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。     

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ReliefF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...     

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。     

基于增强稀疏成分分析方法和Laplace相关滤波的欠定系统模态参数识别方法

针对传统欠定系统的模态参数识别中稀疏成分分析方法分离多模态信号的精度差以及提取分离出的单模态信号模态参数值的效率低等问题,提出基于增强稀疏成分分析方法(Enhanced Sparse Component Analysis)和Laplace相关滤波的欠定系统模态参数识别方法,该方法先通过增强稀疏成分分析方法将含有多阶模态的激振响应信号分离成一组单模态信号,再对单模态信号经Laplace相关滤波后得到各阶模态参数。其中增强稀疏成分分析方法是把稀疏成分分析方法的一步聚类变为两步聚类,从而提高多模态信号的分离精度,分离出来的单模态信号直接使用Laplace相关滤波的方法可同时提取出频率值和阻尼比提高计算效率。通过对仿真信号的模态参数提取验证了所提方法的有效性。     

形态小波降噪方法在齿轮故障特征提取中的应

针对齿轮故障特征往往被强背景噪声淹没的问题,采用形态小波降噪方法来提取故障特征.形态小波降噪方法适合于对具有一定形态特征的齿轮故障信号进行特征提取.首先采用形态小波对信号进行分解,然后对各层的细节系数进行软阈值降噪处理,最后根据处理得到的小波系数重构信号以提取故障特征.仿真与实例证明,该方法可有效地提取隐含在噪声中的齿轮故障特征.形态小波降噪算法只涉及加减和极大、极小运算,运算简单且执行高效,适合于齿轮故障的在线监测与诊断.     

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。     

基于局域波时频分析的齿轮故障诊断

局域波时频分析方法具有良好的时频性能,将局域波时频分析应用于齿轮故障振动信号分析,仿真和实际应用结果表明局域波时频分析能清晰地描述振动信号的时频特征,有效提取齿轮磨损故障振动信号的特征。为齿轮磨损故障诊断提供了一种更为有效的手段。     

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。     

拖拉机变速箱的齿轮故障诊断研究

通过对拖拉机变速箱的故障分析，列举了故障发生率较大的变速箱齿轮所在的主要故障形式，并对齿轮故障诊断的试验台搭建、故障信号特征的提取、诊断模型的选择及遗传算法的应用做了论述。     

变速箱故障模糊诊断的研究

变速箱是机械设备的重要组成部分.由于机械设备的特殊运行条件和运行环境使得变速箱中齿轮副、轴、轴承等常发生故障.因而随着科学技术的发展,对变速箱实施故障诊断,显得尤为重要.而故障诊断的前提是对于故障特征信号的提取.近年来,模糊故障诊断技术在故障诊断和特征提取方面的应用也越来越多.为此,利用故障模糊诊断技术,通过对齿轮在运转时产生的振动信号进行特性分析,诊断齿轮系统的故障.     

齿轮传动的故障形成原因及其振动监测诊断的探讨

本文从制造、装配、运行等方面分析了齿轮传动中故障形成的原因,并从齿轮副产生的振动中来获取频率或周期的各种信号进行分析处理和发现齿轮副运行的潜在故障,采用科学的故障诊断技术找出实质性因素,为机械设备是否需要停机维修提供了较充分的依据.     

齿轮典型故障特征分析及其振动信号处理方法

论文主要介绍了齿轮故障的类型和故障产生机理,以及齿轮典型故障产生机理和时频特征,分析了借助传感器采集齿轮故障振动信号的过程、以及信号预处理与故障振动信号的分析方法,为后续研究中进行信号的处理和特征提取打下理论基础。     

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。     

基于时序分析与模糊聚类的变速箱齿轮故障识别

通过对LC5T81变速箱疲劳寿命台架试验采集的齿轮运行状态振动信号进行时间序列分析和特征向量提取，并采用模糊聚类分析方法确定变速箱齿轮运行状态特征向量样本的亲疏关系，实现了对变速箱齿轮的跑合运行状态、磨损运行状态和故障运行状态的识别与诊断。验证表明，基于时间序列分析与模糊聚类分析相结合的故障识别方法能够有效地识别出变速箱齿轮运行状态。     

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。     

变速箱齿轮故障的模糊聚类诊断法

在对变速箱齿轮振动信号提取特征参数向量的基础上建立运行状态样本 ,通过模糊聚类的方法对特征参数向量进行分析 ,进而将待诊断信号的特征参数向量根据运行状态样本分类而达到诊断的目的。该方法能有效识别正常运行状态与故障状态     

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。