基于EMD和奇异值分解技术的齿轮故障诊断方法

提出了基于EMD和奇异值分解技术的齿轮故障诊断方法.采用EMD方法将齿轮振动信号分解成若干个基本模式分量之和,并形成初始特征向量矩阵.然后对初始特征向量矩阵进行奇异值分解得到矩阵的奇异值,将其作为齿轮振动信号的状态特征向量,通过建立距离判别函数判断齿轮的工作状态和故障类型.对实验数据的分析结果表明,本文方法能有效地应用于齿轮故障诊断.     

基于AR模型和谱峭度法的滚动轴承故障诊断

自回归(AR)模型是平稳信号分析的重要工具,本文利用峭度最大原则确定AR模型最优阶次,然后利用此AR模型对滚动轴承故障信号进行预处理,剔除可线性预测的平稳成分,得到的残余分量中理论上只包含了噪声信号和信号的非平稳部分,从而降低了后期数据分析难度。谱峭度对于非平稳信号非常敏感,它可以将非平稳信号从噪声中检测出来,因此将两者结合起来可以更有效的对滚动轴承故障进行诊断,实验结果验证了此方法的有效性。     

《基于EMD与AR模型的柴油机故障诊断》

柴油机气缸盖振动信号是一种典型的非平稳时变信号,用传统的时频分析难以得到满意的效果,用时域区间分析难以实现实时诊断,而小波分析则存在小波基函数选择困难等问题。本文采用经验模式分解EMD方法对振动信号进行分解,得到固有模态函数IMF,对每一个IMF分量分别建立AR模型,以模型的自回归参数和残差的方差作为特征向量,用支持向量机SVM进行分类,判断柴油机的工作状态和故障类型。实验结果分析表明,该方法即使在小样本情况下也能准确有效地诊断柴油机故障,能实现故障的实时自动化诊断。在不同转速时,需选用新转速工况下的数据作为训练样本,以保证分类准确率。     

基于EMD和MKD的滚动轴承故障诊断方法

针对滚动轴承早期微弱故障特征难以提取的问题,提出基于经验模态分解(Empirical Mode Decomposition,EMD)与最大峭度解卷积(Maximum Kurtosis Deconvolution, MKD)的滚动轴承故障特征提取方法。利用EMD方法分解振动信号得到一组固有模态分量(Intrinsic Mode Function,IMF),然后根据时域峭度和包络谱峭度,筛选出敏感IMF分量进行信号重构。然后对重构信号进行最大峭度解卷积处理以增强故障信息,最后得到包络功率谱,从而获得轴承故障特征频率信息。通过实验台信号验证了所述方法的有效性及优点。     

自回归模型在滚动轴承故障诊断中的研究

本文通过实验室对6203型滚动轴承的时阈振动信号建立自回归模型（AR模型），用模型计算出的功率谱（AR功率谱）及其倒频谱对轴承进行故障诊断。诊断结果和理论值与传统的古典功率谱及其倒频谱的诊断方法作比较。实验表明，该方法的诊断结果和理论值吻合较好，比传统诊断方法的结果准确、可靠，具有良好的实用前景。     

滚动轴承故障的EMD诊断方法研究

提出了一种基于经验模式分解（Empirical Mode Decomposition，EMD）的滚动轴承故障诊断方法。这种方法中，局部损伤滚动轴承产生的高频调幅信号成分被EMD分解作为本征模函数分离出来，然后用Hilbert变换得到其包络信号，计算包络谱，就能够提取滚动轴承故障特征频率。该方法被用于分析实验台上采集的具有内圈损伤及外圈损伤的滚动轴承振动信号。分析结果表明，与传统的包络解调方法相比，新方法能够更有效地提取轴承故障特征，诊断轴承故障，因而具有重要的实用价值。     

基于EMD与神经网络的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的非平稳特征，提出了一种基于经验模态分解(Empirical Mode Decomposition，简称EMD)和神经网络的滚动轴承故障诊断方法。该方法首先对原始信号进行了经验模态分解，将其分解为多个平稳的固有模态函数(Intrinsic Mode function，简称IMF)之和，再选取若干个包含主要故障信息的IMF分量进行进一步分析，由于滚动轴承发生故障时，加速度振动信号各频带的能量会发生变化，因而可从各IMF分量中提取能量特征参数作为神经网络的输入参数来识别滚动轴承的故障类型。对滚动轴承的正常状态、内圈故障和外圈故障信号的分析结果表明，以EMD为预处理器提取各频带能量作为特征参数的神经网络诊断方法比以小波包分析为预处理器的神经网络诊断方法有更高的故障识别率，可以准确、有效地识别滚动轴承的工作状态和故障类型。     

基于改进EMD和形态滤波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性特点,提出一种改进经验模态分解(EMD)和形态滤波相结合来提取故障特征信息的方法。该方法首先在原信号中加入高频谐波并进行EMD分解,减小传统EMD分解中存在的模态混叠现象,然后从高频本征模态分量(IMF)中去除高频谐波得到故障冲击成分,经形态滤波消噪后进行频谱分析,提取出故障特征信息。信号仿真分析该方法的实施过程,并将该方法成功运用于滚动轴承内圈和外圈故障的诊断。实验结果表明该方法能够有效提取滚动轴承故障特征信息,实现故障诊断。     

EMD与高阶累积量在滚动轴承故障诊断中的应用

共振解调是滚动轴承故障诊断中最常用的方法之一,但由于滚动轴承的早期故障信号中含有强烈的背景噪声,诊断效果不够明显。为此,提出一种基于EMD（Empirical Mode Decomposition）与高阶累积量(HOC)的滚动轴承早期故障诊断新方法。该方法首先对故障信号进行EMD分解获得多个基本模式分量,然后对各分量进行高阶累积量分析,并进行重构,最后运用包络解调进行故障诊断。故障实例证明,该方法与传统共振解调方法相比,具有较大的优势。     

基于AR模型的转子典型故障诊断方法

基于一种含外部输入的ARX模型（Env-AR-ARX）,提出了一种通过模型匹配的转子故障诊断方法。本文以航空发动机转子健康状态下的振动数据建立AR模型,模型的准确度是故障诊断的关键。为了提高模型的匹配度,在AR模型的基础上,充分考虑了模型残差和信号时变性的特点,对比讨论了AR模型, AR-ARX模型以及Env-AR-ARX模型,最终确定了最优的Env-AR-ARX模型。由于没有航空发动机转子的故障数据,本文对本特利转子的故障（碰摩、裂纹、双裂纹）振动信号建立AR模型,结合单因素方差分析的方法,确定信号是否存在故障以及故障类型。实验结果表明,该方法能有效的应用于转子的故障诊断。     

基于EMD-AR转子碰摩故障的时序距离分析方法

针对转子系统单点局部碰摩的非线性振动信号,先进行EMD分解,对得到的每一个IMF分量建立AR模型,然后用马氏距离判别函数和K-L信息量相结合的时序距离分析方法,进行故障诊断。实验结果表明,该方法是有效的。     

基于EMD的奇异值熵在转子系统故障诊断中的应用

提出了一种基于EMD（Empirlcal Mode Decomposition）和奇异值熵的转子系统故障诊断方法。该方法首先用EMD方法分解转子系统的振动信号，得到若干个基本内禀模式函数（Intrinsic Mode Function，简称IMF），然后利用IMF分量形成初始特征向量矩阵，并对初始特征向量矩阵求奇异值熵，奇异值熵的大小反映了转子系统运行状态的差别，从而可以通过奇异值熵的大小判断转子系统的工作状态和故障类型。对实验数据的分析结果证明了该方法的有效性。     

基于Hilbert边际谱的滚动轴承故障诊断方法

Hilbert-Huang变换是一种新的自适应信号处理方法，它适合于处理非线性和非平稳过程。通过对信号进行Hilbert-Huang变换，可以得到信号的。Hilbert边际谱，它能精确地反映信号幅值随频率的变化规律。针对滚动轴承故障振动信号的非平稳特征，提出了一种基于Hilbert边际谱的滚动轴承故障诊断方法。该方法在Hilbert边际谱的基础上定义了特征能量函数，并以此作为滚动轴承的故障特征向量，建立M-距离判别函数来识别滚动轴承的故障类型。对滚动轴承的内圈、外圈故障信号的分析结果表明本方法可以有效地提取滚动轴承故障特征。     

EMD的LabVIEW实现及其在滚动轴承故障诊断中的应用

针对LabVIEW工具箱中缺少EMD算法的问题,对LabVIEW进行二次开发,实现EMD（EmpiricalMode Decomposition）的算法及HHT（Hilbert Huang Transform）分析方法。并且提出利用EMD的高频IMF（Intnnsic Mode Function）进行共振解调提取轴承故障特征信息的方法。故障诊断实例证明,该方法与传统共振解调方法相比,具有较大的优势。     

EMD-ICA与SVM在滚动轴承故障诊断中的应用

针对滚动轴承非线性的早期故障信号,应用独立分量(ICA)将滚动轴承产生的故障信号从多通道混合信号中分离出来,然后采用EMD (Empirical Mode Decomposition)进行再次降噪并建立AR模型,最后提取模型的自回归参数和残差方差作为故障特征向量,并以此作为支持向量机(SVM)分类器的输入参数来区分滚动轴承的工作状态和故障类型。实验结果表明,该方法是有效的。     

基于局部均值分解的滚动轴承故障诊断新方法

针对滚动轴承振动信号的非平稳特性和调制特点,提出了一种基于Wigner-Ville谱熵的特征提取新方法：运用局部均值分解算法将轴承振动信号分解为若干个乘积函数,并基于Wigner-Ville分布描述主要乘积函数分量的时频能量特征。在此基础上,结合Shannon熵构造一种新的特征提取指标—Wigner-Ville谱熵,并将其构成的特征向量输入到最小二乘支持向量机,实现了轴承不同工作状态和故障程度的自动分类与诊断。仿真和实例分析证明了方法的有效性。