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。     

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。     

基于形态非抽样小波分解的滚动轴承故障特征提取

针对滚动轴承故障特征信息往往被强背景噪声淹没的问题,提出采用基于多尺度差值形态滤波的形态非抽样小波分解方法提取故障特征.形态非抽样小波分解具有形态学的形态滤波特性与小波分解的多分辨率特性,通过非抽样方式对信号进行分解,克服了传统形态小波分解信息丢失的问题.结合差值形态滤波能够提取信号冲击成分的特点,构造了一种基于多尺度差值形态滤波的形态非抽样小波分解方法,并将其应用于滚动轴承故障特征的提取.仿真与实例证明,该方法可有效提取信号中的故障特征,比传统小波包分解效果更好.形态非抽样小波分解算法只包含加减和极大、极小运算,具有计算简单、快速等优点,适用于滚动轴承的在线监测与故障诊断.     

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。     

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.     

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。     

基于经验模式滤波与循环神经网络的水锤压力信号预测

为准确预测水锤信号变化规律,实现对水锤冲击强度和能量等特性的提前预判,针对水锤冲击信号提出了一种基于经验模式分解(empirical mode decomposition, EMD)和循环神经网络(recurrent neural network, RNN)的模型预测方法.首先,通过EMD获取具有不同频率的IMF分量,根据水锤信号的频域特性剔除高频噪声分量并重构信号以实现滤波,滤波后信号能量损失不足0.1%;进而,建立了基于RNN模型的时间序列预测模型,搭建试验平台获取水锤冲击信号,完成了RNN模型的训练和参数调节;随后,对不同流速下水锤冲击信号进行序列预测,在测试集与训练集流速不同条件下,得到了准确的预测结果,表现出一定泛化能力.对比分析预测水锤信号与实际信号,得到R²系数大于0.990 0,幅值和能量损失不足1%,验证了所提出方法的正确性,主要结论和建模方法可为各类输水系统的风险评估、管路监测和健康管理提供理论指导和技术手段.     

数学形态学在故障信号提取中的应用

数学形态学滤波是一种非线性数字滤波方式,它可以有效地提取信号的边缘轮廓及信号几何特征。针对旋转机械信号的故障特征,对传统形态学滤波进行改进。根据故障特征多为脉冲信号的特点,采用指数衰减信号作为形态学滤波中的结构元素。仿真证明该方法可以有效提取噪声中的故障特征。      

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。     

联合收割机行走变速箱故障特征提取方法研究

针对联合收割机行走齿轮箱故障诊断率低的问题,提出了基于遗传算法(Genetic Algorithm,GA)及样本熵优化VMD参数的故障特征提取方法,研究了不同分解算法对故障诊断率的影响,并在试验台上采集行走变速箱不同故障状态下的振动信号开展试验研究和验证。试验结果表明:与EMD样本熵和无样本熵情况相比,VMD样本熵具有维度低、识别精度高的优点,同WOA-KELM模型组合在故障诊断中有良好的识别分类性,可以用于联合收割机行走变速箱的故障诊断。     

基于聚类树方法的同调机组分群研

随着WAMS系统的广泛应用，功角量测数据为基于轨迹的同调机组分群研究提供了可靠的数据支持。利用聚类方法人为因素干扰小、自适应能力强的优点，提出了一种基于EMD的聚类树分群方法。该方法建立在系统聚类分析的基础上，以各机受扰轨迹之差的信号能量最小为聚类准则，可以实现多机系统的动态分群。为解决电力系统受扰后动态轨迹非平稳、非线性问题，采用EMD预处理方法，实现原始数据的高频滤波和平稳化处理。EPRI-36节点系统和新英格兰10机39节点系统的算例分析证明，在网络拓扑结构基本不变的情况下，不同扰动方式下聚类分群结果总体上一致，从而佐证了该方法的有效性。