基于形态滤波和HHT的滚动轴承故障特征提取

应用形态滤波和HHT提取滚动轴承振动信号故障特征。通过形态组合滤波对信号进行预处理,对预处理后的信号进行EMD分解,把信号分解为若干个IMF的和,之后计算IMF的希尔伯特能量谱,提取振动信号的故障特征频率。本算法能够较准确地提取出滚动轴承振动信号的故障特征频率,为滚动轴承振动检测与故障诊断研究提供参考。     

基于EEMD和模糊BP神经网络的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征,提出一种基于总体经验模态分解(EEMD)和模糊BP神经网络的故障诊断方法。首先对滚动轴承的振动信号采用总体经验模态分解方法进行分解,得到若干个本征模态函数分量(IMF);然后提取各分量的均方差、峭度和能量,把这些特征参数作为学习集和训练集,将学习集输入到模糊BP神经网络中进行学习;最后把训练集输入到特征参数经过学习训练后的模糊BP神经网络中进行故障类型识别,并与BP神经网络进行比较。实验结果表明:所提方法能有效地应用于滚动轴承故障诊断,而且比BP神经网络具有更高的精确度。     

基于CEEMD和谱峭度的轴承故障诊断

针对共振解调在滚动轴承故障诊断应用中带通滤波器参数选择困难的情况,提出一种互补总体平均经验模态分解方法(CEEMD)与谱峭度相结合的轴承故障诊断新方法。通过实际信号验证了该方法的可行性与准确性。     

基于CEEMDAN-SVM和时域特征的滚动轴承故障诊断方法研究

针对滚动轴承故障原始信号复杂,以致故障冲击信号被强背景噪声"淹没"的问题,提出一种基于CEEMDAN分解和时域特征分析的故障诊断方法.首先对原始信号进行CEEMDAN分解,得到一系列固有模态分量(IMFs),分析各IMF,选择具有明显故障冲击信号的5个分量进行重构,以剔除噪声等干扰信息,再提取重构信号的时域特征输入支持...     

往复柱塞泵轴承故障诊断方法研究

柱塞泵是典型的往复机械。为了掌握往复式柱塞泵的工作状态,测取3S175系列柱塞泵正常工况和一些故障工况下动力端轴承的振动信号,对其进行局域波时频处理后,得到了有价值的检测部件振动规律、一般特征以及故障特征,可用于往复柱塞泵轴承的故障诊断.     

基于ELMD与LS-SVM的滚动轴承故障诊断方法

针对局部均值分解（local mean decomposition,LMD）实现过程中存在的模式混淆现象,提出了一种基于总体局部均值分解（ensemble local mean decomposition,ELMD）与最小二乘支持向量机（least squares support vector machine,LS-SVM）相结合的滚动轴承故障诊断方法。该方法先对滚动轴承振动信号进行ELMD分解,并得到若干乘积函数（product function,PF）,然后选取包含主要故障信息的PF分量,提取其峭度系数与能量特征参数以构造故障特征向量,并作为LS-SVM的输入来识别滚动轴承的工作状态和故障类型。通过对滚动轴承正常状态,内圈故障和外圈故障的分析结果表明,基于ELMD与LS-SVM的诊断方法可以准确有效识别滚动轴承的工作状态和故障类型。     

基于EEMD的负压波法管道泄漏定位信号降噪

针对输油管道负压波法泄漏检测噪声干扰大,定位误差大的问题,提出了一种适合负压波泄漏定位降噪的方法。这种降噪方法在原有的经验模态分解基础上加入了白噪声,并运用了集合平均经验模态分解算法,改进了模态混叠现象。根据降噪后的数据进行负压波定位提高了精度,利用现场数据对比未降噪后的信号结果表明:该方法能够有效滤除噪声,提高信号的信噪比,使得负压波法泄漏定位精度提高。     

滚动轴承故障智能诊断技术的研究

主要介绍一种基于BP人工神经网络的滚动轴承故障智能诊断方法,利用试验台采集到的数据所形成的特征向量对所建立的BP神经网络进行训练,再将该网络用于滚动轴承的状态分析,具有很高的准确性,显示了BP神经网络在故障诊断方面的智能性。     

基于RMS因子的滚动轴承故障声发射诊断研究

运用声发射检测技术对滚动轴承内圈故障、外圈故障和滚动体磨损故障展开试验研究。为了减少噪声干扰、突出故障特征、提高信噪比,应用能量因子方法对含噪声信号进行数据处理,找到不同缺陷形式下的故障特征。结果表明,RMS因子方法用于滚动轴承声发射信号特征提取是有效的。     

基于EEMD近似熵的矿山微震信号特征提取研究

为解决矿山岩体破裂和爆破震动信号不易自动识别的问题,提出了一种基于EEMD(聚合经验模态分解)和近似熵的微震信号特征提取方法,以某金属矿山微震监测系统建立的爆破震动信号与岩体破裂信号数据为分析对象,首先利用该方法对两类微震监测信号进行EEMD分解,获得多个窄带本征模态分量(IMFs);再利用相关系数法确定与两类原始信号最相关的IMF分量得到主要分量,进而计算各主分量的近似熵;最后把主要分量的近似熵值组成表征微震信号的多尺度高维特征向量作为支持向量机(SVM)的判断输入进行训练预测。预测结果表明:EEMD近似熵特征提取方法结合SVM,对矿山爆破震动信号和岩体破裂信号具有较高的识别率,能准确、有效地进行智能分类,为信号识别研究提供了新的途径。     

基于虚拟技术的齿轮故障智能诊断研究

利用LabVIEW图形化编程语言开发了信号分析与处理、信号特征提取和故障诊断三大模块。信号特征提取由小波包分解来实现,故障诊断通过神经网络完成,小波包分解提取的齿轮振动信号各频段能量特征值作为神经网络的输入向量。以模拟故障实验台获取的齿轮典型故障振动信号训练神经网络,利用训练好的神经网络对齿轮进行故障诊断,实验结果表明：所开发的齿轮故障智能诊断系统能有效识别齿轮故障,较好地将虚拟技术应用于故障诊断领域。     

基于EMD瞬时功率谱熵的神经网络滚动轴承故障诊断

滚动轴承在发生故障时,其动力学特性往往呈现出复杂性和非线性,振动信号也会随之表现出非平稳性。为此,提出一种基于EMD瞬时功率谱熵的滚动轴承特征提取方法。该方法将轴承信号进行EMD分解,得到有限个IMF分量,对这些分量进行功率谱处理,计算其功率谱的信息熵。EMD瞬时功率谱熵作为特征向量,采用神经网络进行故障分类,实验结果表明,此方法的分类准确率可达96.25%。     

基于IALO-ELM模型的滚动轴承故障诊断方法

为了有效提取轴承振动信号中的运行状态信号,并根据信号特征进行故障诊断,提出滚动轴承故障诊断IALO-ELM新模型.采用柯西高斯变异对蚁狮优化算法进行改进,进而对极限学习机的参数进行优化,实现对滚动轴承故障的诊断.试验结果表明:IALO-ELM模型与SVM、ELM和ALO-ELM模型相比较,具有更好的稳定性,识别准确度达...     

基于相关性小波奇异熵的滚动轴承故障特征提取

针对轴承故障信号受噪声影响严重,导致故障特征提取稳定性较差的问题,将小波变换、相关性、奇异值分解和信息熵理论相结合,提出一种基于相关性小波奇异熵的轴承故障特征提取方法。该方法首先将轴承信号进行小波分解,利用小波分解系数和噪声的相关性特点不同,引入相关计算以去除噪声的影响;然后对相关处理后的规范化系数进行奇异值分解,轴承的不同故障信息就体现在奇异值中;再利用信息熵的统计特性对奇异值进行不确定度计算;最后,以相关性小波奇异熵作为特征向量,通过概率神经网络对滚动轴承故障进行识别。实验表明:该方法能够有效地提取轴承故障特征,具有良好的容噪能力和稳定性。     

基于SVM和KPCA的滚动轴承故障诊断

从时域角度分析了滚动轴承的振动信号,综合利用SVM和KPCA方法来实现对滚动轴承的故障诊断研究。首先对滚动轴承的原始信号从时域角度分析提取典型特征,再利用KPCA方法对输入的典型特征降维,最后采用SVM算法对降维后的数据进行故障诊断。实验证明:该方法在保证较高的故障识别能力的前提下,不仅能够有效地提取损伤特征、降低数据维数,而且实现了数据可视化。     

基于广义形态差值滤波与极限学习机的滚动轴承故障诊断方法研究

由于工业设备工作环境恶劣、工况复杂,设备所采集的振动信号含噪声较多,难以准确提取设备运行状态的特征。因此,提出一种广义形态差值滤波和极限学习机相结合的滚动轴承故障诊断方法。实验结果表明:经广义形态差值滤波后的振动信号特征更易区分,与BP神经网络相比,极限学习机具有更高的分类精度。     

基于EEMD的HHT多尺度油气水多相流动力学特性研究

经验模态分解容易造成噪声与模态之间的混叠现象,严重影响非线性、非平稳信号HilbertHuang变换多尺度频谱特性的准确性和有效性。为此,以集成经验模态分解进行Hilbert-Huang变换研究水平管道内油气水多相流的多尺度动力学特征。首先对泡状流、塞状流和弹状流3种典型流型的电导波动信号进行集成经验模态分解,消除噪声与模态之间的混叠现象,然后分析各级本征模态函数分量(IMF)的能量和多尺度频谱特性。研究发现,基于集成经验模态分解的多尺度频谱分析可有效揭示3种流型的非线性动力学特性,同时也为流型演化和识别提供重要的参考依据。     

基于FEEMD-AE与反馈极限学习机组合模型预测研究与应用

针对现有工业过程非平稳时间序列中的特征提取及预测问题,提出了基于快速集合经验模态分解（fast ensemble empirical mode decomposition,FEEMD）、近似熵（approximate entropy,AE）和反馈极限学习机（feedback extreme learning machine,FELM）的组合模型。首先,针对复杂非平稳时序数据,采用FEEMD方法将其分解为从高频到低频的相对平稳的本征模态函数分量和余项;其次,为解决经过FEEMD分解出来的分量复杂度问题,运用近似熵（AE）计算分量复杂度并进行特征重构,以降低分量复杂性;然后,基于传统ELM结构,通过引入反馈机制,在输出层与隐含层之间增加反馈层用来记忆隐含层输出数据,并计算数据趋势变化率动态更新反馈层输出,形成反馈极限学习机（FELM）,对非线性动态系统的下一时刻输出进行预测;最后,将所提出的组合预测模型通过UCI标准数据集与精对苯二甲酸（PTA）溶剂系统进行建模仿真,仿真结果表明,提出的组合模型预测方法能够得到较高的预测精度,为实际生产操作优化提供了一定的指导。     

基于改进集合经验模态分解和深度信念网络的出水总磷预测

出水总磷的准确预测对于城市污水处理厂的高效、稳定的运行至关重要。文中针对城市污水处理过程中出水总磷难以预测的问题,提出一种基于改进集合经验模态分解（modified ensemble empirical mode decomposition, MEEMD）和深度信念网络（deep belief network, DBN）的出水总磷预测方法。首先,设计一种MEEMD算法对城市污水处理过程出水总磷数据信号进行分解,获取多个本征模态函数（intrinsic mode function, IMF）组合;然后,建立一种基于模拟退火（simulated annealing, SA）算法的深度信念网络预测模型,通过优化的模型结构对分解后得到的每个IMF分量进行有效预测;最后,通过大气CO₂浓度预测和城市污水处理出水总磷预测验证了所提出方法的有效性。