噪声协助的EMD-1.5维谱信号抗混分解与特征提取

针对大型动力装备核心部件微弱故障特征信息提取问题,提出了一种噪声协助的EMD-1.5维谱故障诊断方法。经验模式分解(EMD)方法中,信号极值点间隔特性影响模式混淆现象的出现,针对此状况提出信号极值点间隔特性评价方法,分析高斯白噪声有助于信号抗混分解原理,通过对原始信号加入高斯白噪声得到噪声协助的EMD方法,提高信号抗混分解能力。将1.5维谱与噪声协助的EMD方法结合,得到一种新的故障特征提取方法,该方法具有对信号进行有效抗混分解、提取非线性耦合等特性,并以此来提取故障的微弱特征信息。通过仿真研究与电力机车滚动轴承的故障诊断工程实例,验证了该方法的有效性。     

一种改进的EEMD方法及其应用研究

针对集成经验模式分解(Ensemble empirical mode decomposition, EEMD)中协助噪声幅值大小需要人为经验确定的不足,基于经验模式分解(Empirical mode decomposition, EMD)二进滤波器特性,讨论了EMD出现模式混淆的原因,研究了EEMD中协助噪声幅值大小的确定原则,提出基于极值点分布特性的改进EEMD方法,通过遍态历经,以极值点分布特性为评价参数,自适应确定EEMD方法中高斯白噪声优化幅值。通过数据仿真,验证了其有效性。最后,应用于转子早期故障诊断中,结果显示可以自适应确定噪声幅值,避免参数人为选择导致分解结果的盲目性,有效抑制了传统EMD方法的模式混淆现象,可有效识别转子早期碰磨引起的故障特征。     

一种改进的EEMD方法及其应用研究EI北大核心CSCD

针对集成经验模式分解(Ensemble Empirical Mode Decomposition,EEMD)中协助噪声幅值大小需要人为经验确定的不足,基于经验模式分解(Empirical Mode Decomposition,EMD)二进滤波器特性,讨论了EMD出现模式混淆的原因,研究了EEMD中协助噪声幅值大小的确定原则,提出基于极值点分布特性的改进EEMD方法,通过遍态历经,以极值点分布特性为评价参数,自适应确定EEMD方法中高斯白噪声优化幅值。通过数据仿真,验证了其有效性。最后,应用于转子早期故障诊断中,结果显示可以自适应确定噪声幅值,避免参数人为选择导致分解结果的盲目性,有效抑制了传统EMD方法的模式混淆现象,可有效识别转子早期碰摩引起的故障特征。     

基于谱峭度与变分模态分解的转子微弱不对中故障诊断

针对噪声干扰下转子微弱不对中故障特征难以提取的问题,提出一种谱峭度与变分模态分解的转子故障诊断方法。该方法首先利用谱峭度(Spectral Kurtosis)滤除信号背景噪声以强化故障特征相关信号分量,然后通过变分模态分解(Variational Mode Decomposition,VMD)将转子振动信号分解为一系列本征模态分量并对各分量进行频谱分析,提取转子的故障特征。将该方法应用到转子不对中故障实验数据中,结果表明,该方法能有效提取出转子微弱不对中故障特征,并且结果要优于基于谱峭度与经验模态分解(EMD)方法的分析结果。     

基于EMD分形技术提取变速器轴承故障特征

故障轴承振动信号具有分形特征,可以利用分形维数有效识别变速器轴承的故障模式.噪声的存在对分形维数的计算结果影响较大,为此采用经验模态分解（EMD）方法,对变速器轴承振动信号进行EMD分解,计算分解后的IMF分量的分形维数,提取出变速器轴承不同技术状态下的故障特征。对实测变速器轴承振动信号分析,结果表明：EMD能对不同频带信号进行有效分离;特定IMF分量的分形维数能敏感反应变速器轴承技术状态,可以作为变速器轴承故障诊断的特征参数;EMD与分形维数相结合是提取变速器轴承故障特征的一种有效方法。     

基于SVD降噪和盲信号分离的滚动轴承故障诊断

滚动轴承早期微弱故障特征信号往往淹没于系统噪声信号中而难于识别,奇异值分解技术（SVD ）可以有效降低噪声水平,提高周期成分的提取能力,盲源分离技术可以分离故障源信号并提取故障特征。本文将奇异值分解技术和盲信号分离技术的优势应用于滚动轴承故障诊断,利用奇异值分解降噪特性消除系统信号中的混合噪声,对降噪后的信号通过盲信号分离技术进行盲源分离,提取出原始故障信号。数值仿真及实验结果表明,该方法可以成功地分离出滚动轴承实测信号的典型故障,提高滚动轴承故障诊断的效果。     

基于MS-EEMD的滚动轴承微弱故障提取研究

在实际工况下,轴承的早期故障信号与强噪声信号相比属于微弱信号,而轴承的早期故障特征从强噪声环境中提取出来一直是故障诊断课题的一大难点。基于上述问题,提出一种基于MS（Mask Signal）和EEMD（Ensemble Empirical Mode Decomposition）方法的滚动轴承微弱故障提取方法。由于EEMD方法在噪声背景下分解出的IMF分量存在模态混叠现象,很难辨别故障频率的真伪,所以引入掩膜信号法对分解出的IMF分量进行处理,抑制虚假频率,将故障频率提取出来。通过将掩膜信号法与EEMD方法相结合的方式,对存在噪声的故障信号进行处理,提取出故障特征。     

强背景噪声振动信号中滚动轴承故障冲击特征提取

针对机械早期故障引起的冲击特征微弱,易受强背景信号和噪声的干扰而难以提取的问题,提出一种奇异值分解(Singular Value Decomposition,SVD)差分谱与S变换相结合的微弱冲击特征提取方法。将原始信号构造成Hankel矩阵,采用SVD对重构矩阵进行分解;利用奇异值差分谱确定降噪阶次进行降噪;采用S变换对降噪后的信号进行时频分析,提取信号中的微弱冲击特征信息。通过数值仿真和实际轴承故障数据的对比,表明该方法可有效辨别轴承振动信号中故障引起的早期微弱冲击特征,为轴承故障诊断提供先验信息。     

基于能量聚集性的轴承复合故障诊断

轴承复合故障类型多样,且部分故障的特征频率相近噪声污染严重。采用经验模态分解(EMD)的方法,在强噪声背景下会引起相近频率故障成分的无法识别,同时也难以提取微弱的故障信号。由此,提出一种基于能量聚集性的轴承复合故障诊断方法。首先借助离散余弦变换(DCT)的频域能量聚集性和奇异值分解(SVD)的时域能量聚集性,对轴承复合故障信号进行预处理,实现降噪并分离频率相近的微弱故障信号。然后对分离出来的不同故障信号进行经验模态分解,去除伪分量,对剩余的本征模态函数进行频谱分析。最后,根据本征模态函数的频谱诊断故障。仿真信号和实测轴承故障诊断信号分析表明,与直接使用EMD进行轴承复合故障诊断相比,该方法能够在强背景噪声下准确分离频率相近的微弱故障分量,改善复合故障诊断的准确性。     

基于EMD包络谱分析的液压泵故障诊断方法

在对液压泵常见故障模式进行分析的基础上,针对液压泵早期故障诊断时故障特征信号微弱且传统的包络分析需要预先依靠经验确定分析频段的问题,提出了基于经验模式分解(EMD)和包络谱分析的诊断方法。该方法首先将采集到的液压泵壳体的振动信号利用EMD分解为有限个固有模式函数(IMF)之和;然后对前几个IMF分量进行包络分析,并求出包含主要故障信息的包络谱;最后通过对包络谱的分析,判断液压泵的工作状态和故障类型。实验结果表明,该方法有效提取了液压泵的早期故障特征,准确实现了液压泵正常、滑靴松动、滑靴与斜盘磨损及缸体与配流盘磨损四种状态的分类,是进行液压泵故障诊断行之有效的方法。