基于EEMD小波阈值去噪和CS-BP神经网络的风电齿轮箱故障诊断

针对风电机组齿轮箱中齿面点蚀、齿轮磨损、断齿等故障的诊断问题,提出一种基于EEMD小波阈值去噪和布谷鸟算法优化BP神经网络的故障诊断方法。采用EEMD分解和小波阈值去噪方法对故障振动信号进行数据预处理,抑制原始振动信号中的噪声干扰。利用布谷鸟算法优化BP神经网络对预处理后的信号进行诊断。小波阈值能更好地对EEMD分解中的高频分量进行去噪处理,CS-BP神经网络具有准确的模式识别精度和出色的全局寻优能力。通过实例仿真表明,提出的故障诊断方法具有良好的诊断精度、速度和成功率,具有较高的应用价值。     

奇异值小波降噪法在柱塞泵振动信号处理中的应用

针对小波阈值和奇异值分解降噪法的不足,研究一种新的小波阈值函数。提出一种基于改进阈值的奇异值小波降噪方法,该方法利用奇异值分解技术,将噪声非均匀分布的信号正交分解为噪声分布相对均匀的分量,并对每个分量进行小波阈值降噪,重构降噪后的分量,得到降噪信号。仿真实例证明,该方法与小波软、硬阈值及改进阈值法相比,不仅提高信噪比,而且能够更好地消除高斯噪声。利用该方法对柱塞泵不同状态振动信号进行降噪,结果表明,该方法能有效抑制噪声,为柱塞泵振动信号预处理提供一种更为有效的方法。     

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。     

基于局域波分解的齿轮箱故障诊断研究

实验采集的齿轮箱振动信号具有非线性、非平稳性,提出将局域波分解与小波降噪相结合的故障诊断方法。针对齿轮箱在不同工况下的振动信号,首先采用小波降噪方法去除原信号噪声,提高信噪比;然后采用局域波分解方法将去噪后的信号进行分解,得到一些基本模式分量和一个剩余分量;最后对基本模式分量做出功率谱图,区分齿轮箱各种故障工况。结果表明:局域波分解方法在齿轮箱故障诊断中的有效性。     

基于灰色准则与EEMD的滚刀振动信号降噪方法

工程现场采集的滚刀振动信号掺杂噪声,致使信号特征难以提取。提出一种基于灰色准则与集合经验模态分解(EEMD)的滚刀振动信号降噪方法。首先将原信号进行EEMD分解得到若干个特征模态函数(intrinsic mode function,IMF),再根据提出的灰色准则对IMF分量进行极性一致化处理、均值化处理,计算出IMF1与其他IMF分量的灰色关联度,并按照灰色关联度将IMF分量降序排列,然后选择降序排列中前一半IMF分量进行软阈值处理,最终将处理后的IMF分量、未处理的IMF分量及余项进行重构,得到降噪后的信号。通过不同初始信噪比的仿真信号和实际加工中的滚刀振动信号验证了本方法的可行性和有效性,同时与EEMD结合相关系数降噪法、小波软阈值降噪法进行了比较,结果表明本方法的降噪效果更优。     

EEMD结合小波阈值的光电容积脉搏波信号降噪

为了研究脉搏波信号降噪的问题,文章提出了一种集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)与小波阈值相结合的降噪方法,对采集到的光电容积脉搏波信号来做降噪处理,同时和EMD结合小波阈值降噪算法进行比较。算法首先把信号做EEMD的分解,将原始信号分解为n个模态分量(Intrinsic Mode Function,IMF),然后对这些分量做相干性的计算,对其中的噪声分量来做小波阈值降噪,最后将信号重构。原始信号在STM32平台上采用MAX30100传感器测得。实验结果表明:本文的方法能够很好地剔除光电容积脉搏波中包含高频噪声与基线漂移的各种噪声,降噪后信噪比为34.09,均方根误差为1.99。提高了PPG信号的质量,为光电容积脉搏波信号的准确测量提供了新的思路。     

小波阈值降噪技术在齿轮箱振动信号处理中的应用研究

阐述一维信号的小波降噪原理及小波阈值降噪方法,用MATLAB软件对齿轮箱振动信号进行降噪处理。利用图像和计算数据说明不同小波函数和不同阈值规则的消噪效果,得出Stein无偏似然估计阈值(Rigrsure阈值)方法对强噪声复杂的齿轮箱振动信号降噪效果最佳。     

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。     

基于改进EMD样本熵和SVM的风机滚动轴承故障诊断

风机齿轮箱振动信号成分复杂,而经验模态分解(EMD)在故障诊断中存在模态混叠和端点效应问题.针对此问题,研究了一种EEMD样本熵和高斯径向基核函数的SVM分类器的滚动轴承故障诊断方法.以风机齿轮箱滚动轴承为研究对象,提取了内圈故障、外圈故障、滚动体故障和正常轴承4种状态振动信号,利用EEMD和小波分别对振动信号分解降噪并筛选主要IMF分量;计算前4阶IMF分量的样本熵作为特征向量;最后将特征向量输入高斯径向基核函数的SVM模型进行故障识别.结果表明:EEMD算法对端点效应和模态混叠都有一定抑制作用,EEMD样本熵和SVM相结合可有效识别滚动轴承故障类型,故障识别率为97.5％,为工程应用中风机齿轮箱滚动轴承故障诊断提供参考.     

基于EEMD与奇异熵增量谱的齿轮故障特征提取

针对齿轮振动信号非线性、非平稳的特点,提出一种基于集合经验模态分解(EEMD)与奇异熵增量谱的齿轮故障特征提取方法。首先,利用EEMD方法将齿轮振动信号分解为若干个平稳的本征模态函数(IMF)分量。EEMD方法利用正态分布白噪声的二进尺度分解特性,能够有效抑制经验模态分解(EMD)中的模态混叠现象。但由于背景噪声和残余辅助白噪声的影响,EEMD分解得到的IMF分量难以准确提取齿轮故障特征。利用奇异值分解(SVD)对IMF分量进行消噪和重构,根据奇异熵增量谱确定重构阶次,准确地提取齿轮的故障特征频率。仿真信号分析和齿轮箱齿轮故障实验验证了该方法的准确性和有效性。     

CEEMD和小波半软阈值相结合的滚动轴承降噪

针对滚动轴承振动信号降噪处理时如何保证信号边缘信息完整性的问题,提出将互补集合经验模态分解(complementary ensemble empirical mode decomposition,简称CEEMD)与小波半软阈值相结合的信号降噪方法,对滚动轴承故障高频振动信号进行降噪处理。首先,采用CEEMD方法对故障振动信号进行分解,针对信号特点自适应获取不同频段模态分量;其次,将对包含噪声污染的高频信号模态分量进行相关性分析,得到含噪成分较高的高频模态分量,进一步采用小波半软阈值进行降噪处理;最后,将降噪后的模态分量同残余分量进行信号重构,完成降噪过程。分析结果表明,相对于传统小波阈值降噪和CEEMD强制降噪方法,提出的方法能够有效去除高频信号的噪声,且最大程度地保证了原始信号的完整性,降噪效果更好。     

齿轮箱复合故障振动信号的形态分量分析

在改进形态分量分析系数阈值去噪方法的基础上,将其用于齿轮箱复合故障振动信号的分析。齿轮箱中的齿轮出现局部故障时,其振动信号中往往出现调幅调频成分;而滚动轴承出现局部故障时,其振动信号中往往出现周期性瞬态冲击成分。调幅调频成分的幅值变化相对缓慢,可看作信号中的光滑部分;而瞬态冲击成分的幅值变化较快,可看作信号中的细节部分,故可依据此形态差异实现二者的分离。采用形态分量分析方法将齿轮箱复合故障振动信号分解为包含滚动轴承局部故障信息的冲击分量、包含齿轮局部故障信息的谐振分量及残余分量,根据冲击分量和谐振分量的Hilbert包络解调谱分别诊断滚动轴承和齿轮的局部故障。对齿轮箱复合故障振动信号的分析结果表明,该方法可有效分离滚动轴承与齿轮的故障特征,且效果要优于经验模态分解(Empirical mode decomposition,EMD)方法。     

侵彻弹体频率特性分析及过载信号处理

为解决硬目标侵彻过载信号降噪问题,提出融合总体经验模态分解（EEMD）和小波变换（WT）的联合滤波方法。首先对实测信号进行总体经验模态分解,获得信号的本征模态函数（IMF）分量,然后计算各分量功率谱并与原信号比较,得出信号的有效分解尺度和弹体的过载响应频率,接着对高频IMF分量采用小波阈值降噪,最后将降噪后的高频分量与分解后的低频分量组合重构获得侵彻特征信号。实验证明,这一方法可以有效提取弹体响应频率,消除侵彻过程中弹体的高频振动信号和外部噪声,且处理后的加速度曲线具有更高的信噪比,积分所得速度和位移时程曲线也与实验结果相近。     

强噪声背景下基于振动信号分析的齿轮故障诊断

煤矿机械齿轮传动过程中,齿轮振动信号因摩擦力、刚度非线性等因素表现出非平稳特征的同时还受工况现场的强噪声干扰,如何在强噪声背景下,有效提取故障信息、识别故障类型是该类故障诊断的关键。提出一种强噪声背景下基于振动信号分析的齿轮故障诊断方法,该方法包括小波阀值降噪处理、总体经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)熵特征提取、概率神经网络(Probabilistic Neural Network,PNN)识别三个过程。利用小波阀值降噪对采集到的振动信号进行去噪处理;对去噪后信号进行EEMD分解,得到一组消除模态混叠的固有模态函数(Intrinsic Mode Function,IMF)分量,并提取前3个IMF分量的样本熵特征作为故障特征信息;最终结合PNN实现强噪声背景下的齿轮故障诊断。实验结果表明:文中提出的方法可以实现强噪声背景下齿轮故障的准确识别,识别率可以达到90%以上,是一种有效的齿轮故障识别方法。     

基于相关系数的EEMD转子信号降噪方法

针对转子振动信号周期性强的特点,应用集合经验模式分解(ensemble empirical mode decomposition,简称EEMD)对转子振动信号降噪过程中固有模式函数(intrinsic mode functions,简称IMF)分量的选取问题,提出了基于相关系数的EEMD降噪方法。首先,对原始信号进行EEMD分解得到IMF分量,并计算各IMF分量自相关函数与原信号自相关函数的相关系数;然后,根据相关系数选择相应的IMF分量重构信号最终达到对原信号降噪的目的;最后,对比了EEMD过程中不同加噪次数对降噪效率和效果的影响,给出了加噪次数的设置方法。仿真信号和转子振动信号的降噪结果表明了该降噪方法的可行性和有效性。     

基于EEMD和THT的齿轮故障诊断方法

提出了一种基于总体平均经验模态分解(ensemble empirical mode decomposition,简称EEMD)和TeagerHuang变换的齿轮箱故障诊断方法,该方法首先运用EEMD方法,将振动信号分解成不同特征时间尺度的单分量固有模态函数,然后用Teager能量算子计算各固有模态函数的瞬时频率和瞬时幅值,得到Teager-Huang变换时频谱.齿轮箱齿轮裂纹故障振动试验信号的研究结果表明,Teager-Huang变换时频谱优于Hilbert-Huang变换时频谱,能有效识别齿轮故障.     

局域波互信息降噪在齿轮箱故障诊断中的应用

针对局域波分解后去除含噪分量与虚假分量的随意性和盲目性,提出了局域波互信息降噪方法。首先用局域波对信号进行分解,计算各IMF分量与原信号的互信息,再选取互信息值高的分量进行自相关分析去除噪声成分,并用有效分量对信号进行重构。为了验证该方法的有效性,运用仿真信号进行分析,并将其应用于齿轮箱故障诊断中。对局域波互信息降噪后的齿轮箱振动信号进行小波变换,并提取小波奇异谱熵作为故障特征量进行故障识别。将结果与未进行降噪处理的识别结果相对比,证明了局域波互信息降噪在工程实践中的实用性。     

局域波互信息降噪在齿轮箱故障诊断中的应用

针对局域波分解后去除含噪分量与虚假分量的随意性和盲目性,提出了局域波互信息降噪方法。首先用局域波对信号进行分解,计算各IMF分量与原信号的互信息,再选取互信息值高的分量进行自相关分析去除噪声成分,并用有效分量对信号进行重构。为了验证该方法的有效性,运用仿真信号进行分析,并将其应用于齿轮箱故障诊断中。对局域波互信息降噪后的齿轮箱振动信号进行小波变换,并提取小波奇异谱熵作为故障特征量进行故障识别。将结果与未进行降噪处理的识别结果相对比,证明了局域波互信息降噪在工程实践中的实用性。     

基于IWT-CEEMD-cICA的滚动轴承故障诊断方法

为在强噪声下准确利用振动信号进行轴承微弱故障的诊断,提出了一种基于改进小波阈值、互补集合经验模态分解和约束独立分量分析的故障诊断方法。首先,对单通道振动信号进行改进小波阈值降噪预处理,提高输入信号的信噪比;然后,进行CEEMD处理以实现降噪及单通道扩展,基于峭度值和相关系数选取有效固有模态函数并将其作为盲源分离的输入信号;最后,通过cICA方法提取目标振动信号,识别故障特征。     

基于变分模态分解和PSO-SVM的起重机齿轮箱故障诊断

起重机齿轮箱的振动信号具有信噪比低、非线性的特点,需要一定的专业知识和经验才能实现故障诊断。为了实现起重机齿轮箱的智能故障诊断,提出了一种基于变分模态分解(Variation?al modal decomposition,VMD)改进小波降噪和粒子群算法(Particle swarm optimization,PSO)优化支持向量机(Support vector machine,SVM)的智能故障诊断方法。首先,利用VMD将振动信号分解,得到不同尺度的本征模态函数(Intrinsic mode function,IMF),将分解的高频分量进行改进小波降噪后和低频分量完成信号重构;然后,提取重构信号的特征参数构建特征向量,使用核主分量分析(Ker?nel principal component analysis,KPCA)对向量降维处理实现特征信息融合;最后,利用PSO优化后的SVM进行故障识别分类。实验验证表明,基于VMD改进小波信号预处理和PSO算法优化SVM的模型具有很高的识别准确率,能够有效、准确地对起重机齿轮箱的故障类型进行识别和分类。