基于多元经验模态分解的旋转机械早期故障诊断方法*

针对旋转机械早期微弱故障诊断问题,提出了基于多元经验模态分解的旋转机械早期故障诊断新方法。首先将多个加速度传感器合理布置在轴承座的关键位置,同步采集多通道振动信息;再利用多元经验模态分解同时对多通道振动信号进行自适应分解,得到一系列多元IMF分量;最后,依据峭度准则和相关系数从中选取包含故障主要信息的IMF分量进行信号重构,提取故障特征。多元经验模态分解方法克服了EMD等方法在进行多通道数据融合时缺乏理论依据的局限性。仿真信号和旋转机械故障信号的实验结果表明,该方法明显优于EEMD方法,对齿轮和滚动轴承故障的检测精度更高,可以在强背景噪声情况下更好地提取出故障冲击特征。     

基于MVMD-FRFT的滚动轴承早期故障特征提取研究

滚动轴承的振动信号具有非平稳、非线性的特点,造成其早期故障信号的特征提取困难,针对这一问题,对滚动轴承状态监测中常用的特征提取方法进行了研究,提出了一种基于多元变分模态分解(MVMD)和分数阶傅里叶变换(FRFT)的特征提取方法,并将其应用于滚动轴承的故障诊断中。利用MVMD算法将多传感器同时采集的多通道振动信号进行了同步分解,有效地提高了多通道数据融合处理能力,同时得到了若干个固有模态函数(IMF)分量;依据相关系数法从分解后得到的IMF分量中选取了包含故障信息最多的分量作为最优分量,利用FRFT对最优分量进行了滤波,降低了噪声对微弱故障信号的干扰;对滤波后的信号进行了1.5维包络谱解调,通过分析滤波后信号的包络谱,提取了滚动轴承的故障特征。研究结果表明:应用MVMD和FRFT相结合的方法能够有效地避免模态混叠现象,充分地利用故障特征信息,削弱低频信号与噪声的干扰,从而有效地提取出了滚动轴承的故障特征信息。     

基于变分模态分解的风机齿轮箱振动信号降噪方法研究

针对风机齿轮箱振动信号噪声对系统故障诊断产生干扰的问题,研究了对信号进行降噪处理的方法,提出了一种基于变分模态分析的方法。对数据进行了预处理,通过维纳滤波去除了采集信号中的噪声成分,利用了变分模态分解迭代寻找模型最优解,确定了各分量频率中心和带宽,实现了不同频率成分有效分离;采用了完全非递归分解模型,有效避免了经验模态分解中的模态混叠现象,并且利用局部均值分解自适应的特点,对其分解结果进行了频谱分析,将其作为变分模态分解的模态个数K选取的依据,使得K值最优;通过MATLAB平台仿真对所提方法进行了仿真验证。研究结果表明:所提方法在避免模态混叠的同时,达到了很好的降噪效果并且具有很强的鲁棒性,可以大大减弱风机组故障诊断过程中振动信号噪声的干扰。     

改进的自适应噪声总体集合经验模态分解在光谱信号去噪中的应用

针对近红外无创血糖检测过程中噪声对血糖浓度模型精度和稳定性的影响,提出用自适应噪声总体集合经验模态分解方法实现近红外光谱信号的去噪;同时,根据原始信号曲率和分解后本征模态函数(IMFs)曲率间的离散弗雷歇距离选择相关模态。首先,将自适应噪声的总体集合经验模态分解方法引入近红外光谱去噪过程,介绍了经验模态分解、集合经验模态分解、互补集合经验模态分解及自适应噪声总体集合经验模态分解的基本原理及具体实现过程。然后,应用基于曲率和离散弗雷歇距离的自适应噪声总体集合经验模态分解改进算法对仿真信号和光谱信号进行去噪,并将其标准差和信噪比作为评价指标。实验结果表明:应用提出的方法得到的血糖浓度近红外光谱数据其标准差为0.179 4,信噪比为19.117 5dB,实现了信号与噪声的分离,改善了重构信号质量,具有良好的自适应性,可以有效识别并提取有用信息。     

全矢样本熵在高速列车故障诊断中的应用

为了有效提取高速列车转向架振动信号的故障特征以及针对单通道采集的信息难以完善地反映出列车运行状态的问题,提出了一种基于全矢样本熵(full vector sample entropy,简称FVSE)算法的故障特征提取方法。首先,使用噪声辅助多元经验模态分解(noise assisted multivariate empirical mode decomposition,简称NAMEMD)方法对振动信号进行分解,得到一系列多元本征模态函数;其次,根据相关系数法选择与原始信号最相关的本征模态函数分别进行样本熵和全矢样本熵特征提取;最后,将得到的特征向量分别作为支持向量机的输入对列车状态进行识别。实验结果表明,采用全矢样本熵算法的故障识别率普遍比采用样本熵算法提高了6个百分点,最高达到了98%以上,验证了噪声辅助多元经验模态分解方法结合全矢样本熵算法对高速列车故障诊断的有效性。     

基于软筛分停止准则的改进经验模态分解及其在旋转机械故障诊断中的应用

筛分停止准则是影响经验模态分解在高速列车旋转机械故障诊断准确率的关键因素之一。目前普遍采用预先设定阈值的方法,不具有自适应性,导致经验模态分解易出现模态混叠的问题,进而影响故障诊断结果。鉴于充分论证筛分停止准则对经验模态分解结果的影响,提出一种能够自适应控制筛分过程的软筛分停止准则,用于抑制模态混叠问题,提高经验模态分解精度和效率。针对目标信号,该准则通过定义一个刻画全局能量和局部冲击的目标函数,结合启发式搜索机制,实现每次筛分过程中筛分迭代次数的优化,进而保障经验模态分解获取最优分解结果。利用仿真数据和凯斯西储大学轴承基准数据集,对改进的经验模态分解与两种传统实现方法在不同的分解和诊断性能维度上进行对比讨论。最后,将提出的改进经验模态分解方法成功应用于高速列车旋转机械模拟试验台的故障诊断案例中。     

壳段厚度激光检测信号的变分模态分解去噪

针对双激光位移传感器测量大型壳段厚度过程中噪声对检测精度的影响,提出利用变分模态分解来实现对厚度信号的自适应去噪,利用相邻固有模态函数之间的离散Hellinger距离来获取最佳的模态数。该方法将变分模态分解算法引入到激光信号的自适应滤波过程中,分析并改进了变分模态分解算法的过分解、欠分解以及能量泄露的问题。然后,对改进的变分模态分解与希伯特振动分解和自适应噪声总体集合经验模态分解进行性能对比,提出了固有模态函数的相对瞬时能量概率的概念。最后,结合离散Hellinger概率分布距离理论判断固有模态之间的信噪分界点,实现了对信号的重构及滤波处理。仿真和实验结果表明,该方法对壳段厚度信号处理的信噪比为39.27dB,比自适应噪声总体集合经验模态分解方法提高了10dB,具有良好的自适应性,无需先验条件便能快速有效地识别并分离激光信号中的噪声成分。     

基于CCWEEMDAN和包络谱熵的轴承故障诊断研究

完全互补小波噪声辅助集总经验模态分解(CCWEEMDAN)是经验模态分解(EMD)的改进算法,是一种噪声辅助的自适应非线性非平稳数据处理方法。噪声辅助能克服EMD方法处理间歇信号出现的"模态混叠"问题。而相比较互补集总经验模态分解(CEEMD),完全互补小波噪声辅助集总经验模态分解能实现更优的性能。在轴承故障诊断的应用中,这里的方法利用小波分解高频段噪声细节成分,添加到原始轴承故障信号中,提取出本征模态信号。利用包络谱熵判断轴承故障导致的冲击响应特征所在本征模态信号,通过对轴承外圈、内圈局部故障状态下的特征提取进行故障诊断,结果表明该方法能有效提取故障冲击响应特征。     

基于自适应RCGmvMFE和流行学习的滚动轴承故障诊断

多尺度模糊熵能够较好的量化振动信号的复杂程度,但缺乏对其他信道信息的有效利用,为了充分利用其他信道的振动信息,将表征同步多通道数据多变量复杂度的多变量熵理论应用到轴承故障诊断中.为了准确提取轴承信号中的故障特征,提出了基于自适应噪声完备集成经验模态分解(Complete Ensemble Empirical Mode ...     

基于CEEMDAN与自适应阈值降噪的滚动轴承故障诊断

针对滚动轴承故障信息受到噪声污染而难以识别的问题,提出一种基于自适应噪声完备集合经验模态分解和自适应阈值降噪(CEEMDAN-ATD)的滚动轴承故障诊断方法。首先对原始振动信号进行CEEMDAN分解;其次利用灰色关联分析法(GRA)筛选出噪声主导和信号主导的分量;然后对噪声主导分量分别进行自适应阈值降噪(ATD)处理,并与信号主导分量进行重构;最后通过分析重构信号的Teager能量谱实现滚动轴承故障的识别。采用凯斯西储大学轴承数据对所提方法进行验证,并与完全总体经验模态分解-自适应阈值降噪(CEEMD-ATD)和CEEMDAN-小波阈值降噪(CEEMDAN-WTD)2种方法作比较,结果表明,所提方法表现出较好的自适应性和去噪效果,能够较好地服务于滚动轴承故障诊断。     

基于多元经验模态分解互近似熵及GG聚类的轴承故障诊断

提出了一种基于多元经验模态分解（Multi-EMD）、互近似熵和GG聚类的滚动故障轴承诊断方法。首先,将振动信号进行多元经验模态分解,得到若干个内禀模态函数（IMF）分量和一个趋势项。然后,将IMF分量分别与原始信号进行相关性分析,筛选出前7个含主要特征信息的IMF分量,并将筛选的IMF分量的互近似熵作为特征向量。最后,将特征向量输入到GG模糊分类器中进行聚类识别。通过聚类三维图,对两种算法机械运行的4种状态进行了对比,验证了多元经验模态分解方法不仅可解决采样的不均衡问题,而且可解决EMD算法聚类的混叠问题。     

改进的正弦辅助多元经验模式分解及其在滚动轴承故障诊断中的应用

正弦辅助多元经验模式分解算法（SA-MEMD）通过在额外的通道中加入正弦辅助信号来减少模式混合,但该算法对噪声敏感,辅助信号的主频率比需要根据经验确定,为此,提出了一种改进的正弦辅助多元经验模式分解算法。首先使用非局部均值降噪对原始信号进行预处理,减少噪声对算法的干扰,其次使用短时傅里叶变换确定信号频谱范围,然后以最小集成EMD能量熵准则选择最优主频率比,最后根据正弦辅助多元经验模式分解算法的步骤进行信号处理。模拟信号和实际信号的对比分析结果证明,改进的方法可以减少传统的多元经验模式分解方法存在的模式混合现象。     

基于自适应优化变分模态分解的起重机故障诊断

变分模态分解方法是近年来常用于起重机声发射信号故障识别的一种信号处理技术。然而,变分模态分解参数即模数k和二次惩罚因子α的选择仍具挑战,即如何获得最相关、包含降噪后的故障信息合适的分解模态。因此,文中提出了一种以旗鱼优化算法和基尼系数为准则的框架,对每个故障信号自适应地选择最优的变分模态分解参数。利用实际工程中起重机重要部件采集的声发射信号对所提方法的有效性进行验证,并根据最大基尼系数自动提取了包含故障信息的最合适模式。结果表明,与传统的局部均值分解和集成经验模态分解相比,所提方法在提取故障特征和排除噪声影响方面具有较高的精度和效率。     

基于经验模态分解和Teager峭度的语音端点检测

采用经验模态分解和Teager峭度的统计特性对噪声环境下的语音信号端点进行检测。利用经验模态分解获得语音信号的本征模态函数,用Teager能量算子计算每个本征模态函数的瞬时能量,并对本征模态函数进行系数—峭度计算,提取信号期望的统计特征信息实现语音端点的检测。通过自适应EMD分解和Teager能量算子的处理,这种方法可以有效地消除白噪声或有色高斯噪声的影响。通过仿真例子说明这种方法可以取得良好的端点检测效果,仿真研究结果表明用经验模态分解和Teager峭度对噪声环境下的语音端点检测是可行的和有效的,提高了检测的可靠性。     

改进经验模态分解在动平衡信号提取中的应用

在变频结构干扰和强噪声背景下，传统方法从原始振动信号中提取动平衡信号的精度不高。本文采用经验模态分解可以根据实时振动信号的局部特征时间尺度，将其自适应分解为有限多个由高频到低频排列的、正交的本征模态函数；同时利用自回归预测模型延拓信号端点，以消除分解过程的边界效应对低频动平衡信号的影响；最后，根据功率谱密度可以快速、有效地判断出代表基频信号的本征模态函数。实验结果证明，该方法可以高精度提取动平衡信号，在相同测量条件下，能够获得较高的一次不平衡量降低率和较好的重复性能。     

基于CEEMD的滚动轴承振动信号自适应降噪方法

针对滚动轴承故障特征信号容易被噪声掩盖难以提取的问题,提出了基于互补集合经验模态分解(CEEMD)的滚动轴承振动信号自适应降噪方法。为了准确判定噪声分量和有用信号分量的分界点,在对振动信号进行CEEMD分解后,设计了依据信噪分量自相关函数的单边波峰宽度特性自适应地判定分界点的方法。为了保证重构信号的完整性,利用改进的小波阈值降噪方法提取低频IMF分量中的高频有效信息。实验分析表明,结合改进阈值函数的CEEMD自适应降噪方法能够有效地去除故障振动信号中夹杂的噪声,并且很好地保留了滚动轴承振动信号的突变细节,达到了不错的降噪效果。     

均值优化经验模态分解及其在转子故障诊断中的应用

经验模态分解（Empirical mode decomposition,EMD）作为一种自适应的信号分解方法已经被广泛应用于诸多工程领域。为了提高EMD的分解性能,分别考虑从不同权值均值曲线的迭代筛分结果中选择正交性最小以及从每层内禀模态函数迭代结果中选择最优以保证整体分解最优,发展了两种均值优化经验模态分解（Mean-optimized empirical mode decomposition,MOEMD）算法。通过仿真信号分析,将MOEMD方法与EMD等现有信号分解方法进行了对比,结果表明,MOEMD方法在分解性能和分解精度方面比EMD等方法有显著提高。最后,将MOEMD方法应用于转子碰摩故障信号分析,并与EMD进行了对比分析,结果表明,MOEMD方法不仅能够有效地识别转子碰摩故障,而且识别效果优于EMD方法。     

基于经验模分解的陀螺信号去噪

陀螺随机漂移是影响寻北精度的重要因素,小波消噪方法对小波基和分解尺度等因素依赖性较强。提出了一种新的基于功率谱密度准则的经验模态分解(EMD)去噪方法,可有效解决传统EMD去噪自适应滤波器截止阶数难以确定的难题,该方法将经验模态分解得到的固有模态函数(IMF)分为信号分量起主导作用模态与噪声分量起主导作用模态,并对噪声分量起主导作用的模态进行类似小波软阈值去噪的方法进行滤波,然后与信号分量起主导作用的模态共同对信号重建实现去噪。将该方法应用于测试信号与陀螺信号的去噪,结果表明:新方法能有效地判断噪声与信号起主导作用的模态分界点,具有良好的去噪效果,且不受主观参数的影响,具有自适应性。     

基于EMD与功率谱分析的滚动轴承故障诊断方法研究

针对西部油田大型设备故障信号的非线性、非平稳特征，提出一种基于经验模态分解方法EMD（empirical mode decomposition）和功率谱的分析方法。首先对滚动轴承振动信号进行经验模态分解，然后对分解后包含轴承故障特征信息的固有模态函数分量作功率谱分析，得到各分量的功率谱图，清晰直观显示出故障特征信号的功率谱，从混有背景信号和噪声的振动信号中提取轴承故障信息。由于EMD方法具有自适应特性，适宜于非线性、非平稳信号的分解，该方法应用于滚动轴承的故障振动信号分析中，结果表明，该方法能够突出滚动轴承振动信号的故障特征，从而提高滚动轴承故障诊断的准确性。     

基于CEEMDAN模糊熵CNN轴承故障诊断研究

为较好地提取强噪声覆盖下滚动轴承振动信号的故障信息，提高故障诊断识别与分类精度，基于模糊熵(Fuzzy Entropy, FE)理论，提出了一种自适应白噪声平均总体经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise, CEEMDAN)模糊熵与卷积神经网络(Convolutional Neural Network, CNN)结合的故障诊断方法，充分利用了模糊熵数据独立性、相对一致性以及模糊性与随机性优势。通过循环抽样求取原始信号模糊熵，利用CEEMDAN方法分解，再由皮尔森相关系数筛选最佳分量组，最终将其输入CNN进行故障诊断，并采用t-SNE流行学习算法进行聚类可视化。其结果证实了不同工况下，相比经验模态分解模糊熵、集合经验模态分解模糊熵方法，所提方法具有更强的鲁棒性与泛化性，且t-SNE可视化使结果更直观。