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。     

基于吸引子SVD降噪的改进EMD法

基于经验模式分解(empirical mode decomposition,简称EMD)分解出的基本模式分量往往会因为原始数据中的一些异常数据和高频噪声而丧失明确的物理意义。因此,提出了一种基于系统重构吸引子奇异值分解(singular value decomposition,简称SVD)降噪的EMD分解方法。在改进方法中,原始信号经SVD降噪后分解出了原信号中的有用成分和冗余成分,对有用成分进行EMD分解可以减少原信号中冗余成分对EMD分解能力的干扰,提高EMD分解能力,使得分解出的基本模式分量更加具有实际意义,更加有利于特征的提取。     

奇异值小波降噪法在柱塞泵振动信号处理中的应用

针对小波阈值和奇异值分解降噪法的不足,研究一种新的小波阈值函数。提出一种基于改进阈值的奇异值小波降噪方法,该方法利用奇异值分解技术,将噪声非均匀分布的信号正交分解为噪声分布相对均匀的分量,并对每个分量进行小波阈值降噪,重构降噪后的分量,得到降噪信号。仿真实例证明,该方法与小波软、硬阈值及改进阈值法相比,不仅提高信噪比,而且能够更好地消除高斯噪声。利用该方法对柱塞泵不同状态振动信号进行降噪,结果表明,该方法能有效抑制噪声,为柱塞泵振动信号预处理提供一种更为有效的方法。     

基于奇异值分解和局域均值分解的滚动轴承故障特征提取方法

针对随机噪声干扰滚动轴承故障特征信号提取这一问题,提出一种基于奇异值分解(Singular value decomposition,SVD)滤波降噪与局域均值分解(Local mean decomposition,LMD)相结合的故障特征提取方法。该方法首先对原始振动信号在相空间重构Hankel矩阵并利用SVD方法进行降噪处理,再对降噪后的信号进行LMD分解,将多分量的调制信号分解成一系列生产函数(Product function,PF)之和,最后结合共振解调技术对PF分量进行包络谱分析提取故障特征频率。通过数值仿真和实际轴承故障数据的分析对比,表明该方法提高了LMD的分解能力,可有效辨别出滚动轴承实测信号的典型故障,提高滚动轴承故障的诊断效果。     

奇异值分解技术在齿轮箱故障诊断中的应用

首先利用伪相图确定齿轮箱振动信号的基本周期,并在此基础上对原始信号进行时域平均降噪处理。然后应用奇异值分解技术提取各齿轮轴的振支信号分量,再对此振动信号分量作进一步的时、频域分析,给出了描述齿轮轴振动信号分量变化的定量指标。最后结合实例说明这种方法对诊断齿轮箱故障是比较有效的。     

基于SVD降噪和谱峭度的滚动轴承故障诊断

提出将奇异值分解(SVD)和谱峭度结合的滚动轴承故障诊断方法.首先,将原始振动信号构造为Hankel矩阵,进行奇异值分解,并利用奇异值差分谱进行有效的消噪;然后,利用谱峭度所得的峭度图选择最佳的带宽和中心频率对降噪后的信号进行带通滤波;最后,对滤波后的信号进行平方包络和Fourier变换得到包络解调谱,即可实现故障特征的提取.对滚动轴承故障试验信号的分析表明,该方法可以有效地提取故障特征频率,实现故障诊断.     

高速列车万向轴动不平衡检测的EEMD-Hankel-SVD方法

针对聚合经验模式分解(Ensemble empirical model decomposition,EEMD)的等效滤波特性依然存在模式分量间频带重叠较大的根本缺陷,提出一种高速列车万向轴动不平衡动态检测的新方法。该方法的核心是对万向节安装机座的振动信号进行EEMD分解得到基本模式分量,应用基本模式分量信号来构造Hankel矩阵,对该矩阵进行正交化奇异值(Singular value decomposition,SVD)分解,以奇异值关键叠层作为奇异值的选择准则对信号进行重构,应用重构信号的傅里叶谱来检测高速列车万向轴的动不平衡,消除EEMD分解模式频带重叠对故障特征的淹没和混淆效应,提高了谱的清晰度,凸显了故障特征。应用万向轴动不平衡试验数据对该方法进行试验验证,结果表明,该方法能够有效检测万向轴动不平衡引起的故障特征和万向轴的固有振动特征,与纯EEMD方法相比,该方法在谱的清晰度和故障表征力上得到了显著提高。     

VMD和奇异差分谱在齿轮早期故障诊断中的应用

针对齿轮故障振动信号的多分量、多频率调制特性且早期故障振动信号信噪比低,故障特征微弱难以提取的问题,提出了基于变分模态分解(Variational Mode Decomposition,VMD)和奇异值差分谱的故障诊断方法。首先对采集到的齿轮故障振动信号进行VMD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;然后根据相关系数准则,选取与原始信号相关系数较大的分量构建Hankel矩阵并进行奇异值分解,求取奇异值差分谱,从差分谱中确定重构信号的有效阶次对信号进行降噪处理;最后对降噪处理后的信号进行Hilbert包络谱分析,即可从中准确地识别出齿轮的故障特征频率。仿真信号和齿轮箱齿轮故障模拟实验结果表明,该方法能够有效地降低噪声的影响,准确地提取到齿轮微弱的故障特征信息。     

基于奇异值分解的侵彻过载信号降噪方法

为解决硬目标侵彻过载信号的降噪问题,提出侵彻加速度信号的奇异值分解技术。首先,通过主体奇异值分量稳定原则确定信号的重构子矩阵;然后,利用前K次奇异值能量占优法则提取奇异值的有效阶次,在此基础上对实测信号进行奇异值分解;最后,利用分解出的有效奇异值完成信号的重构。实验证明,经此方法处理的侵彻过载信号可以有效剔除隐含在弹体加速度信号中的振动和噪声,重构后的加速度曲线具有比小波降噪效果更好的信噪比,积分得到的位移曲线能较好反映实际侵彻深度,是侵彻过载信号处理的一种新的可行方法。     

MBCV-EWT和奇异值差分谱的滚动轴承信号降噪方法

针对滚动轴承振动信号降噪时,克服模式混叠、保证各频率成分完整性和独立性问题,提出最大类间方差-经验小波变换分解(maximum between-cluster variance-empirical wavelet transform,简称MBCV-EWT)与奇异值差分谱相结合的信号降噪方法。首先,针对传统区间划分的不确定性问题,提出MBCV-EWT信号分解方法,通过最大类间方差对信号频谱自适应划分,并在每个划分区间上构建带通滤波器;其次,针对分解分量冗余,提出脉冲指标作为调幅-调频分量筛选准则,选取最优的分量用于降噪;最后,对最优调幅-调频分量进行奇异值分解,根据其差分谱重构分量并实现降噪。仿真及实验结果表明,该方法能够实现频谱自适应划分,有效克服模式混叠等问题,保证分解得到的各成分主频独立且完整,调幅-调频分量筛选准确,降噪效果明显,为故障识别和预测奠定研究基础。     

EEMD和TFPF联合降噪法在齿轮故障诊断中的应用

为了消除噪声对齿轮传动系统故障特征提取的影响,提出了一种基于集成经验模态分解(ensemble empirical mode decomposition,简称EEMD)和时频峰值滤波(time-frequency peak filtering,简称TFPF)相结合的降噪方法。针对TFPF算法在窗长的选择方面受到限制的问题,采用了EEMD方法对其进行改进,使得信号在噪声压制和有效信号保真两方面得到权衡;含噪声的信号经过EEMD分解后,得到一系列频率成分从高到低的本征模态函数(intrinsic mode functions,简称IMFs),计算出各IMFs间的相关系数,判断需要滤波的IMFs。对不同的IMFs选择不同的窗长进行TFPF滤波,把过滤后的IMFs和剩余的IMFs重构得到最终的降噪信号。用模拟仿真信号和齿轮齿根故障信号对该方法进行验证,可见EEMD+TFPF能有效地去除噪声,成功提取齿根裂纹故障特征。     

CEEMD和小波半软阈值相结合的滚动轴承降噪

针对滚动轴承振动信号降噪处理时如何保证信号边缘信息完整性的问题,提出将互补集合经验模态分解(complementary ensemble empirical mode decomposition,简称CEEMD)与小波半软阈值相结合的信号降噪方法,对滚动轴承故障高频振动信号进行降噪处理。首先,采用CEEMD方法对故障振动信号进行分解,针对信号特点自适应获取不同频段模态分量;其次,将对包含噪声污染的高频信号模态分量进行相关性分析,得到含噪成分较高的高频模态分量,进一步采用小波半软阈值进行降噪处理;最后,将降噪后的模态分量同残余分量进行信号重构,完成降噪过程。分析结果表明,相对于传统小波阈值降噪和CEEMD强制降噪方法,提出的方法能够有效去除高频信号的噪声,且最大程度地保证了原始信号的完整性,降噪效果更好。     

基于EMD和ANFIS的自适应噪声消除研究

对于混入色噪声的混合信号,如果可以通过测量得到产生色噪声的白噪声,对白噪声进行非线性训练即可逼近色噪声,达到非线性滤波的目的.自适应模糊推理系统(adaptive neuro-fuzzy unference system,ANFIS)可以实现上述非线性逼近.文中在上述算法的基础上,提出一种EMD(empirical mode decomposition)-ANFIS的自适应色噪声消除方法,首先对混合信号进行EMD分解,得到各个内禀模态函数分量(intrinsic mode function, IMF),然后对分解得到的内禀模态分量进行ANFIS模糊消噪,最后对消噪后的各个分量信号进行叠加.由于所得内禀模态函数为近似平稳信号,且图形越来越趋于平缓,减小了ANFIS方法的逼近难度.在混合信号信噪比为2.840 7 dB时,经过EMD-ANFIS消噪后的估计误差比只经过ANFIS消噪后的估计误差减少11.74 dB,证明EMD-ANFIS方法的有效性.     

基于改进EMD的微机械陀螺随机误差建模方法

为了降低微机械(MEMS)陀螺仪的随机误差,提出一种将改进的经验模态分解法(EMD)与传统建模滤波方法相结合的新方法对随机误差进行处理。首先采用传统EMD算法将信号分解为有限个本征模态函数(IMF),并根据皮尔逊相关系数准则和噪声统计特性提出一种筛选机制,将IMF分为噪声IMFs、混叠IMFs和信号IMFs 3类;其次,对混叠IMFs进行时间序列建模,建模完成后进行卡尔曼滤波拟合;最后,将建模滤波后的混叠IMFs与信号IMFs进行重构,得到最终去噪信号。实验分析结果表明,本文方法在抑制随机误差的效果上有明显的优势,极大地改善了信号的质量,提高了惯导的解算精度。     

An EMD threshold de-noising method for inertial sensors

Random errors of inertial sensors are key factors in influencing the performance of Inertial Navigation System (INS). Based on underlying white noise model, classical wavelet threshold de-noising method is incapable of eliminating colored noise. Since time-correlated colored noise is predominant, fractional Gaussian noise (fGn) is utilized to model sensor errors and the Hurst parameter of fGn is estimated by the periodogram method. Variances of the noise in Intrinsic Mode Functions (IMFs) decomposed by Empirical Mode Decomposition (EMD) are analyzed. The standard deviations of noise in the first tow IMFs are estimated by a robust estimator, and then the noise variances in other IMFs can be obtained after the variance relation among the IMFs decomposed from fGn is derived. Noise thresholds of IMFs are estimated through the obtained variances and an EMD threshold de-noising method using order-dependent thresholds is established. The method is firstly verified by a simulation example and then applied in INS and compared with wavelet de-noising method. Results show that wavelet threshold de-noising is poor at suppressing colored noise while EMD threshold de-noising is effective on reducing sensor errors due to its close association with proper noise model.     

VMD的AR模型和关联维数在齿轮故障特征提取中的应用

针对齿轮故障信号的非线性及常伴有大量噪声干扰的问题,提出一种基于变分模态分解(VMD)的自回归(AR)模型和关联维数相结合的故障特征提取方法。该方法采用VMD将齿轮振动信号分解为一系列固有模态函数(IMF),通过频域互相关系数准则选取对信号特征敏感的IMF分量进行信号重构,对重构信号建立AR模型,并以AR模型自回归参数的关联维数作为特征量对齿轮的工作状态和故障类型进行识别。通过实测齿轮振动信号的分析,证明了所提方法的有效性。     

基于多分辨SVD包和MED的柔性薄壁轴承故障特征提取与诊断

柔性薄壁轴承安装到谐波减速器上时内外圈会受迫变形成椭圆,工作过程中会产生周期性的冲击信号,使得柔性薄壁轴承的故障特征信号提取变得更加复杂。为实现对柔性薄壁轴承故障特征信号的有效提取,提出了一种基于多分辨奇异值分解（SVD）包和最小熵解卷积（MED）的柔性薄壁轴承故障特征提取与诊断的方法。利用多分辨SVD包对采集到的振动信号进行分解,分解后选用前4层中信噪比最高的近似信号进行MED冲击特征提取处理,将处理后的信号与前4层的细节信号进行信号重构和频谱分析,得到故障特征频率,最后将得到的故障特征频率与理论计算值进行对比,判断出故障类型。和单独使用多分辨SVD包处理的实验效果相比,该方法对柔性薄壁轴承的故障特征提取效果更好。     

改进集成噪声重构经验模式分解的微弱时频特征增强方法及应用*

基于噪声利用机制,集成噪声重构经验模式分解方法(Ensemble noise-reconstructed empirical mode decomposition, ENEMD)利用原信号中固有噪声分量改善模式混淆现象,并通过固有噪声分量的相互抵消作用实现信号降噪。然而,该方法中关键噪声估计技术采用类硬阈值处理方式,忽略系数之间相关性。为此,研究基于相邻系数降噪原理的ENEMD噪声估计技术,提高固有噪声分量估计的准确性。在此基础上,将改进ENEMD方法引入Hilbert-Huang变换中,提出改进ENEMD的微弱时频特征增强方法。该方法以无模式混淆的本征模式分量(Intrinsic mode function, IMF)准确表征微弱故障信号的瞬时频率,并以降噪IMF有效提高时频谱信噪比,消除时频谱中噪声杂点,显著提高信号时频表示的分辨率,增强微弱故障的时频表征并突显局部故障征兆,为机械早期和微弱故障识别提供有效手段。工程实例表明该方法有效揭示空气分离压缩机碰撞与摩擦故障征兆,并成功提取重油催化裂化机组早期微弱碰摩故障特征。     

Adaptive noise cancellation based on EMD in water-supply pipeline leak detection

In water-supply pipeline leak detection and location, both the leak signals and blurred noises are closely related to the pipeline states and surroundings and most of the conventional noise-cancellation methods have to depend on the empirical parameters of either signals or noises. EMD (Empirical Mode Decomposition) is an adaptive signal decomposition method and is exclusive of base functions. A signal is decomposed into several IMFs (Intrinsic Mode Functions) in EMD, then the noise in a signal can be cancelled through removing uncorrelated IMFs. The existing EMD noise cancellation methods need to know the characteristics of either the wanted signal or the noise for rebuilding the noise-removed signal. However the characteristics of leak signals and noises are not fixed in various pipeline conditions, so the existing EMD noise cancellation methods can’t be directly applied in water-supply pipeline leak detection. This paper proposes an adaptive noise cancellation method based on EMD, in which the IMFs that don’t or less contain the components related to the leak can be removed through the cross-correlation between the IMFs and another signal collected at the either side of a suspect leak. In simulation analysis, the adaptive noise cancellation method can increase the SNRs (Signal to Noise Ratios) of leak signals as high as 16 dB. In processing practical pipeline vibro-acoustic signals, with the proposed method the peak of adaptive time delay estimate of leak signals, which determines the location of a leakage, becomes more distinguished, and thus the error of leakage location is improved.