基于改进EEMD方法的轴承故障诊断研究

该文针对轴承故障诊断中信号处理的端点效应问题,提出基于极值波延拓与窗函数的改进集合经验模态分解EEMD方法。首先对原始信号进行极值波延拓,其次对延拓后的信号加入组合窗体,最后对信号进行EEMD分解,通过仿真验证改进EEMD方法的有效性。同时,进一步结合Hilbert变换建立了改进EEMD-Hilbert的轴承故障诊断模型,利用轴承故障的实测信号证明了该模型在提高轴承故障诊断效率方面有一定优势。     

EEMD方法在刀具磨损状态识别的应用

总体经验模态分解(EEMD)方法在EMD的基础上消除了模态混叠的现象,从而更能准确地揭露出信号特征信息。根据声发射信号的非稳态、非线性的特点,提出一种基于EEMD应用于刀具磨损状态识别的方法。通过EEMD获取无模态混叠的IMF分量;通过敏感度评估算法从所有IMF分量中提取敏感的IMF;提取敏感IMF的能量作为支持向量机(SVM)分类器的输入,将刀具分成正常切削、中期磨损和严重磨损3种状态。通过比较EEMD与应用EMD等方法的分类准确率,确立了基于EEMD的方法在提取刀具磨损状态特征信息的优势。     

一种基于EEMD域统计模型的话音激活检测算法

该文提出了一种基于EEMD域统计模型的话音激活检测算法。算法首先利用总体平均经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)对带噪语音进行分解,得到信号的本征模式函数(Intrinsic Mode Function,IMF)分量,选择与原信号的相关性最高的两个分量相加组成主分量;然后对主分量进行频域分解,引入统计模型,求出EEMD域特征参数;最后利用噪声与语音的EEMD域特征参数的不同来进行语音激活检测。实验结果表明,在不同信噪比情况下,本文算法性能优于目前常用的 VAD算法,特别在噪声强度大时体现出明显的优势。     

基于EEMD-Treelet和高斯过程的起重机齿轮故障诊断

齿轮故障诊断对于起重机安全运行至关重要;提出了一种基于集成经验模态分解(ensemble empirical mode decomposition, EEMD)-Treelet变换和高斯过程(gaussian process, GP)的起重机齿轮振动故障诊断新方法;设计一种细菌觅食算法(bacterial foraging optimization, BFO)优化高斯过程模型超参数;建立基于集成经验模态分解-希尔伯特变换的齿轮振动参数信号特征提取方法,利用Treelet变换实现这些特征的降维学习;建立基于细菌觅食算法优化高斯过程的齿轮故障模型;实验结果表明,EEMD-Treelet-GP诊断方法不仅可以识别最佳特征向量,而且可以识别故障位置。     

基于电动机电流和EEMD的伺服旋转轴故障诊断技术研究

提出了一种基于交流伺服电动机电流和EEMD的伺服旋转轴故障诊断方法,研究了电动机电流测试原理,建立电流信息与故障的关联模型,提出了不同的电动机电流获取策略和电动机电流信息的位置及时间表达方法;并针对伺服旋转轴的运行特性,建立了典型的伺服旋转轴机械传动结构动力学模型,深入分析了采用EEMD对伺服旋转轴进行故障诊断的原理。试验结果表明:交流伺服电动机电流信息和EEMD方法用于伺服旋转轴机械传动部件故障诊断的可行性和有效性,从而为其在线监测和故障快速溯源,提供技术支撑。     

风力发电机组早期故障诊断

随着风力发电行业的快速发展,风力发电机组装机数量迅猛增加。然而恶劣的工作环境导致风力发电机组故障率较高。通过故障诊断技术及时发现设备存在的故障,进而确保发电机组安全可靠运行,是降低事故的有效途径。提出一种风力发电机组早期故障诊断的方法,通过对风力发电设备运行状态进行实时监测并进行趋势预测,及时发现运行过程中存在的故障隐患,并利用信号处理方法 EEMD对故障信号进行分析处理,提取故障特征信息,进而诊断故障发生的原因和部位等情况,最后综合评价决策釆取适当的应对措施,并通过实验验证了该方法的有效性。     

全矢EEMD在轴承故障诊断中的应用

实际工况中滚动轴承故障的振动信号为非线性,非平稳的信号。为了对滚动轴承的故障做出准确识别,根据轴承故障信号的特点,在此提出一种用全矢谱和EEMD相结合来提取故障特征指标,然后利用隐马尔科夫模型对滚动轴承故障进行分类的新方法。首先对实验得到的滚动轴承同源双通道振动信号进行EEMD分解,得到数个IMF分量,选取相关性较高的分量进行全矢融合。然后提取与故障类型相对应的故障特征频率下的幅值作为滚动轴承故障分类的指标,并利用HMM方法进行训练和识别,从而区分出不同的故障类型。最后,利用实验得到的轴承故障信号进行测试,实验结果表明,该方法可以对滚动轴承故障做出较为准确的识别。     

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EEMD和小波的爆破振动信号去噪

针对爆破振动信号去噪的问题,提出基于EEMD(ensemble empirical mode decomposition,集成经验模态分解)和小波变换结合的去噪方法。首先,采用EEMD将爆破振动信号分解成若干个IMF分量,然后利用自相关函数选择主要包含噪声的分量,再利用基于无偏估计的小波阈值去噪方法分别对含噪声分量进行去噪,最后,将去噪得到的分量之和与剩余分量相加,得到最终的消噪信号。该方法兼具了小波去噪以及EEMD去噪的优点,使得去噪后的信号信噪比更高,有用信息保留更完备,为爆破振动信号的去噪提供了一条新的途径。     

桥梁动力测试信号的自适应分解与重构

针对桥梁结构动力测试信号噪声水平高、难以分离结构有效信号的特点,在总体平均经验模态分解方法和主成分分析的基础上,建立了自适应分解与重构方法。对经验模态分解结果的模态混叠现象进行深入分析,利用白噪声概率密度函数的均匀性对模态混叠模式一进行了改进,基于相关性分析改进了模态混叠模式二,改进后的分解方法在计算效率和分解精度上均有较大提升;随后对所有分解获得的固有模态函数进行多尺度主成分分析,实现降噪和选择并重构测试信号。分别用模拟信号和实际桥梁测试信号对所提方法的有效性进行了验证。结果表明:改进后的信号自适应分解和重构方法能在降噪的同时,有效地提取桥梁结构信息,可用于实际桥梁结构的动力测试分析中。