基于小波去噪和EMD的齿轮箱故障诊断研究

提出小波去噪和EMD相结合的齿轮箱故障诊断的新方法。该方法首先对原始信号进行小波阈值去噪,将去噪信号利用EMD方法分解为多个IMF分量,计算各IMF分量和原信号的互相关系数,选择互相关系数较大的IMF分量进行Hilbert包络谱分析,提取故障频率。以互相关准则提取IMF分量避免了IMF分量选择的盲目性。对实测齿轮箱故障信号进行了分析,结果表明该方法能够有效地识别齿轮箱故障频率。     

基于频域约束独立成分分析的经验模态分解去噪方法

噪声污染是煤岩动力灾害电磁监测应用中需要解决的重要问题,去噪效果的好坏直接影响灾害预测的准确性。经验模态分解(Empirical Mode Decomposition,EMD)是目前电磁信号去噪中应用最多的一种方法,但当信号与噪声时频特征相近时,该算法存在严重的内蕴模态函数(Intrinsic Mode Function,IMF)混叠现象(即部分模态函数仍为信号与噪声的组合)。针对该问题,提出一种基于经验模态分解和频域约束独立成分分析的去噪方法,首先利用EMD将电磁信号分解为多个IMF分量,通过计算各分量与原信号间的互相关系数判断存在模态混叠现象过渡IMF,再以过渡IMF后续分量的频域为约束条件,对过渡IMF进行独立成分分析,去除过渡分量中的噪声;最后将去噪后的过渡分量与其后续分量进行重构,得到去噪后的信号。分别以含噪Ricker子波和现场电磁信号为例,利用信噪比定量验证了上述方法对处理现场电磁信号模态混叠问题的有效性,同时频域约束条件下的独立成分分析去噪收敛快、效率高,适合海量实时监测信号快速去噪使用。     

基于EEMD和DT-CWT的滚动轴承在非稳定运行时的故障诊断研究

为解决滚动轴承在变转速工况下的频率谱模糊及强噪声工况下的微弱故障信息提取问题,提出基于EEMD和DT-CWT相结合的故障特征分离法。首先应用阶次跟踪技术将非平稳的时域信号转化为平稳的角域信号,再运用EEMD技术对角域信号进行预处理,应用互相关与峭度准则提取有效的IMF分量,最后对IMF分量进行DT-CWT降噪,分析降噪后的角域信号阶次谱,能够有效提取特征阶比。通过实验验证了该方法的有效性,为实际滚动轴承在非稳定运行时的微弱故障识别提供参考。     

EMD及小波阈值联合去噪法在磁感应式分选机上的应用

磁选机广泛应用于磁铁矿石的预选抛尾环节,但由于传统磁选机受制于机械结构和分选原理,对弱磁性粗矿粒存在错选和漏选的问题,分选性能低下。磁感应式分选机可通过霍尔传感器检测磁铁矿石的磁场强度,判断矿石是否为精矿,可提供更为敏感的检测机制。然而,传感器采集磁感应信号的过程,易受到振动等外界干扰而产生噪声,造成矿石的误判。为了降低噪声的影响,通过联合经验分解(EMD)与小波阈值的方法对磁感应信号去噪。该方法首先对信号进行EMD分解,得到固有模态分量(IMF),然后对部分IMF分量进行小波阈值去噪,最后重构IMF分量得到去噪信号。结果表明,联合去噪法不仅能够有效去除噪声信号,而且去噪性能优于单一的EMD去噪和小波阈值去噪。     

基于EMD的齿轮箱故障诊断的研究

采用小波阈值法对齿轮箱故障信号进行去噪预处理,将经验模式分解(EMD)和快速傅立叶变换(FFT)相结合对齿轮箱故障信号进行特征提取,这种方法适用于非线性非平稳信号的自适应状态分析。利用EMD方法将去噪后的信号就行经验模态分解,得到一定数量的固有模态函数(IMF)分量,选取具有特定意义的IMF进行FFT,就可以得到相应的功率谱,从而提取齿轮箱故障特征频率。     

利用经验模态分解及小波变换压制微震信号中的随机噪声

随机噪声的压制是微震信号分析过程中的重要环节,目前大多数降噪技术都不同程度的存在去噪效果差、易损伤有效信号等问题。针对微震信号的随机非平稳特征,提出一种联合经验模态分解(EMD)及小波阈值的降噪方法,压制微震信号中的随机噪声。该法首先使用EMD对微震信号进行自适应分解,得到有限个本征模态函数(IMF)。考虑到随机噪声主要集中在高频IMF分量中,基于噪声能量突变原则找出低频IMF分量与高频IMF分量的分界后,利用小波阈值方法对高频IMF进行降噪处理,最后将降噪后的高频IMF分量与剩余的低频IMF分量重构即可实现微震信号降噪。仿真分析及实验结果表明,该方法能充分保留微震信号的随机非平稳特征,较对比方法具有更好的降噪效果。     

基于HHT法的煤冲击破坏SHPB测试信号去噪

针对分离式霍普金森杆（SHPB）测试信号的高噪声、持时短、突变快等特点,利用希尔伯特-黄变换（HHT）分析技术对煤冲击破坏的测试信号进行去噪处理。用经验模式分解法（EMD）分解实测的煤冲击破坏SHPB测试信号,可以得到各固有模态函数（IMF）分量及其频谱和各IMF分量的能量百分比,从而利用低通滤波将原始信号中的高频噪声有效的分离出去。利用快速傅里叶变换（FFT）频谱和Morlet小波时频谱对比分析去噪前后信号的特征,定性的说明HHT法可以用于煤冲击破坏SHPB信号的去噪处理。通过计算去噪后信号的信噪比和能量百分比,定量的说明HHT法充分保留了煤冲击破坏SHPB信号本身的瞬态非平稳特征,去噪效果显著,方法简捷,结果可靠。     

基于CEEMD改进阈值函数的地震勘探信号降噪应用研究

为了有效地对地震勘探信号进行降噪处理,采用CEEMD改进阈值函数的研究方法,研究了CEEMD特性,根据CEEMD特性,对CEEMD改进阈值函数算法进行改造。对含噪信号进行CEEMD进行分解,得到不同频率段的滤波IMF分量;根据原始信号与IMF分量的关系,对待滤波的分量进行确认;对剩余信号主导分量和滤波分量进行重构,从而得到降噪的效果。把该算法应用在模拟信号中,结果显示,基于CEEMD改进阈值函数的法处理的信号能够对噪声进行有效的压制,能够较好地实现滤波降噪的效果。     

基于HHT变换和SVM的齿轮箱故障诊断

提出了基于HHT变换和SVM结合的齿轮箱故障诊断方法,介绍了固有模态函数、EMD分解和Hilbert谱以及支持向量机(SVM)理论。先对各种工况信号消噪,再利用EMD分解将信号分解为IMF分量,求出Hilbert谱和边际谱,再利用边际谱求出各信号的故障特征信息,最后利用支持向量机判别齿轮箱的故障类型。该实验证明了此方法诊断齿轮箱故障的有效性。     

基于HHT方法的露天矿山爆破振动信号分析

爆破振动信号分析技术是爆破危害控制的重要环节,结合现场监测,采用HHT分析方法进行分析,首先采用EMD经验模态分解,将信号分解为不同IMF分量,对主要分量进行Hilbert变换,并且提取子信号的包络线,验证了该方法在微差爆破延时间隔识别中的有效性,根据IMF分量经过Hilbert变换后得到的Hilbert能量谱,从时间-频率-能量上研究振动信号不同频率产生的影响,验证了HHT分析方法在非线性及非稳态的爆破信号中的高效性和良好的自适应性。     

基于VMD包络相关系数的齿轮故障特征提取方法

使用变分模态分解(VMD)方法分析风力发电机齿轮故障信号时,本征模态函数(IMF)的个数K和约束参数α的选取对结果的影响很大,如何筛选合适的分解参数并获得最优分量是制约VMD实际应用的一个难题。提出一种基于包络相关系数的VMD参数筛选方法,能够针对风力发电机齿轮故障信号自动筛选出最佳VMD参数组合,得到最佳的IMF分量。与常用的齿轮故障诊断方法相比,该方法能够获得更好的分解效果,强化了故障信息,故障特征提取效果更好,为VMD方法的应用提供了新的思路。     

煤矿掘进装备光纤惯导多源异构噪声降噪方法研究

煤矿掘进装备光纤惯导在井下掘进工作面易受振动与电磁等多源异构噪声干扰,导致掘进装备位姿检测准确性降低。因此,为消除噪声干扰对组合惯导定位检测影响,提出了一种改进经验模态分解(EMD)的光纤惯导多源异构噪声降噪方法。首先,根据井下掘进工作面环境噪声特性,分析多源异构噪声构成。然后,利用改进的EMD降噪方法对光纤惯导多源异构噪声进行降噪,该方法通过计算连续均方误差(CMSE)自适应筛选出有效本征模态函数(IMF),并通过设定阈值函数对各层有效IMF分量进行优化,重构优化后的有效IMF分量,从而获得降噪后的信号。为验证改进EMD方法的降噪效果,运用小波降噪方法、变分模态分解(VMD)降噪方法和改进EMD降噪方法进行了降噪对比试验,结果表明：改进EMD降噪方法降噪效果优于小波降噪和VMD降噪方法。为验证改进EMD方法对掘进装备位姿检测准确性的提升效果,对降噪前以及利用3种降噪方法降噪后的光纤惯导与位移传感器组合定位结果进行对比分析,结果表明：改进EMD方法对光纤惯导信号降噪后组合定位的位姿误差最小,且相较于降噪前大幅降低,与降噪前相比,俯仰角误差从0.113 1°下降到0.028 6°,横滚角...     

基于变分模态分解的爆破振动信号去噪方法研究

为对爆破的振动信号进行有效去噪,提出了一种基于窗口傅里叶变换的自适应双重变分模态分解-小波阈值(Adaptive dual variational mode decomposition-Wavelet threshold,ADVMD-WT)组合方法对爆破临近地区采集的振动信号进行去噪处理。首先利用VMD算法对振动信号进行第一次分解,分解层数根据窗口傅里叶变换频谱图中的波峰个数来确定,基于各个分量的相关系数识别出高频的噪声分量;然后对剩余信号分量逐个进行第二次分解,重复第一次分解的步骤,分离出各个低频分量中含有的噪声信号;针对噪声分量中仍含有少量有用信号,对噪声分量进行小波阈值去噪,获取有用信号;最后重构信号分量得到ADVMD-WT方法去噪后的信号。将ADVMD与其它去噪方法相比,并从信噪比、均方根误差2个评价指标验证了ADVMD方法在爆破振动信号去噪中的有效性。     

极值点分组模式分解的齿轮局部断齿故障试验

齿轮振动信号中含有大量的噪声。通过用极值点分组模式分解(Extreme Point Packet Mode Decomposition,EPPMD)的方法提取出齿轮局部断齿故障特征,验证了EPPMD的有效性。该方法首先提取出齿轮振动信号极值点,并将极值点进行分组,再用三次样条函数拟合出所有分组极值点的曲线,求取其均值曲线,最后像经验模态分解(EMD)一样求取出各个IMF分量,进行IMF的频谱分析诊断故障。     

基于HHT方法的煤矿深立井掘进爆破振动信号分析

爆破振动信号分析是爆破参数确定的重要依据。以潞安古城煤矿桃园进风井掘进工程为背景,对立井掘进施工过程中井壁振动信号进行了HHT分析。对爆破信号进行EMD分解,得到信号的各IMF分量,对主分量信号进行Hilbert变换并求取包络线,准确识别出立井爆破雷管实际微差间隔时间并获得信号的Hilbert时频谱。分析表明:HHT方法自适应性强,适合于对立井爆破信号进行精细化特征提取。     

基于EMD近似熵和TWSVM的齿轮箱故障诊断

针对齿轮箱振动信号的非平稳和非线性特征,给出了一种基于经验模态分解(EMD)近似熵和双子支持向量机(TWSVM)的齿轮箱故障诊断方法。对不同类型的齿轮信号进行EMD分解,得到若干个具有不同时间尺度的本征模函数(IMF)分量,再对IMF分量使用近似熵求解,得到一组特征向量,最后将其输入到TWSVM分类器中进行故障诊断。仿真实验表明,该方法能有效地提取故障特征,不同的故障类型表现出不同的故障信息;与传统SVM相比,TWSVM的计算时间更短,分类效果更好。     

基于改进VMD的岩石声发射信号去噪方法

针对岩石声发射(AE)信号中包含的噪声分量难以有效滤除的问题,提出了一种变分模态分解(VMD)与样本熵(SE)相结合的AE信号去噪方法.首先,将含噪声的岩石声发射信号进行VMD分解,并获得一系列具有不同中心频率的固有模态函数(IMF);其次,计算各个IMF分量的样本熵,将其大于设定阈值的IMF分量视为噪声分量剔除并保留...     

基于变分模态分解及能量熵的微震信号降噪方法

为了从含噪微震监测数据中提取有效的微震信号,提出了一种基于变分模态分解(Variational Mode Decomposition,VMD)和能量熵的自适应微震信号降噪方法。采用变分模态分解法对含噪微震信号进行自适应分解,得到一系列按频率从高到低的变分模态分量;计算每个变分模态分量的能量熵,搜索并辨识出噪声与信号的分界;剔除高频噪声,将剩余分量进行重构,得到降噪后的微震信号。通过与基于经验模态分解(Empirical Mode Decomposition,EMD)的微震信号降噪方法对比,从信噪比、降噪后信号占原信号的能量百分比和原信号与降噪后信号的均方根误差3个评价指标上定量说明该方法在微震信号降噪中表现出更好的降噪效果。     

基于EMD方法的煤岩界面识别研究

简要介绍了经验模态分解(Emepirical Mode Decomposition,EMD)方法的基本思想,并对放顶煤过程中产生的声波信号进行EMD分解和频谱分析。EMD方法能把1个复杂的非平稳信号分解为有限个固有模态函数分量(In-trinsic Mode Function,IMF)之和,分解出的各个IMF分量是平稳的,具有实际的物理意义。根据各IMF的频谱,可获得顶煤放落过程中产生的声波信号的频率组成,进行煤岩界面识别。     

基于Hilbert-Huang变换的齿轮箱故障诊断

针对齿轮箱故障振动信号的非平稳特征,提出一种基于Hilbert-Huang变换的齿轮箱故障诊断方法。使用Hilbert变换求重构信号的包络,采用EMD方法将包络信号分解为若干个IMF分量,再对IMF分量进行FFT变换,实现在频域的分析,得到故障特征信号。依据IMF分量的频谱图和时域信号的边际谱图,判别齿轮箱的故障类型。实验证明是一种有效地处理齿轮箱故障诊断方法。