基于EMD与同态滤波解调的矿用齿轮箱故障诊断

针对矿用齿轮箱振动信号的特点,提出了一种基于经验模态分解(empirical mode decomposition,简称EMD)与同态滤波相结合的故障解调方法.利用EMD对某矿用皮带机齿轮箱故障信号进行分解,得到若干个本征模态函数(intrinsic mode functions,简称IMFs)分量,然后对其中较突出的IMFs进行同态滤波解调分析,提取出了频率为7.0Hz的调制故障信号.研究表明,EMD与同态滤波解调相结合是一种有效的齿轮箱故障诊断方法.     

基于Hilbert解调技术的齿轮箱故障诊断

从理论上分析了根据Hilbert解调原理进行齿轮诊断的可行性 ,并利用齿轮箱诊断实例证明了理论分析的结果。在论文结尾 ,指出了齿轮箱诊断所应注意的两个基本问题。     

基于小波包与Hilbert解调谱的矿用齿轮箱故障诊断

介绍了小波包分解与Hilbert解调技术,利用小波包分解可以突出能量集中的频段,然后利用Hilbert解调谱提取其故障特征.结果表明小波包与Hilbert解调谱相结合可以有针对性地提取矿用齿轮箱的低频调制故障特征,从而实现矿用齿轮箱的精密故障诊断.     

小波降噪与Hilbert解调相结合的齿轮箱故障诊断方法

将小波降噪和Hilbert解调分析方法相结合对齿轮箱典型故障进行了诊断研究。介绍了小波降噪和Hilbert解调的基本原理,通过QPZZ-II旋转机械故障试验平台进行了齿轮箱点蚀故障的实例验证分析。研究表明,小波降噪后提高了信噪比和故障诊断精度;Hilbert解调技术可以解调出调制信号,但不能较好地处理叠加信号,可利用倒谱分析边频带中的周期成分做进一步分析。通过实验证明了方法的有效性。     

基于倒谱和包络解调的齿轮箱故障诊断

齿轮箱是设备上重要的传动部件,齿轮故障诊断对设备的长期安全运行起着至关重要的作用.根据齿轮振动机理及谱分析来进行振动信息处理和特征提取,是目前齿轮故障诊断中的一种有效方法.分析了齿轮箱的振动故障特性,提出了用解调谱和倒谱两种分析法相结合来对系统的输出信号进行故障诊断的方法.最后在齿轮故障模拟实验台上采集了故障下的振动信...     

基于Labview的齿轮箱故障诊断的细化解调分析

本文利用Labview软件强大的数学和信号分析功能,以及图形化的程序设计语言,实现了细化解调算法,并将其应用到齿轮箱的故障诊断系统中,工程实例表明了算法的正确性和有效性.     

齿轮箱故障诊断中信号解调方法的研究

提出了一种对齿轮箱调制类故障信号进行诊断的综合方法，对于既有调幅成分又有调频成分的齿轮箱故障信号，提出首先利用Hilbert变换解调出包络信息，同时保留剩余信号，然后用三次FFT技术对调频信息进行解调，使得调频信号特征更加清晰，为齿轮箱故障诊断提供了更准确的信息。     

基于EMD解调的齿轮裂纹早期故障诊断研究

齿轮轮齿发生早期裂纹时,裂纹故障信号十分微弱。为了有效提取早期裂纹故障特征,文中提出基于经验模式分解(empirical mode decomposition,EMD)的早期故障诊断方法。该方法首先去除振动信号中的啮合基频及其谐波成分,得到残余信号,然后针对残余信号进行基于EMD解调分析和处理。仿真及工程实例分析结果表明,所提方法能成功地将齿轮早期裂纹故障信息从复杂的振动中提取出来,更有利于及早发现故障,并判断故障的严重程度。     

基于EMD和频谱校正的故障诊断方法

提出了一种基于短时间样本的故障诊断方法,通过频谱校正提高频谱精度.首先对原始信号进行小波降噪,提高信噪比;然后进行经验模态分解,获取信号的各阶本征模态函数;分别对各阶本征模态函数进行希尔伯特解调分析,获得包含系统故障特征信息的调制信号;接着采用校正算法对调制信号进行频谱校正,频谱变换后获得精确的频谱;最后根据校正结果进行系统故障判别.实践表明,此方法具有速度快、精度高的特点,适合于设备的在线快速诊断.     

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和峭度的Hilbert包络解调在滚动轴承故障诊断中的应用分析

针对直接运用快速傅里叶变换（FFT）无法有效提取具有非线性非平稳特性的滚动轴承振动信号故障特征频率的问题,提出了一种基于经验模式分解和峭度指标的Hilbert包络解调方法.首先对滚动轴承的振动信号进行了经验模式分解（EMD）,得到了包含轴承故障特征信息的各阶本征模态函数（IMF）,再计算各阶IMF的峭度值,选取了峭度值较大的几阶IMF分量重构信号,并对重构信号进行了Hilbert包络解调分析,从而获得了滚动轴承的准确故障特征信息.分别对仿真模拟信号和实际滚动轴承发生内圈故障的振动信号进行了分析,清晰地得到了故障特征频率.研究结果表明,利用融合EMD、峭度系数和Hilbert包络解调的诊断方法能够快速、准确地提取滚动轴承的故障特征频率,从而可以对滚动轴承进行有效地故障诊断.     

机械转子动静碰摩故障的EMD分解Hilbert包络谱分析

为避免碰摩故障对旋转机械的影响,针对转子系统局部碰摩的特征,提出一种基于EMD分解Hilbert包络谱分析方法。该珐利用EMD方法分解含有碰摩故障的振动信号,提取出的IMF分量有明显的调幅特征,再对其中突出的IMF分量进行Hilbert包络谱分析提取出故障特征频率。与倒谱分析相比,得到的碰摩故障信息更加精确;与小波分析相比,能更容易提取出真实的故障特征。     

基于EMD与倒谱分析的轴承故障诊断

提出了一种基于经验模态分解与幅值倒频谱分析的轴承故障诊断方法。该方法首先对外圈故障信号作传统的傅里叶幅值谱和幅值倒频谱分析,未能明显地找到故障特征;然后对故障信号做经验模态分解,并对分解出来的第一层本征模函数作倒频谱分析,有效地提取出了故障特征;最后,用该方法分别对具有内圈故障和滚动体故障的轴承故障信号作分析,也有效地提取出了故障特征。实验结果表明,通过联合经验模态分解和倒频谱分析,能有效并且准确地提取出轴承的故障特征频率。     

基于EMD分解的聚类树状图轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征和故障征兆模糊性,提出了基于EMD和动态模糊聚类图的轴承故障诊断方法.运用EMD方法提取待诊断的轴承运行状态样本的能量特征指标,应用模糊聚类分析方法对特征参数进行聚类,并作出聚类树状图.结果表明,该方法不需要大量的样本进行学习,且能更直观、准确识别滚动轴承的运行状态.     

基于伪极值点假设的经验模态分解及其在转子故障诊断中的应用

针对经验模态分解(EMD)的模态混淆问题,提出了一种新的抑制模态混淆的方法——基于伪极值点假设的经验模态分解(PEEMD)。与总体平均经验模态分解(EEMD)通过添加白噪声再进行总体平均的方式不同,PEEMD通过定义最小极值尺度,并用其度量其他极值尺度,通过增加伪极值点的方式来均匀化尺度,有效地抑制了模态混淆的产生。详细介绍了PEEMD方法,并通过仿真信号将其与EMD和EEMD进行了对比,最后,将PEEMD应用于转子碰摩故障的诊断中。仿真和实测信号结果表明,PEEMD在分量的精确性和抑制模态混淆的产生等方面要优于EMD和EEMD,是一种有效的信号分解方法。     

基于EEMD和HT的轴流泵压力脉动特征信息提取

压力脉动是影响轴流泵运行稳定性的重要因素,为提取其压力脉动信号中的特征信息,提出了采用基于聚合经验模式分解(EEMD)和Hilbert变换(HT)的时频分析方法对轴流泵压力脉动信号进行分析。首先分别应用EEMD和传统经验模式分解(EMD)对含噪声信号进行了分析,证明了EEMD分解能抑制传统EMD中出现的模式混叠现象,从而有效提取了信号中的各频率分量;然后采用基于EEMD和Hilbert变换的时频分析方法,对某轴流泵的压力脉动信号进行了分析。研究结果表明,该方法能够准确地提取轴流泵压力脉动信号中的频率成分及其时变情况。     

基于EEMD的行星齿轮箱齿轮裂纹损伤定位

针对行星齿轮式变速箱的齿轮裂纹损伤难以提取特征频率和定位的问题,提出基于总体平均经验模式分解(ensemble empirical mode decomposition,简称EEMD)的齿轮局部损伤频率解调分析方法。该方法在建立的齿轮局部损伤振动信号模型的基础上,分别对太阳轮、齿圈、行星轮的裂纹损伤信号进行EEMD分解和频率解调分析,通过频谱图提取齿轮的局部损伤特征频率,从而识别变速箱中裂纹损伤齿轮的位置。综合仿真分析和试验结果表明,基于EEMD的齿轮局部损伤频率解调分析方法可以有效地提取太阳轮、齿圈和行星轮的裂纹损伤特征频率,实现行星齿轮式变速箱中齿轮裂纹损伤的定位。