基于SVD-SGWT和IMF能量熵增量的液压故障特征提取

针对随机噪声和虚假分量影响总体平均经验模态分解(EEMD)分解质量问题,提出基于奇异值分解(SVD)和第二代小波变换(SGWT)联合降噪预处理和本征模态分量(IMF)能量熵增量剔除虚假分量的改进EEMD方法。该方法首先对原始信号进行第二代小波变换,利用SVD对SGWT得到的高频系数进行降噪处理,克服了软、硬阈值法降噪的缺陷。然后对消噪处理的信号进行EEMD分解,通过IMF能量熵增量去除虚假分量;最后对主IMF分量进行Hilbert谱分析来提取信号的主要特征。仿真和实验结果表明,SVD和SGWT联合降噪故障信号信噪比显著提高,且失真度小,抑制了噪声对EEMD分解精度的干扰,能量熵增量能有效地去除虚假IMF,Hilbert谱中各频率成分清晰不混叠,成功提取了液压系统故障特征频率。     

基于敏感IMF的再制造发动机振动状态研究

为了提高再制造发动机质量,将总体平均经验模态分解方法分解方法(ensemble empirical mode decomposition,简称EEMD)及敏感IMF选择算法引入再制造发动机性能研究中。在对再制造发动机非稳态振动信号进行EEMD分解的基础上,首先,将相关系数引入到IMF研究中,分析各IMF分量与原始信号的相关性,并计算原始信号各IMF分量的敏感因子;然后,利用敏感IMF进行Hilbert变换,并对再制造发动机的振动状态进行分析。研究结果表明,采用EEMD分解算法及敏感IMF的边际谱能反映再制造发动机不同部位的振动状态,缸壁、缸盖、曲轴三处对振动的敏感频率是存在差异的,通过对发动机各主要部位振动情况的研究,可以有针对性地采用再制造工艺,从而为提高发动机再制造水平提供技术支持。     

基于随机共振的轴承微弱故障信号检测北大核心

针对轴承早期微弱故障检测精度较低的问题,提出将集合经验模态分解(EEMD)与随机共振(SR)结合进行微弱故障信号检测。首先,对信号进行归一化尺度变换,应用EEMD将信号分解为多个IMF分量;随后,引入谱放大因子作为筛选最优IMF分量的依据,以信号输出信噪比最大为目标函数,将随机共振问题转化为参数寻优问题;最后,应用随机共振对筛选出的最优分量进行噪声辅助增强。仿真结果表明,该方法克服了单纯使用EEMD或随机共振的缺点,提高了信噪比和故障诊断精度,可有效识别出微弱信号。     

采用EEMD和WPT的结构损伤特征提取方法

为了解决传统小波或小波包变换方法对结构损伤振动信号频率分辨率不高、易受邻近谐波交叠影响的问题,提出了一种基于聚类经验模式分解(EEMD)和小波包变换(WPT)的结构损伤特征提取方法.首先对原始信号进行EEMD分解,提取包含结构损伤信息的固有模式分量(IMF),再对其进行正交小波包分解,并计算小波包相对能量分布.该方法用于美国土木工程师学会(ASCE)提出的钢结构框架的损伤特征提取,结果表明:EEMD方法具有白噪声的剔除特性,可避免模式混叠的发生;不同检测节点处不同损伤工况的IMF小波包相对能量分布有显著的差异,可以作为一种理想指标表征结构损伤特征.     

基于EEMD消噪和相关系数识别的滚动轴承故障诊断方法

针对往复泵动力端滚动轴承振动信号非平稳、非线性且含有大量噪声的特点,提出基于EEMD、距离因子、相关系数和小波包分解相结合的诊断方法。通过在轴承寿命试验台上测取轴承振动信号,利用EEMD对所测信号进行分解,根据距离因子和相关系数相结合的方法筛选并重构IMF分量,以突出故障特征信息且避免偶然误差影响,重构振动信号进行小波包分解后构造能量特征信号向量,然后计算特征向量的相关系数,通过比较所得相关系数的差值绝对值判断故障类型。此方法的故障识别率与直接对轴承振动信号进行相关系数分析相比,故障识别率有较大提高,而且无需像神经网络识别需要大量数据训练,是一种较好的轴承故障识别方法。     

基于EEMD分解和改进小波阈值降噪的齿轮故障诊断

针对齿轮箱振动信号易受噪声影响以及齿轮箱振动信号比较复杂的特点,提出基于EEMD分解和改进小波阈值降噪的齿轮故障诊断方法。首先对经过EEMD分解的IMF分量中的高频分量进行改进小波阈值降噪处理,重构信号后得到降噪信号。实验结果表明应用该方法可以较为准确地识别齿轮故障。     

基于相关系数的EEMD转子信号降噪方法

针对转子振动信号周期性强的特点,应用集合经验模式分解(ensemble empirical mode decomposition,简称EEMD)对转子振动信号降噪过程中固有模式函数(intrinsic mode functions,简称IMF)分量的选取问题,提出了基于相关系数的EEMD降噪方法。首先,对原始信号进行EEMD分解得到IMF分量,并计算各IMF分量自相关函数与原信号自相关函数的相关系数;然后,根据相关系数选择相应的IMF分量重构信号最终达到对原信号降噪的目的;最后,对比了EEMD过程中不同加噪次数对降噪效率和效果的影响,给出了加噪次数的设置方法。仿真信号和转子振动信号的降噪结果表明了该降噪方法的可行性和有效性。     

基于EEMD样本熵和GK模糊聚类的机械故障识别

针对目前各种机械故障诊断方法的局限性,提出了基于总体平均经验模式分解（EEMD）样本熵和GK模糊聚类的故障特征提取和分类方法,建立了一种机械故障准确识别的有效途径。首先,对机械振动信号进行EEMD分解,得到若干不同时间尺度的固有模态函数（IMF）分量。其次,通过相关性分析和能量相结合的准则对IMF分量进行筛选,并将筛选出的IMF分量的样本熵组成故障特征向量。最后,将构造的特征向量输入到GK模糊聚类分类器中进行聚类识别。实验及工程实例证明了该方法的有效性和优越性。     

小波脊线解调与两次EMD分解相结合的故障识别方法及应用研究

提出了一种基于小波脊线解调与两次经验模态分解(EMD)相结合的故障识别方法,用于轴向柱塞泵的故障诊断.结合EMD与小波脊线法在处理非平稳信号方面的优势,首先对故障原始信号进行了EMD分解,利用边际谱发现故障发生时的共振频带范围并据此找出对故障敏感的固有模态函数(IMF)分量,然后对该敏感IMF分量分别进行小波脊线解调和Hilbert解调,最后通过比较两种解调方法解调后敏感分量的时频谱和三维谱图发现,小波脊线解调比Hilbert解调具有更高的时频定位精度和抗干扰能力.此后,分别对小波脊线解调与Hilbert解调后的敏感分量进行EMD再分解,利用所得的各阶二次IMF分量的归一化特征能量来构造特征向量,得到液压泵5种典型状态的样本集,结合K均值聚类算法对故障状态进行识别.研究结果表明,与采用Hilbert解调处理方法相比,利用2次EMD分解与小波脊线解调相结合的故障特征向量提取方法显著提高了故障识别准确率,故障确诊率可高达92％.     

基于马氏距离和EMD的损伤信息量化提升方法

结构早期微损伤和环境噪声导致监测数据中损伤信息难以有效提取和辨识,针对此问题,提出一种基于马氏距离（Mahalanobis distance,简称MD）和经验模态分解（empirical mode decomposition,简称EMD）的结构损伤信息量化提升方法。首先,结构健康监测数据通过EMD,得到多阶本征模态函数（intrinsic mode function,简称IMF）,利用IMF的能量变化提取损伤敏感分量;其次,以分段马氏距离累积量（Mahalanobis distance cumulates,简称MDC）作为损伤信息量化提升的评价指标,根据其概率密度函数面积建立马氏距离累积量的累积停止准则;最后,通过数值模拟和模型试验数据验证了本研究方法在结构损伤信息提取和量化提升上的适用性和有效性。研究结果表明：结构损伤发生后各阶IMF能量转移明显,选择转移能量占自身能量多的IMF及相对能量变化率为正的多阶IMF作为损伤敏感分量,能够实现比原信号更好的损伤识别效果;利用MDC值概率密度函数面积变化作为累积停止准则,可实现微小损伤的有效识别。     

EEMD结合概率神经网络的风力机轴承故障诊断研究

滚动轴承是风力发电机传动装置中的非常关键的零部件之一。当其发生故障时,采集到的信号大多是非平稳和非线性的,传统的时域和频域分析不能准确分析这些信号的特征。提出使用总体平均经验模式分解(Ensemble Empirical Mode Decomposition,EEMD)进行滚动轴承故障特征提取和使用概率神经网络进行故障特征识别的研究方法。首先使用EEMD算法对实验采集到的不同故障状态的原始信号进行分解,得到每个故障类型的本征模态函数(Intrinsic Mode Function,IMF),利用相关系数法过滤掉不重要的IMF分量。然后算出每个类型故障的IMF分量的能量值和占总能量值的能量比,把能量比当作故障特征向量元素,构造出每个类型的故障特征向量。最后把不同的故障类型和对应的特征向量使用概率神经网络经(Probabilistic Neural Network,PNN)进行识别,得到识别结果,并把结果同使用极限学习机的识别结果进行对比,经验证该方法具有较高的识别正确率。     

基于EEMD与随机森林的的供输弹系统早期故障识别

对于供输弹系统早期采集的信号中成分复杂,故障特征难以识别及提取,提出了基于EEMD和随机森林相结合的的故障识别方法.首先对经过预处理的信号进行EEMD分解,对分解后的各个本征模态分量(IMF)求相关系数,选出与原信号较大的5个.结合信息熵和均方根构建每个IMF的混合特征向量,然后运用RF实现了故障的诊断识别,总体识别率达到94.57％,并与决策树的诊断结果进行了对比,证明了该方法的有效性.     

框架结构松动EEMD损伤识别实验研究

针对连接结构在振动环境下易发生松动的问题,进行了框架结构模型连接松动损伤识别实验研究。根据螺钉在不同扭矩下的结构稳态响应信号,分析了信号功率谱差异和松动损伤引起的非线性特征,对响应信号进行了总体平均经验模式分解(EEMD),利用第1阶固有模式函数(IMF)构造能量损伤指标进行螺钉连接松动识别。结果表明,基于高频固有模式函数所构造的能量损伤指标可以有效表征不同扭矩下的连接松动所引起的结构非线性损伤,能够较好地反映螺钉连接结构的松动情况。     

基于SVD-EEMD和TEO的滚动轴承弱故障特征提取

将奇异值分解(singular value decomposition,简称SVD)与集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)进行结合,提出一种适用于滚动轴承弱故障状态描述的敏感特征提取方法。为提高信号故障信息的提取质量,对采集信号进行相空间重构得到一种Hankel矩阵。根据该矩阵的奇异值差分谱,确定降噪阶次进行SVD降燥。用EEMD分解降噪后的信号可获得11个本征模态函数(intrinsic mode function,简称IMF)和1个余项。依据建立的峭度-均方差准则,筛选出一个能够有效描述故障状态的敏感IMF分量,计算其相应的Teager能量算子(Teager energy operator,简称TEO),对此TEO进行Fourier变换,实现了对滚动轴承弱故障模式的有效辨识。用美国凯斯西储大学公开的滚动轴承故障信号对所建立的方法与传统EEMD-Hilbert法和EEMD-TEO方法进行对比,结果表明:经本方法提取的敏感特征能准确突显滚动轴承故障频率发生的周期性冲击,可准确识别其故障类型。     

基于EMD和香农熵的刀具磨损故障诊断系统开发

针对机床刀具磨损故障诊断,开发了基于经验模态分解和香农熵进行信号处理的刀具故障诊断系统。在信号处理阶段,对机床加工过程中刀具的振动信号进行经验模态分解,得到若干固有模态函数(IMF),并基于香农熵从分解得到的IMF分量中提取有效分量,去除虚假分量,最后将有效的IMF分量的能量作为特征向量输入向量机(SVM)分类器来识别刀具的磨损状态。经实验验证,该系统能对刀具磨损状态进行准确快速地判断。     

基于灰色准则与EEMD的滚刀振动信号降噪方法

工程现场采集的滚刀振动信号掺杂噪声,致使信号特征难以提取。提出一种基于灰色准则与集合经验模态分解(EEMD)的滚刀振动信号降噪方法。首先将原信号进行EEMD分解得到若干个特征模态函数(intrinsic mode function,IMF),再根据提出的灰色准则对IMF分量进行极性一致化处理、均值化处理,计算出IMF1与其他IMF分量的灰色关联度,并按照灰色关联度将IMF分量降序排列,然后选择降序排列中前一半IMF分量进行软阈值处理,最终将处理后的IMF分量、未处理的IMF分量及余项进行重构,得到降噪后的信号。通过不同初始信噪比的仿真信号和实际加工中的滚刀振动信号验证了本方法的可行性和有效性,同时与EEMD结合相关系数降噪法、小波软阈值降噪法进行了比较,结果表明本方法的降噪效果更优。     

基于改进EEMD、KPCA与RBF结合的变负载下滚动轴承故障程度识别

针对变负载情况下滚动轴承故障信息难以提取、故障诊断精度低等问题,提出了一种基于包络谱灰色关联度的集合经验模态分解(EEMD)、核主元分析(KPCA)与径向基神经网络(RBF)相结合的滚动轴承故障诊断方法。该方法首先采用包络谱灰色关联度算法选择EEMD分解后的有效IMF分量,并对IMF分量进行加权,然后计算出加权后IMF分量的能量、峭度、偏度组成特征集,最后采用KPCA对特征集进行降维并将去除冗余后的特征集输入RBF中进行故障程度识别,实验结果表明此方法可以在变负载情况下有效的实现滚动轴承的故障程度的识别。     

基于EEMD奇异熵的高速道岔裂纹伤损检测

针对高速道岔裂纹伤损特征提取及状态监测问题,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)奇异熵和最小二乘支持向量机(least square support vector machine,简称LSSVM)的高速道岔裂纹伤损检测方法。首先,通过EEMD方法将非平稳的道岔振动信号自适应地分解为有限个基本模态分量(intrinsic mode function,简称IMF),每个IMF包含了原信号不同的特征尺度;然后,利用相关性分析筛选出与原始信号相关性最大的若干个IMF,计算所筛选IMF分量的奇异熵构成特征向量;最后,将多测点数据融合后的奇异熵特征向量输入LSSVM进行训练与测试,从而判断道岔的工作状态和伤损类型。模拟道岔裂纹伤损实验平台的振动信号分析及实验结果表明,在信噪比高于20dB时,该方法受噪声影响小,算法稳定性好,能有效地用于道岔裂纹伤损检测。     

基于EEMD能量熵和支持向量机的轴承故障诊断

提出了一种基于总体平均经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)和支持向量机(Support Vector Machine,SVM)的轴承故障诊断方法。首先通过EEMD方法将非平稳的原始加速度振动信号分解成若干个平稳的本征模函数(Intrinsic Mode Function,IMF);轴承发生不同的故障时,信号在不同频带内的能量值会发生改变,故可通过计算不同振动信号的EEMD能量熵判断是否发生故障;从包含有主要故障信息的IMF分量中提取出来的能量特征作为输入建立支持向量机,判断轴承的工作状态和故障类型。实验结果表明,文中提出的方法能有效地应用于轴承的故障诊断。     

改进小波去噪Teager算子的齿轮微弱故障提取方法

针对齿轮箱在强噪声背景下齿轮微弱故障振动信号的特征不易被提取的问题,提出将改进小波去噪和Teager能量算子相结合的微弱故障特征提取方法。采用改进小波阈值函数对振动信号进行去噪处理,与形态学滤波和传统小波阈值函数相比能够有效地提高信号的信噪比。对去噪后的信号进行集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)得到若干本征模式函数(intrinsic mode function,简称IMF),计算各IMF分量与原信号的相关系数并结合各IMF分量的频谱剔除虚假分量。对有效的IMF分量计算其Teager能量算子,并重构得到Teager能量谱,对重构信号进行时频分析并将其结果与原信号的希尔伯特黄变换(HilbertHuang transform,简称HHT)得到的边际谱进行对比。实验研究结果表明,本研究方法相比HHT能够对齿轮微弱故障特征进行更为有效地提取,验证了本研究方法在齿轮箱微弱故障诊断中的可行性。