一EMD分解、频谱自相关和峭度等方法效果更好,为轴承故障诊断提供了新思路。     

基于EMD和SVM的刀具故障诊断方法

为了解决刀具在切削过程中出现的故障,提出了基于经验模态分解(EMD)和支持向量机(SVM)的刀具故障诊断方法.该方法首先将经过标准化的声发射信号进行经验模态分解,将其分解为有限个固有模态函数(IMF)和残余量之和,然后对每个IMF分量通过一定的削减算法增强故障类型特征,计算每个IMF和残余项的能量以及整个信号的削减比作...     

基于EMD与倒谱分析的轴承故障诊断

提出了一种基于经验模态分解与幅值倒频谱分析的轴承故障诊断方法。该方法首先对外圈故障信号作传统的傅里叶幅值谱和幅值倒频谱分析,未能明显地找到故障特征;然后对故障信号做经验模态分解,并对分解出来的第一层本征模函数作倒频谱分析,有效地提取出了故障特征;最后,用该方法分别对具有内圈故障和滚动体故障的轴承故障信号作分析,也有效地提取出了故障特征。实验结果表明,通过联合经验模态分解和倒频谱分析,能有效并且准确地提取出轴承的故障特征频率。     

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EMD和非线性峭度的齿轮故障诊断

采用经验模式分解(empirical mode decomposition,简称EMD)和非线性峭度的统计特性对振动加速度传感器获取的齿轮箱振动响应信号进行特性分析。利用EMD分解获得振动响应信号的本征模式函数,用非线性Tea-ger能量算子计算每个本征模式函数的瞬时能量,并对本征模式函数进行系数的非线性峭度计算,提取系统的特征信息。仿真结果表明,用经验模式分解和非线性峭度可实现在线监测齿轮运转工作状态,及时发现齿轮的早期故障,提高了故障检测的可靠性。     

基于CEEMDAN-SQI-SVD的齿轮箱局部故障特征提取

经验模态分解(EMD)及以其为基础发展而来的方法在故障诊断领域中得到广泛应用,对于分解后固有模态函数(IMF)的有效选择及基于有效IMF故障特征的准确提取至关重要。为更高效地解决此类问题,提出一种基于具有自适应白噪声的完整集成经验模态分解(CEEMDAN)结合信号质量指数(SQI)算法与奇异值分解(SVD)的齿轮箱局部故障最优特征提取算法。以具有不同故障级别的齿轮局部裂纹进行试验验证方法的有效性,通过试验获取原始数据并进行CEEMDAN分解,利用SQI进行有效IMF选取,再结合SVD对有效IMF进行分解以获取最优特征向量,并输入至BP神经网络进行训练与测试,最后将测试结果与数种常规方法进行比较。结果表明,针对齿轮箱的局部故障,提出的CEEMDAN-SQI-SVD算法识别精度高,并优于数种常规方法。     

基于EMD的能量算子解调方法及其在机械故障诊断中的应用

为了提取多分量的AM-FM信号的频率和幅值信息,提出了基于EMD (Empirical mode decomposition)的能量算子解调法,并将它应用于机械故障诊断中。该方法首先采用EMD将多分量的AM-FM信号分解成若干个IMF(Intrinsic mode function)分量之和,然后对每一个IMF分量进行能量算子解调,从而提取多分量的AM-FM信号的幅值和频率信息。对机械故障振动信号的分析结果表明,基于EMD的能量算子解调法能有效地提取机械故障振动信号的特征。