自适应MED降噪和EMD分解在注塑机轴承故障诊断中的应用

针对注塑机轴承故障信号含有强背景噪声且难以诊断的问题,提出使用最小反褶积(MED)降噪算法结合经验模态分解(EMD)对注塑机轴承的故障振动信号进行分析,通过所得频谱确定注塑机轴承故障位置。结果表明:该方法可以对含有较大背景噪声的仿真信号及实例轴承信号去噪,经EMD分解后可得到高信噪比故障信号,通过频谱分析技术可以很好地诊断输入信号是否存在故障。     

基于快速傅里叶变换的注射机轴承单一故障诊断

针对注射机轴承故障难以诊断的问题,提出了一种基于快速傅里叶变换(Fast Fourier Transform,FFT)的注射机轴承故障诊断方法。针对注射机轴承的故障振动信号在时域难以有效诊断的问题,利用快速傅里叶变换将时域振动信号转换到频域,通过生成的包络谱图分析频域中振动信号的频率分布,从而达到识别注射机轴承故障的目的。注射机轴承故障的仿真实验及实际故障轴承数据的诊断结果表明:使用快速傅里叶变换的方法诊断注射机轴承故障,比传统的离散傅里叶变换(Discrete Fourier Transform, DFT)诊断轴承故障的速度更快,处理轴承数据的内存更大,能非常有效地完成振动信号的故障诊断。     

基于形态滤波和HHT的滚动轴承故障特征提取

应用形态滤波和HHT提取滚动轴承振动信号故障特征。通过形态组合滤波对信号进行预处理,对预处理后的信号进行EMD分解,把信号分解为若干个IMF的和,之后计算IMF的希尔伯特能量谱,提取振动信号的故障特征频率。本算法能够较准确地提取出滚动轴承振动信号的故障特征频率,为滚动轴承振动检测与故障诊断研究提供参考。     

基于VMD-BP神经网络模型的天然气管道工况检测研究

通过对小波变换、可变模态分解(VMD)、经验模态分解(EMD)及BP神经网络等多种算法在天然气管道中应用的学习研究,提出一种基于VMD-BP神经网络的天然气管道工况判断模型。首先对管道信号进行可变模态分解,再将分解后的特征信号通过BP神经网络算法进行网络训练测试,进而对管道工况做出判断。     

基于图的拉普拉斯矩阵的塑料编织机轴承故障诊断研究

针对时域故障信号难以诊断的问题,提出基于图的拉普拉斯矩阵变换的注塑编织机轴承故障诊断方法。通过拉普拉斯矩阵变换将时域信号转化为图域,将时域的快速傅立叶变换思想引入图信号处理中,将转化所得图信号进行图像的傅立叶变换(GFT)得到故障振动信号的阶次图,根据所得阶次计算故障振动信号的故障频率,由此进行轴承的故障诊断。经仿真及实例分析结果表明:相比将时域信号直接进行快速傅里叶变换的故障诊断方法,本实验方法故障识别能力更强。     

基于EMD和改进小波阈值的地震信号去噪方法

地震资料采集获得的地震信号资料中往往夹杂着大量的噪音信息,地震信号的有效去噪对后续的地震资料解释具有重要的意义。本文提出一种基于经验模态分解(EmpiricalMode Decomposition,EMD)和改进小波阈值的地震信号去噪方法。将含噪地震信号分解为一系列本征模态函数(IntrinsicModeFunction,IMF),并根据自相关理论,对从IMFs中筛选的高频分量应用改进的小波高参数阈值算法处理,低频IMF分量应用改进的小波低参数阈值处理,最后对处理后的IMFs进行重构。利用本文提出的地震信号去噪方法对合成地震信号和实际地震信号进行去噪处理,并与EMD去噪效果进行对比,结果均表明本文所提方法的去噪效果优于常规的EMD方法。     

Hilbert—Huang变换和经验模态分解在地震信号处理中的应用

希尔伯特—黄变换(Hilbert—Huang)是针对非线性、非平稳地震信号一种新的研究方法,其核心算法是利用经验模态分解(EMD)将信号分解为固有(或本质)模态函数(IMF)的组合。对IMF作Hilbert变换,应用于地震资料解释,可以得到更加清晰的瞬时频率和瞬时相位等参数。处理后的非线性信号在信噪比和分辨率方面有一定的提高,对地震资料的去噪和油气检测有重要意义。     

小波分析在真空练泥机轴承故障诊断中的应用

针对练泥减速机滚动轴承运转速度低、响应弱、低频信号容易淹没、调制源多、振动信号非平稳性等特点而导致常规的傅立叶分析诊断故障效果不佳的情况，提出了一种小波变换的时频分析滚动轴承故障诊断方法。利用小波变换对振动信号进行分解和重构处理，获得了振动信号在不同的频段的分量，提取相应特征频段重构分量的功率谱的频域统计值作为特征参数，从而实现对轴承故障诊断。试验结果显示该方法对真空练泥机轴承故障诊断有很好的效果。     

基于EMD与核马氏距离的变速器轴承故障程度评估研究

变速器轴承故障是失效模式的重要因素,故障程度评估是剩余寿命预测的基础,也是实现"视情维修"的前提。经验模态分解(Empirical mode decomposition,EMD)通过信号本身的时域特征,将其自适应地分解为多个分量,具有优异的时频聚焦能力,经常被用于非平稳信号的故障特征提取。本文将EMD与核马氏距离相结合,利用EMD优异的时频特性进行特征提取,以核马氏距离评估轴承的故障劣化程度。     

基于相关性小波奇异熵的滚动轴承故障特征提取

针对轴承故障信号受噪声影响严重,导致故障特征提取稳定性较差的问题,将小波变换、相关性、奇异值分解和信息熵理论相结合,提出一种基于相关性小波奇异熵的轴承故障特征提取方法。该方法首先将轴承信号进行小波分解,利用小波分解系数和噪声的相关性特点不同,引入相关计算以去除噪声的影响;然后对相关处理后的规范化系数进行奇异值分解,轴承的不同故障信息就体现在奇异值中;再利用信息熵的统计特性对奇异值进行不确定度计算;最后,以相关性小波奇异熵作为特征向量,通过概率神经网络对滚动轴承故障进行识别。实验表明:该方法能够有效地提取轴承故障特征,具有良好的容噪能力和稳定性。     

基于滤波机理改进的EMD及其在轴承故障诊断中的应用

深入阐述了经验模态分解(EMD)算法的过程,从滤波原理的角度论证了其全局低通滤波,挖掘出了同阶IMF迭代中的高通滤波特性,揭示了EMD的机理以及均值包络影响其分解效果的内在原因。为避免包络拟合带来的过冲或欠冲问题,提出了基于理性三次Hermite插值的EMD算法,并将该算法应用于轴承数据处理中。结果表明,所提算法提高了信号分解的有效性,从Hilbert边际谱线中准确提取了故障相关频率,具有较高的工程实用价值。     

基于经验模式分解三相流型信号去噪方法研究

经验模式分解(EMD)作为一种信号处理技术,它是基于数据本身的,且能在空间域中将信号进行分解,从而可以区分噪声和有用信号。应用经验模式分解(EMD)对模拟信号及实测油气水三相流压差波动信号进行滤波去噪处理,分别与db8小波及Haar小波的滤波去噪效果进行定量比较。结果表明:EMD方法与小波方法一样能有效地处理短时瞬态及含宽带噪声的信号,但EMD方法更直接,更方便,且不受小波基函数选择的影响,因此EMD方法更具有通用性和稳定性,从而为三相流流型信号的预处理提供了又一种有效的方法。     

粗集理论及其在旋转机械故障诊断中的应用 (二)旋转机械故障诊断知识库的形成

旋转机械故障诊断知识库形成的主要环节是信号的采集和信号的分析、整理 ;在所有的机械故障信号中 ,振动诊断技术是故障诊断的常用手段 ,对振动信号实现连续、在线诊断的最重要的数学工具是快速傅里叶变换(FFT)和小波理论。通过对实验的观察 ,建立转子故障特征向量和故障类型之间对应关系的数据库 ,为基于粗集理论故障诊断的决策表的形成提供了原始的知识库     

基于CEEMD-SVD和ELM的滚动轴承故障诊断

针对滚动轴承故障特征难以提取和故障难以识别的问题,提出一种基于互补总体平均经验模态分解(CEEMD)与奇异值分解(SVD)和极限学习机(ELM)分类模型相结合的滚动轴承故障诊断方法。该方法首先通过CEEMD对原始采样信号进行分解,得到由高频到低频组成的固有模态分量(IMFS),通过互相关性分析筛选出最能表征原始信号的固有模态(IMF)分量,并对它进行奇异值分解,然后将分解得到的奇异值作为特征参数构造特征向量,最后采用ELM分析提取特征向量矩阵,并建立ELM分类模型,实现对轴承故障类型的识别。仿真结果表明该方法对滚动轴承的故障识别度达到了95.0%。     

基于PNN神经网络的滚动轴承声发射故障诊断研究

文章针对滚动轴承三种工作状态下即内圈故障轴承、外圈故障轴承以及正常轴承,设计了轴承声发射检测实验,进行了声发射信号采集。对采集的声发射信号首先进行小波包分解提取故障特征向量之后用概率神经网络(PNN)对故障进行识别,分析实验数据表明小波包分解和PNN结合对滚动轴承故障诊断是有效的。     

基于有向无环图相关向量机的捣固车滚动轴承故障诊断

针对捣固车滚动轴承振动故障信号的非线性和非平稳性特点,提出将总体经验模态分解(EEMD)故障特征提取方式和有向无环图相关向量机(DAG-RVM)相结合的故障诊断方法。采用EEMD处理滚动轴承振动信号后得到很多固有模态函数(IMF),并将IMF能量作为特征向量输入DAG-RVM诊断器中识别。此模型与支持向量机(SVM)比较,体现出RVM在故障诊断中的优势。     

可变模态分解算法及其在天然气管道泄漏检测中的应用

对可变模态分解算法在天然气管道泄漏信号检测中的应用做了研究。通过对其噪声鲁棒性、过度分解和不饱和分解特性的分析,并与经验模态分解和小波分解进行对比,证明可变模态分解算法在天然气管道泄漏信号检测与分析方面的可行性和有效性,并且可变模态分解具有更好的噪声鲁棒性和泄漏信号检测效果。     

基于CEEMD和GG聚类的轴承故障识别方法

为提高复杂工况下滚动轴承故障识别率,提出一种基于互补总体平均经验模态分解(CEEMD)和GG聚类的轴承故障诊断方法。用CEEMD方法对原始采样信号进行分解,并选择包含故障特征丰富的IMF分量求解近似熵,最后将近似熵作为特征向量输入GG聚类分析器中对轴承故障类型进行分类与识别。验算分析结果证实该方法能够有效提高复杂工况下滚动轴承的故障识别精度。     

基于EEMD和模糊BP神经网络的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征,提出一种基于总体经验模态分解(EEMD)和模糊BP神经网络的故障诊断方法。首先对滚动轴承的振动信号采用总体经验模态分解方法进行分解,得到若干个本征模态函数分量(IMF);然后提取各分量的均方差、峭度和能量,把这些特征参数作为学习集和训练集,将学习集输入到模糊BP神经网络中进行学习;最后把训练集输入到特征参数经过学习训练后的模糊BP神经网络中进行故障类型识别,并与BP神经网络进行比较。实验结果表明:所提方法能有效地应用于滚动轴承故障诊断,而且比BP神经网络具有更高的精确度。     

基于SSA-SVD降噪和卷积神经网络的行星齿轮箱故障诊断研究

行星齿轮箱作为重要的机械传动部件，其健康运行关系着整个工程机组的安全运作。卷积神经网络常用于解决行星齿轮箱故障分类问题，但由于实际监测中有各种噪声源的存在，振动信号成分复杂，信噪比下降，仅仅使用卷积神经网络进行故障诊断效果不佳。因此提出一种麻雀搜索算法优化的奇异值分解降噪方案，采用该方案对监测的振动信号进行降噪处理，突出低频的故障特征，结合卷积神经网络实现对含噪声振动信号的故障诊断。实验结果表明，两种方法结合可使卷积神经网络模型收敛速度更快，并将诊断准确率提升至97.43%。