VMD和ICA联合降噪方法在轴承故障诊断中的应用

针对振动信号易受噪声干扰的影响、故障特征提取困难的问题,提出一种基于变分模态分解(Variational Mode Decomposition,VMD)和独立分量分析(Independent Component Analysis,ICA)相结合的去噪方法。该方法首先利用VMD算法将振动信号分解成若干不同频率的本征模态分量(Intrinsic Mode Function,IMF),有效的抑制了LMD分解中存在的模态混叠现象和端点效应等问题,然后依据峭度准则选取相应分量进行重构,引入虚拟噪声通道;最后利用Fast ICA将重构后信号再次进行去噪处理,分离出有效的故障特征分量,从而识别故障类型。将该方法应用到滚动轴承故障数据中,并与LMD-ICA方法作对比,结果表明,提出方法不仅能够有效的解决去噪过程中丢失故障信息以及由于模态混叠导致噪声不能完全去除的问题,还能更清晰、准确地提取出故障特征频率。     

一种新的声发射信号消噪及故障诊断方法

在旋转机械故障诊断中,声发射信号极易受到噪声的干扰。针对经验模态分解(EMD)易产生模态混叠现象,提出了一种基于经验小波变换(Empirical Wavelet Transform,EWT)的消噪和旋转机械声发射碰摩故障诊断的方法。利用了EMD和小波变换的优点,通过对傅里叶频谱进行自适应划分,并构建小波滤波器组来提取声发射信号所包含的不同固有模态分量,可有效消除模态混叠现象,同时对分量进行Hilbert变换从而实现声发射信号的消噪和故障诊断。采用该方法对仿真信号进行加噪声和消噪处理,在同信号源下,对比基于d B4全阈值消噪、d B4默认软阈值消噪、d B4对高频系数处理消噪和EMD消噪效果。并将该方法应用到实际的声发射碰摩信号中。仿真和实验分析结果表明:EWT方法可以有效地分解出信号的固有模态,分解出的模态少,并且不存在难以解释的虚假模态,消噪效果优于其他方法,并且在声发射故障诊断中也有较大的优势。     

基于改进EMD和形态滤波的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳性特点,提出一种改进经验模态分解(EMD)和形态滤波相结合来提取故障特征信息的方法。该方法首先在原信号中加入高频谐波并进行EMD分解,减小传统EMD分解中存在的模态混叠现象,然后从高频本征模态分量(IMF)中去除高频谐波得到故障冲击成分,经形态滤波消噪后进行频谱分析,提取出故障特征信息。信号仿真分析该方法的实施过程,并将该方法成功运用于滚动轴承内圈和外圈故障的诊断。实验结果表明该方法能够有效提取滚动轴承故障特征信息,实现故障诊断。     

消除经验模态分解中混叠现象的改进掩膜信号法

经验模态分解方法能在时频域上正确地描述非平稳非线性信号的局部特征。但由于模态混淆,当信号组合分量的频率太接近时,常不能得到正确的经验模态分解结果。针对这一情况,提出了消除经验模态分解中混叠现象的一种方法——改进的掩膜信号法,并将其应用于风机叶片振动信号的分析中。该方法以能量为基础对掩膜信号的选择进行改进,并通过掩膜信号结合EMD来达到消除模态混叠现象的效果。对风机叶片振动信号进行验证的结果表明,该方法简便易行,可有效分离混叠模态,提取有用信号,并且对白噪声也有削减效果。     

基于噪声辅助多元经验模态分解和多尺度形态学的滚动轴承故障诊断方法

为了从强噪背景中提取滚动轴承微弱故障特征,提出一种基于噪声辅助多元经验模态分解 (Noise Assisted Multivariate Empirical Mode Decomposition,NAMEMD)和数学形态学的滚动轴承故障诊断方法。NAMEMD是新提出的一种基于噪声辅助数据分析方法,其克服了集成经验模态分解的模态混淆和运算量大等问题。本文将NAMEMD与多尺度形态学相结合应用于滚动轴承故障诊断。该方法首先利用NAMEMD将多分量调频调幅故障信号自适应分解为一系列IMF分量;其次,选取能量高的IMF分量求和重构;最后利用多尺度形态学差值滤波器提取信号的故障特征频率。为了验证理论的正确性,进行了仿真试验和轴承故障试验,并与EEMD和包络解调进行了比较,结果表明本文方法在进一步降低模态混叠效应的同时,明显提高了运算速度,对滚动轴承外圈、内圈和滚子故障的检测精度更高,能够清晰地提取出故障信号的故障特征频率。     

基于ITD与ICA的滚动轴承故障特征提取方法

针对滚动轴承故障信号因受背景噪声、信号传递途径、轴承各部件间相互作用及其它能量较大振源信号干扰,限制传统方法提取故障特征信息的准确性问题,提出结合固有时间尺度分解(ITD)及独立分量分析(ICA)的信号分析方法,将单通道振动信号进行ITD分解,得到若干固有旋转分量及一个趋势项,基于互相关准则对分解信号进行重组作为ICA的输入矩阵,采用Fast ICA算法解混,实现故障特征信号与噪声信号分离,从而提取故障特征信息。通过滚动轴承故障诊断实验结果分析表明该方法有效可行,具有一定工程应用价值。     

改进EMD-ICA去噪在水轮机组隐蔽碰磨诊断中的应用研究

水电机组运行工况复杂,水、机、电以及噪声信号参杂耦合,早期的隐蔽的故障特征难以提取,给机组的运行造成隐患。为此,本文提出一种改进的经验模态分解(EMD)-独立分量分析(ICA)的新方法。通过经验模态分解将单通道信号分离成各个内禀模态函数(IMF),以能量波动系数为指标设定阀值,判断是否发生模态混淆。排除虚假IMF,选择与原信号相关系数较大IMF构造虚拟通道进行ICA分离,对分离信号提取其故障频率特征。以此方法指导国内某电站检修,成功排查出故障,证明此方法可以自适应、高效的去噪并提取振动故障特征,有很好的工程实用性。     

基于经验模态分解与小波分析的超声信号降噪方法

经验模态分解(EMD)是目前信号去噪中应用较多的一种方法,但处理与噪声时频特征相近的信号时,该算法存在内蕴模态函数(IMF)混叠现象.本文从信号降噪的角度出发,提出基于经验模态分解与小波分析的超声信号降噪方法,首先利用EMD将信号分解为多个IMF分量,通过计算各分量与信号间的互相关系数判断存在模态混叠现象的过渡IMF,从多个IMF分量辨识出噪声与信号的分界,对过渡IMF进行小波去噪,去除过渡分量中的噪声;然后将去噪后的过渡分量IMF与其后续分量进行信号重构,得到去噪后的信号.为了验证所提方法的有效性,本文分别以含噪bumps信号和实际超声信号为例,将该方法与其它4种去噪方法进行了对比.实验结果表明:EMD结合小波法优于单独小波法,而本文方法进一步提高了EMD方法的去噪能力,为EMD去噪方法的改进提供了新思路.     

参数优化VMD的滚动轴承故障诊断方法

由于滚动轴承早期故障信号特征微弱,变分模态分解（Variational Mode Decomposition,VMD）的性能易受模态数和惩罚因子设置的影响,提出了一种自适应优化VMD参数的方法。基于中心频率判断本征模态函数（Band Limited Intrinsic Mode Functions,BIMF）是否混叠的思想提出中心频率混叠商算法,利用最小中心频率差与次小中心频率差的比值确定模态数。利用模糊熵原理,提出求和模糊熵算法优化惩罚因子。利用相关系数筛选模态分量,重构信号提取故障信息。通过对强噪声下外圈故障信号、内圈故障信号的分析,表明该方法能自适应确定模态数和惩罚因子,抑制模态混叠,能够从强噪声下有效地提取出故障信号特征,实现滚动轴承故障诊断。     

基于经验小波变换的振动信号特征量提取

为解决岩巷掘进机动载荷识别困难问题,提出了一种基于经验小波变换(EWT)和相关性阈值去噪相结合的掘进机截割头振动信号特征量提取方法。不同岩壁硬度下的掘进机截割头振动信号经过EWT处理变为若干个分量信号;利用相关性阈值去噪对振动信号各个分量进行去噪处理;计算不同岩壁硬度下各分量与原始信号的相关性,根据选定阈值提取包含振动信息较多的分量,构建振动信号特征矢量,从而实现掘进机截割头振动信号的特征量提取。通过仿真试验表明,EWT能够有效提取不同岩壁硬度下掘进机截割头振动信号的特征量,且其性能优于奇异值分解特征量提取方法。     

基于谱峭度与变分模态分解的转子微弱不对中故障诊断

针对噪声干扰下转子微弱不对中故障特征难以提取的问题,提出一种谱峭度与变分模态分解的转子故障诊断方法。该方法首先利用谱峭度(Spectral Kurtosis)滤除信号背景噪声以强化故障特征相关信号分量,然后通过变分模态分解(Variational Mode Decomposition,VMD)将转子振动信号分解为一系列本征模态分量并对各分量进行频谱分析,提取转子的故障特征。将该方法应用到转子不对中故障实验数据中,结果表明,该方法能有效提取出转子微弱不对中故障特征,并且结果要优于基于谱峭度与经验模态分解(EMD)方法的分析结果。     

基于参数自寻优变分模态分解的信号降噪方法EI北大核心CSCD

针对滚动轴承故障信号具有非线性、非平稳、噪声强的特点,提出了一种基于参数自寻优变分模态分解(variational modal decomposition,VMD)的信号降噪方法。以模态复合熵作为适应度函数,采用改进粒子群算法进行VMD参数自适应寻优,确定变分模态分解最优模态数K和二次惩罚因子α;基于最优K和α,对原始信号进行VMD分解,得到K个本征模态函数(intrinsic mode function,IMF)分量;利用相关系数筛选法,进行模态分量的有效模态和含噪模态识别,利用小波阈值去噪方法对含噪模态进行去噪处理;将有效模态与去噪后的模态进行重构,实现信号降噪。分别用滚动轴承故障仿真信号和试验信号进行验证,并与EMD降噪方法进行比较,结果表明该方法可有效提高故障信号的信噪比,降噪效果明显,有利于滚动轴承故障特征的提取。     

基于CEEMD的心音信号小波包去噪算法研究

针对传统心音去噪方法易将其部分高频有用信息作为噪声滤除而造成滤波后的心音信号失真及信息丢失的问题,提出了一种基于互补总体经验模态分解(CEEMD)的小波包变换去噪算法。首先通过互补总体经验模态分解将心音信号分解为从高频到低频的不同固有模态函数分量(IMFs),并利用自相关函数客观界定信号的模态分量范围;然后对噪声主导模态分量和混叠模态分量采用小波包变换进行滤波提取有用信息后,与剩余固有模态分量进行重构得到去噪后的信号。实验结果表明,改进的算法不仅可以去除心音中的噪声成分,明显改善心音信号的信噪比和均方根误差,而且能够有效保留信号的高频有用信息,且在不同噪声水平下的去噪性能均优于传统算法,鲁棒性较好。     

基于变分模态分解和最大重叠离散小波包变换的齿轮信号去噪方法

针对齿轮故障信号易受噪声干扰导致故障特征难以提取的问题,提出一种基于变分模态分解(variational mode decomposition,VMD)和最大重叠离散小波包变换(maximal overlap discrete wavelet packet transform,MODWPT)相结合的信号去噪方法。采用VMD方法将齿轮振动信号分解成一系列不同中心频率的固有模态函数(intrinsic mode function,IMF),对VMD分解过程中影响其精度的主要参数选择方法进行了探究,提出相关参数的选取依据。结合能量熵增量-频域互相关系数准则以剔除分解出的高频噪声和虚假干扰成分;采用MODWPT方法对包含高频噪声的IMF分量进行去噪,以进一步提升信号的去噪效果和性能指标;最后将去噪后高频IMF分量同表征信号自身特征的敏感模态分量重构为去噪信号。通过仿真信号和齿轮断齿故障信号的分析,证明了所提方法的有效性和实用性。     

利用聚合经验模态分解抑制振动信号中的模态混叠

传统EMD易于造成分解模态的混叠,混叠后的IMF分量失去原有物理意义。聚合经验模态分解(ensemble empirical mode decomposition,EEMD),是一种将噪声辅助分析应用于经验模态分解中的新方法,可以较好的抑制EMD分解中产生的模态混叠现象,将其应用于振动信号的模态提取中,取得较好的工程效果。     

基于EEMD的SAR海洋内波参数反演

经验模态分解(EMD)方法对非平稳信号进行分解,容易出现模式混叠和边界效应,从而不能得到有物理意义的特征信息.集成经验模态分解(EEMD)能够有效地克服模式混叠和边界效应问题,可准确地提取信号的本质特征信息.在分析SAR图像反演海洋内波参数机理的基础上,本文提出了一种基于EEMD的海洋内波参数反演方法.实验结果表明:与小波分解和EMD方法相比,该方法能更有效地克服模式混叠现象,所提取的分量更接近内波波动的物理本质,所反演的内波参数与经验数据吻合.     

基于ICA-CEEMD小波阈值的传感器信号去噪

针对传感器在采集信号时混入不同的噪声,提出一种基于ICA-CEEMD小波阈值的组合去噪算法。该方法是对一维含噪信号进行剪切分段、平移和拼接,得到几个不同的含噪信号作为独立分量分析(ICA)的输入通道信号。通过ICA的盲源分离技术使得信号和噪声进行初步分离。再利用互补集合经验模态分解(CEEMD)对分离信号进行分解去噪,由于不同的高频和低频噪声,需要对分解的高阶和低阶固有模态函数(IMF)进行处理。对第一层和最后一层IMF利用3σ原则提取细节信息,进一步抑制模态混叠影响,重构去噪信号。最后,利用小波阈值对重构信号做去噪处理,提升去噪效果和性能指标。为验证该方法的有效性,进行了仿真和中北大学汾机实测实验,结果表明,该方法在去噪效果和性能指标上都优于小波软阈值去噪和基于CEEMD的小波阈值去噪方法,是一种有效的信号去噪新方法。     

解相关多频率经验模态分解的故障诊断性能优化方法

针对故障诊断中采用EMD方法存在模态混叠现象,引起故障特征提取精度低的问题。提出了一种解相关多频率经验模态分解(Decorrelation Multiple-Frequency Empirical Mode Decomposition,DMFEMD)方法,首先对初始信号添加多个频率的掩蔽信号,初步分解其中不同频率比的信号分量得到多个IMF分量;其次计算相邻IMF之间的相关系数并对其解耦,进一步分离IMF中存在混叠的部分,得到最优IMF;最终,从原始信号中减去最优IMF,然后重复上述步骤,直到残余分量为常数或单调。由于保证了IMF之间互不相关且互不干扰,因此模态混叠现象显著减弱,有效提高故障特征提取精度。利用排列熵算法对一系列最优IMF构造特征样本集,引入SVM建立故障分类模型,实现设备故障诊断。通过试验证明,DMFEMD与传统的方法相比,能有效分离不同频率比混合信号,提高分解效果。同时以轴承振动信号为例,DMFEMD可以更好的提取轴承的故障特征,结合PE与SVM能够实现不同故障类型的高效精确的诊断。     

改进的HHT方法及其在旋转机械故障诊断中的应用

针对希尔伯特-黄变换(Hilbert-Huang Transform,HHT)方法中存在的模态混叠和虚假固有模态函数(Intrinsic Mode Function,IMF)问题,提出一种基于总体包络均值经验模态分解(Ensemble Envelop Mean Empirical Mode Decomposition,EEMEMD)和虚假模态函数剔除算法相结合的改进HHT方法。该方法利用EEMEMD可准确反映加噪后信号的自身变化,一定程度上中和残留在各模态分量间的噪声,获得无模式混淆的较纯净的IMF分量。同时,通过基于归一化能量熵值的虚假模态函数剔除算法可有效剔除噪声干扰成分和迭代误差分量,从而提高信号特征提取的准确性。通过仿真分析和转子不对中故障诊断的工程实例表明,改进HHT方法能够较好地抑制模态混叠问题并有效剔除同故障无相关的虚假IMF,实现对旋转机械故障的有效诊断。     

基于CEEMDAN与SVD的泄流结构振动信号降噪方法

针对泄流结构振动信号非平稳性和特征信息被强噪声淹没的实际问题,提出一种基于具有自适应噪声的完整集成经验模态分解(CEEMDAN)和奇异值分解(SVD)联合的信号降噪方法。对一维泄流振动信号时程进行CEEMDAN分解,将信号分解为一系列固有模态函数分量(IMF),运用频谱分析方法筛选包含主要振动信息的IMF分量,滤除低频水流噪声,实现信号的初次滤波;利用排列熵理论确定含噪声较多的IMF分量,采用奇异值分解技术提取奇异值信息,运用奇异熵增量定阶理论滤除IMF分量中的高频噪声,实现信号的二次滤波;将包含结构振动信息的IMF分量重构,得到泄流结构的工作特征信息。结合拉西瓦模型振动实测数据,运用该方法进行计算分析,滤除高频和低频噪声,提取结构振动特征信息;结果表明该方法在泄流结构特征信息提取方面具有优越性,可为泄流结构在线监测和安全运行提供依据。