基于改进Hilbert-Huang变换的机械故障诊断

Hilbert-Huang变换(Hilbert-Huangtransform,HHT)通过经验模式分解(Empirical mode decomposition,EMD)和Hilbert变换能够自适应地将复杂的非线性、非平稳信号刻画成Hilbert-Huang谱,突显信号的局部特征,具有良好的时频聚集能力,因此被广泛用于机械信号处理与故障诊断.然而,EMD存在的模式混淆问题使其难以获得准确的本征模式分量(Intrinsic mode function,IMF).此外,通常只有部分IMF包含故障敏感信息、表征故障特征.因此基于EMID和所有IMF的Hilbert-Huang谱的故障诊断精度有待提高.为此提出一种基于总体平均经验模式分解(Ensemble empirical mode decomposition,EEMD)和敏感IMF的改进HHT.该方法利用EEMD获取无模式混淆的IMF,通过敏感度评估算法从EEMD所有的IMF中选择反应故障特征的敏感IMF,从而得到改进的Hilbert-Huang谱以更准确地诊断机械故障.通过仿真试验以及转子早期碰摩故障诊断的工程实例验证了改进HHT的有效性.     

改进小波去噪Teager算子的齿轮微弱故障提取方法

针对齿轮箱在强噪声背景下齿轮微弱故障振动信号的特征不易被提取的问题,提出将改进小波去噪和Teager能量算子相结合的微弱故障特征提取方法。采用改进小波阈值函数对振动信号进行去噪处理,与形态学滤波和传统小波阈值函数相比能够有效地提高信号的信噪比。对去噪后的信号进行集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)得到若干本征模式函数(intrinsic mode function,简称IMF),计算各IMF分量与原信号的相关系数并结合各IMF分量的频谱剔除虚假分量。对有效的IMF分量计算其Teager能量算子,并重构得到Teager能量谱,对重构信号进行时频分析并将其结果与原信号的希尔伯特黄变换(HilbertHuang transform,简称HHT)得到的边际谱进行对比。实验研究结果表明,本研究方法相比HHT能够对齿轮微弱故障特征进行更为有效地提取,验证了本研究方法在齿轮箱微弱故障诊断中的可行性。     

基于CNC-EMMD的柱塞泵故障诊断技术研究

在对柱塞泵常见故障模式进行分析的基础上,针对柱塞泵早期故障时特征信号微弱的问题,提出了基于余弦相邻系数(Cosine Neighboring Coefficients,CNC)降噪和EMMD分解的故障诊断方法。该方法首先对采集到的泵壳体振动信号进行CNC降噪,提高信噪比,降低信息复杂度;然后利用基于极值域均值模式分解(extremum field mean mode decomposition,EMMD)方法对降噪后的信号进行有限固有模态分解,并对每个模态分量进行包络谱分析,提取故障信息。试验结果表明,该方法能有效提取柱塞泵的早期故障特征,准确分类柱塞泵正常、柱塞孔磨损及滑靴磨损3种状态。     

基于IES的切削颤振孕育期信号降噪方法

切削颤振孕育期介于稳定切削与颤振爆发之间,该阶段切削力信号中颤振特征具有典型微弱信息特性。采用基于总体经验模态分解（ensemble empirical mode decomposition, 简称EEMD）与奇异值分解（singular value decomposition, 简称SVD）相结合的方法对颤振孕育期信号进行降噪时,大多存在噪声剔除不充分或微弱目标特征信息失真等问题。首先,通过引入功率谱密度（power spectral density, 简称PSD）与常相干函数（common coherency function, 简称CCF）对EEMD降噪机制进行改进,使微弱目标特征所在本征模态函数（intrinsic mode function, 简称IMF）分量得到有效提取;其次,借助池化原理（pooling principle, 简称PP）降低IMF分量复杂度,并联合SVD对其实施分块降噪,以实现对微弱目标特征中所含噪声进行有效消减;最后,耦合上述改进并重构信号,可面向微弱目标特征信号形成基于改进EEMD?SVD（improved EEMD?SVD,简称IES）的降噪方法。分别利用IES与EEMD?SVD对Rossler混沌信号进行降噪处理,并通过比较信噪比、均方误差及平滑度等降噪评价指标,对所提方法在降噪有效性及信息保真度方面的优势进行量化验证。在此基础上,再次借助所提IES方法对变轴向切深铣削实验中颤振孕育期铣削力信号进行降噪分析。结果表明,该方法能显著抑制颤振孕育期信号噪声,并能有效避免微弱颤振特征信号失真问题。     

ISVD降噪和重排谱图在烟机信号HHT时频谱分析中的应用

针对基于希尔波特黄变换(HHT)的时频谱存在受噪声影响大、高频部分时频分辨率低的缺点,提出将迭代奇异值分解(ISVD)降噪和重排谱图应用于HHT时频谱分析中.首先对噪声对HHT时频谱的影响进行了分析,含噪实测信号经过经验模式分解(EMD)得到的基本模式分量(IMF)中含有很强的噪声成分,从中提取的瞬时参数不具有物理意义,构成的HHT时频谱混乱而不准确;然后利用ISVD降噪对实测信号进行了降噪处理,有效地去除了噪声,降噪后信号EMD分解得到的IMF分量其Renyi信息接近于0,是近似平稳的单分量信号,从中可以提取到准确的瞬时参数,构成特征清晰、分布合理的HHT时频谱;最后对HHT时频谱中高频部分所对应的IMF分量进行了重排谱图分析,实现了其时频特征的准确定位.结果表明,该方法可以有效地提高烟气轮机信号HHT时频谱分析的准确率,为故障诊断提供可靠的特征依据.     

基于ICEEMD-EFICA联合降噪的滚动轴承故障诊断研究

针对滚动轴承早期故障信号十分微弱,故障特征提取困难的问题,对轴承早期故障信号的频域分解、信号重构、降噪解混等方面进行了研究,提出了一种基于改进后的完备总体经验模态分解(ICEEMD)和高效快速独立分量分析(EFICA)的联合降噪方法。首先,采用了ICEEMD算法,将振动信号分解成一系列固有模态分量(IMF);其次,设计了峭度准则,并选取相应分量完成了虚拟通道信号和振动冲击信号的重构;研究了EFICA对重构信号的盲源分离,有效降低了振动信号中的噪声,使故障频率的能量幅度最大,利于识别故障特征;最后,搭建了实验平台,进行了实际的滚动轴承早期故障诊断实验。研究结果表明:该方法能明显抑制噪声和调制频率成分干扰,突出故障特征频率成分;与CEEMD和EFICA结合的方法对比,采用该方法后信噪比提高了24.76%,能更准确地辨别故障信息,可以满足轴承诊断的要求。     

VMD和奇异差分谱在齿轮早期故障诊断中的应用

针对齿轮故障振动信号的多分量、多频率调制特性且早期故障振动信号信噪比低,故障特征微弱难以提取的问题,提出了基于变分模态分解(Variational Mode Decomposition,VMD)和奇异值差分谱的故障诊断方法。首先对采集到的齿轮故障振动信号进行VMD分解,得到一系列窄带本征模态分量(band-limited intrinsic mode functions,BLIMFS),由于噪声的干扰,从各个模态分量的频谱中很难对故障做出正确的判断;然后根据相关系数准则,选取与原始信号相关系数较大的分量构建Hankel矩阵并进行奇异值分解,求取奇异值差分谱,从差分谱中确定重构信号的有效阶次对信号进行降噪处理;最后对降噪处理后的信号进行Hilbert包络谱分析,即可从中准确地识别出齿轮的故障特征频率。仿真信号和齿轮箱齿轮故障模拟实验结果表明,该方法能够有效地降低噪声的影响,准确地提取到齿轮微弱的故障特征信息。     

基于TET瞬态特征提取的滚动轴承早期故障诊断研究

滚动轴承运行时,其强烈的振动噪声通常会与轴承早期微弱故障叠加,导致其瞬态故障特征难以提取,因此提出了一种轴承早期微弱故障信号瞬态特征的时频分析方法.首先,通过自适应噪声集合模态分解对数据做预处理,使用峭度筛选出了有效模态分量,并进行了重构降噪;然后,对重构信号做了瞬态提取变换,并进行了瞬态特征提取;最后,利用提取到的瞬...     

基于MCKD和CEEMDAN样本熵的滚动轴承故障诊断

针对滚动轴承故障特征微弱以及振动信号的非平稳性,提出一种基于最大相关峭度解卷积(maximum correlated kurtosis deconvolution,MCKD)和自适应白噪声完备经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)样本熵相结合的滚动轴承故障诊断方法。首先采用MCKD算法降低滚动轴承信号内的噪声干扰,突出信号中的冲击特性;然后利用CEEMDAN方法对降噪信号进行分解,根据峭度-相关系数准则选择包含主要故障信息的敏感固有模态函数(intrinsic mode function,IMF)分量;计算各敏感IMF分量的样本熵构成高维特征向量;最后将高维特征向量作为支持向量机(support vector machine,SVM)的输入,对滚动轴承的工作状态和故障类型进行识别。通过实测滚动轴承故障信号的分析,证明了所提方法有效性,并为此类问题的解决提供了一种可行方法。     

基于VMD的故障特征信号提取方法

变模式分解(variational mode decomposition,简称VMD)能够将多分量信号一次性分解成多个单分量调幅调频信号(variational intrinsic mode function,简称VIMF),但对噪声比较敏感。利用VMD对噪声的敏感特性,提出了一种基于VMD的降噪方法。利用排列熵定量确定VMD分解后各分量的含噪程度,对高噪分量直接剔除,对低噪分量进行Savitzky-Golay平滑处理,然后重构信号。运用该方法降噪后,对重构信号进行变模式分解,能够有效提取故障特征信号。仿真和实例分析表明,基于VMD的降噪方法的降噪效果优于小波变换降噪方法,VMD能有效提取故障特征信号。     

小波包去器械与改进HHT的微弱信号特征提取

为提取机械设备早期故障微弱信号特征频率,在对信号进行小波包降噪后,利用改进Hilb ert Huang变换(Hilbert Huang transform,简称HHT)进行特征提取,通过经验模态分解(em pirical mode decomposition,简称EMD)得到若干个固有模态函数(intrinsic mode functio n,简称IMF)后,利用IMF与EMD分解前信号的 相关系数作为判断标准,剔除分解中产生的多余低频IMF,选取有效IMF集进行边际谱分析。 改进HHT不仅可消除多余IMF的影响,还可节省Matlab计算内存,提高运算速度。     

EEMD和TFPF联合降噪法在齿轮故障诊断中的应用

为了消除噪声对齿轮传动系统故障特征提取的影响,提出了一种基于集成经验模态分解(ensemble empirical mode decomposition,简称EEMD)和时频峰值滤波(time-frequency peak filtering,简称TFPF)相结合的降噪方法。针对TFPF算法在窗长的选择方面受到限制的问题,采用了EEMD方法对其进行改进,使得信号在噪声压制和有效信号保真两方面得到权衡;含噪声的信号经过EEMD分解后,得到一系列频率成分从高到低的本征模态函数(intrinsic mode functions,简称IMFs),计算出各IMFs间的相关系数,判断需要滤波的IMFs。对不同的IMFs选择不同的窗长进行TFPF滤波,把过滤后的IMFs和剩余的IMFs重构得到最终的降噪信号。用模拟仿真信号和齿轮齿根故障信号对该方法进行验证,可见EEMD+TFPF能有效地去除噪声,成功提取齿根裂纹故障特征。     

Gear fault identification based on Hilbert–Huang transform and SOM neural network

Gear vibration signals always display non-stationary behavior. HHT (Hilbert–Huang transform) is a method for adaptive analysis of non-linear and non-stationary signals, but it can only distinguish conspicuous faults. SOM (self-organizing feature map) neural network is a network learning with no instructors which has self-adaptive and self-learning features and can compensate for the disadvantage of HHT. This paper proposed a new gear fault identification method based on HHT and SOM neural network. Firstly, the frequency families of gear vibration signals were separated effectively by EMD (empirical mode decomposition). Then Hilbert spectrum and Hilbert marginal spectrum were obtained by Hilbert transform of IMFs (intrinsic mode functions). The amplitude changes of gear vibration signals along with time and frequency had been displayed respectively. After HHT, the energy percentage of the first six IMFs were chosen as input vectors of SOM neural network for fault classification. The analysis results showed that the fault features of these signals can be accurately extracted and distinguished with the proposed approach.     

基于改进EMD和谱峭度法滚动轴承故障特征提取

针对滚动轴承故障信号的强背景噪声特点,提出一种基于改进经验模态分解(empirical mode decomposition,简称EMD)与谱峭度法的滚动轴承故障特征提取方法.首先,利用EMD方法对原故障信号进行分解,得到若干平稳固有模态分量(intrinsic mode function,简称IMF);然后,采用灰色关联度与互信息相结合方法剔除传统EMD分解结果中存在的虚假分量;最后,运用谱峭度法和包络解调方法对真实IMF分量进行分析,提取故障特征频率.通过对实际滚动轴承故障信号的应用表明,该方法可有效地提取滚动轴承故障特征,且能够取得比传统包络解调分析更好的效果.     

基于MCKD和改进HHT多尺度模糊熵的齿轮故障诊断方法

针对齿轮故障信号常伴有大量噪声,故障特征难以提取的问题,提出一种基于最大相关峭度解卷积(MCKD)和改进希尔伯特-黄变换(HHT)多尺度模糊熵的故障诊断方法。首先采用MCKD算法对采集到的齿轮振动信号进行降噪处理,以提高信号的信噪比;然后利用自适应白噪声完备经验模态分解(CEEMDAN)对降噪后信号进行分解,获得一系列不同尺度的固有模态函数(IMF),并通过相关系数-能量的虚假IMF评价方法选取对故障敏感的模态分量;最后计算敏感IMF分量的模糊熵,将获得的原信号多尺度的模糊熵作为状态特征参数输入最小二乘支持向量机(LS-SVM)中,对齿轮的故障类型进行诊断。实测信号的诊断结果表明,该方法可实现齿轮故障的有效诊断。     

基于加权排列熵和DE-ELM的滚动轴承故障诊断

针对滚动轴承振动信号非平稳非线性的特征,提出一种基于加权排列熵和差分进化算法优化极限学习机(DE-ELM)的滚动轴承故障诊断方法。首先利用自适应噪声的完全集合经验模态分解处理轴承振动信号得到固有模态函数(IMF),然后计算主要IMF分量的加权排列熵组成故障特征向量,最后利用差分优化算法(DE)优化极限学习机隐含层输入权值和偏置,并将故障特征向量作为DE-ELM的输入。实验证明,加权排列熵能够精确提取故障特征,DE-ELM算法能有效提高故障分类精度。与多种方法相比,该方法更加准确可靠。     

APEEMD及其在转子碰摩故障诊断中的应用

总体平均经验模态分解(ensemble empirical mode decomposition,简称EEMD)是抑制经验模态分解(empirical mode decomposition,简称EMD)模态混叠的有效方法,针对EEMD分解效果依赖于添加噪声的大小、筛分次数和总体平均次数等参数的选择及噪声残留大、分解不完备等问题,提出了自适应部分集成经验模态分解。该方法通过成对地向目标信号加入自适应噪声,并对每个内禀模态函数(intrinsic mode function,简称IMF)自动选择筛选次数,通过排列熵检测筛分出高频IMF,再对剩余信号进行EMD分解。将提出的方法应用于仿真和转子碰摩故障试验数据分析,结果表明提出的方法能够有效地应用于转子碰摩故障诊断,而且在分量的精确性、完备性和模态混叠的抑制等方面优于EEMD方法。     

HHT与Elman神经网络在离心泵故障振动信号处理中的应用

提出了一种Hilbert-Huang变换(HHT)和Elman神经网络相结合的离心泵振动信号故障诊断新方法.首先,将离心泵振动信号时间序列数据经验模态分解(Empirical Mode Decomposition,简称EMD),然后经过Hilbert-Huang变换获得各模态(Intrinsic Mode Functions,简称IMF)的能量,并以"能量比"为元素,构造离心泵振动信号的特征向量,根据Elman神经网络模型能够逼近任意非线性函数的特点和具有反映系统动态特性的能力,利用Elman神经网络模型实现离心泵故障的诊断.实验研究结果表明该方法对离心泵振动信号故障具有很高的诊断率.     

An improved complementary ensemble empirical mode decomposition with adaptive noise and its application to rolling element bearing fault diagnosis

A novel time–frequency analysis method called complementary complete ensemble empirical mode decomposition (EEMD) with adaptive noise (CCEEMDAN) is proposed to analyze nonstationary vibration signals. CCEEMDAN combines the advantages of improved EEMD with adaptive noise and complementary EEMD, and it improves decomposition performance by reducing reconstruction error and mitigating the effect of mode mixing. However, because white noise mixed in with the raw vibration signal covers the whole frequency bandwidth, each mode inevitably contains some mode noise, which can easily inundate the fault-related information. This paper proposes a time–frequency analysis method based on CCEEMDAN and minimum entropy deconvolution (MED) for fault detection of rolling element bearings. First, a raw signal is decomposed into a series of intrinsic mode functions (IMFs) by using the CCEEMDAN method. Then a sensitive parameter (SP) based on adjusted kurtosis and Pearson’s correlation coefficient is applied to select a sensitive mode that contains the most fault-related information. Finally, the MED is applied to enhance the fault-related impulses in the selected IMF. The fault signals of high-speed train axle-box bearing are applied to verify the effectiveness of the proposed method. Results show that the proposed method can effectively reveal axle-bearing defects’ fault information. The comparisons illustrate the superiority of SP over kurtosis for selecting the sensitive mode from the resulted signal of CCEEMEDAN. Further, we conducted comparisons that highlight the superiority of our proposed method over individual CCEEMDAN and MED methods and over two other popular signal-processing methods, variational mode decomposition and fast kurtogram.