共查询到20条相似文献,搜索用时 15 毫秒
1.
基于EMD的能量算子解调方法及其在机械故障诊断中的应用 总被引:21,自引:3,他引:21
为了提取多分量的AM-FM信号的频率和幅值信息,提出了基于EMD (Empirical mode decomposition)的能量算子解调法,并将它应用于机械故障诊断中。该方法首先采用EMD将多分量的AM-FM信号分解成若干个IMF(Intrinsic mode function)分量之和,然后对每一个IMF分量进行能量算子解调,从而提取多分量的AM-FM信号的幅值和频率信息。对机械故障振动信号的分析结果表明,基于EMD的能量算子解调法能有效地提取机械故障振动信号的特征。 相似文献
2.
针对机械故障振动信号多为调制信号的特点,为了更好地提取多分量调幅调频信号的幅值和频率信息,提出了基于微分的经验模式分解(DEMD)与对称差分能量算子相结合的解调方法。利用DEMD算法将原始振动信号进行分解,得到若干个单分量信号;对每一个单分量信号进行三点对称差分能量算子解调,得到各单分量信号的瞬时幅值和瞬时频率,并计算出包络谱。将该方法应用于仿真信号和滚动轴承故障信号的诊断,实验结果表明,该方法能有效地提取机械故障信号的故障特征,实现旋转机械故障诊断。 相似文献
3.
针对变速下齿轮裂纹故障信号微弱,难以提取这一特点,提出了基于线调频小波路径追踪的阶比能量解调算法,并将其应用于变速下的齿轮裂纹故障诊断。该方法先采用线调频小波路径追踪算法提取齿轮的啮合频率分量,由此得到转速信号;然后利用转速信号对原始信号进行等角度采样得到角域平稳信号;接着对角域平稳信号进行带通滤波和角域平均运算以消除干扰噪声的影响;最后使用能量算子解调求取瞬时频率和瞬时幅值,根据瞬时频率和瞬时幅值进行故障诊断。应用实例表明,该方法能有效地提取变速下的齿轮裂纹故障。 相似文献
4.
基于LMD的能量算子解调机械故障诊断方法 总被引:2,自引:0,他引:2
为了提取多分量调幅调频信号的幅值和频率信息,提出了基于局部均值分解(local mean decomposition,简称LMD)的能量算子解调机械故障诊断方法.该方法先利用LMD将机械调制信号分解成若干个乘积函数(production function,简称PF)分量,然后对每一个PF分量进行能量算子解调,获得信号的幅值和频率信息进行故障诊断.利用该方法对仿真信号以及轴承和齿轮故障振动信号进行实验研究的结果表明,基于LMD的能量算子解调方法能够有效地提取机械故障振动信号特征. 相似文献
5.
6.
齿轮箱起动过程故障诊断 总被引:3,自引:0,他引:3
针对齿轮箱升降速过程中振动信号非平稳的特点,将阶次跟踪、角域平均和Teager能量算子分析技术相结合,提出了基于阶次跟踪和Teager能量算子分析的齿轮箱故障诊断方法.首先对齿轮箱升降速瞬态信号进行时域同步采样,再对时域信号进行等角度重采样,转化为角域平稳信号,然后对角域信号进行角域平均和带通滤波,以消除干扰噪声的影响,最后由Teager能量算子计算振动信号的瞬时频率和瞬时幅值,根据瞬时频率和瞬时幅值图,就可提取齿轮的故障特征.通过对齿轮齿根裂纹故障试验信号的分析,表明该方法能有效地诊断齿轮的裂纹故障. 相似文献
7.
8.
9.
10.
基于局部特征尺度分解的经验包络解调方法及其在机械故障诊断中的应用 总被引:11,自引:0,他引:11
提出一种基于局部特征尺度分解(Local characteristic-scale decomposition, LCD)和经验包络(Empirical envelope method, EE)解调的非平稳信号分析方法。该方法通过局部特征尺度分解将一个复杂信号自适应地分解为若干个内禀尺度分量之和,对得到的各个内禀尺度分量进行经验包络解调,得到各个分量信号的瞬时幅值和瞬时频率信息,从而得到原始信号完整的时频分布。采用仿真信号将基于LCD和EE解调的时频分析方法和希尔伯特黄变换方法进行对比,结果表明,新提出的信号分解和解调方法在抑制端点效应和迭代所需时间,瞬时特征的精确性等方面优于希尔伯特黄变换方法。针对滚动轴承和齿轮故障振动信号的调制特点,将基于LCD和EE的时频分析方法引入机械故障诊断中,对试验信号的分析结果表明,基于LCD和EE的时频分析方法能有效地提取机械故障振动信号的特征。 相似文献
11.
局部均值分解(Local mean decomposition,LMD)在分析非线性、非平稳信号时表现出特有的分析能力,能够有效获得非平稳信号的时频特征,但是局部均值分解过程中的端点效应会导致分解结果失真,针对这一问题,从振动信号解调分析角度出发,提出基于对称差分能量算子解调的局部均值分解端点效应抑制方法,采用局部均值分解方法将原信号分解为一系列单分量信号,然后对每一个单分量信号进行三点对称差分能量算子解调,得到各单分量信号的瞬时幅值和瞬时频率,从而获得原信号的时频分布。为评价该端点效应抑制方法的抑制效果,定义一种评价标准,通过与其他两种端点效应抑制方法进行比较,验证该方法的优越性。仿真和试验结果表明该方法能够有效抑制LMD端点效应,实现旋转机械故障的有效诊断。 相似文献
12.
针对滚动轴承发生局部故障时振动信号中微弱周期性冲击的特征提取问题,提出参数优化集合经验模式分解(optimal ensemble empirical mode decomposition,简称OEEMD)与Teager能量算子解调结合的滚动轴承故障诊断方法。首先,针对集合经验模式分解(ensemble empirical mode decomposition,简称EEMD)过程中两个关键参数k(加入白噪声的幅值系数)和m(集合平均次数)的准确选取问题,通过引入相关系数、相关均方根误差和信噪比分析,给出一种可自适应确定这两个参数取值的OEEMD方法,通过OEEMD将冲击从滚动轴承振动信号中分离出来;其次,采用Teager能量算子对其进行包络解调,计算出瞬时幅值后再对瞬时幅值进行包络谱分析,以获取冲击的特征频率,从而对滚动轴承故障进行准确诊断。仿真信号分析和应用实例验证了该方法的有效性。 相似文献
13.
基于迭代Hilbert变换的多分量信号解调方法研究及应用 总被引:2,自引:0,他引:2
旋转机械系统发生故障时,其振动信号通常为多分量AM-FM信号。针对传统的解调方法在多分量振动信号故障特征提取中的局限性,提出一种利用迭代Hilbert变换(Iterated Hilbert transform,IHT)进行机械故障诊断的新方法。介绍IHT的基本原理;通过对任一两分量的AM-FM信号的分析表明利用IHT得到的相位信息直接估计瞬时频率具有一定的局限性,于是提出基于差分算和零相位数字低通滤波的平滑的瞬时频率估计方法,并通过仿真试验表明,与自适应分割算法和Hilbert-Huang变换相比,该方法具有很高的精度且速度较快。对具有外圈故障的滚动轴承和具有断齿故障的齿轮箱振动信号的分析结果表明,基于IHT的多分量AM-FM信号解调方法能有效地提取机械故障振动信号中的故障特征。 相似文献
14.
15.
《机械设计与制造》2016,(6)
针对在强噪声背景下早期轴承故障振动信号的非线性,非平稳性以及信号出现的复杂调制现象,提出一种基于EMD与自相关函数相结合的能量算子解调故障诊断方法。该方法首先根据信号的小波包熵值对信号小波包降噪,而后降噪信号进行EMD分解,提取相关度最大的IMF分量进行自相关函数分析的方法进一步抑制噪声对提取特征频率的干扰,然后对降噪处理过的信号进行能量算子解调,从而实现提取轴承的故障信号的幅值和频率信息。对机械故障振动信号进行实验分析表明,相对于单纯的小波包分析预处理存在的降噪效果不理想以及普通Hilbert解调法的运算精度满足不了诊断需求的情况,该方法能够有效解调出故障频率信息,以实现对故障类别的推断。 相似文献
16.
17.
针对传统包络方法中存在的不足,提出一种新的能量转换表达。该种新的能量表达主要基于高阶对称能量算子。这种新的表达可以跳过求包络信号这一步,而直接得出故障信号的能量,从而从能量谱中分辨出轴承故障特征及其倍频。同时,由于采用了对称高阶求导方法,大大增强了检测轴承微弱信号的能力,可以从受到严重污染的测量信号中提取出轴承故障特征,因此它具有更好的鲁棒性。将该方法应用到仿真模拟信号与实际轴承故障信号中,并与传统的解调算法Teager能量算子和希尔伯特变换进行对比,证明了该方法的实用性和优越性。 相似文献
18.
针对滚动轴承升降速过程中非平稳信号的瞬时频率估计精度不足的问题,提出一种连续非线性调频小波变换的拟合方法来提高瞬时频率估计的精度。利用非线性调频小波变换产生良好能量聚集性的时-频分布,将仿真信号做时-频分布,然后再用峰值搜索在时频面上提取峰值,最后利用最小二乘法对瞬时频率进行拟合。MATLAB的实验结果表明,基于连续非线性调频小波变换的滚动轴承瞬时频率估计方法在低信噪比下可一定程度上提升信号瞬时频率估计的精度。 相似文献
19.
针对非稳态谐波分析中时频参数检测精度较低的问题,提出一种基于自适应变分模态分解(AVMD)与改进能量算子的非稳态电力谐波分析方法。首先,采用AVMD对非稳态谐波信号进行分解,其中采用波形特征匹配法对非稳态谐波信号进行延拓以减轻边界效应影响,并提出能量差和相关系数作为AVMD中模态分解个数的判据;结合模态分量,提出改进间隔采样能量算子快速提取谐波的瞬时幅值和频率,根据差分和信号完成其起止时刻的定位,实现非稳态谐波时频参数的快速准确测量。仿真与实测结果表明,本文方法能够在电网工频波动、间谐波以及噪声干扰等情况下有效完成非稳态谐波的准确检测,实现暂态谐波的精确定位,且对非稳态谐波频率、幅值的最大检测误差分别为0.094 9%和0.931 4%。 相似文献
20.
随机共振降噪下的齿轮微弱故障特征提取 总被引:1,自引:0,他引:1
针对强背景噪声下的齿轮微弱故障特征提取问题,提出了一种将级联单稳随机共振与经验模式分解(EMD)-Teager能量算子解调方法相结合的特征提取方法。首先对含噪故障信号进行随机共振输出,降噪后再进行经验模式分解,分解得到具有不同特征时间尺度的固有模态函数(IMFs),最后通过Teager能量算子解调方法求取每个有效IMF分量的幅频信息,从而提取齿轮微弱故障特征。仿真分析和实际测试结果均表明,通过随机共振降噪后,该方法能有效检测出齿轮局部损伤故障特征频率。 相似文献