基于局部积分均值的经验模态分解改进算法

端点效应和模态混叠现象是经验模态分解算法应用中存在的主要问题。在介绍标准经验模态分解算法的基础上,阐述了基于局部积分均值经验模态分解算法的基本原理,提出自适应的端点局部积分均值拟合线的拟合方法。改进算法通过距离相关度函数在待分解信号内部寻找与端点处信号变化趋势相关度最高的一段波形,并用此段波形的局部积分均值拟合线来重新刻画端点处的局部积分均值拟合线,将修正后的局部积分均值拟合线应用于EMD算法筛选过程中。仿真实验结果表明,改进算法有效抑制了模态混叠和端点效应现象,提高了分解的精度和可靠性。     

一种改善EMD端点问题的方法

经验模态分解（EMD）是一种先进的数据处理方法,对脑电信号（EEG）等非线性非平稳信号的处理非常有效。但是其在利用三次样条曲线构造上下包络时,端点附近的包络存在严重的摆动。针对该问题,在镜面延拓算法的基础上,提出了二次延拓算法。根据邻近端点的数据计算出该信号在端点处的拟合函数;利用该拟合函数在左右端点各延拓出一个极值点;采用镜面延拓算法对延拓后的信号进行EMD分解。算法考虑了信号端点处的变化趋势,使得端点处的延拓更加合理,从而使三次样条曲线在端点处不会出现大的摆动。仿真结果表明,该算法能有效地对脑电信号进行分解。     

基于经验模态分解和递归图的语音端点检测算法

结合Hilbert-Huang变换中的经验模态分解（EMD）和递归图（RP）法,提出了一种新的语音端点检测算法。该算法首先基于语音和噪声通过经验模态分解及其多尺度特征,在不同的固有模态函数（IMF）上进行软阈值时间尺度滤波处理,然后采用非线性动力学行为中的递归图法,定量统计递归分析中的确定性进行语音端点检测。仿真结果表明,该方法具有很强的非稳态动态变化分析能力,在低信噪比环境下较传统方法能更准确提取出语音信号的起止点,鲁棒性好。     

基于EEMD-SE和栈式降噪自编码网络的局部放电模式识别

由于变电站环境复杂,利用传统的特征统计方法不能准确地提取局部放电(PD)信号的特征及对其识别分类.对此,提出一种基于集合经验模态分解(EEMD)和样本熵(SE)的局部放电信号特征提取方法.利用EEMD算法对局部放电信号进行时频分析;计算EEMD分解得到的固有模态函数(IMF)的样本熵,并将其作为特征向量表征不同放电类型;采用栈式降噪自编码网络(SDAE)对放电类型进行分类识别.通过对四类局部放电故障进行特征提取和模式识别,对比实验结果表明,该方法能有效地提取放电信号的特征,并较准确地识别各类放电类型.     

抑制局域波分解端点效应方法的研究

针对局域波分解存在的端点效应问题,提出了三角波形相似估计法对信号端点局部均值进行估计.方法根据三角形相似原理设定了两个相似估计误差,通过两次筛选得到与边界三角波形最相似的三角波形,从而实现对端点局部均值的估计.过镜面闭合延拓法、多项式拟合估计法、边界波形匹配预测法和三角波形相似估计法进行比较研究.仿真和比较结果表明,方法在运行时间、存储空问和最大估计误差三个方面均具有较好的性能,能够有效地抑制局域波分解端点效应.     

PSO优化BP神经网络的串联故障电弧识别方法

运用db5小波对故障电弧信号进行4层分解,提取故障频段能量谱作为特征量,建立BP神经网络.用粒子群优化(PSO)算法优化BP神经网络,从而快速准确地对故障电弧特征量进行拟合,用训练后的神经网络对故障电弧进行预测,达到了较好的预测识别效果,验证了该串联型故障电弧识别方法的有效性.     

基于EEMD和变尺度随机共振的轴承故障诊断

提出了一种基于集合平均经验模式分解(EEMD)和变尺度随机共振(STSR)的滚动轴承故障提取方法.首先通过EEMD对含噪振动信号进行自适应抗混分解,得到不同频带的本征模态函数(IMF);然后将不同频带的IMF作为双稳系统的输入,通过变步长数值算法和调节非线性双稳系统的结构参数来提取微弱低频故障特征信号;最后运用切片双谱对双稳系统的输出进行后处理.仿真分析验证了STSR的特性,通过对强噪声背景下的滚动轴承实测信号分析表明,该方法充分利用高斯白噪声,能有效提取滚动轴承微弱故障特征.     

基于最大-最小蚂蚁系统优化ELM的电解槽故障诊断

针对铝电解槽故障特征种类繁多,难以快速准确的实现故障类型诊断,设计了一种基于最大-最小蚂蚁系统(MMAS)优化的极限学习机(ELM)故障诊断方法。介绍了电解槽常见的故障类型及其对槽电压的影响,对采集到的故障情况下的槽电压信号进行降噪处理,根据对降噪后故障信号的局域均值分解(LMD)结果得到故障特征。采用ELM算法辨识故障类型,针对ELM算法存在的参数问题,采用MMAS对ELM隐含层参数寻优。结果表明,MMAS优化的ELM既保证了较快的训练速度,同时获得了更高的故障测试正确率。     

基于优选小波基和模糊SOM网络的模拟电路故障诊断

为了解决模拟电路故障诊断中的特征提取困难并实现对模拟电路故障模式准确的分类,提出一种优选小波基、模糊理论和自组织特征映射网络(SOM,self-organizing feature map)相结合的模拟电路故障诊断方法.该方法首先对模拟电路故障响应信号进行小波分解、提取能量值、均值和方差组成输入特征向量,同时采用余弦分离度评价小波变换在不同小波基函数下获取故障特征的有效性,据此选择余弦分离度最小的小波基分解的特征向量输入到自组织特征映射网络进行故障分类.仿真实验表明,利用余弦分离度选择的最优小波基能有效提高模拟电路故障特征提取,模糊神经网络能对故障模式进行精确分类.     

基于SVD优化EMD的电梯导靴振动信号故障 特征提取

针对电梯导靴振动信号采用经验模态分解(Empirical Mode Decomposition,EMD)难以直接提取早期微弱故障特征的问题,提出基于奇异值分解(Singular Value Decomposition,SVD)优化经验模态分解的电梯导靴振动信号故障特征提取方法。该方法首先对原始信号进行SVD分解,通过奇异值贡献率原则来确定相空间重组的最佳Hankel矩阵结构,利用曲率谱原则与奇异值贡献率原则相结合来确定有效奇异值的阶次;筛选出包含主要故障信息的奇异值进行信号重构,得到剔除噪声信号与光滑信号的突变信号;然后对突变信号进行EMD分解,得到信号的本征模态函数(Intrinsic Mode Function,IMF)分量。最后,对IMF分量作Hilbert变换,求得其Hilbert边际谱,从而获得电梯导靴故障特征频率信息。仿真结果表明该方法有效改善了EMD难以直接提取早期微弱故障特征的问题,更准确地提取了振动信号的故障特征频率,验证了所述方法的有效性。     

基于变分模态分解和高阶统计量的梯级故障诊断研究

自动扶梯是地铁车站内必不可少的大型公共交通设备,一旦发生故障,小则影响运营,大则引发安全事故;梯级作为自动扶梯的重要结构部位,其固定螺栓松动必然会导致自动扶梯运行异常;针对梯级振动信号故障特征难以提取的问题,提出了变分模态分解(VMD)和高阶统计量(HOS)联合来对自动扶梯故障特征提取;该方法首先对原始振动信号进行VMD分解,得到K个固有模态分量(IMF);然后对主IMF分量进行奇异值分解(SVD)降噪,对去噪后的主IMF分量进行重构得到新的信号;最后通过高阶统计量对新的信号故障特征提取,并利用随机森林分类算法对三类不同的振动信号样本进行分类识别,确定梯级振动故障类型;实验结果表明,该方法可以有效地提取故障特征,实现故障诊断与分类。     

基于鲸鱼算法优化LSSVM的滚动轴承故障诊断

针对轴承振动信号中的故障特征难以提取的问题,提出一种基于改进的鲸鱼算法优化最小二乘支持向量机(least square support vector machine, LSSVM)的故障分类方法.首先,利用变分模态分解(variational mode decomposition, VMD)对原始信号进行分解,使用中心频率法解决VMD中分解参数K值的选取问题;其次,计算每个IMF分量的多尺度排列熵值,提取信号故障特征;再次,针对鲸鱼算法(whale optimization algorithm, WOA)收敛速度慢和精度低的问题,引入冯诺依曼拓扑结构和自适应权重进行改进,可以适当地调整全局搜索能力和局部搜索能力之间的平衡;最后,采用改进后的鲸鱼算法优化LSSVM核函数的参数和惩罚因子,建立滚动轴承故障诊断模型,并利用美国凯斯西储大学提供的轴承数据集进行仿真实验.实验结果表明,所提方法的故障分类性能更好,准确率更高.     

敏感SVD和EEMD的故障诊断方法研究

在噪声干扰下有效提取振动信号所包含的微弱故障特征,是轴承故障诊断的关键问题,提出了一种基于敏感奇异值分解(SSVD)和总体平均经验模态分解(EEMD)的故障诊断方法.对时域振动信号进行敏感SVD分析,通过敏感因子选择反映故障冲击特征的敏感SVD分量,并利用定位因子定位分量信号所对应奇异值进行振动信号重构,以滤除噪声干扰;对降噪信号进行EEMD,根据峭度准则选取故障信息丰富的敏感固有模态分量(IMF),有效提取局部微弱故障信息;利用Teager-Kaiser能量算子(TKEO)计算故障信息的瞬时能量,并对其进行频谱分析,获取故障特征频率,以识别故障类型.方法应用于轴承故障诊断,实验证明了所提方法的有效性.     

A rotating machinery fault diagnosis method based on local mean decomposition

Local mean decomposition (LMD) is a novel self-adaptive time–frequency analysis method, which is particularly suitable for the processing of multi-component amplitude-modulated and frequency-modulated (AM–FM) signals. By using LMD, any complicated signal can be decomposed into a number of product functions (PFs), each of which is the product of an envelope signal and a purely frequency modulated signal from which physically meaningful instantaneous frequencies can be obtained. In fact, each PF is just a mono-component AM–FM signal. Therefore, the procedure of LMD may be regarded as the process of demodulation. While fault occurs in gear or roller bearing, the vibration signals picked up would exactly display AM–FM characteristics. So it is possible to diagnose gear and roller bearing fault by LMD. Targeting the modulation features of the gear or roller bearing fault vibration signal, a rotating machinery fault diagnosis method based on LMD is proposed. In this paper, firstly the LMD method is introduced; secondly, the LMD method is compared with another competing time–frequency analysis approach, namely, empirical mode decomposition (EMD) method and the results show the superiority of the LMD method; finally, the LMD method is applied to the gear and roller bearing fault diagnosis. The analysis results from the practical gearbox vibration signal demonstrate that the diagnosis approach based on LMD could identify gear and roller bearing work condition accurately and effectively.     

K值优化的VMD在轴承故障诊断中的应用

由于机械设备实际运行状态下环境噪声的影响,轴承早期非平稳振动信号的故障特征难以有效提取。为此,将K值优化的变分模态分解引入轴承的早期故障诊断方法中。首先利用小波包降噪法对轴承实际振动信号进行降噪;然后利用K值优化的VMD算法,通过合理设置参数K,将降噪信号分解为若干本征模态分量,利用峭度值选取最佳分量;最后提取最佳分量的样本熵和排列熵组成特征向量,利用模糊C聚类识别轴承的故障类型。实验结果表明,该方法避免了信号的过分解,能有效提取振动信号特征,实现轴承的早期故障诊断。     

基于自相关和经验模态分解的转子碰摩故障分析

针对转子故障振动信号具有周期性的特点,提出一种用于分离转子故障振动信号的新方法,该方法首先应用自相关处理对振动信号进行降噪处理,然后采用经验模态分解(EMD)对振动信号进行分解,得出各个本征模态函数(IMF),并对IMF进行频谱分析,从频谱图上可以清晰地观察出转子的故障特征频率.试验结果表明,振动信号经自相关处理后起到了很好的降噪效果,碰摩所产生的冲击信号上下不对称;EMD分解方法能有效地突出故障特征频率成分,该方法可广泛用于旋转机械振动信号时频分析领域.     

基于HHT变换的起动电动机特征信号时频分析

针对车辆起动电动机电气和机械故障发生时特征信号的时变不平稳特性,进行了时频域分析处理,提出了利用现代信号处理方法对故障信号提取特征向量的方法,主要对起动电动机的电枢和轴承故障进行诊断。在构建电机故障测试实验平台的基础上,利用破坏性实验构造了故障类型,测取了电枢电流和振动信号,分别采用小波分析理论和HHT变换对信号进行分析,通过分解再重构的方式将信号分解成了频率由高到低的不同分量,并获得了故障的特征频率,提取了特征向量。实验结果表明,基于HHT变换的现代信号处理方法在处理时变非平稳信号方面比小波分析理论更具有自适应性,更易识别。     

Application of an intelligent classification method to mechanical fault diagnosis

A new method for intelligent fault diagnosis of rotating machinery based on wavelet packet transform (WPT), empirical mode decomposition (EMD), dimensionless parameters, a distance evaluation technique and radial basis function (RBF) network is proposed in this paper. In this method, WPT and EMD are, respectively, used to preprocess vibration signals to mine fault characteristic information more accurately. Then, dimensionless parameters in time domain are extracted from each of the original vibration signals and preprocessed signals to form a combined feature set. Moreover, the distance evaluation technique is utilised to calculate evaluation factors of the combined feature set. Finally, according to the evaluation factors, the corresponding sensitive features are selected and input into the RBF network to automatically identify different machine operation conditions. An experiment of rolling element bearings is carried out to test the performance of the proposed method. The experimental result demonstrates that the method combining WPT, EMD, the distance evaluation technique and the RBF network may accurately extract fault information and select sensitive features, and therefore it may correctly diagnose the different fault categories occurring in the bearings. Furthermore, this method is applied to slight rub fault diagnosis of a heavy oil catalytic cracking unit, the actual result shows the method may be applied to fault diagnosis of rotating machinery effectively.     

基于VMD-SVD的单向阀微弱故障诊断方法

针对大型往复式机械高压隔膜泵单向阀振动信号中的微弱故障特征难以提取,且磨损击穿故障、卡阀故障及正常状态振动信号难以识别的问题,提出一种基于变分模态分解和奇异值分解的单向阀微弱故障特征提取及诊断方法。首先对振动信号进行VMD分解,再借助能量百分比和方差贡献率筛选出包含丰富故障信息的模态IMF分量,其次对筛选后的IMF分量构建初始特征矩阵,然后利用SVD对特征矩阵进行分解,得到特征矩阵的奇异值作为表征微弱故障信号的特征向量,最后应用多变量预测模型对单向阀微弱故障进行诊断。工程实验结果表明,该方法能有效地提取出单向阀微弱故障信号特征并能对单向阀状态类型进行有效识别。     

A joint sparse wavelet coefficient extraction and adaptive noise reduction method in recovery of weak bearing fault features from a multi-component signal mixture

Rolling element bearings are widely used to support rotating components of a machine. Due to close space locations of components in the machine, a vibration signal caused by bearing localized defects is easily overwhelmed by other strong vibration signals. Extracting the bearing fault signal from a multi-component signal mixture is thus significant to detect early bearing fault features and prevent machine breakdown. In this paper, a bearing fault diagnosis method, named cyclic spike detection method, is proposed to extract the weak bearing fault features from a multi-component signal mixture. Firstly, the optimal center frequency and bandwidth of a complex Morlet wavelet filter are determined by a simplex-simulated annealing algorithm along with a maximum sparsity objective function. The filtered signal is then obtained by applying the optimal wavelet filter to the multi-component signal mixture. After that, a new adaptive local maximum selection method is proposed to make the filtered signal succinct. Only a few spikes are retained to reveal potential cyclic intervals caused by bearing localized defects. Two multi-component signal mixtures, including a simulated signal and a real vibration signal collected from an industrial machine, are used to validate the effectiveness of the proposed cyclic spike detection method. The results demonstrate that the proposed method can extract the weak bearing fault features from other strong masking vibration signals and noise.