基于改进经验小波变换的海洋平台结构模态参数自动识别方法

针对经验小波变换(empirical wavelet transform, EWT)方法在处理低信噪比信号中频谱分割边界容易产生误判的问题,提出了一种改进经验小波变换(improved empirical wavelet transform, IEWT)的结构模态参数自动识别方法。首先计算信号的互功率谱矩阵,采用奇异值分解(SVD)及尺度空间(SSPP)方法确定频谱的分割边界,将信号分解为若干固有模态函数(IMF)分量,再结合随机减量技术(RDT)和希尔伯特变换(HT)实现模态参数的自动识别。使用IEWT方法对自由振动响应信号及ASCE Benchmark模型信号进行模态参数识别,并分别与EWT方法、基于自回归功率谱的经验小波变换(AR-EWT)方法及小波变换(WT)方法进行对比,结果表明IEWT方法能够自适应确定频谱分割边界,对结构的频率及阻尼比等模态参数具有较高的识别精度;进一步将该方法应用到实验室海洋平台模型的模态参数识别中,证明该方法可用于复杂噪声环境下的低频结构的模态参数识别。     

基于改进经验小波变换的滚动轴承故障特征提取方法研究

针对振动信号的非线性、非平稳性和早期故障特征信号难以提取的特点,提出一种基于改进经验小波变换的故障特征提取方法。通过包络分析和对包络曲线进行阈值分割修整的方法来确定经验小波变换分解的模态数和频率边界,解决传统经验小波变换需要预先设置分解模态数和难以对信号频谱进行适当分割问题,以实现对振动信号故障信息更准确的描述。实验表明,该频谱分割方法能够有效检测信号最佳模态分解数,使得信号的频谱分割更为容易、可靠。相比传统EWT和EMD,改进经验小波变换的滚动轴承内圈、外圈Hilbert变换时频图对振动信号的故障相关特征描述更为清晰,在滚动轴承故障特征提取方面表现更为优越。     

改进的经验小波变换在滚动轴承故障诊断中的应用

经验小波变换是一种基于Fourier 频谱特性,通过构建自适应小波滤波器组来分析复杂多分量信号的方法。该方法能够有效识别信号中的不同模态分量,但由于其Fourier 频谱分割问题,在处理噪声及不稳定信号方面有所欠缺。针对这一问题,采用改进的经验小波变换方法,将信号分解为具有物理意义的经验模态。改进的经验小波变换主要考虑被处理信号的频谱形状,通过采用基于顺序统计滤波器（OSF）的包络方法以及遵循三个准则来获取有效峰值的方法,改进Fourier 频谱分割过程。将改进的方法应用于滚动轴承故障诊断中,由于改进的经验小波变换能够将振动信号分解为一系列单分量成分,因此在轴承振动信号包络谱中能够清晰的发现故障特征。通过对滚动轴承振动模拟信号和实验信号的分析验证了该方法的有效性。     

基于FVMD的滚动轴承故障特征提取方法EI北大核心CSCD

针对变分模态分解(variational mode decomposition,VMD)中模态数K和惩罚因子α无法自适应确定的问题,提出了基于快速变分模态分解(fast VMD,FVMD)的滚动轴承故障特征提取方法。首先,利用频谱趋势分割方法对滚动轴承振动信号进行分析,确定频谱趋势分割边界,进而自适应确定VMD的分解模态数K和惩罚因子α、模态初始中心频率ω;其次,根据参数K、α、ω,完成原始振动信号的自适应分解,并基于有效权重峭度准则提取有效本征模态函数(intrinsic mode function,IMF)分量;最后,利用希尔伯特包络解调计算有效IMF分量重构信号的包络频谱图,完成滚动轴承故障特征的提取。使用仿真信号、美国凯斯西储大学(Case Western Reserve University,CWRU)和美国航空航天局(National Aeronautics and Space Administration,NASA)的滚动轴承数据完成所提方法与传统VMD方法的对比试验。结果表明,所提方法能够自适应确定VMD的分解模态数K和惩罚因子α,提高VMD的计算效率,同时有效提取到滚动轴承的故障特征频率,证明了所提方法的有效性和可行性。     

基于经验小波变换的干耦合超声检测Lamb波信号分析

为提取出干耦合Lamb波检测信号中的有用信息,采用经验小波变换(empirical wavelet transform,EWT)对检测信号进行分析。首先定义一组经验尺度和经验小波函数,根据傅里叶变换结果对信号频谱进行分割,提取出围绕中心频率具有紧支撑特性的不同频段;然后通过选择合适函数,建立紧支撑的小波框架;最后对信号进行经验小波变换,得到不同的分解模态。针对玻璃纤维复合材料板的干耦合Lamb波检测实验结果表明:采用EWT方法能够分解出信号中不同的固有模态,揭示信号的频率结构,区分缺陷的大小,反映Lamb波传播特性。与经验模态分解(empirical mode decomposition,EMD)方法相比,EWT方法计算量小,分解模态少,没有虚假和无法解释的分量,显示该方法的优越性。     

基于改进的自适应无参经验小波变换的滚动轴承故障诊断

为实现滚动轴承故障周期冲击特征的有效提取,解决经验小波变换Fourier谱分割存在的问题,提出了一种改进的自适应无参经验小波变换方法。首先,利用自适应无参经验小波变换对信号Fourier谱进行自适应分割;然后,利用峭度指标对谱边界进行合并,并重构滤波器组对信号进行分解;最后,选取峭度值最大的分量进行包络解调提取故障特征。仿真和工程应用验证了所提方法的有效性,分析结果表明该方法的性能优于集合经验模态分解和经典经验小波变换。     

基于EMD及主成分分析的缺陷超声信号特征提取研究

针对非线性、非平稳超声缺陷信号的特征提取问题,提出一种经验模态分解(EMD)和主成分分析(PCA)相结合的缺陷信号特征提取方法。对缺陷信号进行EMD分解得到本征模态函数(IMF),根据能量比率累积选取IMF,平均截取傅里叶变换后的各模态频谱得到能表征原信号的特征向量集;构建PCA模型,特征向量集降维得到低维特征向量,该过程可降低缺陷信号分析数据的复杂度和冗余度,以BP神经网络为缺陷分类器对缺陷特征进行识别与分类。实验结果表明该方法具有可靠的识别与分类效果。     

基于EEMD-Fast ICA-STFT的车用起动电机噪声源识别

提出基于集成经验模态分解(EEMD)、快速独立分量分析(Fast ICA)和短时傅里叶变换(STFT)的噪声源识别方法,对起动电机噪声信号进行声源识别研究。首先采用集成经验模态分解法将单一通道的电机噪声信号分解为一系列本征模态分量,随后用Fast ICA算法提取独立成分,最后利用短时傅里叶变换良好的时频分析特性,对Fast ICA分离结果进行时频分析,结合时频分析结果和电机噪声的先验知识,确定了各独立分量与电机不同噪声源的对应关系。     

基于EWT和包络谱分析的轴承故障诊断研究

针对轴承故障早期信号非常微弱难以提取的特点,提出一种经验小波变换(EWT)和包络谱分析相结合的故障诊断方法。该方法应用EWT对信号进行自适应的分解处理,通过选取表征轴承故障的模态分量进行包络谱分析,对轴承故障进行判断,并在LabVIEW开发环境下实现,有效拓宽其适用环境。其中EWT是通过结合小波变换和经验模态分解各自的优点,建立自适应的小波滤波器来提取信号的模态函数。通过仿真信号和轴承故障实验信号的研究结果表明,LabVIEW开发环境下的EWT能够有效地对信号进行自适应分解,在与包络谱分析相结合后能够更为有效地提取并识别轴承故障类型。     

改进的傅里叶分解方法及其在滚动轴承故障诊断中的应用

为了克服傅里叶分解方法在频谱扫描过程中容易获得较多相近边界，导致无效分量过多的问题，提出了一种改进的傅里叶分解方法(improved Fourier decomposition method, IFDM),并将其应用到轴承故障诊断中。首先，IFDM以傅里叶变换为基础，通过建立邻域叠加准则，将同大于或同小于特征平均值的若干相邻原始分量进行合并，得到一组傅里叶固有模态函数(Fourier intrinsic mode functions, FIMF),从而减少无效分量。其次，重构峭度值大于均值的若干FIMF分量，提取敏感故障特征信息。然后，采用自适应多尺度加权形态学滤波(adaptive multi-scale weighted morphological filtering, AMWMF)去除重构分量中的无关分量及背景噪声。最后，对滤波信号进行频谱分析。仿真和实测信号的分析结果验证了所提方法在轴承故障诊断中的有效性，同时，与现有方法的对比结果表明了所提方法的优越性。     

极点加权模态分解及其在故障诊断中的应用

经验模态分解(EMD)是一种自适应信号分解方法,由于其能够同时提供振动信号时域和频域的局部信息,在机械故障诊断领域得到广泛应用.受EMD思想的启发,基于相邻极值加权构造均值曲线,提出一种新的自适应信号分解方法—极点加权模态分解(EPWMD).通过仿真信号分析,将提出的EPWMD方法与EMD和局部特征尺度分解(LCD)等...     

基于声音信号的托辊故障诊断方法

为实现对远程带式输送机托辊故障的检测，研发了基于声音信号的托辊故障诊断方法。结合远程带式输送机托辊轴承的特性，针对性提出了多种分析方法结合的方案。诊断系统中包括时域检测、快速傅里叶变换（FFT）峰值检测、功率谱检测、小波包分解与重构和希尔伯特（Hilbert）包络分析结合、经验模态值分解（EMD）检测方法，实现了采集数据显示、波形分析和故障诊断。其中，时域检测、快速傅里叶变换峰值检测、功率谱检测可初步判断托辊是否发生故障，经验模态值分解可以预估出带式输送机托辊发生故障的区段，小波包分解与重构和希尔伯特包络分析联合法可进一步提取托辊轴承故障频率，确定轴承发生故障的部位。最后，通过实验验证了基于声音信号的托辊故障诊断方法的有效性。     

多分辨Hilbert边际谱在旋转机械故障诊断中的应用

针对旋转机械故障振动信号的非平稳性特征,提出了一种基于多分辨Hilbert边际谱变换的旋转机械故障诊断方法.Hilbert-Huang变换是一种新的自适应信号处理方法,通过经验模态分解方法(EMD)可以获得一系列固有模态函数(IMF),通过对故障信号的多阶IMF分量进行边际谱分析,提取旋转机械故障信号.实验结果表明,基于多分辨Hilbert边际谱的变换能够有效地提取旋转机械故障特征.     

一种新的声发射信号消噪及故障诊断方法

在旋转机械故障诊断中,声发射信号极易受到噪声的干扰。针对经验模态分解(EMD)易产生模态混叠现象,提出了一种基于经验小波变换(Empirical Wavelet Transform,EWT)的消噪和旋转机械声发射碰摩故障诊断的方法。利用了EMD和小波变换的优点,通过对傅里叶频谱进行自适应划分,并构建小波滤波器组来提取声发射信号所包含的不同固有模态分量,可有效消除模态混叠现象,同时对分量进行Hilbert变换从而实现声发射信号的消噪和故障诊断。采用该方法对仿真信号进行加噪声和消噪处理,在同信号源下,对比基于d B4全阈值消噪、d B4默认软阈值消噪、d B4对高频系数处理消噪和EMD消噪效果。并将该方法应用到实际的声发射碰摩信号中。仿真和实验分析结果表明:EWT方法可以有效地分解出信号的固有模态,分解出的模态少,并且不存在难以解释的虚假模态,消噪效果优于其他方法,并且在声发射故障诊断中也有较大的优势。     

基于复包络谱的滚动轴承故障特征提取方法研究

提出一种基于复包络谱的滚动轴承故障特征提取方法。采用正交采样技术获取滚动轴承同一支撑处互相垂直方向上的振动信号,并将其组成一个复数信号;运用二元经验模态分解(bivariate empirical mode decomposition,BEMD)将复数信号分解成若干复固有模态函数(complex intrinsic mode function, CIMF)之和,应用Hilbert变换解调出CIMFs的实部和虚部包络信号,将实部和虚部的包络信号组成复数形式的包络信号,并用复傅里叶变换求其频谱。依据复数形式的包络信号的傅里叶谱提取滚动轴承的复合故障特征频率,并与全矢谱做了对比分析。复合故障试验案例证明了该方法的可有性和有效性;XJTU-SY滚动轴承数据集的复合故障分析进一步验证了该方法提取的故障特征更为全面。     

基于声音信号的托辊故障诊断方法

为实现对远程带式输送机托辊故障的检测,研发基于声音信号的托辊故障诊断方法。结合远程带式输送机托辊轴承的特性,针对性提出多种分析方法相结合的方案。诊断系统中包括时域检测、快速傅里叶变换(FFT)峰值检测、功率谱检测、小波包分解与重构和希尔伯特(Hilbert)包络分析结合、经验模态值分解(EMD)检测方法,可实现采集数据显示、波形分析和故障诊断。其中,时域检测、快速傅里叶变换峰值检测、功率谱检测可初步判断托辊是否发生故障,经验模态值分解可以预估出带式输送机托辊发生故障的区段,小波包分解与重构和希尔伯特包络分析联合法可进一步提取托辊轴承故障频率,确定轴承发生故障的部位。最后,通过实验验证了基于声音信号的托辊故障诊断方法的有效性。     

改进EMD端点效应电力系统HHT谐波检测研究

为对电力系统谐波进行有效的检测,提出一种改进的基于镜像延拓的方法对信号数据边界进行端点处理。通过对端点和极值点的判断比较来选取镜面进行延拓,按照包络原则对延拓之后的信号进行经验模态分解(EMD),并得到IMF分量。仿真实验结果表明:改进后的方法幅值及频率检测准确度明显优于改进前,能够有效改善EMD端点效应,准确快速地分解出各种模态的谐波,适用于电力系统谐波的检测。     

基于改进EMD和形态滤波的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳性特点,提出一种改进经验模态分解(EMD)和形态滤波相结合来提取故障特征信息的方法。该方法首先在原信号中加入高频谐波并进行EMD分解,减小传统EMD分解中存在的模态混叠现象,然后从高频本征模态分量(IMF)中去除高频谐波得到故障冲击成分,经形态滤波消噪后进行频谱分析,提取出故障特征信息。信号仿真分析该方法的实施过程,并将该方法成功运用于滚动轴承内圈和外圈故障的诊断。实验结果表明该方法能够有效提取滚动轴承故障特征信息,实现故障诊断。     

改进经验小波变换的齿轮箱故障诊断新方法与应用

针对经验小波变换在频谱划分时检测的边界过于集中在频谱中幅值较大频率段的问题,对经验小波变换在频域内利用检测极大值来进行频谱划分的方式进行研究,提出基于频谱趋势的改进型经验小波变换,利用仿真信号和汽车座椅水平驱动器振动信号进行测试。研究结果表明,该方法能够使啮合频率及其谐波与边频带作为一个模态被分解出来。通过对分量信号进行Hilbert变换解调分析,实现对齿轮箱故障的定位。     

经验模态分解理论及其应用

阐述了经验模态分解(EMD)的概念、基本理论及其作为一种数据驱动的时频分析方法,能够根据信号特点自适应地将信号分解成一组具有物理意义的固有模态函数的线性组合,十分适合于非线性、非平稳信号分析的机理,然后综述了一维EMD算法在解决包络拟合、边界效应、模态混叠等关键问题上的研究进展,重点对新兴的多维经验模态分解的发展情况进行了详细论述;介绍了EMD在信号去噪,地球物理、生物医学信号处理,电力工程、机械工程故障诊断方面的主要应用,结合EMD研究中的难点问题,指出了下一步研究的五个重要方向。