基于经验模态分解的滚动轴承故障诊断方法

提出了一种基于经验模态分解的滚动轴承故障诊断方法，并定义了能量熵的概念。从不同状态的滚动轴承振动信号的能量熵值中发现，当滚动轴承发生故障时，各频带的能量会发生变化。为了进一步对滚动轴承的状态和故障类型进行分类，再从若干个包含主要故障信息的IMF分量中提取能量特征参数作为神经网络的输入参数来识别滚动轴承的故障类型。对滚动轴承的正常状态、内圈故障和外圈故障振动信号的分析结果表明，以经验模态分解为预处理器提取各频带能量作为特征参数的神经网络诊断方法比以小波包分析为预处理器的神经网络诊断方法有更高的故障识别率，可以准确、有效地识别滚动轴承的工作状态和故障类别。     

快速自适应经验模态分解方法及轴承故障诊断

提出一种快速自适应经验模态分解(fast and adaptive empirical mode decomposition,简称FAEMD),其算法结构和本征模态函数的特点与经验模态分解(empirical mode decomposition,简称EMD)类似。采用顺序统计滤波器代替三次样条来拟合曲线,简易的终止准则使耗机时间大幅减小。该方法可以快速、有效、准确地分解信号,能够避免终止准则和端点效应问题,改善模态混叠和耗时问题。在滚动轴承故障诊断的应用中,效果表现良好。     

在线信号的快速经验模态分解方法

传统经验模态分解(EMD)中存在端点效应和分解速度慢的问题,无法适用于在线信号的实时分析.针对这一问题,提出了一种在线信号的快速EMD分解方法,利用在线信号“无限长”特点,首先提取在线信号有效数据,然后采用LSSVR拟合信号上、下包络线,不仅有效抑制了EMD分解的端点效应,而且大大提高了EMD分解的质量和速度.仿真结果表明:该方法快速有效,基本可以满足在线信号的实时快速分解,具有一定的工程应用价值.     

基于经验模态分解方法的曲面加工误差补偿

采用误差补偿技术对曲面的加工误差进行补偿是提高该类零件加工精度的有效方法。针对加工误差进行经验模态分解,将加工误差分解为若干个固有模态函数(IMF)和一个res趋势项函数。根据系统误差的特征,趋势项函数中一定存在系统误差,利用自相关分析法和频谱图对固有模态函数分析是否存在周期性变化系统误差,最终分解出系统误差和随机误差。搭建了数控机床在线检测的实验平台,实现了曲面零件的系统误差补偿。通过一个曲面零件的加工实验表明,补偿加工后的曲面精度提高了86.0%。仿真算例和实验结果表明,基于经验模态分解方法的加工误差补偿能有效提高曲面零件的加工精度。     

基于经验模态分解的轴承故障诊断

简要介绍了轴承故障诊断的基本方法,通过对比共振解调法和经验模态分解法,证明了经验模态分解是一种适用于分析非线性、非平稳信号的方法.同时,通过实际例子验证了该方法可以用于有效地发现轴承故障,从而提高了诊断的准确性.     

基于经验模态分解方法的圆度误差评定方法研究

针对圆度误差测量过程中因干扰信号影响估计精度的问题,提出基于经验模态分解的圆度误差评定方法。圆度误差测量数据包含多种信号成分,其中圆度误差信息只包含于表面形状误差信号,表面粗糙度误差信号、表面波纹度信号及噪声信号为干扰成分。利用具有数据自适应性的经验模态分解对圆度测量信号进行分解,实现各类信号成分分离;采用信号波数作为各信号成分的分离指标,实现形状误差信号提取,并利用其估计结构圆度误差。通过数值仿真和实例分析验证方法的有效性。     

实时经验模态分解的实现方法

为了将经验模态分解(empirical mode decomposition,简称EMD)用于在线信号处理,提出了实时EMD实现方法,即重叠处理-均值继承经验模态分解.该方法通过信号分段、重叠处理、均值继承和中点拼接等技术,实现了对在线信号的动态、连续、快速和高精度处理.仿真信号和实际测试信号算例验证了该方法的可行性和有效性.     

新能源电力系统多模态振荡识别技术研究

在新能源电力系统振荡识别过程中,通常采用经验模态分解方法实现电力系统量测信号分解,但极易出现模式混叠的情况,导致多模态振荡识别的频率误差较大。因此,针对新能源电力系统,设计了一种新型多模态振荡识别技术。依托于多元经验模态分解策略,协同分解多通道电力系统量测信号,得到不同频率尺度的IMF（固有模态函数）分量。再计算每个IMF分量的能量权重,从中筛选出包含主导振荡模式的关键分量。运用Prony算法对关键IMF分量进行分析,得出振荡特征参数,基于此得出电力系统多模态振荡识别结果。实验结果表明,所提识别技术应用后可以得到较为准确的振荡特征参数,其中频率最大误差仅为1.8×10-3Hz。     

基于平移不变小波阈值算法的经验模态分解方法

针对经验模态分解(EMD)处理存在间断事件的数据会引起模态混叠的问题,提出了一种经验模态分解与小波去噪相结合的新方法.由于传统的小波变换去噪会使信号在间断事件处产生人为的振荡现象,故先用平移不变小波去噪算法对信号进行预处理,消除间断信号对EMD方法的影响,再对信号进行EMD分解.理论计算及实验研究表明:只有在有效消除异常干扰的情况下才能获得可靠的IMF分量,采用本文的方法消除间断信号对EMD分解的影响是有效可行的.     

基于形态奇异值分解和经验模态分解的滚动轴承故障特征提取方法

针对随机噪声和局部强干扰影响经验模态分解(Empirical mode decomposition,EMD)质量的问题,提出一种形态奇异值分解滤波消噪方法,并将其与EMD相结合形成一种新的故障特征提取方法。该方法首先对原始振动信号进行相空间重构和奇异值分解(Singular value decomposition,SVD),根据奇异值分布曲线确定降噪阶次进行SVD降噪,再形态滤波,最后把消噪后的信号进行EMD分解,利用本征模模态分量(Intrinsic mode function,IMF)提取故障特征信息。对仿真信号和实际轴承故障数据的应用分析表明,该方法能有效地提取轴承故障特征,诊断轴承故障,还可以减少EMD的分解层数和边界效应,提高EMD分解的时效性和精确度。     

基于经验模态分解与神经网络的结构故障诊断

采用经验模态分解对简支梁振动信号进行分解,对分解得到的前4个固有模态函数分别求其能量百分比,并作为神经网络的输入向量.用17种工况的8组样本训练了简支梁故障诊断的神经网络模型.应用该法结果表明,2组测试样本的测试结果均与实际状况相一致,故可检测出结构的故障、故障的类型和故障的位置.     

基于波形平均的经验模态分解端点效应抑制方法

经验模态分解(EMD)作为一种非常灵活的自适应时频分析方法,已广泛用于旋转机械故障诊断中的振动信号分析。但是,经验模态分解存在两个问题:端点效应以及模态混叠。针对EMD中存在的端点效应问题,在积分延拓局部均值分解(IELMD)的基础上,提出了一种利用波形平均来改进IELMD的方法。该方法利用一组相似波形来代替最佳匹配波形与特征波形相匹配,通过对相似波形左边或右边波形取平均得到延拓波形,将其附加在原始信号左端或右端。仿真和应用结果表明,与IELMD方法相比,该方法能够更有效地抑制经验模态分解端点效应。     

基于经验模态分解的汽车动态称重数据处理

在论述经验模态分解(EMD)的基础上,提出了虚假模态的概念.讨论了虚假模态对信号稳态量的影响及其相应的处理方法,结合汽车称重信号的特点,应用EMD方法对实测信号进行了分解,对分解结果进行了分析和说明.5组100个称重信号的分解结果表明,EMD方法对汽车动态称重信号的处理是有效的,车速小于等于30km/h时前轴的偏差为5.23%,后轴偏差为10.30%,总重偏差为6.93%.     

基于有效数据的经验模态分解快速算法研究

在介绍了经验模态分解（简称EMD）方法的理论和算法基础上，为了提高EMD算法的速度，提出了基于有效数据的EMD快速算法，即通过EMD分解中止的计算区域限定于有效数据段来实现算法的提速。通过对非线性信号的实验研究表明，基于有效数据的EMD快速算法不但能显著提高算法的速度，而且还可以提高算法的精度。该研究成果能广泛地用于信号时频分析领域。     

经验模态分解中虚假模态分量消除法

基于能量原理,提出经验模态分解(EMD)中虚假模态分量消除方法.在正常采样的条件下,分析信号EMD分解误差与虚假模态分量的关系,讨论虚假模态分量的性质.从EMD分解的完备性角度考虑在虚假模态存在情况下能量不守恒,给出模态函数消除法,从EMD分解结果中剔出虚假模态分量,消除信号经验模态分解误差.其有效性在所给例子中得到证实.     

基于小波包的经验模态分解法的研究及应用

针对多频信号经验模态分解中的模态混成现象，提出了一种经验模态分解与小波包分解相结合的新方法。经验模态分解方法基于信号的局部特征时间尺度，把复杂的信号函数分解为有限的固有模态函数之和。利用最小Shannon熵准则，对出现混成模态的固有模态函数进行小波包分解，并根据小波包分解后各频带信号的频率分布特征，选择能量比重较大的频带信号进行重构，将重构信号作为新的固有模态函数分量。仿真信号和齿轮箱故障实测数据表明，新方法能将不同的频率成分提取出来，从而提高了经验模态分解的分解能力。     

基于经验模态分解的发动机故障诊断技术研究

为及早发现发动机存在的不正常状态,有效判断故障类型,防止发生突发事故,提出了一种对运转条件下的发动机振动信号进行经验模态分解的发动机故障诊断方法,利用不同故障造成的分解子信号能量差异构造故障特征向量,对子信号能量占比按频段进行归类,增加了相同故障类型的相似度和不同故障类型的区分度。     

基于经验模态分解与RBF神经网络的混合预测

为提高时间序列预测模型精度,根据各本征模态函数(intrinsic mode function,简称IMF)序列的变化特点,针对EMD-RBF神经网络隐含神经元数目及其中心数据选取问题,利用经验模态分解(empirical mode decomposition,简称EMD)的信号自适应处理能力和径向基函数(radical basis function,简称RBF)神经网络的非线性逼近能力,提出了一种基于EMD与RBF神经网络的混合预测方法。该方法将具有类似时频特性的本征模态函数分别建立RBF神经网络预测模型,采用基于统计分析的k-均值聚类方法自适应确定RBF模型参数,最后将各IMF-RBF神经网络预测结果进行重构得到最终预测结果。仿真结果表明,该方法充分考虑到各IMF本身的特性,增强了时序的可预测性,预测性能比传统反向传播(back propagation,简称BP)神经网络和小波BP神经网络更优越。将该方法应用在某装备温控系统性能监测中,其温度参数最大预测误差远小于传感器误差,说明将该方法在该装备故障预测中是可行的。     

基于经验模态分解的旋转机械振动信号滤波技术研究

把经验模态分解方法引入了旋转机械振动信号滤波领域,详细地解释了这种方法及其算法。通过对一个带高频毛刺干扰的振动信号的经验模态分解与本征模函数的组合,演示了基于经验模态分解的振动信号滤波的方法。把振动信号滤波前后的波形进行了比较,发现基于经验模态分解的信号滤波方法对振动信号滤波有较好的效果。     

经验模态分解中的模态混叠问题-

针对经验模态分解(empirical model decomposition,简称EMD)存在的模态混叠问题,总结了引起模态混叠异常事件的类型,讨论了模态混叠的产生原因,提出了采用加入高频谐波后再进行EMD分解消除模态混叠的方法.根据信号分析频率范围和特征选择高频简谐波的频率和幅值,并使高频谐波作为第1阶IMF分解出来,可以有效消除模态混叠现象,异常事件通常可以包含在第1阶IMF中,必要时可以将加入的高频信号直接减掉,不影响对EMD结果的判断.与总体平均经验模态分解法(ensemble empirical model decomposition,简称EEMD)对比的仿真计算表明,两种方法都可以有效消除模态混叠现象,但高频谐波加入法具有运算速度快、误差小、分解结果物理意义明确和不需后处理的优点,对含复杂异常事件的实际故障信号分析验证了该方法在工程应用中的有效性和可行性.