EMD端点效应的改进型混沌延拓方法及其在机械故障诊断中的应用

针对经验模态分解(Empirical Mode Decomposition,EMD)的端点效应问题,分析了三次样条插值产生端点效应的机理,指出了现有延拓方法的不足,提出采用Lyapunov指数预测模型进行边界延拓,以此减小端点效应在经验模态分解过程中产生的影响。在采用最大Lyapunov指数法进行边界延拓时,针对Lyapunov指数预测模型所表示的平均发散度仅是轨道演化规律的一个近似模型,提出采用局域发散度代替最大Lyapunov指数进行改进,以改进预测模型的预测精度。基于改进型Lyapunov指数边界延拓方法,由于引入时间序列预测模型使端点处的延拓更加合理,所延拓数据更加趋于真实,在希尔伯特-黄变换（Hilbert-Huang Transform,HHT）实现过程中仅需一次延拓,实现了准确的EMD分解。仿真计算和转子系统故障试验分析结果表明,所用方法可以有效解决EMD的端点效应问题。     

改进的迭代希尔伯特变换及其在滚动轴承故障诊断中的应用

针对现有迭代希尔伯特变换（IHT）存在端点效应和滤波器设计主要依靠先验知识,提出了一种改进的IHT方法用于机械故障诊断。分析了IHT方法中端点效应的原因,提出了基于对称延拓信号的方法来消除端点效应的影响。同时,提出了一种自适应的零相位滤波器取代原方法中的固定滤波器。将改进后的IHT方法和原方法进行仿真对比分析,证实了该方法的解调精度更高,并有效地抑制了端点效应。最后,利用改进的IHT方法进行轴承故障诊断试验,结果表明该方法具有更好解调的效果,能够更准确地提取外圈故障特征。     

EMD降噪和谱峭度法在滚动轴承早期故障诊断中的应用

共振解调是滚动轴承故障诊断中最常用的方法之一,然而其带通滤波器参数的选取通常比较困难。谱峭度法能根据峭度最大化原则自动确定带通滤波器参数,取得了一定的诊断效果,但由于滚动轴承的早期故障信号中含有强烈的背景噪声,诊断效果有时也不够明显。为此,提出一种基于EMD降噪和谱峭度法的滚动轴承早期故障诊断新方法,首先采用基于互相关系数和峭度准则的EMD降噪对采样信号进行预处理,突出高频共振成分,再利用谱峭度法选取最佳带通滤波器参数,最后使用带通滤波和包络解调进行故障诊断,并通过实际工程信号进行了验证。     

基于EMD和分形盒维数的旋转机械耦合故障诊断方法研究

针对旋转机械耦合故障的诊断问题,提出一种基于EMD（Empirical Mode Decomposition）和分形盒维数的诊断方法。该方法结合EMD对非线性信号处理的自适应性和分形盒维数能对非线性行为定量描述的特点,先对故障信号进行EMD处理,得到含有故障特征的本征模式函数(Intrinsic Mode Function,简称IMF),然后求出各IMF的盒维数,通过盒维数的比较分析进行故障诊断。构造了含有裂纹-碰摩-松动耦合故障的转子-轴承系统动力学模型,用龙格库塔法求出故障模型振动信号。通过对耦合故障信号进行分析,得到耦合故障特征向量,并与传统的边界谱诊断方法比较,证明该方法对旋转机械耦合故障诊断的有效性和优越性。     

基于EMD的多尺度形态学解调方法及其在机械故障诊断中的应用

为从机械故障信号中提取包含故障信息的特征频率,提出了基于EMD的多尺度形态学解调方法,该方法首先采用EMD方法将故障信号分解为有限个IMF分量,从中选取包含故障主要信息的IMF分量求和重构信号,再进行多尺度形态学解调,从而提取机械故障特征频率信息。将该方法用于滚动轴承、齿轮的故障诊断中,并与Hilbert包络方法比较,结果表明该方法能更好地提取故障特征频率,且对含噪故障信号也有较好的分析效果。     

一种基于本征波匹配的EMD边界处理方法

希尔伯特-黄变换(Hilbert-Huang Transform,简称HHT)是上世纪末出现的一种处理非线性非平稳信号的新方法 ,EMD边界处理是其中的关键技术之一。着重介绍了一种基于本征波匹配的EMD边界处理方法——本证波匹配预测法,特别是介绍了将该方法和其他两种有代表性的EMD边界处理方法应用于仿真信号和和实测信号的算例对比,从而验证了本证波匹配预测法的先进性。本文工作使得相关研究得到较大程度地深化和完善。     

EMD改进方法研究及其在燃气轮机工频特征提取中的应用

为抑制经验模态分解(empirical mode decomposition,EMD)处理过程中的端点效应,在整理和研究现有方法的基础上,提出一种镜像延拓和极值平移相结合的端点处理方法,在最大程度地融合两种传统方法优点的同时尽可能地还原信号边界特征。该方法通过构造特征平行四边形使延拓极值处于理想区域,从而避免三次样条差值过程中包络线与信号交叉的产生,并引入Blackman窗函数对延拓信号进行边界处理,进而有效地控制延拓误差影响。经过仿真信号验证与实测信号分析,对比镜像延拓、极值平移与加窗边界处理方法的端点抑制效果,证明该改进方法能有效地抑制分解过程中出现的端点效应,并能在高频噪声干扰下较完整地提取低频信息,为燃气轮机工频特征的获取提供可靠的保证。     

PDE信号修补方法及在EMD端点效应处理中的应用

根据信号的连续性、光滑性等特性,可以利用已有相邻信号实现对缺陷信号的修补。分析了热传导方程的物理特性;提出了基于偏微分方程（PDE）的信号修补方法。分析了线性PDE修补和非线性PDE修补方法的基本原理。经验模态分解（EMD）过程中因存在着端点效应问题,使得EMD分解结果产生失真,从而导致分解无效。利用PDE信号修补的基本原理,实现了基于PDE的端点扩展方法。实验表明,PDE信号修补方法具有较好的修补效果,基于这一方法的端点扩展,可处理较长时间信号,且处理之后的信号畸变少     

基于均生函数周期叠加外推法的EMD端点问题的研究

HHT过程存在端点效应问题,针对端点效应的产生机理,并在研究现有端点效应处理方法的基础上,提出了一种基于均生函数周期叠加外推法的端点延拓方法。通过构造信号序列的均生函数延拓矩阵,从中提取优势周期,将各周期叠加并作外延,来对信号端点外的数据进行预测。该方法克服了现有各种极值延拓方法仅参考两端点附近的有限个极值点的缺陷,并且相比其它数据预测延拓方法精度更高、算法简便且计算时间大大缩短。仿真和实例信号证明,该方法能够有效抑制端点效应。     

旋转机械故障诊断的图形识别方法研究

以旋转机械振动三维参数图形为研究对象,提出了基于图形识别技术的旋转机械故障诊断方法。该方法用表征纹理的统计法、结构法及图形纹理方向的梯度法形成描述图形纹理特征的灰度-梯度-基元三维共生矩阵。该矩阵精确地反映了图形纹理的粗糙程度、重复方向和空间复杂度及纹理方向,准确地描述了图形灰度空间分布特性(概率)、空间统计相关性和图形内各像素点梯度的分布规律。描述了灰度统计和空间结构的纹理特征,有效地提取旋转机械状态参数图形中纹理特征信息。最后,利用RBF人工神经网络实现旋转机械故障诊断。在汽轮机转子试验台上进行了6种状态试验研究,诊断结果表明该方法具有较高的诊断准确率,为旋转机械故障诊断探索了一条新路。     

改进的HHT方法及其在旋转机械故障诊断中的应用

针对希尔伯特-黄变换(Hilbert-Huang Transform,HHT)方法中存在的模态混叠和虚假固有模态函数(Intrinsic Mode Function,IMF)问题,提出一种基于总体包络均值经验模态分解(Ensemble Envelop Mean Empirical Mode Decomposition,EEMEMD)和虚假模态函数剔除算法相结合的改进HHT方法。该方法利用EEMEMD可准确反映加噪后信号的自身变化,一定程度上中和残留在各模态分量间的噪声,获得无模式混淆的较纯净的IMF分量。同时,通过基于归一化能量熵值的虚假模态函数剔除算法可有效剔除噪声干扰成分和迭代误差分量,从而提高信号特征提取的准确性。通过仿真分析和转子不对中故障诊断的工程实例表明,改进HHT方法能够较好地抑制模态混叠问题并有效剔除同故障无相关的虚假IMF,实现对旋转机械故障的有效诊断。     

基于延拓与可变余弦窗的经验模态分解改进算法研究

针对经验模态分解(Empirical Mode Decomposition,EMD)中存在的边界效应及边界发散现象随着筛选层次的增加而增加的问题,提出一种利用延拓与可变余弦窗相结合的改进新方法。首先对信号进行延拓处理,增加一定长度的数据,实现延拓数据与原始信号交界处的光滑过度。其次,根据信号边界的发散程度,在逐层提取各阶本征模函数（Intrinsic Model Function,IMF）之前,在信号两端加上宽度可变的余弦窗函数,使得每一个IMF分量边界发散问题最小化,保证信号有效数据的正确分解,实现EMD边界处理算法的改进。仿真和实例信号分析表明,该方法能较好地抑制EMD边界效应,有效地提取故障信号中的特征信息。     

一种改进的DDTFA方法及其在齿轮箱故障诊断中的应用

针对数据驱动时频分析(DDTFA)方法的初始相位函数选取问题,提出一种可准确、快速且自适应优选初始相位函数的改进DDTFA方法。引入数学中函数求极值的思想,将信号的初始相位函数选取问题转换为初始解集的连续寻优问题,通过对DDTFA中的高斯牛顿迭代算法进行精简,以初始解集中的初始相位函数迭代一次斜率的变化量为导数获得初始解集的连续导数集,进而求得局部极大值,并以局部极大值对应信号分量的能量最强为准则优选信号的初始相位函数,进而完成信号分解。仿真分析与齿轮箱故障诊断实例表明,该方法可准确、快速且自适应地优选初始相位函数,并有效提取故障特征,且具有一定抗噪性。     

基于改进EMD与形态滤波的齿轮故障特征提取

针对齿轮故障特征往往被强背景噪声淹没的问题,提出一种改进EMD与形态滤波相结合的齿轮故障特征提取新方法。首先采用开－闭、闭－开级联而成的组合形态滤波器对原始故障信号进行消噪处理,然后通过EMD方法将包含在齿轮故障信号中的各个频率族信号分离,再采用互信息方法消除传统EMD分解结果中包含的虚假分量,最后利用分解得到的各阶固有模态函数为单一分量调制信号的特点,通过差值形态滤波的方式对分量信号进行解调以提取故障特征。齿轮故障实验信号的研究结果表明：该方法可有效的提取齿轮故障特征信息并抑制噪声,而且能够取得比传统包络解调分析更好的效果。     

基于KD-DenseNet的旋转机械故障诊断模型

针对传统旋转机械故障诊断算法在复杂多变的工况下,缺乏良好的自适应与泛化性的问题。提出了基于DenseNet的卷积核dropout(KD)智能故障诊断模型KD-DenseNet。将各类故障状态的原始振动信号进行重叠分段预处理,并将预处理得到的数据作为KD-DenseNet的输入进行训练,使用训练得到的模型对不同工况下的振动信号进行自适应特征提取与分类,并将dropout应用于卷积核中以提高模型对振动信号的处理速度及抗干扰性,最终得到故障类型判定结果。KD-DenseNet的应用避免了梯度弥散现象,提高了有效特征的提取效率,解决了传统特征提取方法中无法有效挖掘特征、无法自适应于任务进行调整等问题。     

相关向量机及其在机械故障诊断中的应用研究进展

相关向量机是一种基于贝叶斯稀疏理论的新型机器学习算法,近年来被应用于多个行业,并得到了国内外学者的不断关注和研究,然而在机械故障诊断领域还未得到足够的重视。简述了相关向量机的特点,通过与支持向量机相比较,阐述了相关向量机的优缺点,综述和分析了近年来相关向量机的国内外研究现状,重点关注相关向量机在机械设备状态监测与故障诊断领域的研究进展。在此基础上,分析了相关向量机研究所存在的一些问题,并展望了相关向量机在机械故障诊断领域应用的未来方向。     

解相关多频率经验模态分解的故障诊断性能优化方法

针对故障诊断中采用EMD方法存在模态混叠现象,引起故障特征提取精度低的问题。提出了一种解相关多频率经验模态分解(Decorrelation Multiple-Frequency Empirical Mode Decomposition,DMFEMD)方法,首先对初始信号添加多个频率的掩蔽信号,初步分解其中不同频率比的信号分量得到多个IMF分量;其次计算相邻IMF之间的相关系数并对其解耦,进一步分离IMF中存在混叠的部分,得到最优IMF;最终,从原始信号中减去最优IMF,然后重复上述步骤,直到残余分量为常数或单调。由于保证了IMF之间互不相关且互不干扰,因此模态混叠现象显著减弱,有效提高故障特征提取精度。利用排列熵算法对一系列最优IMF构造特征样本集,引入SVM建立故障分类模型,实现设备故障诊断。通过试验证明,DMFEMD与传统的方法相比,能有效分离不同频率比混合信号,提高分解效果。同时以轴承振动信号为例,DMFEMD可以更好的提取轴承的故障特征,结合PE与SVM能够实现不同故障类型的高效精确的诊断。