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。     

基于多小波的水电机组振动信号降噪方法研究

多小波可以同时满足对称性,短(紧)支撑性,二阶消失矩和正交性,在信号处理方面比小波更有优势。在多小波分解系数中,当一个系数包含某些信号成分时,其相邻系数也可能包含一定的该信号成分。与传统的小波去噪算法相比,相邻系数法能更好地解决变换系数之间的相关性,获得更好的降噪效果。在模拟振动信号降噪处理中,对信噪比和均方根误差进行定量分析,结果表明多小波相邻系数降噪法要优于小波阈值降噪法。在对水电机组实际采集的振动信号进行降噪研究时,通过对比降噪前后信号振动特征分量的保持完整程度,表明该方法滤波更彻底,保留振动特征分量更完整,是一种更加有效的降噪方法。     

基于VMD-GA-BP和误差校正的水电机组振动趋势预测

水电机组振动趋势预测有助于确保机组的安全稳定运行，但由于振动信号的复杂性和非平稳性，准确有效的预测成为难题。利用变分模态分解和神经网络在应对非平稳性和非线性问题方面的优势并结合误差校正方法，建立了振动趋势预测组合模型。首先对原始信号进行VMD分解，然后对每个IMF分量建立GA-BP网络进行预测，将所得结果叠加得到振动信号预测结果。再将各IMF分量的合成信号与原始信号之间的误差同样利用VMD-GA-BP模型进行预测，预测结果与振动信号预测结果相加得到最终预测结果。利用国内某水电站数据对所提模型进行论证实验，结果表明本文所提模型有较高预测精度。     

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%.     

基于变分模态分解和复杂度分析的水电机组振动信号特征提取

目前大型水电机组通常安装有状态监测系统可记录机组的振动数据,而如何从海量的数据中提取出机组的故障特征是水电机组故障诊断的难点和热点。提出了一种基于变分模态分解和复杂度分析的振动信号特征提取方法,该方法首先对降噪后的振动信号进行变分模态分解,再结合复杂度算法求得各模态分量的复杂度值,得到以各模态分量复杂度值为元素的反映机组故障信息的特征向量,最后利用支持向量机对特征向量进行分类。试验结果表明:基于变分模态分解与复杂度分析的特征提取方法对水电机组不同运行状态具有较好的区分度,是一种有效的振动信号特征提取方法。     

基于小波包分析的水泵机组振动信号去噪

阐述了小波包的基本原理,介绍了利用小波包给信号去噪的一般工作原理,结合南水北调东线工程某泵站水泵机组的现场振动测试数据,利用小波包理论对被噪声污染的水泵机组的振动测试信号进行去噪分析,从中提取出无污染的振动信号,进一步对机组的故障做出诊断分析．选用db4小波对原始信号进行3层小波包分解,选用启发式SURE阈值,跟据最低层的小波包分解系数和经过量化处理系数,进行小波包重构．结果表明,利用小波包去噪的相关理论,对信号进行去噪处理有效地消除了噪声污染,使消噪后的信号与原始信号保持相似性．     

基于阶次跟踪和HHT能量谱的轴承故障诊断

提出了一种研究旋转机械瞬态信号的分析方法。对齿轮箱传动加速时测得的原始振动信号进行角域重采样,然后对角域里的信号进行EMD分解得到多个IMF分量,最后对包含故障信息的IMF分量进行了能量谱分析。结果显示：阶次跟踪技术能够有效地避免传统频谱方法所无法解决的“频率模糊”现象,EMD方法能够将稳态信号分解为多个IMF分量,能量谱能够对轴承故障进行有效诊断。     

基于小波变换与SVD的水电机组振动信号特征提取研究

提出一种基于小波变换与SVD相结合的方法用于提取水电机组振动故障特征。运用小波变换对已去噪处理的水电机组振动信号进行变换,变换得到信号各分支的小波分解系数,对各分支系数进行差值单支重构后,组成SVD的输入矩阵,提取奇异值得到特征向量。应用概率神经网络对提取的奇异值特征量进行效果分类。通过水电站机组实测数据验证表明该特征提取方法操作简单稳定,具有较高区分度与较好识别率,可以为水电机组状态故障诊断提供有效依据。     

基于小波包分析的水电机组振动信号去噪研究

水电机组有80%故障都可以在振动信号中有体现,研究振动信号很有必要。文章将小波包分析技术应用于水电站机组振动信号去噪,概述了小波包去噪的原理和步骤,通过实际电站运行数据的采用,应用matlab软件编写程序,实现水电机组振动信号的信噪分离。实验表明,小波包分析消噪消去的能量较多,费时较短,去噪后信号光滑,取得了较好的去噪效果。     

基于自适应阈值函数的铡草机振动信号去噪

针对传统小波软、硬阈值函数对铡草机振动信号去噪的不足,采用一种自适应阈值函数去噪算法,实现铡草机振动信号降噪。该方法根据小波分解原理,采用分层阈值,同时通过参数调整阈值函数,在信号分解小尺度上滤除大量噪声分量,而在大尺度上去除噪声分量的同时尽量保留有用信号分量。为验证本文算法有效性,采用软、硬阈值函数法与本文算法对模拟信号和铡草机振动信号进行对比试验,结果表明:本文算法优于2种传统算法,在滤除噪声的同时很好地保留了原信号特征。     

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.     

基于经验模态分解与Elman神经网络的月径流预测

针对径流序列的弱相关,非线性特征,直接预测会导致精度低,建立基于经验模态分解(empirical mode decomposition,EMD)与Elman神经网络的模型进行月径流预测,选取黄河上游唐乃亥水文站1979-2009年的月径流资料为研究对象。首先利用EMD对月径流资料进行处理,得到5个固有模态函数(intrinsic mode function,IMF)和1个趋势项。为了避免分量太多导致误差过大,将分量进行重组之后得到3个子序列,然后对3个子序列进行Elman神经网络预测。结果表明,EMD与Elman神经网络组合预测精度更高,更加适合复杂的水文序列。该方法可用于径流的中长期预测中。     

基于自相关函数的经验模态分解及其在齿轮故障诊断中的应用

齿轮故障信号中包含有着复杂的成分,淹没了齿轮故障信息的周期成分。本文利用信号的自相关函数分析方法对齿轮故障信号中的周期分量进行提取和消噪,将提取出的信号经过经验模态分解,得到各阶振动模态,最终经过希尔伯特变换,从中提取到齿轮的故障特征。     

平移不变量小波去噪法在齿轮故障诊断中的应用

平移不变量小波去噪方法是对Donoho阈值法的改进，该方法不仅能有效地抑制伪吉布斯现象。而且能减小原始信号和估计信号之间的均方根误差，提高信噪比，将这种方法用于变速箱齿轮故障信号的去噪处理，同时与阈值法去噪的结果进行比较。结果表明，该方法可以有效地去除强噪声的干扰，提取齿轮故障特征信息，具有很好的工程实用性。     

小波分析在水力发电机组振动信号去噪中的应用

振动是水力发电机组的常见现象，其影响水电机组的稳定运行及安全运行。因此，振动的监测与诊断就显得十分重要。但是，振动传惑器采集的信号受到机组运行现场的各种噪声污染，不能准确的反映机组运行状态。应用小波分析技术可以对噪声严重污染的振动信号进行去噪处理，精确地恢复原信号，试验证明效果良好。     

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。     

一种识别结构模态阻尼比的方法

提出一种由结构自由振动响应识别结构模态阻尼比的方法.根据悬臂梁在脉冲激励下的实测加速度响应记录,探讨了结合经验模态分解(EMD)及时域对数衰减率法的结构模态阻尼比的识别方法.将实测记录EMD后,得到一系列的固有模态函数(IMF),再用时域对数衰减率法识别各阶阻尼比.将结果分别与用半功率带宽法以及频率细化法得到的各阶阻尼比进行比较,结果表明了方法的有效性和实用性.     

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VMD-SWT的降噪方法在转子振动信号中的应用

为提高水电机组转子故障振动信号降噪后的信噪比,获得更好的降噪效果,提出一种基于样本熵的变分模态分解和小波软阈值相结合的降噪方法,通过对转子试验台所产生的正常、转子不对中、不平衡和碰磨4种工况下的转子垂直振动信号进行变分模态分解、计算内禀模态函数的样本熵、用小波软阈值对样本熵较高的分量信号进行降噪处理、信噪比分析,发现与...