基于EEMD的农机轴承故障诊断

针对经验模式分解(EMD)在非线性信号处理中存在的模态混叠问题,本研究采用了总体经验模式分解(EEMD)方法对农机中的轴承进行故障诊断。将农机轴承故障信号加入随机白噪声构成总体信号再进行EMD分解,然后对分解所得的固有模态函数(IMF)做包络谱分析,在包络谱中清晰地显示出了轴承故障特征。实验结果表明,避免了模态混叠现象的产生,是一种有效的农机轴承故障诊断方法。     

基于经验模态分解和Duffing振子的轴承故障诊断

针对齿轮箱轴承振动信号故障信息容易被噪声淹没,且具有非线性、非平稳特性的问题,提出了基于经验模态分解（EMD）和Duffing振子的轴承故障诊断方法。首先对原始振动信号进行经验模态分解,找到包含轴承故障信息的固有模态函数（IMF）,然后利用Duffing振子的分岔图找到混沌振子相轨迹发生变化的内部激励力分界值,并将Duffing 振子的内部激励力频率设定为轴承故障特征频率,最后从混沌振子输出相轨迹的变化来检测齿轮箱轴承故障信息。实验结果表明,基于EMD和Duffing振子的故障诊断方法能够检测轴承故障信息。     

基于集合经验模态分解和支持向量机的滚动轴承故障诊断

针对滚动轴承振动信号的非线性、非平稳特征及强噪声特性,提出了一种基于集合经验模态分解和支持向量机的滚动轴承故障诊断方法。该方法首先对原始信号进行集合经验模态分解,将其分解为若干个固有模态分量,利用固有模态分量构造初始特征向量矩阵,然后对初始特征向量矩阵进行奇异值分解,计算奇异谱,将奇异谱作为特征向量,送入支持向量机训练、识别。分析结果表明,与经验模态分解相比,集合经验模态分解能有效解决模态混叠问题,从而准确、有效地提取滚动轴承的故障特征。     

基于EMD+FFT联合滤波方法在机床主轴非平稳信号分析中的应用

针对数控磨床主轴振动信号中噪声影响特征值提取的问题,提出了一种基于经验模态分解方法(EMD)与快速傅里叶变换(FFT)联合的滤波方案。首先利用经验模态法(EMD)将主轴振动信号分解成若干个满足内稟模态函数的IMF分量,再利用快速傅里叶变换对每个IMF分量做时频转换,可以得出IMF分量的频域图谱。对包含噪声的IMF分量进行阈值滤波,得到降噪后的IMF分量,将IMF分量重新合成为原信号。利用仿真信号对该方法实验,同时对数控机床主轴信号进行实际测试表明,该方法不仅仅能够很好地分解出主要频率成分,同时弥补了FFT变换无法分析非平稳信号的缺点,提高了EMD算法的精度,有效地滤除主轴信号中的噪声成分。     

基于EEMD多尺度模糊熵与BP神经网络的滚动轴承故障表征诊断

针对滚动轴承故障振动时间序列非线性与非平稳性特征,提出一种基于多尺度模糊熵的滚动轴承故障诊断方法。首先通过集合经验模态分解对故障振动信号进行自适应分解;根据得到固有模态函数分量(IMF)求取相应的多尺度模糊熵;在此基础上以EEMD多尺度模糊熵作为故障特征输入到BP神经网络中进行学习和分类。实验结果表明该方法能够实现对轴承的内圈、外圈及滚动体三种故障类型的诊断,准确率达到了99. 5%。     

基于RBF神经网络的离心泵地脚螺栓松动故障诊断

为了准确识别卧式离心泵地脚螺栓松动故障,搭建了卧式离心泵机组诊断平台,采用电涡流传感器对离心泵转子位移进行监测.将采集的转子位移信号经过经验模态分解法(empirical mode decomposition, EMD)分解为多个固有模态函数(intrinsic mode function, IMF),对各层IMF频谱特征、相关系数及能量占比进行分析得到故障敏感分量.最后,通过径向基(radial basis function, RBF)神经网络对离心泵松动故障进行识别预测.结果表明:采用EMD方法可以有效提取出离心泵松动故障特征,IMF5—IMF8层可作为故障特征分量.通过将IMF5—IMF8层的相关系数和能量占比作为故障特征输入到RBF神经网络中进行识别,准确率可达95%.     

基于优化VMD组合降噪和LMD的水轮机空化声发射信号特征提取

针对水轮机空化声发射信号存在噪声,进而影响信号特征有效提取的问题,提出基于优化变分模态分解(VMD)与Birge-Massart策略组合降噪和局部均值分解( LMD)的水轮机空化声发射信号特征提取方法.针对VMD算法中惩罚因子和分解模态数对分解结果有着显著影响,提出以散布熵差异相关系数最小值为目标函数,利用哈里斯鹰优化算法(HHO)对VMD进行参数寻优.以最优参数的VMD分解信号,得到一系列本征模态函数(IMF).计算各IMF的相关系数,对相关系数小于0.1的IMF进行剔除,大于0.5的IMF进行保留,0.1到0.5的IMF采用小波BM准则进行降噪,并与保留的分量重构.对重构信号进行LMD处理,将分解得到的乘积函数(PF)分量的能量提取为信号特征.试验分析结果表明,经过优化VMD组合降噪处理和LMD处理得到PF分量的能量与空化系数之间呈负相关,验证了所提方法用于水轮机空化状态识别的可行性.     

基于EEMD与SVM的滚动轴承故障诊断分析

针对滚动轴承故障振动信号的非平稳与非线性的特点,提出一种基于集合经验模态分解(EEMD)指标能量的滚动轴承故障诊断分析方法。首先利用集合经验模态分解对滚动轴承故障振动信号进行降噪处理,提取故障振动信号能量特征,在此基础上构建相应的故障特征向量;然后通过SVM对滚动轴承故障进行分类,从而实现了对滚动轴承不同故障的有效诊断。     

基于广义形态学滤波和EEMD分解的滚动轴承故障诊断

在信号处理中,由于严重噪声的干扰,往往会对EEMD分解造成影响,因此提出广义形态滤波和EEMD相结合的方法。首先利用广义形态滤波对故障信号进行滤波,减小噪声的干扰,然后利用EEMD对去噪后的信号分解,选择相关系数最大的本征模态分量并从其频谱图中提取特征频率。结果证明该方法能成功地去除噪声对EEMD分解的影响,从而能准确检测到故障信号的特征频率,具有广泛的应用前景。     

基于ReliefF和DBN的齿轮箱故障模式识别方法研究

考虑到齿轮箱中齿轮和轴承等零部件振动信号故障特征难以提取,故障模式无法准确识别的问题,提出了一种将齿轮箱振动信号特征利用Relief F算法进行降维,然后利用深度置信网络进行模式识别的分类方法。首先采用变分模态分解算法对齿轮箱振动信号进行预处理,将信号分解成多个包含故障特征的IMF分量;计算每个IMF分量的时域及能量熵特征,运用Relief F算法选取其中的敏感特征以降低原始特征维度;将敏感特征向量输入到深度置信网络中,实现故障类型的模式识别。实验结果表明,使用降维后的特征向量比使用降维前的特征向量,识别准确率更高。