基于EMD关联维的齿轮箱齿轮状态振动辨识

论述了经验模式分解(EMD)的理论和特性,以及关联维数及其特性,并根据实际齿轮箱振动信号的非平稳特征和简单监测征兆的需要,引入分别适于非线性非平稳信号分析和表征系统观测序列非线性、不规则程度的经验模式分解和关联维数,提出用EMD关联维来辨识齿轮箱振动信号,结果表明：当齿轮处于不同状态时,与齿轮故障密切相关的内在模式函数的关联维数明显不同,EMD关联维方法可以作为齿轮故障的特征提取工具。     

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.     

基于阶次跟踪和经验模式分解的齿轮故障诊断

提出了一种研究旋转机械瞬态信号的分析方法.对齿轮箱加速时测得的原始振动信号进行角域重采样,并对角域里的信号进行经验模式分解(EMD)得到多个固有模式函数(IMF),最后对包含齿轮故障信息的IMF分量进行阶次谱分析.结果表明,阶次跟踪技术能够有效地避免传统频谱方法所无法解决的频率模糊现象,EMD方法能够提取包含故障信息的IMF分量,将两种方法相结合是对传统的频谱分析法的有力补充,具有很广阔的应用前景.     

总体平均经验模式分解与1．5维谱方法的研究

针对复杂背景下机车走行部齿轮箱齿轮裂纹故障微弱特征的提取问题,提出了总体平均经验模式分解(EEMD)与1.5维谱的故障特征提取方法.首先运用EEMD方法对振动信号进行自适应抗混分解,得到不同频带的基本模式分量(IMF),然后运用1.5维谱方法对停含有故障特征信息的IMF进行后处理.该方法具有避免模式混淆、抑制高斯白噪声、检测非线性耦合特征等特性,并以此来提取故障的微弱特征信息.根据待处理信号的时频特性与EEMD原理,提出了在EEMD方法中加入高斯白噪声的准则,通过信号仿真验证了EEMD方法的抗混分解能力.将EEMD与1.5维谱方法应用于机车走行部齿轮箱的监测诊断中,成功地提取出齿轮箱大齿轮齿根早期的裂纹故障.     

基于小波包和EMD处理的滚动轴承故障诊断

为解决异步电机故障轴承振动信号易受噪音影响信噪比较小的缺点,提出了一种新的故障诊断方法。首先,采用小波分析方法对测得的原始信号进行去噪,并根据频率对原始信号进行频带划分;其次,用经验模式分解(EMD)方法对小波包分解重构得到的低频段信号进行分解,获得若干固有内在模函数(IMF);最后,采用傅里叶变换对各个IMF函数进行时频分析获得频谱图,进而提取故障频率,根据故障频率和故障类型的对应关系得出最后的诊断结果。实验表明,该方法能有效地提取出故障特征频率,方便地判断出故障类型。对比分析了傅里叶变换和小波变换与本方法的优缺点,为滚动轴承的早期故障诊断提供了一个新的思路。     

Hilbert—Huang变换在齿轮故障诊断中的应用

齿轮作为一种重要的机械传动设备,对其进行故障诊断具有重要意义。传统的齿轮故障诊断大都采用FFT或者小波分析方法,对处理具有非平稳性的齿轮故障信号效果不太明显。HHT由经验模态分解方法（EMD）和Hilbert变换两步组成。经验模态分解方法（EMD）把时间序列信号分解成不同特征时间尺度的固有模态函（IMF）,适合处理非线性和非平稳过程。Hilbert变换对具有调制现象的信号的分析有很大优势。能有效地诊断齿轮的故障。     

利用EMD方法和小波变换进行信号奇异性检测

本文采用经验模式分解(EMD)与小波变换相结合的方法分析非平稳机械故障信号的奇异性，进行机械故障诊断。与直接对原信号进行小波分析相比较，该方法提取的奇异性特征明显。数值模拟和对故障轴承的振动信号分析表明了该方法的有效性。     

经验模式分解在汽轮机局部碰摩故障信号分析中的应用

采用经验模式分解（Empirical Mode Decomposition,简称EMD）方法对汽轮机转子局部碰摩振动信号进行分解,实现碰摩、噪声和背景信号的分离,从而提取局部碰摩振动信号的故障特征．分析结果表明,对具有局部碰摩故障的汽轮机振动信号进行EMD分解得到的内蕴模态函数（IMF）具有明显的碰摩特性．EMD方法可以有效地应用于汽轮机转子局部碰摩故障诊断中．     

基于经验模式分解的希尔伯特变换包络提取在机械故障诊断中的应用

本文采用经验模式分解（EMI）提取信号的内在模函数（IMF），并利用希尔伯特变换对所得IMF进行包络分析，提取机械故障特征。与直接对原信号进行包络分析相比较，该方法提取的机械故障特征更明显，数值模拟和对故障轴承振动信号分析表明了该方法的有效性。     

EMD方法在齿轮故障诊断中的应用

将EMD（Empirical Mode Decomposition）方法应用于机械故障诊断中，提出了一个新的齿轮故障诊断方法。EMD方法基于信号的局部特征时间尺度，能把复杂的信号分解为有限的内在模态函数（Intrinsic Mode Function）之和，这种自适应的分解方法非常适于非线性和非平稳过程的分析。用该方法对齿轮故障振动信号进行了分析，结果表明该方法能够有效地降低噪声，提高信噪比，突出齿轮故障振动信号的故障特征，从而提高齿轮故障诊断的准确性。     

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ITD和模糊聚类的齿轮箱故障诊断方法

为提高齿轮箱故障诊断的准确性与效率,针对其振动信号非线性和非平稳性的特点,提出将固有时间尺度分解(ITD)和模糊聚类(FCM)相结合的齿轮箱故障诊断方法。首先对齿轮箱振动信号进行固有时间尺度分解,提取包含主要故障信息的前4个固有旋转分量(PRC),求取PRC的特征能量作为故障特征向量。然后利用模糊C-均值聚类算法对齿轮箱故障进行识别与诊断,并将该方法应用到现场齿轮箱的诊断中。结果表明,诊断结果与实际情况完全相符,该方法比经验模式分解与模糊聚类相结合的方法具有更高的计算速度和精度,为齿轮箱故障诊断提供了一种新的有效方法。     

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.     

基于改进的集合经验模态分解的爆破振动信号趋势项消除方法

针对实测爆破振动信号中存在的趋势项干扰问题,基于改进的集合经验模态分解,提出一种趋势项消除方法,并进行了模拟信号的仿真计算和爆破振动信号的实例分析.信号仿真计算结果显示:对于持续振动信号,该方法的趋势项提取结果与已有的基于经验模态分解或集合经验模态分解的趋势项消除方法较为接近;但当测试信号呈间歇振动时,该方法对趋势项的提取更为充分,体现了其对分段爆破振动信号中趋势项消除的优越性和适用性.同时,爆破振动速度信号的实例分析验证了该方法在实际应用过程中的可靠性.      

基于EEMD的柴油机缸套磨损故障诊断

针对柴油机缸套磨损故障诊断问题,在实车上测试了柴油机机体振动信号,应用经验模态分解(EMD)对不同磨损状态下的柴油机机体振动信号进行了分析,然而,EMD存在的模态混叠问题使其难以获得准确的基本模式分量(IMF).为此引入基于总体经验模态分解(EEMD)的改进的局域波分析方法,利用EEMD获取无模式混淆的IMF,通过Hilbert边际谱分析信号能量随瞬时频率的变化特征.工程实测分析结果验证了应用该方法进行柴油机缸套磨损故障诊断的有效性.     

基于变分模态分解的延时识别法在短延时微差爆破中的应用

短延时微差起爆时间的精确识别,对复杂环境下隧道爆破优化设计和减振控制具有重要意义.针对经验模态分解（empirical mode decomposition,EMD）识别方法和希尔伯特-黄变换（Hilbert-Huang transform）识别方法存在的模态混叠和识别精度低的缺陷,提出了基于变分模态分解（variational mode decomposition,VMD）的延迟识别方法.分别采用VMD识别法、HHT识别法和EMD识别法对八达岭长城站爆破实测振动信号进行处理.结果表明:在短延时爆破识别中,HHT法的识别结果波峰杂乱,无法精确找到起爆时间;VMD法和EMD法的识别率随着雷管延时的增加而增加;延时低于20 ms时,EMD法的识别率约为VMD法的3/4,延时高于20 ms时,两种方法识别率都在80%以上,以上结果表明VMD法在短延时爆破的优化设计中具有一定的参考价值.      

希尔伯特-黄变换端点效应的自适应端点相位正弦延拓方法

针对希尔伯特-黄变换（Hilbert Huang Transform,HHT）的端点效应问题,提出一种自适应端点相位正弦延拓经验模态分解（Empirical Mode Decomposition,EMD）方法.该方法根据端点附近数据变化趋势,通过在信号两端自适应加上相位、幅值和频率适当的正弦延拓函数,使得原端点的包络线顺着端点附近波形延展,以改进EMD分解精度.为满足EMD内禀模态分量（Intrinsic Mode Function,IMF）与原信号的相关性精度和EMD较低迭代次数的要求,引入能表征EMD性能的目标函数.该函数可通过迭代次数、IMF个数和有效IMF的相关系数大小等来衡量.由于该方法的边界延拓参数是根据延拓周期比例系数、延拓信号长度系数和采样频率自动确定的,故其分解过程完全是一个自适应过程,不需要人为设置,具有较好的实用性.仿真和液压系统实例分析表明,该方法不仅能较好地解决HHT的端点效应,而且相对现有的延拓方法而言,筛选次数更少,能显著提高信号EMD分解精度,且减小Hilbert谱的端点效应,更加精确地提取了液压系统齿轮泵振动信号的故障特征,取得了较好的应用效果.