一种改进阈值函数与EMD结合的轴承故障诊断方法

在电机的振动信号中,若电机轴承发生故障,则故障通过一种周期性的循环冲击形式表现出来,而且通常伴随有噪声干扰在这里面,所以提取这个轴承的故障特征会变得困难。正文提出一种新的过滤噪声方法,该方法基于新的自适应阈值的改进阈值函数,可以滤掉小波分解细尺度上的噪声,并且细节系数此时也可以很大限度地保留下来,最终,噪声也在宽尺度上被高效地过滤掉。若将滤除噪声后的信号做EMD处理,并且在选取IMF时,根据互相关系数结合峭度准则可以排除IMF分量在选择时候的无目的性。通过对仿真结果的分析,轴承故障能通过这种方法快速准确地检测出来,最终证明了这个方法的有效性。     

基于EMD分解在电火花数据分析的应用

经验模态分解(empirical mode dccomposition,EMD)是处理非平稳、非线性信号一种有效的新方法。运用EMD分解法将脉冲典型负荷—电火花信号中本征模态函数(intrinsic mode function,IMF)分量逐级分离出来,得到原信号的多尺度振荡特性;分析各个分量与原序列的显著性检验和相关系数以及各个分量自身的周期性。用IMF分量和趋势项合成原序列并作误差分析,得到信号的总误差率通过理论计算为4.3%。利用bior4.4和db2两种小波基在3层分解系数基础上对电火花数据展开小波包变换。最后借助MATLAB平台对EMD和小波包分解方法进行仿真并做理论对比分析。结果表明,EMD分解法在提取机床运行放电特性及不同工况下信号更具优越性和有效性,提取结果更能满足实际工程应用需求。     

旋转机械振动信号基于EMD的希尔伯特变换和小波变换时频分析比较

基于经验模态分解(Empirical Mode Decomposition，EMD)的希尔伯特变换(Hilbert Ttransformation，HT)，是先把一列时间序列数据通过经验模态分解，然后经过希尔伯特变换获得频谱的信号处理新方法。介绍了该方法的理论和算法。对仿真和旋转机械油膜涡动故障振动信号分别用基于EMD的HT和基于小波变换(Wavelet Transformation，WT)的时频分析在时域、时频域和频域进行了比较研究，研究结果说明，旋转机械振动信号基于EMD的HT时频分析方法比基于WT的有效。     

基于小波包和改进核最近邻算法的风机齿轮箱故障诊断方法

齿轮箱作为风力机组的核心部件,故障频发,研究风机齿轮箱的故障诊断方法意义重大。针对最近邻(KNN)诊断方法对离群噪声不敏感和诊断精度较低的缺陷,提出了基于小波包和改进核最近邻算法的风机齿轮箱故障诊断方法。该方法应用小波包分析技术对故障特征进行提取,利用互近邻准则将故障数据集中的离群噪声点剔除,构建出基于核空间的改进型最近邻分类决策规则来识别齿轮箱的故障类型。试验表明:该方法可以有效地提升故障诊断精度和鲁棒性,为智能诊断技术的研究提供新思路。     

独立分量分析-经验模态分解特征提取在水电机组振动信号中的应用

提取出水电机组振动信号中故障特征和微弱征兆信号,可以更好地了解机组的运行状态和故障发展趋势,但由于水电机组多源振动信号的相互混叠,信号呈现出非线性、非平稳性,故障特征信号提取是该领域的一个难题。为此该文提出了一种基于独立分量分析(independent component analysis , ICA)和经验模态分解(empirical mode decomposition,EMD)的特征提取新方法(ICA-EMD)。首先,用 ICA 将多通道振动信号分离成为统计独立分量;然后,对这些统计独立分量做自相关分析,消除环境噪声的影响;最后,对消噪后的所有统计独立分量统计逐一进行EMD分解,并将各个统计独立分量内蕴的同频本征模态函数进行累加重构,最终提取出能表征机组故障的本征模态函数。仿真信号和实测信号的试验验证表明,与其他方法相比,该方法在提取故障早期信号、微弱信号和突变信号方面更具优越性和有效性,提取结果更能满足实际工程应用需求。     

小波变换及经验模式分解方法在电机轴承早期故障诊断中的应用

电机轴承早期故障的有效诊断是实现安全生产、避免大事故的技术前提。文中用高精度加速度传感器采集电机轴承振动信号，采用小波变换实现信噪分离，提取淹没在噪声背景中的早期故障特征信息，然后对提纯的信号进行经验模式分解（EMD）而得到若干个基本模态分量（IMF），再计算各基本模态分量的频谱。理论及试验研究结果表明：按此方法得到的各基本模态分量的频谱突显了轴承的故障特征信息，能有效诊断出轴承的早期故障。     

故障电流与励磁涌流的EMD特性分析

从IMF(intrinsic mode functions)需满足的两个条件出发,定性分析了故障电流、非对称涌流、对称涌流经过EMD (empirical mode decomposition)分解后各自的IMF波形组成特征。在此基础上提出主导IMF概念,并利用IMF的能量特征对主导IMF进行提取,然后采用故障电流与涌流不同的主导IMF组成特征对其进行区分。另外,理论分析考察了恒定直流分量和衰减非周期分量对IMF组成特征的影响。在Matlab下对动模仿真数据分析结果表明了故障电流与涌流在主导IMF构成上差     

故障电流与励磁涌流的EMD特性分析

从IMF(intrinsic mode functions)需满足的两个条件出发,定性分析了故障电流、非对称涌流、对称涌流经过EMD(empirical mode decomposition)分解后各自的IMF波形组成特征.在此基础上提出主导IMF概念,并利用IMF的能量特征对主导IMF进行提取,然后采用故障电流与涌流不同的主导IMF组成特征对其进行区分.另外,理论分析考察了恒定直流分量和衰减非周期分量对IMF组成特征的影响.在Mat lab下对动模仿真数据分析结果表明了故障电流与涌流在主导IMF构成上差别明显,是一个识别涌流的简单实用判据.     

超声信号的改进EMD阈值方法降噪研究

在进行工业超声无损检测的过程中,由于环境、仪器等原因产生噪声,对后续缺陷分析等工作形成一定干扰,不利于完成后期数据分析。因此为了使信号的信噪比有所提高,提出了一种改进的经验模态分解阈值降噪算法。同时对比小波软阈值降噪法与经验模态分解清除重复间隔阈值的方法,在MATLAB仿真软件中建立超声回波数学模型并进行算法验证。实验结果表明,经验模态分解降噪方法优于小波阈值降噪,改进后的经验模态分解阈值降噪方法在信噪比、均方误差、光滑度3个方面均有所提高,达到了较好的降噪效果。     

基于瞬时能量熵和SVM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特性和难以获得大量实际故障样本的情况,提出了一种基于经验模式（EMD）分解的新型故障特征撮方法,并与支持向量机（SVM）相结合实现滚动轴承的故障诊断.该方法首先将振动信号进行小波包降噪,再对去噪信号进行EMD分解,求解分解后各单元的瞬时能量变化,取瞬时能量变化的熵值组成特征向量,最后将其作为支持向量机的输入实现滚动轴承故障分类.经过实验验证,该方法能够有效的识别轴承正常状态、内圈故障、外圈故障以及滚珠故障.     

经验模态分解奇异性检测的配电网混合线路测距方法

含架空线和电缆的配电网混合线路发生故障时,故障行波信号传播复杂,波头识别困难。提出一种分形维数与经验模态分解（EMD）奇异性检测结合的配电网混合线路单端行波测距方法。对故障产生的行波信号进行分形滤波后,利用经验模态分解方法提取出高频信号的固有模态函数（IMF）,进行奇异性检测实现行波波头的准确标定,最后利用A型行波测距原理实现配电网混合线路的故障测距。PSCAD仿真结果表明,该方法具有较高的准确性和可靠性,能够有效识别出混合线路中故障点反射波和对端母线反射波,实现故障测距。     

GREEN FUNCTION在齿轮箱故障诊断中的运用

为了找出齿轮箱故障的定量规律,通过对齿轮箱的振动信号的测试及分析,发现ＧＲＥＥＮＦＵＮＣＴＩＯＮ对齿轮箱故障的诊断行之有效,并且成功地找出了Ｇ１０、Ｇ１０′等齿轮箱故障的定量诊断参数．     

小波包分解在电机故障诊断中的应用

针对常用的时域和频域分析在诊断电机故障时存在不能同时诊断出故障时间和类型的问题，在分析电机故障特征的基础上，利用时频两域都具有表征信号特征能力的小波，对采集来的电机振动信号进行小波包分解，利用分解的小波系数，在各个频段上进行小波信号重构，并计算信号各个频段的能量特征值，提取故障特征，诊断故障发生的时间和故障类型。经仿真验证，小波包分解能将故障信号有效划分到不同的频段内，而且时域和频域局部化特性好，能有效地诊断出电机故障，具有良好的理论意义与工程应用价值。     

改进型灰色关联算法在变压器故障诊断中的应用研究

本文中作者介绍了灰色关联度分析的计算方法,分析了改进型灰色关联算法的基本原理,结合实例对改进型灰色关联算法在变压器故障诊断中的应用进行了研究。     

基于EMD和SPS的容差模拟电路故障诊断

针对具有容差的模拟电路故障诊断难题,提出了结合经验模态分解(EMD)和子带多态谱(SPS)的提取模拟电路故障特征新方法。首先计算出待测试电路的二阶Volterra核序列,然后用EMD对Volterra序列进行分解,获得本征模态函数(IMFs),最后通过计算IMFs的倒谱(CS)和Hiltert谱(HS),对时频域的多态数字故障特征进行提取,从而将容差模拟电路中的软故障和非线性故障进行分离,完成模拟电路故障诊断。实验结果表明,该方法能够有效地解决故障混叠难题,提升故障元件定位和分离的能力。     

基于支持向量机的齿轮箱齿轮故障诊断

通过对风机传动系统中齿轮故障进行模拟试验,构建结构风险最优的支持向量机（SVM）网络,对采集到的电磁速度信号进行快速傅里叶分解,选取高频段的频谱特性作为分量进行样本化学习,完成对齿轮故障样本的训练,使SVM具备分类功能.最后,采用SVM对齿轮箱试验台齿轮故障进行诊断分类识别,取得较好的效果,说明齿轮故障信号高频特性所包含故障信息在整个频谱中的有效性以及SVM作为一种故障诊断方法的实用性.     

基于EMD的图像信号去噪的改进算法

根据EMD对图像信号进行分解,本文讨论了采用硬阀值去噪声和软阀值去噪的方法的优劣性,并提出了EMD＋SG滤波器组合去噪的方法,对前N／2个IMF采用SG滤波器对每一数据点的一个邻域（长度为n的滑动窗口）进行滤波,用一元P阶多项式根据最小二乘法准则,拟合出邻域内的最佳值作为去噪后的数值,再与后N／2个IMF进行图像重构。实验表明,该算法比其它算法具有较好的去噪效果。