航空发动机试飞中转静子碰摩故障信号处理 的希尔伯特－黄变换（HHT）方法

时变信号处理的新方法希尔伯特－黄变换,是把一时间序列数据通过经验模态分解（Empirical Mode Decomposition,简称EMD）成本征模函数组（Intrinsic Mode Function, 简称IMF）,然后经希尔伯特变换（Hilbert Transformation,简称HT）获得频谱的信号时频分析方法引入到航空发动机转静子碰摩故障振动信号处理领域。该方法的理论和算法为用MATLAB语言编写分析程序,再用仿真信号验证程序的正确性和有效性;然后对飞行试验中获得的故障振动信号进行分析。结果表明,用EMD和HT方法对航空发动机转静子碰摩故障振动信号进行时频分析是有效的。     

一种基于EMD的振动信号时频分析新方法研究

基于经验模态分解(Empirical Mode Decomposition,EMD)的希尔伯特变换(Hibert Tram:formation,HT),是先把一列时间序列数据通过经验模态分解成本征模函数(Intrinsic Mode Function,IMF),然后经过希尔伯特变换获得瞬时频率的信号处理方法.针对HT求瞬时频率的不足,提出了把IMF分解成包络和纯调频信号,然后通过对纯调频信号进行反余弦求瞬时频率的新方法.通过对非线性仿真信号研究表明,该方法是有效的.把该方法应用于转子横向裂纹的时频分析.表明能把横向裂纹转子的扭振所形成的相位调制现象检测出来,获得了良好的效果.仿真和实测信号的分析结果说明,用新方法对振动信号进行时频分析是有效的.该研究成果能广泛地用于信号时频分析领域.     

非线性调频分量分解的转子油膜涡动信号分析研究

转子轴承系统的振动信号常呈现非线性调频特征且信号分量在频域混叠,传统的频谱分析方法难以处理该类信号。基于参数化解调的非线性调频信号分解方法来分析油膜涡动、油膜振荡特征信号能够有效分解频域混叠的非平稳信号。首先通过优化频谱集中性指标来估计信号瞬时频率参数并用估计到的参数将非线性调频信号解调为平稳信号,最后用带通滤波器提取解调信号。仿真及实验信号通过该方法分析后的结果证明,所用非线性调频分量分解的信号分解方法能够有效提取转子轴承系统的油膜涡动、油膜振荡故障特征,从信号时频图及提取分量的时域图可以清晰看到油膜涡动、油膜振荡的发生发展过程,为早期油膜涡动判定提供依据。     

基于自适应谐波小波和能量熵的转子系统故障诊断研究

针对转子系统非平稳振动时故障特征难以准确提取的问题,提出一种基于自适应谐波小波和能量熵的转子系统故障诊断方法。首先,采用连续谐波小波方法分解转子信号,克服"二进制"谐波小波包分解不能任意选取感兴趣频段的缺限,同时在分解过程中通过时间尺度变换的方式消除信号采集过程中不同转速及采样频率的影响;然后,通过设定合理的分解参数,提取出表征转子系统的故障特征信息并构建故障模式矩阵,得到转子系统早期局部碰摩、全周碰摩、油膜涡动和油膜振荡等4种工况下的能量熵值;最后,将特征向量输入支持向量机(support vector machine,SVM)判断出转子系统的故障类型。试验结果表明:该方法可以有效用于转子系统的故障诊断。     

HHT在爆裂噪声检测中的应用研究

该文应用一种新型的非线性非稳态信号处理方法——希尔伯特黄变换(hibert huang tramsform,HHT)进行逆变器中低频噪声-爆裂噪声的检测与定位,该方法利用经验模态分解(empirical mode decomposition,EMD)将待测信号分解为各基本模态分量(intrinsic mode function,IMF),然后对所得IMF进行自适应阈值去噪。经希尔伯特变换(hilbert transform,HT)后,其瞬时振幅与瞬时频率即可清晰表现出爆裂噪声特点与准确突变位置与时长。通过与小波去噪和小波模极大值去噪检测进行对比分析可得,该方法可以同时从时频两方面对信号进行分析,能够实现对故障信号的准确检测与定位。     

基于时频滤波的汽轮机半速涡动故障成分提取

汽轮机油膜涡动是滑动轴承失稳而产生的自激振动,其振动频率主要表征为转子转频的一半或略小。当油膜涡动频率等于转子一阶临界转速时会导致振动加剧,进而对汽轮机的稳定运行产生严重影响。Gabor变换是一种可逆的联合时频分布方法,其逆变换具有时域信号重构的能力。基于Gabor变换对850 MW汽轮机振动信号进行时频分析,显示反映轴系不稳定的半速涡动成分,进一步对该成分进行时频带通滤波,并基于Gabor逆变换予以时间重构,获取半速涡动成分的峰峰值量化指标,为汽轮机轴承油膜涡动故障提供诊断依据。     

《基于EMD与AR模型的柴油机故障诊断》

柴油机气缸盖振动信号是一种典型的非平稳时变信号,用传统的时频分析难以得到满意的效果,用时域区间分析难以实现实时诊断,而小波分析则存在小波基函数选择困难等问题。本文采用经验模式分解EMD方法对振动信号进行分解,得到固有模态函数IMF,对每一个IMF分量分别建立AR模型,以模型的自回归参数和残差的方差作为特征向量,用支持向量机SVM进行分类,判断柴油机的工作状态和故障类型。实验结果分析表明,该方法即使在小样本情况下也能准确有效地诊断柴油机故障,能实现故障的实时自动化诊断。在不同转速时,需选用新转速工况下的数据作为训练样本,以保证分类准确率。     

优化HHT端点效应的新方法

在旋转机械的故障诊断中,希尔伯特-黄变换（HHT）方法常用于提取故障特征信号以及分解结果的时频分析,然而,在HHT中会出现端点效应问题,且导致模态混叠和虚假本征模态函数（IMF）等一系列问题。针对这一问题,提出了利用广义回归神经网络（GRNN）和边界局部特征尺度延拓（BLCC）相结合的方法先对信号延拓,再进行经验模式分解（EMD）。通过仿真与故障实验,在时域、频域和希尔伯特-黄谱的相关参数的情况下,对比镜像延拓优化的HHT分解结果,验证了所提方法的有效性。实验结果表明:所述方法能够有效地抑制HHT中的端点效应,且减轻了模态混叠和虚假IMF分量,同时能准确地表现信号的真实结构成分。     

基于EMD的时间尺度去噪方法的研究

研究利用Hilbert-Huang变换中的经验模态分解(EMD)与希尔伯特变换(Hilbert)来进行信号瞬时参数的提取。构造了时间尺度滤波器,结合经验模态分解(EMD)获得有限数目的分段固有模态函数(IMF)的多特征尺度参数的特征进行非平稳信号的滤波,仿真实验验证了该法的可行性。     

基于MEEMD和GA-SVM的列车车轮多边形故障识别方法

根据列车车轮振动信号的非平稳特性,提出一种基于改进的集合经验模态分解(MEEMD)和遗传算法支持向量机(GA-SVM)的诊断方法,用于识别车轮多边形故障。该方法对车轮轴箱垂向振动信号进行MEEMD分解,依据各固有模态函数(IMF)分量的峭度值和能量值选取出主要IMF分量。利用希尔伯特变换求取主要IMF分量的包络谱,并计算包络谱熵。将包络谱熵值归一化后作为特征向量输入GA-SVM中进行训练和识别。对实测信号进行分析的结果表明该方法能有效识别出车轮多边形故障,识别准确率可达到95%。