峭度准则EMD与空域相关结合的滚动轴承故障特征提取

针对滚动轴承故障信号非线性、非平稳的特点,提出一种经验模态分解(Empirical Mode Decomposition,EMD)与空域相关相结合的信号特征提取方法。首先,利用EMD方法将振动信号分解成若干个固有模态分量(Intrinsic Mode Function,IMF);然后采用峭度准则选取能够反应故障特征的IMF分量进行重构,再对重构信号运用空域相关法进行降噪;最后将处理后的振动信号进行Hilbert包络谱分析,提取出轴承的故障特征。采用所建立的方法分析轴承外圈故障的实验数据。结果表明,峭度准则EMD与空域相关相结合的方法能够对振动信号进行降噪处理并有效地提取出轴承外圈故障特征频率。     

基于内禀模态符号熵的滚动轴承故障分析

经验模态分解(EMD)方法是一种自适应的局部化分析方法。首先采用EMD方法将滚动轴承振动信号分解为若干个内禀模态(IMF)分量,IMF分量是根据频率由高到低进行分解的。EMD分解得到的IMF分量突出了信号的局部特征,而轴承的故障特征通常在前几个IMF分量中集中体现出来。在此基础上将含有轴承故障特性的IMF分量转化为符号序列,再根据符号序列Shannon熵方法计算其熵值。由实测数据计算表明,内禀模态符号熵能够反映轴承不同的故障特征。     

EMD方法在转子局部碰摩故障诊断中的应用

针对转子系统局部碰摩故障振动信号的特征，将经验模态分解方法（Empirical Mode Decomposition，简称EMD）应用于转子局部碰摩故障诊断中。采用EMD方法对转子振动信号进行分解，实现碰摩、背景和噪声信号分离，从而提取转子系统局部碰摩振动信号的故障特征。试验分析结果表明，对具有局部碰摩故障的转子振动信号进行EMD分解得到的基本模式分量（IMF）具有明显的调幅特性，而其他状态下的转子振动信号经过EMD分解后得到的IMF分量没有明显的调幅特性。因此，EMD方法可以有效地应用于转子系统局部碰摩故障诊断中。     

基于IMF能量矩和神经网络的轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征,提出了一种本征模函数(Intrinsic Mode Function,简称IMF)能量矩的特征向量提取法,并与BP神经网络相结合用于滚动轴承的故障诊断.该方法首先利用经验模态分解(Em-pirical Mode Decomposition,简称EMD)方法.把振动信号分解为若干个IMF,再将重要的IMF分量作基于时间轴的积分,得到IMF能量矩特征向量,最后借助BP神经网络的分类能力对特征向量进行分类.对滚动轴承的正常状态、外圈故障、滚动体故障和外圈故障信号的分析结果表明,该方法能够准确、有效地识别这些故障.     

基于EMD和Hilbert分析的汽车主减速器齿面损伤检测研究

汽车主减速器为汽车传动系统的重要环节,对其质量检测显得尤其重要。针对主减速准双曲面齿轮啮合振动进行建模,分析了故障齿轮啮合的振动响应规律。利用Hilbert变换解调分析和经验模态分解(Empirical Mode Decomposition,EMD)方法,对齿轮振动信号进行EMD分解,然后对固有模态函数(Intrinsic Mode Function,IMF)分量进行包络谱分析,分析判断齿轮可能的故障类型。实验数据表明,该方法在汽车主减速器的生产质量控制方面是有效可行的。     

关联维数和基于内禀模态函数的AR模型在滚动轴承故障诊断中的应用

提出一种基于内禀模态函数(Intrinsic Mode Function,IMF)、自回归(Auto-Regressive,AR)模型和关联维数的滚动轴承故障诊断方法.该方法首先采用经验模态分解(Empirical Mode Decomposition,EMD)将滚动轴承振动信号分解成若干个IMF,然后对包含主要故障信息的IMF分量建立AR模型,计算AR模型自回归参数的关联维数,并以关联维数作为特征向量输入神经网络分类器,最后通过网络的输出结果来识别轴承的工作状态和故障类型.对实验数据的分析结果表明,该方法能有效地应用于滚动轴承的故障诊断.     

基于EMD/HHT的齿轮箱齿轮不对中故障信号分析

研究了经验模态分解(简称EMD)技术在齿轮箱故障诊断中的应用,并详细论述了EMD原理,对齿轮故障振动信号(简称故障信号)进行EMD,获取固有模态函数(简称IMF)分量,并通过HHT(Hilbert-Huang)变换,对IMF分量进行解调,对解调信号进行频谱分析,提取故障特征频率。研究结果表明,EMD方法能够有效降低信号的噪声,提高信噪比,突出信号的故障特征。     

基于EMD和信息熵的滚动轴承故障诊断

提出了一种基于EMD和信息熵的滚动轴承故障诊断方法。利用EMD将滚动轴承振动信号分解为多个IMF分量,计算各个IMF分量的信息熵,设定有效的熵阈值来取舍IMF分量,利用保留的IMF分量重构信号,并对重构信号进行Hilbert包络谱分析,提取滚动轴承故障特征频率。对实测滚动轴承振动信号分析表明,该方法能有效提取滚动轴承的故障特征频率。     

改进WMRA在滚动轴承故障诊断研究中的应用

针对滚动轴承初期故障诊断时故障特征信号微弱,且传统的包络谱分析方法需要预先依靠经验确定出分析频段的问题,提出了基于经验模态分解(EMD)和改进的小波多分辨率分析(WMRA)的诊断方法。首先通过对滚动轴承故障振动信号进行EMD分解,利用峭度系数和振动固有频率特征参数对分解后的本征模态函数(IMF)分量进行了分类,筛选出了最佳IMF分量,然后通过希尔伯特变换(HT)计算得到了所选IMF分量的包络信号,最后利用改进后的WMRA对包络信号进行了重构,所得到的包络谱明显地突出了故障特征频率。实验结果表明:相比单独的EMD或传统的WMRA,该方法有效地提高了信号分析的准确性。     

拟合故障振动信号模型实现滚动轴承故障诊断

针对传统故障诊断流程的缺点,提出通过拟合故障振动信号模型实现滚动轴承故障诊断,并在风力发电机组齿轮箱故障诊断中验证了有效性和实用性。首先根据滚动轴承发生故障时振动信号的特点,提出故障振动信号模型,然后通过遗传算法对该模型做数据拟合,拟合数据来自EMD(Empirical Mode Decomposition)方法对原始振动信号分解所得IMF(Intrinsic Mode Function)分量,最后将拟合结果和轴承各部件的故障特征频率作对比,可知损伤点所在部位。通过仿真、实验和现场信号的分析,验证了可通过拟合故障振动信号模型实现故障部位的准确诊断。     

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。     

IMF能量和RBF神经网络相结合在滚动轴承故障诊断中的应用研究

针对滚动轴承的故障特点,提出了一种将IMF能量与RBF神经网络相结合的方法用于故障诊断.该方法首先利用经验模态分解(EMD)方法,把振动信号分解为若干个IMF分量,再用重要的IMF分量求得IMF能量特征向量,最后将特征向量输入RBF神经网络进行故障模式分类.通过对滚动轴承的正常状态、内圈故障、滚动体故障和外圈故障信号的分析结果表明,该方法能够准确、有效地识别这些故障.     

HHT与Elman神经网络在离心泵故障振动信号处理中的应用

提出了一种Hilbert-Huang变换(HHT)和Elman神经网络相结合的离心泵振动信号故障诊断新方法.首先,将离心泵振动信号时间序列数据经验模态分解(Empirical Mode Decomposition,简称EMD),然后经过Hilbert-Huang变换获得各模态(Intrinsic Mode Functions,简称IMF)的能量,并以"能量比"为元素,构造离心泵振动信号的特征向量,根据Elman神经网络模型能够逼近任意非线性函数的特点和具有反映系统动态特性的能力,利用Elman神经网络模型实现离心泵故障的诊断.实验研究结果表明该方法对离心泵振动信号故障具有很高的诊断率.     

EMD和SOM神经网络在燃气发动机故障诊断中的应用

提出了EMD和SOM神经网络相结合的燃气发动机故障诊断方法。将燃气发动机振动信号进行EMD分解,提取前几个IMF分量的能量构成故障诊断的特征向量,输入SOM网络进行聚类,再将测试样本输入训练好的网络模型进行故障识别,网络输出结果采用U矩阵图法进行显示。对燃气发动机正常、气门间隙大、排气阀漏气3种状态的信号分析结果表明,该方法可以有效地提取非平稳信号的故障特征,网络模型结构简单,对大数据量样本的聚类与识别准确率高,输出结果清晰、直观、可视性强,该方法为燃气发动机故障诊断提供了新的途径。     

基于改进EMD与PNN的汽轮机通流部分故障诊断

根据热力参数非线性、非稳态的特点,提出了一种基于改进的经验模态分解(empirical mode decomposition,简称EMD)算法与概率神经网络(probabilistic neural network,简称PNN)的汽轮机通流部分故障诊断新方法。该方法针对EMD存在的端点效应问题,采取基于波形相似度的镜像延拓法进行改进,以得到更准确、更真实的本征模函数(intrinsic mode function,简称IMF)分量,从而有效提取了故障特征信息,并通过PNN训练判别汽轮机通流部分故障类型。以某电厂600MW火电机组实时运行数据为基础进行仿真实验,结果表明,基于改进EMD与PNN的汽轮机通流部分诊断方法能够快速准确地判别汽轮机通流部分的故障类型,其准确率明显高于基于EMD与PNN的故障诊断方法。     

利用倒阶次谱和经验模态分解的轴承故障诊断

针对齿轮箱升降速过程中振动信号非平稳的特点,将阶次跟踪分析与希尔波特-黄变换技术相结合,提出了基于倒阶次谱和经验模态分解的滚动轴承故障诊断方法.首先,对齿轮箱加速时测得的瞬态信号进行时域采样,对时域信号进行等角度重采样,转化为角域伪平稳信号,然后对角域信号进行经验模态分解.最后,对包含轴承故障信息的高频固有模态函数进行倒阶次谱分析,就可以提取轴承的故障特征.通过对轴承内圈和外圈故障信号的分析表明,该方法能准确识别轴承的故障类型和部位.     

基于EMD和分形维数的转子系统故障诊断

提出了一种基于EMD方法和分形维数的转子系统故障诊断方法。利用EMD方法将转子振动信号进行分解,得到若干个基本模式分量,然后将包含主要故障信息的几个基本模式分量相加得到降噪后的转子振动信号,求得降噪后的转子振动信号的分形维数。试验数据的分析结果表明,在不同的故障状态下,采用EMD方法对转子振动信号降噪后求得的分形维数是不同的,从而可以通过分形维数的大小有效地判断转子系统的工作状态和故障类型。     

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。     

基于多元经验模态分解互近似熵及GG聚类的轴承故障诊断

提出了一种基于多元经验模态分解（Multi-EMD）、互近似熵和GG聚类的滚动故障轴承诊断方法。首先,将振动信号进行多元经验模态分解,得到若干个内禀模态函数（IMF）分量和一个趋势项。然后,将IMF分量分别与原始信号进行相关性分析,筛选出前7个含主要特征信息的IMF分量,并将筛选的IMF分量的互近似熵作为特征向量。最后,将特征向量输入到GG模糊分类器中进行聚类识别。通过聚类三维图,对两种算法机械运行的4种状态进行了对比,验证了多元经验模态分解方法不仅可解决采样的不均衡问题,而且可解决EMD算法聚类的混叠问题。