基于SVD降噪的机械振动信号经验模式分解及其应用

提出了1种基于奇异值分解降噪的振动信号经验模式分解方法,利用该法对原始振动信号进行相空间重构和奇异值分解,并根据奇异值降噪,再利用经验模式分解法提取降噪后振动信号的基本模式分量,对滤波前和滤波后振动信号进行经验模式分解分析。分析结果表明：奇异值分解能有效地提高信噪比,突出原始振动信号的特征,使降噪后振动信号分解出的基本模式分量具有更明确的物理意义,有利于对柴油机进行精确诊断。     

混沌时间序列的一种降噪算法

基于奇异谱分析的基本思想 ,提出了一种降低混沌信号中噪声的算法。对一个混沌时间序列进行奇异谱分析 ,得到各个主分量和经验正交函数 ,选择合适的阶次重构信号 ,即可得到降噪后的混沌时间序列。数值仿真证实了本算法的有效性     

基于PCA和LMD分解的滚动轴承故障特征提取方法

局部均值分解(LMD)是一种自适应时频分析方法,并在轴承的故障诊断中成功应用,但是受噪声的影响比较大。为了最大程度地降低噪声的干扰,提出了主分量分析(PCA)与局部均值分解(LMD)相结合的故障诊断方法。该方法首先利用相空间重构将一维时间序列振动信号嵌入为等效的多维时间序列信号,然后利用主分量分析提取主要成分实现降噪,最后把降噪之后的信号进行LMD分解,分解成若干个乘积函数(PF)之和,对能量最高的PF1进行包络谱分析,提取出故障特征信息。通过仿真试验和轴承故障试验,结果表明该方法能够有效地提取出信号的故障特征,证明了该方法的有效性。     

IVMD融合奇异值差分谱的滚动轴承早期故障诊断

针对滚动轴承早期故障阶段存在特征信号微弱、故障识别相对困难的问题,提出了融合改进变分模态分解和奇异值差分谱的诊断方法。原始信号经改进变分模态分解方法处理后,被分解为若干本征模态函数分量,利用包络谱稀疏度指标筛选出最佳分量构造Hankel矩阵并进行奇异值分解,求取奇异值差分谱后,根据差分谱中的突变点重构信号,最终通过分析信号的包络谱可判断轴承的故障类型。利用改进变分模态分解融合奇异值差分谱的方法对轴承故障模拟及实测信号进行分析,均成功提取出微弱特征信息,能够实现滚动轴承早期故障的有效判别,具有一定的可靠性和应用价值。     

基于时序分析的经验模式分解法及其应用

经验模式分解方法可以将非线性非平稳信号分解为有限的固有模式函数,在故障诊断中这个固有模式函数常常就是故障信号。但当两侧端点不为极值点时,会造成三次样条拟合的极值包络线大大偏离实际值,并且随着分解的不断进行向内“污染”。提出采用时间序列建模与预测方法,对原信号两端点进行预测,有效地消除了端点效应。指出经验模式分解具有分解的自适应性特点。最后,给出了齿轮箱振动信号的应用实例。     

VMD和奇异差分谱在齿轮早期故障诊断中的应用

针对齿轮故障振动信号的多分量、多频率调制特性且早期故障振动信号信噪比低,故障特征微弱难以提取的问题,提出了基于变分模态分解(Variational Mode Decomposition,VMD)和奇异值差分谱的故障诊断方法。首先对采集到的齿轮故障振动信号进行VMD分解,得到一系列窄带本征模态分量(band-limited intrinsic mode functions,BLIMFS),由于噪声的干扰,从各个模态分量的频谱中很难对故障做出正确的判断;然后根据相关系数准则,选取与原始信号相关系数较大的分量构建Hankel矩阵并进行奇异值分解,求取奇异值差分谱,从差分谱中确定重构信号的有效阶次对信号进行降噪处理;最后对降噪处理后的信号进行Hilbert包络谱分析,即可从中准确地识别出齿轮的故障特征频率。仿真信号和齿轮箱齿轮故障模拟实验结果表明,该方法能够有效地降低噪声的影响,准确地提取到齿轮微弱的故障特征信息。     

基于Hilbert谱奇异值的轴承故障诊断

针对机械故障振动信号时频特征提取问题,提出一种基于Hilbert谱奇异值的特征提取方法,并将其应用于轴承故障诊断。该方法首先利用经验模式分解方法将振动信号分解为若干个内蕴模式函数之和,接着对每个内蕴模式函数进行Hilbert变换得到振动信号的Hilbert谱,然后对Hilbert谱进行奇异值分解,得到反映机械状态特征的奇异值序列,最后利用奇异值作为特征向量,使用支持向量机进行轴承故障诊断。轴承正常、内圈故障、滚动体故障、外圈故障实测信号实验结果表明,该方法能有效地提取轴承故障振动信号特征。

     

基于MRSVD-SVD与VPMCD的交叉滚子轴承故障诊断研究

针对奇异值分解(SVD)提取工业机器人交叉滚子轴承振动信号微弱故障特征分量时,出现奇异值分辨率不足的问题,提出了一种基于最大分辨率奇异值分解(MRSVD)-奇异值分解(SVD)与变量预测模型模式识别(VPMCD)的工业机器人交叉滚子轴承的故障诊断方法。首先,以最大奇异值分辨率原则将一维振动信号构造成了Hankel矩阵,采用奇异值分解方法对Hankel矩阵进行了分解,得到了其奇异值序列,根据奇异值曲率谱理论选择有效奇异值,并进行了重构,得到了经降噪后的高信噪比信号,以重构信号构建了相空间矩阵,进行了二次奇异值分解,得到了其故障特征分量;然后,计算了故障特征分量的特征参数,构建了其特征向量;最后,采用了VPMCD分析了特征向量,完成了对交叉滚子轴承故障类型的识别,并与其它方法进行了识别准确率对比。研究结果表明：采用该方法对工业机器人交叉滚子轴承进行故障诊断,得到的故障类型识别准确率为98.66%,比SVD与共振解调相结合方法提高了9%;该方法通过构建最大奇异值分辨率矩阵提高了奇异值分辨率,可完整提取出工业机器人交叉滚子轴承振动信号的微弱故障特征分量,获得了更高的故障类型识别准确率。     

基于 E-S 方法的齿轮系故障信号辨识技术研究

针对齿轮系早期故障信号弱,特征不明显的问题,提出一种基于经验模态分解（EMD）与奇异谱分析（SSA）相结合的故障特征信号辨识方法。通过对信号分解和特征筛选,重组轨道矩阵,实现对不同特征信息的提取和识别。试验表明该方法不仅有效提取出了系统的故障特征信息,而且实现了对系统状态和微弱故障信息的有效识别。     

基于改进EEMD的滚动轴承故障诊断研究

滚动轴承的故障信号具有非平稳性、非线性等特点,在经验模态分解过程中会出现模式混叠现象。集合经验模态分解算法(EEMD)是在原始信号中引入随机高斯白噪声序列,改变信号的局部时间跨度,可以有效抑制常规经验模态分解过程中产生的模式混叠现象。在研究EEMD原理的基础上,引入白噪声的幅值标准差准则来选择EEMD参数,并且对分解得到的所有的固有模态函数(IMF)分量通过相关系数法提取有效本征模态分量,再对提取的有效本征模态函数分量阀值处理后进行重构。通过Hilbert变换对重构信号进行包络谱分析,提取滚动轴承的故障特征。轴承故障信号实验结果表明,EEMD方法可以有效应用于滚动轴承的故障诊断中。     

基于奇异值分解和局域均值分解的滚动轴承故障特征提取方法

针对随机噪声干扰滚动轴承故障特征信号提取这一问题,提出一种基于奇异值分解(Singular value decomposition,SVD)滤波降噪与局域均值分解(Local mean decomposition,LMD)相结合的故障特征提取方法。该方法首先对原始振动信号在相空间重构Hankel矩阵并利用SVD方法进行降噪处理,再对降噪后的信号进行LMD分解,将多分量的调制信号分解成一系列生产函数(Product function,PF)之和,最后结合共振解调技术对PF分量进行包络谱分析提取故障特征频率。通过数值仿真和实际轴承故障数据的分析对比,表明该方法提高了LMD的分解能力,可有效辨别出滚动轴承实测信号的典型故障,提高滚动轴承故障的诊断效果。     

基于改进LMD与小波包降噪对故障弱信号的提取

针对微弱故障信号易被强噪声淹没的难题,提出了一种基于小波包降噪与改进LMD相结合的提取微弱信号特征向量的方法。首先选择恰当的小波基进行小波包分解,再根据计算出的最优小波包树进行信号重构,实现对原始信号的降噪处理。然后对重构的信号进行LMD分解,再计算PF分量的互相关系数和峭度值,减少虚假分量同时增强故障信号幅值。最后对真实的PF分量进行包络谱分析,提取弱信号的故障特征。实例研究结果表明:该方法能够有效地提取出淹没在强噪声中的故障弱信号的特征向量。     

基于中值滤波-SVD和EMD的声发射信号特征提取

针对随机噪声和脉冲干扰对经验模态分解(EMD)质量的影响,提出中值滤波和奇异值分解(SVD)联合降噪方法,并将其与EMD分解相结合形成一种新的声发射(AE)信号特征提取方法.首先对原始AE信号进行中值滤波,去除幅值较大的异常值;其次对去除异常值的信号序列进行相空间重构和SVD分解,并针对难以确定重构阶数这一问题,提出奇异值能量差分谱概念,利用谱峰的较大值位置来确定重构阶数,以进一步降噪;最后对降噪信号进行EMD分解,以本征模态函数(IMF)的能量占比作为表征各损伤信号的特征向量.数值仿真和5层胶合板损伤的实测数据表明,该方法不仅能够滤除噪声干扰,提高EMD分解的时效性和准确性,而且能够有效地提取出胶合板AE信号特征,对其损伤类型进行有效地识别.     

EMD辅助相关系数SVD的单向阀故障诊断

单向阀是往复式高压隔膜泵的关键部件,其故障振动信号常遭受强噪声污染,导致故障特征难以检测。针对这一问题,提出一种经验模态分解(EMD)辅助相关系数奇异值分解(SVD)的单向阀故障诊断方法。该方法首先将单向阀振动信号进行EMD分解,并将分解得到的本征模态函数(IMF)进行重构;然后将重构信号输入到相关系数SVD系统中进行二次分解,并用相关系数法筛选出包含故障特征信息的分量信号;最后对有效分量信号进行希尔伯特包络谱分析,实现单向阀故障诊断。仿真结果表明,提出方法解决了强噪声背景下故障特征提取困难的问题;实测数据表明,该方法能够有效检测出单向阀故障。     

基于DEMD的高压隔膜泵单向阀早期故障诊断

针对高压隔膜泵单向阀的早期故障特征提取困难的问题,提出基于微分经验模态分解(differential empirical mode decomposition,简称DEMD)的高压隔膜泵单向阀早期故障诊断方法。首先,对振动信号进行微分运算,提高高频成分的振幅比,使微弱高频成分在后续分解中更易提取;其次,对得到的新信号进行经验模态分解(empirical mode decomposition,简称EMD),并将分解后的本征模函数(intrinsic mode function,简称IMF)分量信号进行积分还原;最后,计算分量信号与原振动信号的Kullback-Leibler散度(Kullback-Leibler divergence,简称K-L散度)值,选取K-L散度值较小的分量信号进行重构,并利用Hilbert边际谱对重构信号进行瞬时频谱分析,以提取故障振动信号的特征。仿真与工程实验分析表明,该方法能够较好地提取出单向阀早期故障特征信息。     

基于EEMD与奇异熵增量谱的齿轮故障特征提取

针对齿轮振动信号非线性、非平稳的特点,提出一种基于集合经验模态分解(EEMD)与奇异熵增量谱的齿轮故障特征提取方法。首先,利用EEMD方法将齿轮振动信号分解为若干个平稳的本征模态函数(IMF)分量。EEMD方法利用正态分布白噪声的二进尺度分解特性,能够有效抑制经验模态分解(EMD)中的模态混叠现象。但由于背景噪声和残余辅助白噪声的影响,EEMD分解得到的IMF分量难以准确提取齿轮故障特征。利用奇异值分解(SVD)对IMF分量进行消噪和重构,根据奇异熵增量谱确定重构阶次,准确地提取齿轮的故障特征频率。仿真信号分析和齿轮箱齿轮故障实验验证了该方法的准确性和有效性。     

聚类奇异谱分解方法及其在机械复合故障诊断中的应用

针对奇异谱分解(Singular Spectrum Decomposition,简称SSD)方法在重构奇异谱分量(Singular Spectrum Component,简称SSC)时的不足,结合聚类理论,提出了聚类奇异谱分解(Clustering Singular Spectrum Decomposition,简称CSSD)方法。该方法首先对时间序列数据构造轨迹矩阵;然后通过奇异值分解获得若干奇异值向量矩阵和特征值矩阵;接着利用对角平均化得到初始单分量;最后采用层次聚类方法计算任意两个初始单分量之间的相似度,并完成单分量的重构获得聚类奇异谱分量(Clustering Singular Spectrum Component,简称CSSC)。通过仿真信号和机械复合故障信号的分析结果表明,相比较于SSD方法,CSSD方法具有优越的分解性能并可以有效地提取出机械复合故障的特征。     

基于傅里叶分解与1.5维Teager能量谱的滚动轴承故障诊断方法

针对强背景噪声下滚动轴承微弱故障特征难以提取的特点,提出了基于傅里叶分解(FDM)与1.5维Teager能量谱的滚动轴承故障诊断方法。首先利用傅里叶分解的自适应性特点,将故障信号分解为若干个瞬时频率具有物理意义的固有频带函数,然后利用自相关系数法筛选固有频带函数进行信号重构,对重构后的信号求解1.5维Teager能量谱,从而得到故障特征频率,进行故障诊断。仿真结果表明,与传统的包络谱分析相比,该方法的故障特征更加明显,效果更好。最后将该方法成功地应用到实际的滚动轴承故障诊断中,进一步验证了该方法的有效性。     

综合改进奇异谱分解和奇异值分解的齿轮故障特征提取方法

针对齿轮故障特征微弱,在强背景噪声下难以有效提取的问题,提出了一种改进奇异谱分解（ISSD）结合奇异值分解（SVD）的齿轮故障特征提取方法。针对奇异谱分解（SSD）算法中模态参数需凭经验选取的缺陷,基于散布熵优化算法对SSD算法进行了改进,在得到既定的一组奇异谱分量的基础上,根据峭度值最大准则筛选出了最佳奇异谱分量并进行了SVD处理,采用奇异值能量标准谱自适应地确定了信号重构阶数以还原信号和提高降噪效果。最后对信号进行包络解调以提取齿轮故障特征,将所提方法运用到仿真信号和齿轮实测信号中,并同传统包络谱、SSD包络谱以及经验模态分解结合SVD(EMD-SVD)方法进行了对比分析,结果表明,所提方法的降噪和特征提取效果更佳,能够更加有效地实现齿轮故障的判别。     

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。