基于VMD_IWT近似熵与PSO_SVM的转子故障诊断

针对转子故障振动信号的非平稳性、非线性特征,提出了基于变分模态分解_改进小波阈值(VMD_IWT)近似熵与粒子群优化支持向量机(PSO_SVM)的转子故障诊断方法。首先对振动信号进行VMD分解,对分解后的各分量进行改进小波阈值处理;然后,提取降噪后信号的近似熵作为特征值组成特征向量;最后,将特征向量输入PSO_SVM进行故障分类识别。将该方法用于实际转子实验数据,并通过对比分析,分别证明了VMD、IWT和PSO_SVM方法的有效性,且文中所提方法的故障诊断准确率高达95%,证明该方法具有一定的实际应用价值。     

基于改进EEMD的滚动轴承故障特征提取技术

在对集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)进行研究之后,提出了一种利用改进的EEMD进行滚动轴承故障特征提取的方法。该方法根据EEMD的分解过程中信号和加入的白噪声的特点来选择EEMD的参数,并且对分解后所得到的的固有模态函数(IMF)分量进行阈值处理后再重构,以降低噪声的干扰。对重构后的信号进行包络谱分析,提取其故障特征,最后将该方法与通用的EEMD方法进行对比,研究结果表明EEMD是一种很有效的滚动轴承故障特征提取方法。     

基于EEMD多维特征的旋转机械故障识别方法研究

为有效诊断旋转机械故障,提出基于集合经验模态分解（EEMD）的多维特征提取故障诊断识别方法。利用EEMD将原始振动信号分解为若干个本征模态函数（IMF）,分别计算原始信号和IMF分量的时域指标;将时域指标进行奇异值分解,得到奇异值特征向量,计算原始信号频率带能量比和IMF分量能量比;将IMF分量能量比、奇异值特征向量、频率带能量比组合为故障特征向量,作为神经网络的输入,对转子的工作状态进行诊断识别。结果表明：多维特征向量的识别效果优于EEMD能量特征,能更充分反映出转子的故障特征。     

基于改进小波去噪和EEMD的轧辊偏心提取与补偿

为准确提取轧辊偏心信号,进而实现偏心补偿控制,提高冷轧机的厚度控制,提出了将一种改进小波阈值去噪和EEMD相结合的偏心信号提取方法。该方法结合了小波的强去噪性以及EEMD的抗模态混叠的优点,采用一种含参数的可变阈值函数,在阈值选择时通过人工蜂群优化算法自适应确定最优阈值。利用改进的小波阈值法对轧辊偏心扰动信号进行去噪预处理,然后经过EEMD将信号分解,提取表征偏心信号的特征模态函数,将重构的偏心信号补偿到冷轧机系统中。最后,通过仿真实验表明,此方法能有效补偿轧辊偏心,且所得补偿效果明显优于小波算法的补偿效果。     

基于多域空间状态矩阵奇异值与局部保持投影的滚动轴承故障特征提取方法

针对滚动轴承振动信号复杂且难以从中提取有效故障特征的问题,提出了一种总体经验模态分解(EEMD)、奇异值分解(SVD)和局部保持投影(LPP)相结合的故障特征提取方法。首先,对振动信号进行EEMD分解,利用EEMD分解后的固有模态分量(IMF)分别构造时域、频域和时频域空间状态矩阵;其次,利用SVD提炼时域、频域和时频域空间状态矩阵中的故障信息,筛选其中累加百分比大于90%的奇异值组成多域有效奇异值数组,构造多域奇异值特征矩阵;然后,利用LPP约简多域奇异值特征矩阵,提取低维、高区分度的故障特征;最后,利用支持向量机(SVM)对提出的故障特征提取方法进行评估。实验结果证明了该方法提取的故障特征可有效反映滚动轴承的故障状态。     

小波变换及Hilbert-Huang变换在转子系统故障诊断中的应用

在故障诊断中,通常由于背景噪声较大,故障特征值常常淹没在噪声中不易识别.采用小波变换实现振动信号的信噪分离,提取淹没在噪声中的早期故障特征信息,并对提纯的信号进行经验模态分解(EMD)而得到若干个固有模态函数(IMF),同时求得相应的Hilbert时频谱及边际谱,从中可以判断非平稳信号的故障类型.理论分析及试验结果表明,按此方法得到的各固有模态函数突显了转子的故障特征信息,能有效诊断出转子的早期故障.     

基于小波改进阈值去噪与LMD的滚动轴承故障诊断研究

为从含有强烈噪声干扰的滚动轴承振动信号中提取故障特征信息,提出了一种小波改进阈值去噪与局部均值分解(LMD)相结合的故障诊断方法。首先,根据构造小波改进阈值函数需满足的必要条件以及滚动轴承振动信号特征,提出了适应于滚动轴承振动信号的抛物线平滑阈值函数,利用其对振动信号进行去噪预处理;然后,对去噪后的振动信号进行LMD分解得到若干乘积函数分量(PF);最后,根据相关系数筛选出有效PF分量,并对其进行包络解调,提取故障特征频率。仿真分析和应用实例结果表明,该方法能有效提取滚动轴承故障特征信息,实现滚动轴承的故障诊断。     

基于EEMD和PSO-SVM的电机气隙偏心故障诊断

针对电机气隙偏心故障如何通过振动信号进行有效诊断、如何选取合适故障特征等系列问题,提出了基于集合经验模态分解(EEMD)的Hilbert时频谱能量特征表达和粒子群参数优化的支持向量机(PSO-SVM)的故障诊断方法。首先对振动信号进行EEMD分解,并通过相关系数法选择有效的IMF分量;其次,对有效的IMF分量提取Hilbert时频谱能量作为特征向量;最后,利用PSO-SVM对提取的特征进行故障的识别。实验结果表明:利用该方法可以对电机偏心故障进行准确诊断。通过与其他传统故障特征在PSO-SVM下进行的比较,验证了Hilbert时频谱能量特征可以获得更高的诊断准确率。     

基于EEMD-FSK的滚动轴承故障诊断

为了解决轴承故障特征提取中经验模态分解(EMD)出现的模态混叠现象,提出一种集合经验模态分解(EEMD)、快速谱峭度选频和共振解调技术相结合的滚动轴承故障诊断方法。对原始振动信号进行EEMD处理,分解为多个本征模态函数(IMF);将符合峭度准则的IMF分量筛选出来,对其进行信号重构,对重构信号进行快速谱峭度计算得出快速谱峭度图,从图中选出最优频带中心和带宽,确定FIR带通滤波器设计参数;最后通过共振解调技术对滤波信号进行包络分析,得出包络谱确定滚动轴承故障特征信息。通过滚动轴承实验分析,验证了此方法的可行性。     

滚动轴承VMD能量熵与PNN故障模式识别研究

针对研究振动信号分析识别轴承状态的方法,在实践应用中受到各种噪声的影响很难达到准确识别预期目标的效果,提出了基于VMD能量熵特征与PNN神经网络结合的分类滚动轴承故障状态的方法。首先,通过运用变分模态分解(VMD)的信号预处理方法,实现振动信号的VMD降噪,同时利用集合经验模态分解(EEMD)对仿真信号进行对比两种方法的分解效果;然后,通过VMD能量熵和时域特征组成特征向量。最后,特征向量导入概率神经网络模型中准确识别滚动轴承故障状态。结果表明,该方法能将非平稳振动信号分解有效降噪且抑制模态混叠现象,同时能有效识别故障状态,对于在线监测机床健康状态领域的发展有重大的意义。     

基于改进EWT-SVD的轴承故障特征提取

文章针对轴承早期故障特征的提取,提出了基于改进EWT-SVD的算法。首先,改进的经验小波(EWT)提出了模态分解数量确定的思路,自适应地将预处理信号分解到合适数量的模态分量,通过相关度系数验证了分解模态的信号有效性;其次,通过计算各分量的峭度值确定最优的特征提取模态分量,并通过变阈值奇异值分解(SVD)对模态信号进行去噪;最后,通过对重构特征信号进行Hilbert变换包络处理提取振动信号频率特征。实验证明了文章算法的可行性,同时,算法还具有计算速度快、以数据为主要驱动的特点。     

基于EEMD和自相关阈值降噪的滚动轴承故障诊断

为减少噪声对滚动轴承故障特征提取的影响,文章提出了一种基于集合经验模态分解(EEMD)和自相关阈值降噪相结合的滚动轴承故障诊断方法。首先对原始信号进行EEMD分解,然后将得到的各阶IMF分量分别进行自相关阈值降噪,最后重组降噪后的各阶IMF分量并通过包络分析提取故障频率特征进行故障诊断。通过仿真信号和实验数据验证表明,文章所提出的方法能够有效提取各阶IMF分量中的有用信号,有效解决了基于IMF系数选择方法的问题,证明文中提出的方法具有良好的可行性和有效性。     

基于LabVIEW的液压系统故障信号处理方法

应用Lab VIEW结合Matlab软件设计了液压系统故障信号分析系统,从数据采集、预处理到分别通过时、频域信号处理方法有时域分析、相关性分析、频谱分析、倒频谱分析等;时频联合信号处理方法有短时傅立叶变换(STFT)、小波变换(WT)、经验模态分解(EMD)、集合经验模态分解(EEMD)等对液压系统正常、冲击、堵塞以及气穴等不同类型信号进行离线研究和分析。运行结果表明:该系统能对信号故障特征进行提取,以便快速准确地查明和判别故障。     

EEMD能量熵与优化LS-SVM的滚动轴承故障诊断

针对滚动轴承振动故障信号非平稳、非线性难以有效诊断的问题,提出基于集成经验模式分解(ensemble empirical mode decomposition,EEMD)能量熵与优化最小二乘支持向量机(least square support vector machine,LS-SVM)的滚动轴承故障诊断方法。首先利用EEMD对滚动轴承的振动故障信号进行分解,得到各阶的内禀模态函数分量(IMF)并计算其能量构造成特征向量矩阵,随后将该特征向量矩阵输入给优化的LS-SVM进行故障模式的分类辨识。通过实验验证了该方法的有效性和可行性,结果表明,基于EEMD能量熵特征与优化LS-SVM的滚动轴承故障诊断方法能够有效的诊断滚动轴承的实际运行工况。     

基于小波包与CEEMDAN的MC主轴振动信号降噪方法

针对采集到的加工中心(Machining Center, MC)主轴振动信号中包含大量噪声,导致无法准确地识别MC主轴故障的问题,提出能对高低频的噪声都能分析处理的小波包与具有自适应噪声的完整集成经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)相结合的降噪方法,对MC主轴振动信号进行降噪处理。使用小波包算法对主轴振动信号进行预处理,通过CEEMDAN方法对预处理的主轴振动信号进行分解,得到多个本征模态函数(Intrinsic Mode Function,IMF)分量和残余分量;计算预处理的主轴振动信号与IMF之间的相关系数,并对高相关系数的IMF分量进行阈值降噪处理;把处理后的IMF分量、未处理的IMF分量和残余分量叠加以获得重建信号。最后,采用仿真信号和真实MC主轴振动信号进行测试,证明该降噪方法能有效去除噪声,使得信号特征的可分离性更高,提高了MC主轴故障识别能力。     

基于WTD和CEEMD的轴承故障特征提取方法

针对轴承故障信号常混有噪声干扰且故障特征难以准确提取问题,提出一种基于小波阈值去噪(WTD)和互补集合经验模态分解(CEEMD)的轴承故障特征提取方法。采用WTD对原始信号进行降噪预处理;对去噪信号进行CEEMD分解得到一系列本征模态函数(IMF);然后计算各个IMF和去噪信号的互相关系数,通过设定互相关系数阈值筛选有用IMF;最后将有用IMF重构并利用包络谱对重构信号提取故障特征频率。实测信号表明：所提出的方法能降低噪声干扰并有效提取故障特征信息,证明该方法在噪声环境下具有较高的可行性和较强的实用性。     

基于提升小波变换与EEMD的神经网络齿轮故障诊断方法

针对单一的信号处理诊断方法难以实现齿轮故障准确诊断的局限性,文章将提升小波变换、集成经验模态分解(ensemble empirical mode decomposition,EEMD)与相关系数相结合,提出一种新的信号消噪方法,并在此方法的基础上,分别利用BP、Elman和RBF神经网络完成了齿轮故障诊断。首先采用提升小波变换对故障信号进行初步消噪,然后对其作EEMD分解,得到一组固有模态函数(intrinsic mode function,IMF)分量;然后计算各分量的相关系数,剔除相关性较小的伪分量后进行重构,完成二次消噪;最后计算剩余分量的能量特征,并将其作为神经网络的输入向量,进而完成齿轮断齿、裂纹和磨损状况下的故障诊断。仿真分析和应用实例表明:基于提升小波变换与EEMD分解并结合相关系数筛选的消噪方法,比仅用提升小波方法消噪的效果更好。三种神经网络均成功辨别出了齿轮的故障类型,但不同方法各有优劣之处;就诊断效率和准确性而言,BP神经网络的诊断效果最好。     

基于EEMD能量比和GG聚类的滚动轴承故障诊断

针对滚动轴承故障特征提取困难导致故障类型难以辨识的问题,提出基于集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)和GG(Gath-Geva,GG)聚类的轴承故障诊断方法。首先,使用EEMD分解方法对轴承的振动信号进行分解,结合相关系数原则提取含有主要故障信息的4个固有模态函数(IMF)分量,计算其能量百分比作为特征值,再用GG聚类对特征值进行聚类分析。通过仿真验证了GG聚类的优越性,然后采用文中提出的GG聚类方法与FCM聚类、GK聚类对轴承故障数据的聚类效果进行对比分析,验证了文中所提方法在滚动轴承故障识别中的可行性。     

EEMD降噪与倒频谱分析在风电轴承故障诊断中的应用

针对风电轴承故障时的振动信号为低频信号,并且出现不平稳、非线性等特点,一般很难检验出来,所以提出了一种新的轴承故障诊断方法:首先提出了基于相关系数与峭度相结合的EEMD降噪方法,对轴承振动加速度信号进行去噪,然后对降噪后的信号再次进行EEMD分解并与倒频谱相结合,对振动信号进行处理。此方案不仅提高了振动信号的信噪比,而且抑制了在经验模态分解中的模式混叠现象,提高了故障诊断的准确性,充分显示了其应用在风电轴承故障诊断系统中的可行性。     

基于改进VMD形态谱和FCM的滚动轴承故障诊断方法

针对滚动轴承故障信号的非线性特性及不同故障类型信号具有不同形态特征的特点,提出一种基于改进变分模态分解（VMD）形态谱和模糊C均值聚类（FCM）算法相结合的故障诊断方法。采用VMD方法对滚动轴承振动信号进行分解,针对分解过程中关键参数的选取,提出相关参数选择方法,并计算各固有模态函数(IMF)的能量波动系数,以获得对信号特征信息敏感的模态分量进行重构。计算重构信号的形态谱以反映信号的形态特征。通过FCM算法实现滚动轴承工作状态和故障类型的诊断。运用该方法对实测滚动轴承振动信号进行分析,并将所提方法同基于原始振动信号、经验模态分解、总体经验模态分解形态谱的故障特征提取方法进行对比。结果表明：所提方法能够更加有效提取滚动轴承信号的故障特征,实现故障类型的准确诊断。