基于EEMD和能量算子解调的滚动轴承故障诊断

传统的小波分解存在小波基函数难以选择的问题,经验模式分解（EMD）存在模式混叠现象,不能准确地诊断出轴承故障。因此本文将集成经验模式分解（EEMD）和能量算子解调相结合,建立了滚动轴承单自由度模型,仿真故障激励,以获取轴承故障动力学响应。最后利用模型结果对本文方法进行数值验证,以证明本文所提方法的有效性和正确性。     

基于自相关能量算子解调的轴承故障诊断方法

针对轴承早期故障特征淹没在噪声信号中难以提取的问题,提出了基于自相关能量算子解调的故障诊断方法。首先,对实测信号进行自相关变换处理,抑制信号中的噪声成分;其次,用能量算子解调法对信号的自相关函数进行解调,提取故障特征。通过实测信号分析、与Hilbert解调法的相比,表明所提方法的有效性和优越性。     

微机对调制信号的包络解调

应用检相原理，可以提取有限长度调制信号和包络解调。通过改变Ａ／Ｄ转换器的位数，提高检相分辨率，它与检测对象的速度无关。这为提高检相分辨率展示了新的途径。     

基于广义S变换的BOTDR信号包络解调

基于BOTDR的布里渊散射分布式光纤传感器所检测的散射光信号非常微弱,且频带在30 MHz左右,本文提出应用广义S变换对散射光信号进行幅度解调.广义S变换同时具有短时傅里叶变换和小波变换的优点.通过仿真和实验数据处理验证,基于广义S变换的解调算法可以有效提取BOTDR信号的包络信息,优于传统的Hilbert变换方法,提高了传感系统的检测性能.     

基于局域均值分解包络谱和神经网络的轴承故障诊断研究

滚动轴承振动信号是非平稳信号,而且往往是由许多分量的调频调幅信号组成;轴承故障特征频率容易被高频的调频调幅信号淹没;局域均值分解技术是近年来新的时频分析方法,能够有效的处理非平稳信号;它能将多分量的调制信号自适应的分解为若干个生产函数(PF)分量,每个PF分量都是一个单分量的调幅调频信号,包含了原始信号的局部特征;利用共振解调技术对每个PF分量进行包络分析,能够有效地提取高频载波中的故障特征频率;同时,为了实现智能诊断,提取各PF分量包络信号的能量值作为特征向量,训练BP神经网络,从而达到智能诊断目的。     

基于软件共振解调分析的滚动轴承故障诊断系统开发

滚动轴承是机械设备的重要组成部分,很大一部分的机械故障都是由它引起的,共振解调是一种有效的分析滚动轴承故障信号的方法,本文使用办报编程实现共振解调,利用Labwiew软件,在完全依靠软件信号处理方法的基础上,成功实现了故障信息的提取,降低了系统的成本,提高了系统的实用性。     

小波包络新方法在液压泵故障诊断中的应用

提出了一种基于小波簇的带通滤波和包络解调新方法。通过合理的选择小波参数,用多个单Morlet小波组成的小波簇可构成具有零相移、平顶通带及快速衰减过度带特性的带通滤波器,用于提取振动信号的高频成分。由于该小波簇的虚部是实部的Hilbert变换,可实现包络解调,从而提取振动信号在高频谐振带的包络成分。将该方法用于轴向柱塞泵故障的诊断中,结果表明可有效地提取了故障特征频率,诊断结果验证了该方法的有效性。     

基于新小波阈值的轴承故障诊断方法

对于滚动轴承的故障分类方法抗干扰性差、准确率低等问题,文中提出一种新小波阈值的滚动轴承故障特征提取方法.通过计算每层分解后数据与原始数据的相关系数,改变调节因子,在不同分解层中选取阈值和阈值函数,达到寻求最优信噪比的目的.以型号为6205-2RS的滚动轴承故障信号为例进行仿真实验,对降噪后的频谱以及LS-SVM诊断结果...     

基于改进HHT的风力发电系统轴承故障诊断

轴承是风力发电机组中故障率较高的部件,其故障信号为非线性、非平稳信号,经验模态分解是一种自适应的信号处理方法,可用来分析此类信号,但是模态混叠使得经验模态分解无法准确地将固有模态分离出来。针对此问题,采用总体平均经验模态分解进行改进,利用高斯白噪声的频率均匀分布的统计特性,抑制模态混叠现象,并通过计算固有模态函数与故障信号的互信息来剔除虚假分量,从而得到更准确的Hilbert-Huang谱,由此提取故障信息,判断故障类型。仿真试验及轴承故障诊断实例均证明了该方法的有效性。     

基于改进EEMD和MED的滚动轴承早期故障诊断

为了优化EEMD算法的去噪效果,采用一种归一化指标来自适应优化EEMD的去噪效果。该方法对信号进行迭代EEMD分解,运用敏感IMF选取方法,自适应选取每次EEMD分解得到的敏感IMF来重构信号,并通过该归一化指标来评价去噪效果并确定EEMD中的迭代次数,得到优化的去噪信号。再对该去噪信号进行MED滤波,最后进行包络谱分析,再与轴承理论上的特征频率进行比对,从而完成故障诊断。用模拟轴承故障信号与实测信号验证了该方法的可行性。     

基于改进小波去噪和EMD方法的轴承故障诊断

将改进的小波阈值去噪与EMD分解相结合应用于轴承故障诊断中。该方法首先利用改进的小波阈值去噪法对原始信号进行去噪,然后采用EMD方法将去噪后的信号自适应地分解成一系列IMF分量之和,通过能量-相关系数法选取能够反映故障特征的IMF分量进行包络谱分析提取故障频率。实验结果表明该方法能够有效识别故障特征频率。     

运载火箭测试数据分析与故障诊断方法

针对如何从运载火箭大量历史测试发射数据中发掘有用信息的问题,提出了一种基于数据挖掘的运载火箭数据分析与故障诊断方法,为火箭的故障诊断、产品设计、状态检测提供服务。针对火箭数据的特性和实际业务分析的需求,使用基于皮尔逊系数的相关性分析方法、基于希尔伯特变换的包络分析方法、基于窗口滑动函数的故障诊断方法组建火箭数据分析平台,对运载火箭的数据进行了深层次的挖掘和诊断。采用某型号火箭测试数据对火箭数据分析平台进行了验证,结果表明:以数据驱动的火箭数据分析平台相关性分析准确、参数包络线绘制精准、可有效识别异常数据,分析结果与理论知识相符,具有较高的实用价值,相比于传统数据分析方法更为精准、全面。     

基于EEMD和GA-BP的列车辅助逆变器开路故障诊断研究

地铁列车随着运营年限增加,辅助逆变器故障频发,严重制约轨道交通安全运营,故障及时诊断至关重要。针对列车辅助逆变器典型的大功率器件开路故障,提出了一种基于集合经验模态分解(EEMD)和遗传算法优化的BP神经网络(GA-BP)的故障诊断方法,该方法以辅助逆变器输出的三相半波电压值为监测信号,通过EEMD分解采用能量矩的方法提取故障特征向量,基于GA-BP神经网络实现故障智能诊断。仿真实验结果表明该方法故障诊断准确率能达到95.5%。     

Implementation of Envelope Analysis on a Wireless Condition Monitoring System for Bearing Fault Diagnosis

 Envelope analysis is an effective method for characterizing impulsive vibrations in wired condition monitoring (CM) systems. This paper depicts the implementation of envelope analysis on a wireless sensor node for obtaining a more convenient and reliable CM system. To maintain CM performances under the constraints of resources available in the cost effective Zigbee based wireless sensor network (WSN), a low cost cortex-M4F microcontroller is employed as the core processor to implement the envelope analysis algorithm on the sensor node. The on-chip 12 bit analog-to-digital converter (ADC) working at 10 kHz sampling rate is adopted to acquire vibration signals measured by a wide frequency band piezoelectric accelerometer. The data processing flow inside the processor is optimized to satisfy the large memory usage in implementing fast Fourier transform (FFT) and Hilbert transform (HT). Thus, the envelope spectrum can be computed from a data frame of 2048 points to achieve a frequency resolution acceptable for identifying the characteristic frequencies of different bearing faults. Experimental evaluation results show that the embedded envelope analysis algorithm can successfully diagnose the simulated bearing faults and the data transmission throughput can be reduced by at least 95% per frame compared with that of the raw data, allowing a large number of sensor nodes to be deployed in the network for real time monitoring.