基于EEMD与CPSO-ELM的车削机床刀具磨损故障检测与识别

鉴于数控车床刀具在机械加工系统中占有重要的地位,故数控车床刀具磨损故障的在线检测与识别具有重要意义。以华中数控车床为研究对象,提出了以平均经验模态分解(EEMD)、混沌粒子群(CPSO)以及核极限学习机(ELM)等方法对车床刀具磨损故障进行诊断。介绍了EEMD、CPSO以及ELM的基本原理和过程;对采集得到的刀具磨损信号进行前期预处理,经EEMD分解后得到IMF分量,以峭度、峰值、均方根值作为一种选取标准,选择包含较多故障信息的几个IMF进行信号重组并计算;将计算结果组成特征向量输入CPSO-ELM、SVM以及BP神经网络等分类器进行故障识别和对比。实验结果表明:对比传统的BP神经网络和SVM分类器,CPSO-ELM分类器具有快速、精确、有效的识别特性,能够有效检测和识别刀具磨损故障。     

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EEMD和IMF能量分布的刀具破损识别

针对铣削过程中声发射信号非平稳的特点,提出了一种基于噪声辅助经验模态分解(EEMD)和本征模函数(IMF)能量分布的刀具破损识别方法.首先对经过滤波后的原信号进行EEMD分解,抽取本征模函数组(IMF),后计算每一阶模函数能量及总体能量分布,最后提取特征向量,通过特征向量的变化识别刀具破损.利用该方法,在立式铣削加工中心上对稳定切削中刀具破损和变参数铣削加工进行了系统的分析,结果表明此方法能够剔除切削参数变化的影响,准确的识别刀具破损,具有很高的稳定性和准确性.     

基于EEMD的滚动轴承故障特征主元分析和PNN建模

利用滚动轴承各种工作状态下测量得到的声发射信号,建立了一种基于总体平均经验模态分解(EEMD)与概率神经网络(PNN)的滚动轴承故障特征提取和诊断方法。通过EEMD对信号进行自适应时频分解,在不同频段上分析本征模态函数(IMF)分量;计算IMF的能量值并做能量贡献分析,确定主元分量以组成故障特征向量;利用PNN网络实现故障特征向量与故障模式之间的函数映射,进行故障诊断。仿真结果和试验数据的对比证明了提出方法的有效性。     

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。     

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EMD和DHMM的刀具故障诊断

为了有效监测刀具的磨损状态,提出了一种基于经验模态分解(EMD)和离散隐马尔科夫模型(DHMM)的刀具故障诊断方法。首先对振动信号进行EMD分解,得到若干固有模态函数(IMF),选取前几个能量较大的IMF进行标量量化处理得到特征向量后,作为观测值序列输入已训练好的DHMM模型进行故障状态识别。此外,通过与支持向量机(SVM)故障诊断方法进行比较,结果表明,EMD-DHMM刀具故障方法能够更有效地识别刀具的故障状态。     

基于改进HHT和形态学分形维数的齿轮箱轴承故障特征提取方法

针对齿轮箱轴承特征难以提取的问题,提出一种基于改进希尔伯特-黄变换(HHT)和形态学分形维数的故障特征提取方法。首先采用自适应白噪声总体经验模态分解(CEEMDAN)方法将轴承振动信号分解为若干个固有模态函数(IMF),然后分别计算各IMF分量的相关系数和峭度值以滤除对信号特征不敏感的分量,最后计算包含敏感故障特征分量所组成的重构信号的形态学分形维数,以此作为特征参数对轴承的工作状态进行识别。通过对实测轴承信号的分析,结果表明,文章所提方法可有效识别轴承的工作状态和故障类型。     

基于EMD和ADS的刀具磨损在线监控系统开发

为实现刀具磨损状态准确快速的识别,开发了一套基于自动化设备规范(ADS)通信技术和经验模态分解(EMD)的刀具状态在线监控系统。运用EMD将振动信号分解成多个固有模态函数分量(IMF),综合使用相关系数法以及能量值法筛选了前6阶IMF分量的均方根值作为监测特征,然后将监测特征作为支持向量机的输入,建立监测特征与刀具磨损状态的关系模型。加工中的一定长度的振动数据经ADS技术传输到建立好的支持向量机(SVM)模型中,完成刀具状态的识别。使用TwinCAT和Matlab实现了整套系统的功能。经试验验证,刀具监控系统运行稳定,能对刀具状态进行准确快速的判断。     

基于CEEMD能量熵与SVM的低速轴承故障声发射诊断

针对低速轴承故障诊断难的问题,将互补总体平均经验模态分解(CEEMD)能量熵与支持向量机相结合对低速轴承故障进行了声发射诊断。采集不同缺陷状态的轴承声发射信号进行CEEMD分解,得到自适应的本征模态分量(IMF);结合IMF分量的方差贡献率和互相关系数对虚假分量进行剔除,筛选出有效IMF分量。对提取的有效IMF分量计算能量熵,作为不同故障轴承的特征向量。将该特征向量输入到支持向量机(SVM),对不同故障的低速轴承进行分类识别。试验结果表明,通过方差贡献率和互相关系数能够筛选出含主要故障信息的IMF分量,同时验证了SVM相比BP神经网络对低速轴承不同故障类型的识别效果更好。     

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EEMD＿SVM的波纹管压浆超声检测

采用超声方法检测接收波纹管模型的回波信号,利用总体平均经验模态分解(EEMD)方法将信号分解成多个频带的本征模态分量(IMF);当波纹管内部出现脱浆缺陷时,回波信号在不同IMF内的能量分布会发生变化,将主要IMF分量的能量熵特征作为支持向量机(SVM)的输入向量,建立分类机制来区分波纹管结构。试验结果表明,文中提出的方法能有效地判断波纹管是否出现严重脱浆。     

基于EEMD的液压系统振动信号相关主分量分析效果研究

为了研究液压系统振动信号经EEMD分解前几阶IMF分量能否代表EEMD分解信号的主要成分,提出了EEMD分解的相关主分量分析,研究了EEMD相关主分量分析的效果。运用EEMD分解信号,得到其IMF分量,计算出各分量与原信号的相关系数,从中找出信号的相关主分量,通过对主分量进行Hilbert包络谱分析,并与原信号的Hilbert包络谱比较来验证EEMD相关主分量分析效果。通过对实测信号研究表明,某液压缸连续信号经EEMD分解后,与原信号相关性较大的5阶IMF分量:IMF1、IMF2、IMF5、IMF6、IMF7包含原信号主要成分,能表示该信号EEMD分解的主分量,而前5阶却不能完整表示原信号的主分量;对液压缸冲击信号分析发现,EEMD分解的前两阶IMF分量:IMF1、IMF2与原信号相关性较大,能够准确地表示原信号所包含的频率成分和信息,能表示信号EEMD分解的主分量,代表EEMD分解信号的主要成分。因此,EEMD相关主分量分析能突出EEMD分解的主要频率成分,对液压系统振动信号分析效果良好。     

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。     

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。     

基于EMD-HMM的机床刀具磨损故障诊断

针对机床刀具磨损故障诊断,提出基于经验模态分解(EMD)进行信号处理和基于隐马尔科夫模型(HMM)进行模式识别的刀具故障诊断方法。在信号处理阶段,对机加工过程中的振动信号进行经验模态分解,得到若干固有模态函数(IMF),计算IMF的能量值并选用前几阶高能量的IMF作为识别参数。在模式识别阶段,先将训练样本使用HMM的基本方法进行模型训练获得HMMs,再使用测试样本进行模型准确性验证。完成验证的模型就可以表示该机床刀具磨损和机加工刀具信号的对应关系,可以应用到刀具磨损的监测识别中。     

基于改进滤波及峭度原则EEMD的转子故障特征识别方法

针对转子运转时的振动冲击和噪声较大从而容易掩盖振动信号中的故障特征的问题,提出了一种基于小波阈值去噪的EEMD故障特征识别方法。采用改进后小波阈值滤波方法对振动信号进行降噪预处理,对处理结果进行集合经验模态分解(EEMD),再依据峭度原则筛选分解得到的本征模态函数(IMF)。分析重构信号的频谱特征以识别故障。结果表明,该方法有效提高了信噪比且能提取到转子故障特征。     

基于EEMD的ICA算法在轴承-丝杠复合故障诊断中的应用

提出了一种基于EEMD的ICA算法,旨在解决单通道轴承-丝杠复合故障的信号分离。首先通过EEMD分解,将复合信号分解在不同的通道中,得到一系列IMF分量;再计算各IMF的峭度值和相关系数值,选取数值较大的几个IMF分量,与原始信号重新组成一组观测信号,作为ICA的输入,得到一系列IC分量;最后选取含有冲击成分较大的IC分量,进行包络分析,对故障类型进行诊断识别。通过实验成功分离并识别出两种故障类型,证明了该方法的有效性。     

基于系统辨识方法的铣刀磨损状态识别

铣刀磨损状态的判定对保证铣削加工产品质量具有重要意义。为提高铣刀磨损状态监测的有效性、快速性和准确性,通过Hilbert变换对铣削力信号进行解调处理,分离出了与铣刀磨损相关的信号。用db4小波函数对解调信号进行小波包分解,提取了铣刀磨损过程中各个时段频带的能量,与刀具的磨损曲线综合分析后,获取了能反映铣刀磨损状态变化的频段,并基于Zoom-FFT方法对铣削力信号在整个频带上分段选频细化。通过实验验证了所选频带零频上的幅值变化规律以及频谱上的谱线移动规律能够反映铣刀的磨损状态,综合二者能够快速、准确判断铣刀的磨损状态。