基于小波降噪和EMD分解方法的轴承故障诊断

为解决在复杂噪声和工频及其倍频干扰条件下滚动轴承故障诊断问题,进行了小波降噪和经验模态分解(EMD)研究。利用小波高分辨率的特性,将时变非平稳信号分解到独立的频段上,重构信号能够滤除噪声干扰,提取特定频段的信号。对滤波后的特征信号进行总体经验模态分解,得到若干固有模态函数(IMF),以峭度最大值准则,选取故障敏感的IMF分量进行包络分析,从而提取故障特征频率。与轴承故障频率理论值相比,误差极小,从而说明该方法对于提取含噪声的轴承故障特征的有效性。     

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EEMD与EMD的降雨序列多时间尺度对比分析

针对水文时间序列多时间尺度分析问题，分别应用经验模态分解(EMD)与总体经验模态分解(EEMD)方法进行对比研究。论文首先将EMD与EEMD进行测试函数仿真对比分析，结果表明EEMD较EMD能较好的解决模态混叠现象。将其应用于湖北省降雨序列演变特性分析，并引入基于LSSVM信号延拓方法以消除水文序列的端点效应，结合小波分析结果对比验证表明，EEMD作为一种新的信号处理方法，较EMD能更精确地获取降雨时序的多时间尺度特性，可为水文时间序列演变规律分析提供依据。     

微分经验模态分解和能量矩阵相结合的水电机组故障信号预处理方法研究

针对经验模态分解方法在处理水电机组振动这类由多重信号和噪声耦合的信号时出现的模态混叠现象,提出了一种微分经验模态分解和能量特征相结合的水电机组故障信号预处理方法.通过微分经验模态算法对信号进行分解,接着构造各阶微分信号能量矩阵,通过能量矩阵可以筛选出有效的分量.仿真试验表明微分经验模态分解能有效的避免模态混叠效应,使用...     

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EMD与神经网络的内燃机气门间隙故障诊断

利用LabVIEW构建了基于EMD与神经网络的内燃机气门间隙故障诊断系统。用490BPG型发动机在转速为1200r/min、无负荷时进行了试验研究,采用经验模式分解EMD方法对气门振动信号进行分解,对分解得到的前4个固有模态函数IMF分别求其关联维数,将IMF1-IMF4的关联维数作为神经网络的输入向量,用4种工况的80组样本训练了内燃机气门故障诊断系统的网络模型。试验结果表明,20组测试样本的测试结果均与实际状况相一致,诊断准确率为100%,该系统能快速准确地识别内燃机气门间隙故障。     

基于经验模态分解和S变换的缺陷超声回波检测方法

为对金属材料超声无损探伤中的微小缺陷回波进行检测,建立了金属材料背散射信号模型,讨论了调幅回波模型的中心频率估计的无偏性,并提出基于经验模态分解(EMD)和S变换的缺陷回波检测方法。首先对原始信号作EMD,通过时间尺度滤波重构信号,实现初步去噪;为抑制EMD去噪后信号的信噪混叠现象,执行基于S变换和最大类间方差法的去噪算法,进行二次去噪,得到信噪比较高但缺陷回波幅值衰减较大的信号。最后采用二次S变换修正二次去噪中因S变换导致的缺陷回波幅值降低量。对仿真信号和实际棒材检测信号的处理结果证明了该方法在去除噪声和缺陷回波检测方面的有效性。     

基于最小熵反褶积与HHT方法的滚动轴承故障特征提取

滚动轴承作为旋转机械的重要支撑部件,对其进行早期故障诊断能提高机械运转的安全性。滚动轴承在故障早期故障信号极其微弱,并夹杂强噪声,采用希尔伯特-黄变换(HHT)分析故障噪声过程中,其分解得到的前几个本征模态函数中会出现端点效应,不利于故障部位的精准定位。本文采用最小熵反褶积方法提取冲击性较大的有效信号成分,提高信号的信噪比,实现滚动轴承故障特征的有效提取。实验结果表明MED能有效的提取滚动轴承故障早期信号的冲击成分,充分抑制了EMD分解带来的端点效应,提高了滚动轴承故障诊断的精度。     

基于EMD和Teager能量的滚动轴承故障诊断

对滚动轴承故障信号进行Teager能量谱分析是一种有效的方法,但是Teager能量算子使用对象为单分量信号.根据EMD （Empirical Mode Decomposition）能够自适应地把信号分解成单分量调制信号IMF（Intrinsic Mode Function）的特点,提出了一种基于EMD和Teager能量的故障诊断方法.通过对EMD分解出的与原信号互相关系数最大的分量作Teager能量谱分析进行诊断.分析了滚动轴承故障实验信号,并与信号的直接Teager 能量谱作了比较,验证了该方法的有效性.     

基于经验模态分解的冲击脉冲法研究

提出基于经验模态分解的冲击脉冲法,带通滤波后,进一步采用经验模态分解方法自适应滤波提取故障轴承振动信号中的调制信息,最后应用Hilbert变换解析出故障频率。仿真信号和实验验证结果表明,与仅仅采用带通滤波器滤波比较,该方法更能突出故障频率成分,避免误诊断。     

希尔伯特-黄变换在农业机械故障诊断中的应用

在对农业机械故障发生的原因及征象进行分析的同时应用希尔伯特—黄变换方法对农业机械的故障点进行了观测和诊断。由于这类系统故障点冲击引起的信号突变十分微弱,在噪声环境中更难于识别,因此首先通过EMD分解分离噪声,然后从希尔伯特谱中分析出故障振动信号的时频分布情况,从而确定故障发生的时间以及故障前后信号频率和幅值随时间变化的各种信息,以达到提取较为完整的故障特征的目的,实现对这类系统的某些特殊故障的诊断。     

基于MEA优化BP神经网络的农机滚动轴承故障诊断

为了解决农机滚动轴承的故障诊断问题,提出了一种基于思维进化算法(MEA)优化BP神经网络的故障诊断新方法。该方法利用思维进化算法的趋同和异化操作,通过竞争获取优胜种群,在迭代过程中不断优化BP神经网路的初始权值和阈值,建立MEA-BP网络农机滚动轴承故障诊断模型。以滚动轴承试验实测数据为例,通过Mat Lab软件进行仿真,结果证实:该方法不但克服了常规BP网络学习速度慢和局部极小的缺点,而且提高了故障诊断准确度,为其他农业机械设备的故障诊断提供了一种试验方法。     

基于RBF神经网络的农用柴油机故障诊断研究

柴油机以其良好的动力性、可靠性、经济性在农用机械中广泛应用,但对农用柴油机施行及时的不解体故障诊断却并非易事。为此,以配气机构故障为例,提出了将小波包分解与RBF神经网络结合的故障诊断方法,对降噪后的气缸盖振动信号进行小波包分解,构造故障特征向量作为故障样本,并用训练好的RBF神经网络进行模式识别。试验结果证明,该方法具有良好的诊断效果和广泛的工程应用前景。     

基于模糊事故树的农机事故影响因素分析

为准确把握农机事故的风险程度,探究农机事故发生原因和规律,有效预防农机产品在工作过程中各种事故的发生.通过将事故树分析法与三角模糊理论相结合来构建模糊事故树模型,对造成农机事故的因素进行分析研究,结果如下:通过事故树分析推断出造成农机事故的已知原因和潜在原因共23个,求解出57个最小割集和3个最小径集;利用三角模糊理论...     

多分量神经网络自回归模型及其工程应用

提出了基于局域波的多分量神经网络自回归模型,用于对非线性动态系统时间序列进行建模。首先通过局域波法对分析的原始时间序列进行分解,使之成为不同尺度的基本模式分量,然后用多层神经网络对每个基本模式分量分别进行时间序列预测。最后,所有分量的预测值通过另一个单层线性神经网络进行重构,作为原始时间序列的预测值。并把该方法用于转子故障诊断。实验数据表明,这种结构用于故障诊断,性能优于传统的分析方法。     

基于智能控制的机械设备金属结构故障诊断研究

针对传统故障诊断方法不具备自动学习功能,在复杂系统中难以对被检测对象建立精确的数学模型,提出基于智能控制的故障诊断方法。通过对农机金属结构进行参数化建模并完成可靠性分析,将智能诊断中模糊推理算法应用在故障识别中,可自动高效地提取出反映设备运行状态的有效故障特征并实时监测,得出诊断结果。在满足结构系统可靠性要求的同时,该方法不仅缩短了平均诊断时间,将机械设备的失效控制在可以接受的层面,而且提高了诊断效率和故障识别精度。     

基于EMD和Multi-fractal spectrum的BP水机故障诊断

为了准确判断水轮机组的故障,提高水轮机组诊断的精确性,建立了EMD-Multi-fractal spectrum和改进BP神经网络相结合的机组振动故障诊断模型.选取水轮发电机组不同工况下的轴系正常、轴承油膜涡动、转子部件不平衡、转子不对中等状态,采集各状态下的振动信号.经过经验模态分解得到振动信号波各种故障信号的EMD分量,根据信号波形趋势图由EMD系数提取出波形样本,再由多重分形谱算法提取波形样本的特征值alpha(q), f(q),将该特征向量作为BP神经网络的输入进行分类识别.将训练好的神经网络应用于全部样本,得到测试正确率为100%.该模型用波形提取信号特征代替了传统的频谱特性,并结合先进的多重分形谱进行诊断识别,为水轮发电机组故障诊断提供了一种新的思路.应用信号采集于水电厂运行的水轮机,根据诊断的结果对轴系各个部件进行局部校正,通过检测发现振动和摆度都大大减弱.该方法提高了检测精度,增强了人机交互性,具有重要的理论意义和实用价值.