基于小波降噪和EMD方法的风力发电系统齿轮箱故障诊断

将小波降噪和经验模态分解相结合,提出一种风电机组齿轮箱故障诊断的方法。先对齿轮故障振动信号进行小波降噪预处理,再进行经验模态分解,对包含故障特征的固有模态函数用Hilbert变换得到包络谱,通过对包络信号做功率谱分析,提取故障特征频率,与未降噪信号处理的结果进行比较,降噪后诊断效果明显。     

基于EEMD降噪与二次相位耦合的滚动轴承故障诊断

针对滚动轴承出现故障时故障信号常常被强的背景噪声所淹没,故障特征难以准确提取的问题,提出了一种基于总体平均经验模态分解(EEMD)降噪与二次相位耦合的故障诊断方法.对原始信号进行EEMD分解,通过相关系数-峭度值的大小选取EEMD分解后得到的固有模态函数(IMF).对筛选出来的IMF进行了重构从而达到降噪的目的.对重构后的包络信号进行1.5维谱分析,提取二次相位耦合产生的非线性特征,从而得到滚动轴承故障特征频率信息.通过实测滚动轴承数据验证了该方法可以有效地提取轴承内圈和外圈的故障特征,从而识别轴承的故障.     

基于MED和自适应VMD的行星齿轮箱故障诊断方法

为解决变分模态分解(VMD)在行星齿轮箱故障特征频率提取过程出现的鲁棒性低及分解个数不确定的问题,提出一种基于最小熵反褶积(MED)和自适应变分模态分解(AVMD)的齿轮箱故障诊断方法.首先通过MED对信号进行降噪,突出故障信号特征;采用瞬时频率的新定义及变差概念,自适应选择VMD的级数;使用VMD方法将行星齿轮箱的断齿故障信号分解为若干个本征模态函数(IMF)分量;根据相关系数分析选取带有故障信号的IMF分量,对其进行包络谱分析,以提取故障特征频率.仿真信号和试验信号分析结果表明,使用MED去噪后信号的峰值信噪比提高了10%,解决了传统VMD个数经验选择出现的误差问题从而实现此过程自适应化,解决了VMD在强噪声下针对非线性非平稳信号鲁棒性低的问题,准确提取了风电齿轮箱的故障特征频率.     

基于经验模态分解的齿轮箱故障特征提取

利用小波去噪阈值法对齿轮箱故障振动信号进行去噪,将经验模态分解(EMD)和快速傅里叶变换(FFT)相结合对齿轮箱故障进行特征提取,此方法适合于对非线性非稳态信号进行自适应的分析.利用小波阈值去噪方法对原始信号进行预处理,将去噪后的信号进行经验模态分解,得到一定数量的本征模态函数(IMF)分量,选取特定的IMF进行FFT,得到相应的功率谱,从而达到提取齿轮箱故障特征频率的目的.对齿轮箱故障信号进行分析,结果表明该方法能够有效地识别出齿轮箱故障特征频率.     

基于小波包和EMD的异步电动机轴承的故障诊断方法

异步电动机轴承的故障信号为低频带周期冲击性特征故障数据,呈现非线性特征,倘若对此类特征信息直接做傅里叶变换,会被高频信号调制,使得故障信号严重失真。为此,提出一种新的集有小波包变换、经验模式分解和Hilbert包络谱分析相融合的滚动轴承故障诊断方法,旨在消除高频噪声信号,提升故障诊断效果。利用小波包变换对滚动轴承的振动信号进行降噪,使用经验模式分解把降噪后的故障信号分解成多个有效本征模态分量,并对筛选后的故障信号进行重构处理,最后对重构信号做Hilbert包络谱分析,计算得到滚动轴承故障频率。通过实验及分析,结果表明新方法应用效果良好。     

基于模态分解的低压串联电弧故障特征提取方法比较

低压交流系统串联电弧电流的非线性、非平稳和随机等特点给故障特征提取和检测带来极大困难,同时以包络线分析为基础的模态分解在非平稳信号分析中展现了良好效果。鉴于模态分解方法的优异效果以及串联电弧故障检测的实际困难,首先对目前较为成熟的经验模态分解(empirical mode decomposition, EMD)等6种模态分解方法进行了系统梳理,并深入分析了该系列方法在电弧故障信号分析和特征提取中的适用性和有效性。然后,通过实测电弧电流的分解实验和特征计算实验,从不同角度探讨了模态分解算法在电弧电流特征提取和故障检测中的优势与不足。最后,对未来可能的研究方向做了展望。     

经验模态分解与RBF神经网络在轴承故障诊断中的应用

针对轴承振动信号的非线性与非平稳性,采用经验模态分解与RBF神经网络相结合的故障诊断方法.首先,采用经验模态分解法对轴承信号进行分解得到各个固有模态函数,提取各个固有模态函数的能量作为故障特征参量,然后将故障特征参量输入RBF神经网络进行训练与测试,实现了智能化的故障模式识别.结果表明,基于该方法的轴承故障诊断系统能够准确地识别外圈裂纹、内圈点蚀和保持架断裂等故障,具有较好的实际工程应用价值.     

基于ARMA模型双谱分布与FCM方法的轴承故障识别

针对滚动轴承信号非线性和非高斯性的特点,提出了基于自回归滑动平均(ARMA)模型双谱分布特征与模糊c均值(FCM)聚类分析的故障识别方法.首先,利用经验模态分解改善信号,对获得的信号主分量建立ARMA模型;然后,对ARMA模型进行双谱分析;最后,以阈值化的双谱分布二值图为特征向量,借助FCM聚类算法构建类模板与最近邻模板分类器,实现故障识别.滚动轴承实例诊断结果表明,该方法能准确地判断轴承的实际性态,是一种有效的故障识别方法.     

应用经验模态分解下的AR模型提取旋转机械故障特征

将时间序列的AR模型引入到旋转机械故障诊断中,采用了经验模态分解与AR模型相结合的方法提取旋转机械的故障特征。通过选取含有故障信息的固有模态函数进行功率谱分析,提取故障特征,分析故障原因。仿真和试验结果表明,此法能够有效地提取故障特征参数,为旋转机械的故障诊断提供了方法保障。     

信息熵与经验模态分解集成的转子故障信号量化特征提取

针对转子振动信号的非线性、非平稳性造成的故障状态难以定量准确描述问题,提出一种基于信息熵和经验模态分解(empirical mode decomposition,EMD)的转子振动信号量化特征提取方法.该方法通过对比转子故障信号EMD分解后各内禀模态分量(intrinsic mode function,IMF)的能量状态及其与原始信号间的相关性程度,在确定出包含主要故障信息的分量基础上,分别对其进行时域、频域及时频域内4种信息熵熵值的计算,从而建立起一种信息熵熵带特征量.实验信号的分析结果表明,该方法能够较好地实现对转子系统故障信号的量化特征提取,所提取出的特征集合具有能够使典型故障特征量之间存在显著差异的性能.