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.     

改进EMD在轴承故障诊断中的应用

为解决传统镜像延拓经验模态分解(mirror Empirical Mode Decomposition,简称mirror-EMD)在对信号分解过程中易受随机噪声干扰,易产生虚假固有模态分量(Intrinsic Mode Function,简称IMF)的缺点,论文提出了一种将自适应小波阈值去噪,镜像延拓EMD分解,相关系数法剔除虚假IMF三者相结合的改进EMD方法 (简称wt-mirror-EMD).该方法首先对原始故障信号去噪,然后对去噪后信号镜像延拓EMD分解,得到若干个IMF分量,最后对各IMF分量计算相关系数,对相关系数大的主IMF作频谱分析。仿真信号和实际轴承信号分析均表明,wt-mirror-EMD,该方法相对于传统改进mirror-EMD方法,尤其是当有噪声干扰时,检测结果更加准确。     

基于经验模态分解的功率谱分析法诊断往复压缩机气阀故障

往复压缩机气阀是整个机体中故障率最高的部件,针对其信号成非线性、非平稳性,故障模式难以辨识的特征,提出基于经验模态分解的功率谱分析方法.EMD方法具有自适应特点,能够突出表现信号的局部特征和时变特性,适合处理非线性、非平稳信号.对气阀信号按频率由高到低分解为有限个固有模态函数之和,选择对气阀故障敏感的IMF分量进行功率谱分析,从而获得高信噪比故障特征.应用结果表明,该方法较传统频谱分析,突出了气阀信号的故障信息,提高了诊断的准确性.     

基于EMD和相关分析的管道泄漏定位检测研究

针对长输管道泄漏检测与定位中噪声干扰问题,提出了一种基于EMD分解和相关分析的管道泄漏检测与定位方法.该方法利用EMD分解特性和相关分析技术,提取了包含故障信息的主要固有模态函数(IMF)分量,增强了泄漏信号的本质特征.通过对所提取的IMF主分量进行重构,消除了不相关分量的干扰,提高了泄漏信号的相关程度,从而提高了定位精度.实验验证了该方法的有效性.     

基于SVD与改进EMD联合的泄流结构工作特性信息提取

针对泄流结构振动信号非平稳性和特征信息被强噪声淹没的实际问题,提出基于奇异值分解(SVD)和改进经验模态分解(EMD)联合的特征信息提取方法.首先,对一维泄流振动信号时程进行相空间重构,运用SVD分解技术提取振动信号的奇异值信息,并通过奇异熵增量定阶理论滤除泄流振动信号中的高频噪声,实现信号的初次滤波;其次,对初次滤波信号进行正交化EMD分解,运用频谱分析方法筛选包含主要结构振动信息的各IMF,滤除低频水流噪声,实现信号的二次滤波;最后,将包含结构振动信息的IMF分量重构,得到泄流结构的工作振动特征信息.通过数值信号仿真验证本文方法的正确性,可有效滤除高频和低频噪声,凸显结构振动特征信息.结合三峡5号坝段泄流振动实测数据,运用本文方法进行坝体特征信息提取,并与ERA辨识结果进行比较,进一步说明本方法在泄流结构振动信息分析中的优越性,可为泄流结构在线监测和安全运行提供依据.     

基于改进的EMD方法和能量算子解调法的齿轮故障诊断

针对齿轮发生故障时其振动信号常常带有非平稳性和调制的特点,提出了基于改进的EMD分解和能量算子解调的故障诊断方法。首先对故障信号进行EMD分解,得到一族IMF分量;然后对各分量进行基于能量原理的虚假模态消除;最后对新得到的一族IMF进行能量算子解调,得到其频谱,实现了齿轮故障的识别与诊断。分析结果表明,EMD与能量算子解调相结合的分析方法在齿轮故障诊断中具有有效性。     

改进Hilbert-Huang变换的滚动轴承故障诊断

以自适应噪声完备集合经验模态分解(CEEMDAN)为基础,提出了一种改进的Hilbert-Huang变换(HHT)时频分析法。对滚动轴承振动信号进行CEEMDAN获得一组本征模态函数(IMF)。通过自动提取敏感IMF算法,筛选特征敏感IMF分量,计算特征敏感IMF分量的Hilbert包络谱和HHT二维时频谱,提取故障特征频率信息。研究结果表明:CEEMDAN算法有效降低了模态混叠,比经验模态分解(EMD)算法和集合经验模态分解(EEMD)算法具有优越性。将改进的HHT与自动提取敏感IMF算法相结合,可以有效分解信号的特征信息,筛选出含有故障特征信息的敏感IMF,剔除背景噪声和无故障IMF的干扰,有效提取轴承振动的故障特征频率,诊断出轴承故障的发生部位。     

齿轮箱升降速过程阶次倒谱故障诊断方法研究

齿轮箱升降速过程中的振动信号包含有重要的参考信息,研究该过程中的振动信号,有助于识别齿轮箱的故障.将常规的倒谱分析技术与阶次分析相结合,提出了阶次倒谱的齿轮箱故障诊断方法.首先利用重采样技术,将时域非平稳信号转化为角域平稳信号,最后对角域重采样信号进行倒阶次谱分析,就可提取齿轮的故障特征.实验分析结果表明该方法能有效地识别齿轮的故障类型.图8,表1,参8.     

EMD去噪法在FMCW雷达信号处理中的应用

针对调频连续波(frequency modulated continuous wave,FMCW)雷达信号在传播过程中会受到各种噪声影响的情况,提出了一种新型的基于自相关函数能量特性的经验模态分解(empirical mode decomposition,EMD)降噪算法。该算法首先对差频信号进行EMD分解,得到包含原信号不同尺度信息的本征模态函数(intrinsic mode function,IMF)分量;其次对每一IMF分量进行无偏自相关运算,并计算其能量;第三,根据IMF分量的自相关函数能量变化曲线,确定出有用信号贡献率最大的IMF分量;最后进行EMD重构。实验结果表明:该方法在各种信噪比条件下,能够准确判断出有用信号主导的IMF分量,对差频信号具有良好的去噪效果,同时该方法具有自适应性,不受主观因素的影响,适合应用在FMCW雷达系统中。     

基于自适应局部迭代滤波和能量算子解调的滚动轴承故障特征提取

为了提高滚动轴承的故障特征提取可靠性,该文提出了一种基于自适应局部迭代滤波(Adaptive local iterative filtering,ALIF)和能量算子解调的滚动轴承故障特征提取的方法。该方法首先利用ALIF将轴承的故障振动信号分解为若干个本征模态函数(Intrinsic mode function,IMF)分量,然后对包含故障信息最多的分量进行能量算子解调,得到分量的包络谱来提取轴承的故障特征。仿真结果表明:ALIF能够准确获取IMF分量,解决经验模式分解(Empirical mode decomposition,EMD)带来的模式混叠问题,结合能量算子解调方法能更好地凸显故障信号的包络谱特征,有效地提取轴承故障特征频率。     

损伤检测的经验模态分解法

用经验模态分解法对几种典型信号的特征进行分析.首先分解出内在模态函数分量,再对模态函数进行希尔伯特变换,得到时频图,由模态分量中突变点的位置来识别损伤发生的时间,而由时频图识别频率的变化.对一单自由度系统在刚度突变和累积疲劳引起的缓慢变化两种情况进行了分析,根据时频图中频率的变化识别出刚度发生突变的时刻及刚度变化的过程和损伤程度.结果表明经验模态分解法是进行损伤检测和时变参数识别比较理想的方法之一.     

经验模态分解中的频域分辨率及其改进方法

经验模态分解(EMD)的主要目的是提供满足Hilbert变换要求的单组分或窄带信号.针对EMD中由于模式混淆以及信号间相互作用带来的单个本征模态函数带宽过大的不足,对单次EMD分解结果本征模态函数的带宽进行了研究,计算了其瞬时频率分辨率,以此为依据提出了经验模态分解中限制当前信号带宽的改进屏蔽信号方法.此方法完全解决了模式混淆的问题,尽可能地减少了经验模态分解中信号相互作用的不利影响,有效地提高了本征模态函数经H ilbert变换后其瞬时频率表达的频域分辨率.     

基于EMD闪光视觉诱发电位的单次提取方法

探讨了基于EMD方法的单通道闪光视觉诱发电位(FVEP)信号的单次提取方法.应用EMD方法的自适应多分辨率特性,首先把单通道闪光视觉诱发电位信号进行EMD分解,然后根据FVEP的频率特征,选择对应的IMF分量进行重构,得到有效去噪后的FVEP信号,可实现FVEP信号的单次提取.与目前临床最常用的叠加平均方法比较,说明利用EMD方法单次提取的FVEP信号能够准确反映FVEP的典型特征信息,满足了临床应用要求.     

基于多重匹配同步压缩变换的充电机电压扰动分析

为了提高电力系统的安全性和稳定性,解决传统时频变换方法在电能扰动分析中不能准确分离提取扰动信号的缺陷,提出一种基于多重匹配同步压缩变换（Multiple Matching Synchrosqueezing Transform,MMSST）的电能扰动分析方法. 首先,利用MMSST将含扰动的信号分解为一组本征模态函数分量（Intrinsic Mode Functions,IMF）;然后,对每个IMF分量进行希尔伯特变换（Hilbert Transform, HT）,从而获得各个分量的瞬时频率和瞬时幅值,实现扰动信号的检测与分类. 仿真和实测实验结果表明,与经验模态分解（Empirical Mode Decomposition, EMD）算法相比,MMSST可以准确地分离提取电压扰动信号中的各个扰动分量,可以实现各个扰动分量的瞬时频率和幅值的准确提取,并且具有较强的鲁棒性.     

Hilbert能量谱及其在齿轮故障诊断中的应用

将Hilbert—Huang变换引入齿轮故障诊断，提出了局部Hilbert能量谱的概念，同时建立了一种基于Hilbert—Huang变换的齿轮故障诊断方法：Hilbert能量谱方法。该方法首先采用EMD方法将齿轮故障振动信号分解为若干个固有模态函数(Intrinsic Mode Function，简称IMF)之和，然后选择包含故障信息的IMF分量进行Hilbeft变换得到局部Hilbert能量谱。在局部瞬时能量图中可以发现，齿轮故障振动信号具有明显的冲击特征，从而可进一步对齿轮故障进行诊断。     

EMD在汽车变速齿轮箱振动故障分析的应用

采用经验模态分解和能量特征值对振动加速度传感器获取的汽车齿轮箱振动信号进行特性分析.利用经验模态分解获得振动信号的本征模态函数,并对本征模态函数进行系数-能量计算,提取系统的特征信息,对汽车齿轮箱的故障进行诊断,从而实现在线监测汽车齿轮变速箱运转工作状态,及时发现齿轮箱的早期故障,提高汽车运行的安全性.仿真研究结果表明经验模态分解方法在故障信息诊断方面是可行的和有效的,并能够提高故障检测的可靠性.     

基于SVD差分谱和IMF能量谱的改进HHT方法

针对随机噪声和虚假IMF会导致改进HHT中EEMD分解质量下降和Hilbert谱混乱,提出了一种基于SVD差分谱降噪预处理和IMF能量谱剔除虚假分量的改进HHT.该方法首先对原始信号进行SVD降噪,通过基本不等式原理来确定相空间重组的最佳Hankel矩阵结构,利用奇异值差分谱来确定有效奇异值的阶次;然后对消噪的信号进行EEMD分解,通过IMF能量谱来去除虚假分量;最后对主IMF进行Hilbert谱分析.仿真和实验结果表明,SVD能提高信噪比,抑制噪声对EEMD分解精度的干扰;能量谱能有效地消除虚假IMF对Hilbert谱分析的影响;Hilbert谱中各频率成分清晰,解决了随机噪声和虚假分量对传统改进HHT的不良影响.     

基于特征量融合和支持向量机的滚动轴承故障诊断

为了提高滚动轴承的故障诊断率,提出了一种经验模态分解(empirical mode decomposition,EMD)结合时域分析后使用主成分分析(principal component analysis,PCA)融合特征量的特征提取方法.首先,通过EMD分解得到前5个本征模态函数(intrinsic mode fu...     

基于经验模式分解的包络解调技术及其应用

提出了一种新的调制信号解调分析技术,来抑制传统的包络解调方法中经常出现的无意义的频率成分.首先,对复杂的振动信号进行经验模式分解,得到若干个基本模式分量,再对包含调制信号的基本模式分量进行包络分析以提取故障信息.该方法利用经验模式分解来实现故障信息的有效分离,从而提高了诊断信号的信噪比.利用该方法对某齿轮箱轴承座振动信号进行经验模式分解,进而解调出高速轴转频这一调制频率,准确地诊断出该故障是由齿轮轴不对中所引起的,通过针对性的维修后,消除了故障,从而验证了该方法的有效性.     

基于EEMD的发动机失火故障检测

针对发动机失火故障信息难以提取的问题, 提出了一种基于集合经验模态分解(EEMD: Ensemble Empirical Mode Decomposition)的发动机失火故障检测方法。该方法能自适应地将曲轴转速信号分解为若干个本征模态函数(IMF: Intrinsic Mode Function), 确定包含故障信息的IMF, 通过该IMF 幅值的异常波动, 可以较准确地判断发动机发生失火故障的时间。并通过AMESim 建立了发动机仿真模型, 从中采集了3 种情况的曲轴转速信号, 分别利用EEMD 分解并最终检测失火故障。实验结果表明, 该方法能有效提取故障信息, 实现失火故障的离线检测, 并可以作为在线检测的基础。