基于EMD和RBF的滚动轴承故障诊断

提出了基于经验模态分解(EMD)和径向基(RBF)的滚动轴承故障诊断方法。同时给出了诊断实例:利用EMD将滚动轴承震动信号分解成若干个固有模态函数(IMF)分量,然后对每一个IMF进行Hilbert变换,最后提取每个IMF分量的平均频率及能量比,并以此作为RBF神经网络的输入参数来判断轴承的工作状态。诊断结果表明该方法能够实现轴承故障的诊断,而且速度快,准确率高,易于实现自动化监测。     

基于随机森林的离心泵滚动轴承故障诊断

[目的]离心泵组出现故障后会给所在平台任务完成及战备完好性的提升带来较大影响。为解决离心泵组常见的故障检测与定位问题,提出一种离心泵滚动轴承故障诊断方法。[方法]首先使用局部特征尺度分解(LCD)对滚动轴承信号进行自适应分解,然后提取分解后各内禀模态分量(ISC)的样本熵作为故障特征,并利用随机森林对离心泵滚动轴承进行故障诊断,最后结合故障诊断试验,基于离心泵组中所注入的轴承故障的监测数据分析验证上述方法的正确性。[结果]试验结果表明,该方法能有效诊断出离心泵滚动轴承的故障模式。[结论]对离心泵组相应故障诊断方法的研究可为提高机电设备诊断能力奠定基础,为泵组故障预测与健康管理系统的建立提供技术支持。     

一种多工况的滚动轴承损伤状态识别方法

针对多工况条件下的滚动轴承损伤状态识别问题,本文提出基于CEEMD能量熵和阶次跟踪的损伤识别方法。将振动信号经CEEMD分解为系列的IMF分量,选取其中包含滚动轴承特征频率的IMF分量,运用改进的希尔伯特变换求得IMF分量的边际谱,并利用阶次跟踪方法消除不同转速对损伤状态的影响,同时采用能量熵加强对各损伤状态的识别能力。最后使用特征阶次幅值和能量熵构建诊断特征向量,采用遗传算法优化的支持向量机对损伤状态进行识别。试验结果表明,基于能量熵和阶次跟踪的损伤识别方法精度较高,是一种有前途并且非常有效的多工况损伤状态识别方法。     

基于改进ESMD的轴承故障诊断

轴承故障诊断对于机械设备安全运行有重要意义,为满足在线故障诊断的时效性要求,应用高阶极值中点构造波形平衡线,减少插值运算提高效率.改进的极点对称模态分解方法(ESMD)对振动波进行自适应分解,选取初始模态分量(IMF)作希尔伯特(HT)包络谱分析提取故障特征频率,验证改进ESMD在轴承故障诊断的有效性.     

基于经验模态分解的大型轮船锚机齿轮箱故障诊断

经验模态分解法(EMD)是一种针对信号变化的自适应处理方法。针对某大型轮船锚机齿轮箱,首先通过测量不同转速和位置的振动信号预估故障源;其次对采集出的原始故障信号进行处理,提取故障特征,即通过EMD将原始信号分解为若干个IMF分量,不同的IMF分量包含不同频段所对应的能量,然后再对IMF分量进行包络分析和谱分析,最终便可确定故障源,并对其进行修复。通过测试比较,验证了EMD理论方法的正确性和有效性。     

基于改进傅里叶模态分解和频带熵的滚动轴承故障诊断方法

[目的]针对多分量、强背景噪声下滚动轴承故障特征提取困难的问题,提出一种将改进傅里叶模态分解(MFMD)和频带熵(FBE)分析相结合的滚动轴承故障特征提取方法.针对傅里叶分解(FDM)在强背景噪声下边界频率偏移和过分解等问题,提出频带熵和包络谱相结合的敏感频带和敏感模态分量选取方法.[方法]首先,通过FBE分析选取频带...     

基于变分模态分解与模糊聚类的船用齿轮箱故障诊断

针对船用齿轮箱故障类型诊断精度不高的问题,提出一种结合变分模态分解(Variational Mode Decomposition, VMD)与核模糊聚类(Kernel Fuzzy C-Means, KFCM)的故障诊断方法。先对齿轮箱振动信号展开VMD分析,获得含有大量故障特征信息的固有特征模函数(Intrinsic Mode Function, IMF),然后计算出各IMF分量的奇异值并构建故障特征向量矩阵,最后将其输入到以KFCM算法为框架的故障分类器中进行模型训练,并对模型性能测试与评估。结果表明,所提方法具有较高的故障识别准确率。     

基于EMD柴油机气阀声发射诊断技术试验研究

以4120SG柴油机为研究对象,通过故障模拟试验测试了柴油机在气阀正常状态、气阀漏气状态下的缸盖声发射信号,对燃烧段声发射信号进行经验模态分解(Experience Mode Decomposition,EMD),计算了各个本征模分量(Intrinsic Mode Function,IMF)的能量分布及EMD能量熵。研究表明声发射信号能量主要集中在前3个IMF分量内,随着气阀漏气故障严重程度的增加,代表最高频IMF1分量能量相对增加,而能量熵H减少。通过自定义特征参数,提高了声发射应用于柴油机气阀漏气诊断方法的灵敏度。     

船用多轴齿轮传动过程耦合非线性振动特性分析

船用多轴齿轮故障识别以振动特性作为判定依据,为提高后期故障识别质量,提出基于改进EEMD算法的船用多轴齿轮传动过程耦合非线性振动特性分析方法。该研究分为两部分,前一部分利用谐振传感器采集多轴齿轮振动信号;后一部分利用改进EEMD算法(集合经验模态分解算法)分解多轴齿轮振动信号,得到若干个包含故障特性频率的IMF向量,并计算每个IMF向量的奇异值熵,利用奇异值熵定量表示多轴齿轮振动特性。结果表明:正常状态下的船用多轴齿轮运行下,奇异值熵一般小于0.1,而一旦当齿轮发生故障,其奇异值熵就会大大增加,一般会超过0.1。     

基于EMD和2（1/2）维谱的直升机声信号特征提取

利用经验模态分解（Empirical Mode Decomposition,EMD）的方法将直升机声信号进行分解,得到一系列本征模态分量（Instrinsic Mode Function,IMF）。计算实际直升机声信号及由其分解得到的每个IMF分量的四阶累积量对角切片谱,并由此得到实际信号及每个IMF分量的四阶累积量对角切片谱的幅度绝对值之和E。计算每一个IMF的E值与实际信号E值的比值构成直升机声信号特征矢量。采用神经网络分类器,对两种不同机型的直升机声信号进行分类和识别。仿真实验验证了该方法是可行的、有效的,分类识别取得了较好的效果。     

基于冲击脉冲和EMD包络谱的电动消防泵轴承监测诊断研究

电动消防泵是船舶的重要装备,一旦发生故障,直接影响船舶的作战性能.针对某电动消防泵振动噪声大的问题,文章提出了基于冲击脉冲和EMD包络谱的轴承故障诊断方法.该方法首先通过振动烈度和轴承冲击脉冲监测,判断轴承状态,随后将电动消防泵轴承振动信号分解为多阶固有模态函数(IMF)之和,并对前几阶IMF进行包络谱分析,结合轴承故...     

基于改进EEMD的船用柴油机缸套-活塞环故障诊断方法

船用柴油机缸套-活塞环发生故障时，振动信号呈现非线性、非平稳性特征且故障特征模糊、隐蔽。文章提出一种基于改进集成经验模态分解（EEMD）的故障诊断方法。通过设计固有模态函数（IMF）信息筛选准则对EEMD分解出的固有模态分量（IMFs）进行重新排序，筛去低质量的IMFs，以此获得包含更多能体现故障特征成分的重构信号，经该方法处理的信号再送入到分类器中进行识别和分类故障，实现船用柴油机缸套-活塞环的故障诊断。试验结果表明：与原EEMD诊断方法相比，该改进方法识别率更高，故障诊断效果更好。     

相关系数判决的EMD在振动数据趋势项提取中的应用

提出了一种利用经验模态分解提取振动数据中趋势项的新方法。采用经验模态分解将原始信号分解为若干固有模态函数,计算各IMF分量与原始信号的相关系数,以相关系数为判据,设定判定阈值对趋势项与真实信号的IMF分量进行区分。仿真模拟和工程试验数据处理结果证明,该方法对趋势项类型具有普适性,且不易受到模态混叠效应的影响。     

结合EMD和功率谱熵的船舶轴频电场线谱提取

为实现强海洋背景噪声中的微弱船舶轴频电场信号检测,提出了一种结合经验模态分解(Empirical Mode Decomposition,EMD)和窄带子区间功率谱熵的线谱提取新算法。首先,利用EMD方法从含噪信号中分解出一组有效固有模态函数(Intrinsic Mode Functions,IMFs),对各有效IMF的功率谱进行子区间划分;其次,定义并计算各子区间的能量峰值熵比(Energy Peak Entropy Ratio,EPER)特征;最后,通过对轴频信号和环境噪声物理特征差异的分析,结合K-均值聚类方法进行特征量的筛选,实现线谱提取。海上实测数据的处理结果表明,相比于直接的功率谱分析,算法的线谱可提取下限降低了6.7 d B。     

结合EMD和功率谱熵的船舶轴频电场线谱提取

为实现强海洋背景噪声中的微弱船舶轴频电场信号检测,提出了一种结合经验模态分解(Empirical Mode Decomposition,EMD)和窄带子区间功率谱熵的线谱提取新算法.首先,利用EMD方法从含噪信号中分解出一组有效固有模态函数(Intrinsic Mode Functions,IMFs),对各有效IMF的功率谱进行子区间划分;其次,定义并计算各子区间的能量峰值熵比(Energy Peak Entropy Ratio,EPER)特征;最后,通过对轴频信号和环境噪声物理特征差异的分析,结合K-均值聚类方法进行特征量的筛选,实现线谱提取.海上实测数据的处理结果表明,相比于直接的功率谱分析,算法的线谱可提取下限降低了6.7 dB.     

基于振动和润滑油分析的主推力轴承故障诊断实例

结合振动测试和润滑油分析的技术手段对某船主推力轴承故障进行综合分析,表明利用振动信号对滚动轴承故障进行诊断是设备故障诊断方法中比较有效的方法,同时润滑油分析的结果也可以验证振动监测的有效性,提高故障诊断的准确性.     

基于VMD与IMWPE的舰船辐射噪声特征提取研究

舰船辐射噪声的特征提取是水下识别的依据,传统的特征提取可识别性较弱,水下识别较为困难。本文提出一种基于变分模态分解（variational mode decomposition, VMD）与改进多尺度加权排列熵（improved multisacle weighted permutation entropy, IMWPE）相结合的方法进行特征提取,将原始信号通过VMD分解成多个固有模态函数（intrinsic mode function, IMF）,选取能够充分体现目标复杂度特征的IMF作为研究对象,然后通过IMWPE方法采用平移均值法解决多尺度加权排列熵（multisacle weighted permutation entropy, MWPE）的单一粗粒化问题。实验数据表明,将本文算法与对比算法提取的特征参数经过粒子群优化的支持向量机（particle swarm optimization support vector machine, PSO-SVM）进行分类识别,IMWPE算法识别率最高,具有良好的稳定性和优越性。     

基于集合谱峭度法的轴承故障诊断

轴承早期故障引起的微弱振动变化信号往往淹没在机械传动系统的背景振动噪声中,其故障特征提取困难。本文针对滚动轴承故障振动信号的非平稳性及调制特性,提出集合经验模式分解和谱峭度法合的滚动轴承故障特征信号提取及其故障诊断的新方法——集合谱峭度法(Ensembled Kurtogram,EK)。该方法应用集合经验模式分解将振动信号分解为多个固有模式函数,分别计算各个固有模式函数的峭度值及其与故障工况下振动信号、正常工况下振动信号之间的相关性,根据IMFs自动选取规则选取合适的IMFs进行轴承故障信号的重构;然后针对重构后的信号进行谱峭度计算得到对应的峭度图,根据峭度图上最大值原则选取最佳带通滤波器进行滤波;最后运用包络解调后的信号进行故障诊断。本文通过模拟仿真和实验验证,验证了该算法的故障信号提取有效性和故障诊断能力。     

基于HHT的船舶综合电力系统故障时间定位新方法

针对强噪声环境下船舶综合电力系统故障时间定位精度不高的问题,提出一种基于Hilbert-Huang变换(HHT)和自适应软阈值法的船舶综合电力系统故障时间定位新方法。首先,电能信号经EMD分解为若干固有模态函数(IMF),对第一个IMF分量进行Hilbert变换得到其瞬时幅值向量。然后,在分析故障波形变化规律的基础上,定义并计算故障信号的瞬时幅值差分向量。最后,设计一种自适应软阈值处理方法,将瞬时幅值差分向量变换为故障时间特征向量,经加权均值后,实现故障时间定位。仿真试验结果表明,该方法能够精确定位不同强度噪声下的故障起止时间,在1 k Hz采样频率下精度为0.88 ms,适用于实际船舶综合电力系统故障的时间定位。     

发动机轴承故障诊断方法的研究

针对EMD（Empirical Mode Decomposition）方法中存在的端点效应和IMF（Intrinsic Mode Function）虚假分量过多的问题,提出了基于互相关的EMD方法。首先,对非平稳性信号进行互相关延拓消除端点效应;其次,对消除端点效应的信号进行EMD分解,并将分解后的IMF与原信号作互相关,保留与原信号最相关的IMF;最后,作出信号的Hilbert边际谱,识别信号的频域特征。仿真结果表明该方法能够有效地克服端点效应,分离出真实IMF。将其应用于船舶发动机滚动轴承故障诊断中,能有效地识别出故障特征。