基于Hilbert变换的滚动轴承内环和外环故障诊断

针对滚动轴承的外环和内环发生故障时轴承产生的振动信号具有调制的特点,提出基于Hilbert变换的滚动轴承内、外环故障诊断方法,介绍基于Hilbert变换的调制信号解调过程:运用Hilbert变换对滚动轴承的振动信号进行包络解调,实现载波和调制波的分离.通过对调制波进行频谱分析实现滚动轴承内、外环故障的诊断,对具有内环故障和外环故障的滚动轴承进行故障诊断仿真.仿真结果表明:基于Hilbert变换的包络解调技术能有效提取调制信号中的包络信号,对包络信号进行频谱分析后可以实现滚动轴承内、外环故障的诊断;诊断结果与实际故障相吻合,基于Hilbert变换的包络解调技术可应用于滚动轴承内、外环故障的诊断.     

基于局域均值分解的膛内横向微动特征提取方法

针对弹丸膛内横向摆动产生附加的微多普勒调制项问题,提出了一种基于局域均值分解(Local mean decomposition,LMD)的调制信号分离和特征提取方法.采用LMD方法,将复杂调制信号自适应地分解成若干个具有物理意义的瞬时频率的单分量信号,对每个单分量解调求出瞬时幅值与瞬时频率,获得原信号的调制信息.通过仿真信号验证了LMD处理多分量调幅-调频信号的有效性,将LMD方法应用于膛内运动弹丸实测信号的分析,结果表明该方法能完整提取出弹丸膛内横向微动产生的微多普勒频率调制特征.     

谐波小波解调法在齿轮箱故障诊断中的应用

在研究谐波小波频段分解与Hilbert解调分析的基础上,提出了基于谐波小波包变换的解调分析法,并详述了其具体实现过程。该方法根据齿轮箱频谱特征与齿轮箱故障特征频率的理论计算值,确定所需提取的特征啮合分量,并在此基础上选择谐波小波包分解层数与所需提取的频带带宽;通过傅里叶变换及其反变换提取出相应的特征啮合分量,然后借助Hilbert算子对提取出的啮合分量进行包络解调分析。采用这种方法对存在磨损及点蚀故障的齿轮箱振动信号进行了分析,结果表明,基于谐波小波包的包络解调法具有精确提取任意频段调制信息的能力,能够为齿轮箱故障源的准确定位及故障程度提供可靠的判断依据。     

基于经验模式分解的包络解调技术及其应用

提出了一种新的调制信号解调分析技术,来抑制传统的包络解调方法中经常出现的无意义的频率成分.首先,对复杂的振动信号进行经验模式分解,得到若干个基本模式分量,再对包含调制信号的基本模式分量进行包络分析以提取故障信息.该方法利用经验模式分解来实现故障信息的有效分离,从而提高了诊断信号的信噪比.利用该方法对某齿轮箱轴承座振动信号进行经验模式分解,进而解调出高速轴转频这一调制频率,准确地诊断出该故障是由齿轮轴不对中所引起的,通过针对性的维修后,消除了故障,从而验证了该方法的有效性.     

基于局部均值分解和共振解调的滚动轴承故障诊断

针对滚动轴承原始振动信号信噪比小,以及传统共振解调中带通滤波器参数选择难以确定,且依赖于人的主观经验的问题,提出一种基于局部均值分解和共振解调相结合的方法;该方法首先利用局部均值分解算法将振动信号分解成多个分量,再通过希尔伯特(Hilbert)变换获得各个分量的时频图,然后利用快速谱峭图算法自动确定带通滤波器的中心频率和带宽,最后对信号进行带通滤波和包络解调分析完成故障诊断。数字仿真信号和滚动轴承实验证明了该方法的有效性。     

利用ICA的局域波分解及其在机械故障诊断中应用

局域波分解算法的自身局限使得分解分量之间的正交性不能得到保证,分解分量存在信息冗余,从而影响了分解质量.针对这个问题,将独立分量分析(ICA)引入局域波分解过程中,以消除分解分量的信息冗余,使得局域波分解得到的基本模式分量之间相互正交独立,改善局域波分解算法的局限性,准确地进行局域波分解.应用该方法对转子早期碰摩振动信号进行了分析,并对分解得到的高频基本模式分量进行Hilbert包络解调分析,准确提取了转子碰摩故障特征.试验数据的分析结果证明了方法的准确性和有效性.     

基于形态滤波优化算法的滚动轴承故障特征提取方法

针对轴承故障振动信号的非线性、非平稳性的特点,而且故障信号经常被各种噪声、干扰所淹没,提出了一种基于局部均值分解(local mean decomposition,LMD)与自适应多结构元素多尺寸差值形态滤波器相结合的方法。原始故障信号先经过局部均值分解得到若干乘积函数(product function,PF)分量,然后采用峭度值准则,选取峭度值最大的PF分量,再将其经过自适应多结构元素多尺寸差值形态滤波器进行滤波解调,最后解调结果进行频谱分析,提取故障特征。为了体现其可行性和优越性,与包络解调、LMD-形态闭运算和LMD-形态差值滤波三种方法进行了比较,仿真信号和实测轴承故障信号的分析结果表明,它具有更强的噪声抑制和脉冲提取能力,可以有效地提取滚动轴承故障特征信息,实现故障的精确诊断。     

基于包络切片谱和时频谱的轴承故障诊断

为了有效提取轴承故障信号的故障特征以及更好地显示其时频特性,提出了基于局部均值分解(LMD)的包络切片谱分析及时频分布方法。首先,使用LMD对轴承故障信号进行分解得到一组PF分量。然后,对各PF分量的包络信号(瞬时幅值)进行切片谱分析。同时,由PF分量的瞬时频率和瞬时幅值获得各PF分量的时频分布。实测轴承故障信号的LMD包络切片谱分析及时频分布结果表明,LMD包络切片谱可准确获得内圈故障轴承和外圈故障轴承的故障特征频率,LMD时频分布可更直观地显示轴承故障信号的时变瞬时特性,可用于辨别轴承的故障形式。     

VMD的时频特性及其在滚动轴承故障诊断中的应用

针对在强噪声干扰下的滚动轴承早期故障振动信号信噪比低导致故障特征提取困难的问题,提出了基于变分模态分解和Teager能量算子包络解调的滚动轴承故障诊断方法.该方法首先利用VMD算法对故障信号进行分解成若干不同频率的本征模态分量(Intrinsic Mode Function,IMF);通过峭度准则筛选出峭度值最大的IMF,将其作为故障特征最敏感分量;利用Teager能量算子解调算法对该分量进行包络解调分析,提取调制故障特征.将该方法应用到仿真信号和滚动轴承故障振动信号分析当中,同时与EMD、小波变换方法进行了比较.结果表明,该方法提高了信号的分解效率,在噪声鲁棒性和抑制模态混叠方面具有良好的性能,能够实现滚动轴承故障的精确诊断,具有一定的理论研究意义和工程实用价值.     

基于一种EEMD的能量算子解调机械故障诊断

针对在强噪声背景下轴承振动信号的非线性、非平稳性以及信号出现的复杂调制现象,提出了一种基于小波包熵与EEMD(总体模态分解)相结合的能量算子解调故障诊断方法.根据信号的小波包熵值对信号小波包降噪,采用EEMD方法选取相关度最大的IMF(本征模态分量)以避免选取信号的盲目性,对该分量进行能量算子解调,实现提取该分量下的故障信号的幅值和频率信息.对机械故障振动信号进行实验分析表明,相对于EMD分析存在的模态混叠现象以及普通Hilbert解调法的运算精度满足不了诊断需求的情况,该方法能够有效解调出故障频率信息,以实现对故障类别的推断.     

基于多层联合降噪的信号处理方法

针对旋挖钻机钻杆振动信号具有非线性、非平稳的特点,以及多源振动耦合影响,提出了一种基于多层联合信号降噪方法,对振动信号进行降噪处理。首先,采用局域均值分解(local mean decomposition, LMD),得到一系列乘积函数(product functions, PF),根据计算得出的相关系数,挑选出含噪声成分最多的PF分量,舍弃残余分量,实现第一层降噪;其次,利用小波阈值降噪(wavelet threshold denoising, WTD),对挑选分量实现了第二层降噪;最后,将WTD重构信号设为奇异值分解(singular value decomposition, SVD)的前置处理单元,实现第三层降噪。基于MATLAB仿真实验与轴承数据降噪实验,分别使用EMD-SVD、LMD-SVD两种算法对目标信号进行降噪处理,LMD-WTD-SVD方法可以提高信噪比,并对比波形图与频谱图结果表明,此方法是一种更有效的降噪方法。     

LMD和改进小波阈值去噪的轴承声发射信号故障诊断

针对机械故障声发射信号特征提取的问题,提出了一种局部均值分解(local mean decomposition,LMD)和改进的小波阈值去噪相结合的方法;并应用于滚动轴承的故障诊断。首先,把改进小波阈值与三种小波阈值去噪方法进行比较分析。通过仿真信号表明,改进小波阈值方法能更为有效地去除噪声。其次,采用LMD方法将原始轴承故障的声发射信号分解,分解为若干个乘积函数(production function,PF)的线性组合,通过相关系数原则选取能够反映故障特征的PF分量,利用改进小波阈值去噪法对选出的PF分量进行进一步去噪。最后,对去噪后的声发射信号进行包络谱分析,诊断轴承故障的位置。通过滚动轴承单一故障和耦合故障的声发射实验验证了该方法的有效性。     

基于局域均值分解的轧制力响应频率提取

在轧制生产过程中,轧制力信号是用于轧件厚度控制的基本信号,该信号包含有大量其他信息,这些信息主要通过频率和幅值表示,其中频率信息也反映了轧机在轧制力传感器安装点处的综合响应。采用局域均值分解(LMD)时频分析的方法,先将频率信息的实测信号进行LMD分解,再利用希尔伯特变换求取各个乘积函数(PF)分量的瞬时频率,最后通过对多组轧制力传感器实测数据的求解得到该综合响应中各频率的大小。利用这一方法,对某厂1700mm五机架冷连轧四辊轧机第一机架的多卷轧制力传感器数据的频率信息进行提取,得到其响应的基频为8.5Hz,三倍频为25.5Hz。     

局部均值分解在刀具故障诊断中的应用

为有效监测刀具磨损状态,提出一种基于局部均值分解的刀具故障诊断方法.将声发射信号自适应地分解为一系列乘积函数,选取包含主要故障信息的前8个乘积函数分量,获得每个乘积函数分量的平均能量,并组成特征向量.分别提取正常切削、中期磨损和严重磨损三种状态下的特征向量,利用频带能量的变化识别刀具磨损特征.实验结果表明,随着刀具的磨损,各乘积函数分量平均能量增加,并且在高频部分增加显著,该方法可以有效应用在刀具故障诊断中.     

基于LMD和SSA-SVM的电机故障诊断

针对电机故障诊断问题,尤其电机轴承方面的诊断,提出了LMD分解和麻雀搜索优化算法（SSA）优化支持向量机（SVM）的故障诊断方法。第一步采取小波降噪和LMD算法相结合去处理原始信号,经过小波降噪后的原始故障信号会去掉一部分的干扰,再分解得到原始信号的一系列PF分量,接着使用相关性分析法选择出有效的PF分量进行信号重构,重构后的故障信号再次经过LMD分解得到的PF分量求出各自的能量熵,直接用能量图展现出来。接着将各个PF分量的能量熵组成一组组特征向量输入到支持向量机的故障诊断模型里。利用麻雀搜索算法在支持向量机（SVM）对于电机故障的分类的模型上进行惩罚参数和核参数的挑选和模拟,选择最合适的参数组合建立SSA-SVM故障诊断模型进行仿真实验,通过仿真实验验证该方法的故障诊断准确率高达99.2％,与PSO-SVM和SVM故障诊断模型进行比较分析,实验证明提出来的方案有着更适合的故障识别能力,对电机故障诊断有着很好的适应性和发展性。     

隧道爆破振动与机车振动信号时频特征差异化分析

采用频率切片小波变换对复线新建隧道爆破振动与既有隧道机车振动信号进行了分析。在获取两种信号波形和频谱曲线的基础上,利用FSWT对两种信号进行了时频分析。然后根据其逆变换能切割任意频率区间的特点,对两种信号进行子频带划分并得到重构信号;并对两类信号不同的能量分布特性进行了对比研究。研究结果表明:爆破振动信号和机车振动信号的能量主要都分布于200 Hz区域内;在0~100 Hz范围内,机车振动信号所占能量相对较大;100 Hz以上频率区域,爆破振动信号所占能量比例更大。爆破振动信号相对于机车振动信号而言,属于更加高宽频的非平稳随机振动。     

基于局部均值分解的高频金融数据波动率估计

为解决高频数据在风险评估中存在的非线性问题,提出了利用局部均值分解方法实现高频数据波动率估计。首先,采用高频模拟数据验证估计方法的可行性; 其次,将沪深300 指数不同频率收盘价作为研究对象,利用局部均值分解方法估计波动率,计算相对误差统计量。实验结果表明,利用局部均值分解方法可以有效实现高频数据波动率估计和解决高频数据中的非线性问题,随着抽样频率的增加,估计精度逐渐提高。该方法为高频数据波动率非参数估计提供了新的研究思路。     

一种混合双端直流输电线路暂态保护方案

为保证混合双端型高压直流输电系统安全运行,论文分析了混合双端直流输电线路两端边界元件的幅频特性。根据区内外故障下线路暂态电压瞬时能量差值的不同特征,利用改进局部均值分解方法（local mean decomposition,LMD）来提取故障分量,论文提出了一种基于改进型LMD分解的直流线路暂态保护方法。该方法有效降低了经典LMD分解在处理直流故障信号时的端点效应和滑动误差对仿真数据的影响。最后利用PSCAD仿真软件搭建了LCC-MMC混合双端型高压直流输电线路仿真模型,利用该仿真模型输出直流输电线路区内和区外故障仿真结果。并利用Matlab对故障数据进行处理,进行了算法仿真。仿真结果表明暂态电压信号的瞬时能量值在区内故障状态下明显高于区外故障和无故障状态。仿真结果验证了所提保护方法的正确性。该方法能够快速可靠的实现故障判别,具有较强的实用性。     

建筑物变形监测数据去噪的LMD方法

将局部均值分解方法 LMD应用于建筑物变形监测数据去噪.首先介绍局部均值分解的基本原理,然后给出其去噪的流程,最后通过一工程的实际数据进行分析.结果表明,其去噪性能优于EMD滤波去噪方法与小波去噪方法.