基于DEMD的高压隔膜泵单向阀早期故障诊断

针对高压隔膜泵单向阀的早期故障特征提取困难的问题,提出基于微分经验模态分解(differential empirical mode decomposition,简称DEMD)的高压隔膜泵单向阀早期故障诊断方法。首先,对振动信号进行微分运算,提高高频成分的振幅比,使微弱高频成分在后续分解中更易提取;其次,对得到的新信号进行经验模态分解(empirical mode decomposition,简称EMD),并将分解后的本征模函数(intrinsic mode function,简称IMF)分量信号进行积分还原;最后,计算分量信号与原振动信号的Kullback-Leibler散度(Kullback-Leibler divergence,简称K-L散度)值,选取K-L散度值较小的分量信号进行重构,并利用Hilbert边际谱对重构信号进行瞬时频谱分析,以提取故障振动信号的特征。仿真与工程实验分析表明,该方法能够较好地提取出单向阀早期故障特征信息。     

基于改进EMD和谱峭度法滚动轴承故障特征提取

针对滚动轴承故障信号的强背景噪声特点,提出一种基于改进经验模态分解(empirical mode decomposition,简称EMD)与谱峭度法的滚动轴承故障特征提取方法.首先,利用EMD方法对原故障信号进行分解,得到若干平稳固有模态分量(intrinsic mode function,简称IMF);然后,采用灰色关联度与互信息相结合方法剔除传统EMD分解结果中存在的虚假分量;最后,运用谱峭度法和包络解调方法对真实IMF分量进行分析,提取故障特征频率.通过对实际滚动轴承故障信号的应用表明,该方法可有效地提取滚动轴承故障特征,且能够取得比传统包络解调分析更好的效果.     

小波包去噪与改进HHT的微弱信号特征提取

为提取机械设备早期故障微弱信号特征频率,在对信号进行小波包降噪后,利用改进Hilbert-Huang变换(Hilbert-Huang transform,简称HHT)进行特征提取,通过经验模态分解(empirical mode decomposition,简称EMD)得到若干个固有模态函数(intrinsic mode function,简称IMF)后,利用IMF与EMD分解前信号的相关系数作为判断标准,剔除分解中产生的多余低频IMF,选取有效IMF集进行边际谱分析。改进HHT不仅可消除多余IMF的影响,还可节省Matlab计算内存,提高运算速度。     

随机共振降噪下的齿轮微弱故障特征提取

针对强背景噪声下的齿轮微弱故障特征提取问题,提出了一种将级联单稳随机共振与经验模式分解(EMD)-Teager能量算子解调方法相结合的特征提取方法。首先对含噪故障信号进行随机共振输出,降噪后再进行经验模式分解,分解得到具有不同特征时间尺度的固有模态函数(IMFs),最后通过Teager能量算子解调方法求取每个有效IMF分量的幅频信息,从而提取齿轮微弱故障特征。仿真分析和实际测试结果均表明,通过随机共振降噪后,该方法能有效检测出齿轮局部损伤故障特征频率。     

改进小波去噪Teager算子的齿轮微弱故障提取方法

针对齿轮箱在强噪声背景下齿轮微弱故障振动信号的特征不易被提取的问题,提出将改进小波去噪和Teager能量算子相结合的微弱故障特征提取方法。采用改进小波阈值函数对振动信号进行去噪处理,与形态学滤波和传统小波阈值函数相比能够有效地提高信号的信噪比。对去噪后的信号进行集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)得到若干本征模式函数(intrinsic mode function,简称IMF),计算各IMF分量与原信号的相关系数并结合各IMF分量的频谱剔除虚假分量。对有效的IMF分量计算其Teager能量算子,并重构得到Teager能量谱,对重构信号进行时频分析并将其结果与原信号的希尔伯特黄变换(HilbertHuang transform,简称HHT)得到的边际谱进行对比。实验研究结果表明,本研究方法相比HHT能够对齿轮微弱故障特征进行更为有效地提取,验证了本研究方法在齿轮箱微弱故障诊断中的可行性。     

小波包去器械与改进HHT的微弱信号特征提取

为提取机械设备早期故障微弱信号特征频率,在对信号进行小波包降噪后,利用改进Hilb ert Huang变换(Hilbert Huang transform,简称HHT)进行特征提取,通过经验模态分解(em pirical mode decomposition,简称EMD)得到若干个固有模态函数(intrinsic mode functio n,简称IMF)后,利用IMF与EMD分解前信号的 相关系数作为判断标准,剔除分解中产生的多余低频IMF,选取有效IMF集进行边际谱分析。 改进HHT不仅可消除多余IMF的影响,还可节省Matlab计算内存,提高运算速度。     

基于形态奇异值分解和经验模态分解的滚动轴承故障特征提取方法

针对随机噪声和局部强干扰影响经验模态分解(Empirical mode decomposition,EMD)质量的问题,提出一种形态奇异值分解滤波消噪方法,并将其与EMD相结合形成一种新的故障特征提取方法。该方法首先对原始振动信号进行相空间重构和奇异值分解(Singular value decomposition,SVD),根据奇异值分布曲线确定降噪阶次进行SVD降噪,再形态滤波,最后把消噪后的信号进行EMD分解,利用本征模模态分量(Intrinsic mode function,IMF)提取故障特征信息。对仿真信号和实际轴承故障数据的应用分析表明,该方法能有效地提取轴承故障特征,诊断轴承故障,还可以减少EMD的分解层数和边界效应,提高EMD分解的时效性和精确度。     

基于EEMD与奇异熵增量谱的齿轮故障特征提取

针对齿轮振动信号非线性、非平稳的特点,提出一种基于集合经验模态分解(EEMD)与奇异熵增量谱的齿轮故障特征提取方法。首先,利用EEMD方法将齿轮振动信号分解为若干个平稳的本征模态函数(IMF)分量。EEMD方法利用正态分布白噪声的二进尺度分解特性,能够有效抑制经验模态分解(EMD)中的模态混叠现象。但由于背景噪声和残余辅助白噪声的影响,EEMD分解得到的IMF分量难以准确提取齿轮故障特征。利用奇异值分解(SVD)对IMF分量进行消噪和重构,根据奇异熵增量谱确定重构阶次,准确地提取齿轮的故障特征频率。仿真信号分析和齿轮箱齿轮故障实验验证了该方法的准确性和有效性。     

噪声环境下滚动轴承故障特征提取

滚动轴承故障振动信号采集中往往含有大量的噪声信号。为了从含噪信号中提取故障特征,首先对采集的信号进行小波降噪,然后利用经验模态分解(empirical mode decomposition,EMD)得到若干个内禀模态函数(intrinsic mode function,IMF),并考虑分解的各模态函数的能量特征,将分解后的IMF分量与分解前信号的能量比作为判断标准,剔除附加低频成分,最后选取有效的IMF集进行包络谱分析,提取故障特征。通过仿真分析和以真实滚动轴承为研究对象的故障诊断实验,表明该方法有效地去除了混杂在故障信号中的噪声,有效地提取旋转机械中的故障特征信息。     

基于VMD和最小熵反褶积的齿轮早期故障诊断

针对强噪声环境下齿轮早期故障特征信号微弱,故障特征信息难以提取的问题,提出了变分模态分解(Variational Mode Decomposition,VMD)和最小熵反褶积(Minimum Entropy Deconvolution,MED)的诊断方法。首先,利用VMD对采集到的齿轮故障振动信号进行自适应分解,得到一系列窄带本征模态分量(band-limited intrinsic mode functions,BLIMFS),由于噪声的干扰,从各个模态分量的频谱中很难对故障做出正确的判断;然后依据相关系数准则,选取包含故障特征信息较丰富的分量进行MED滤波处理以消除噪声影响,凸显故障特征信息。最后对降噪后的信号进行Hilbert包络解调分析,即可从包络谱中准确地识别齿轮故障特征频率。通过仿真信号和齿轮箱实验数据对所提方法进行了验证,结果表明,该方法能够有效地降低噪声的影响,准确地提取齿轮早期故障信号中微弱的特征信息。