基于Hilbert-Huang变换的电力系统故障检测

电力系统发生故障时,其暂态信号多为非线性非平稳信号。希尔伯特-黄变换可从此类信号出发,自适应分解为有限个本征模式函数之和,通过选取IMF并对其进行Hilbert变换,提取出IMF分量的瞬时频率和瞬时幅度。利用合成的IMF分量的Hilbert谱分布,对故障暂态进行了时间-频率-振幅的联合分析。仿真结果表明,希尔伯特-黄变换在电力系统故障检测中非常有效。     

内燃机优化VMD-CWD时频表征与BSNMF编码识别诊断方法

针对内燃机振动响应信号强耦合、弱故障特征的问题,提出一种基于参数优化VMD-CWD内燃机振动时频表征与BSNMF分块编码识别的故障诊断方法.利用变分模态分解(VMD)将内燃机振动信号分解成一组本征模态函数(IMF),并叠加IMF分量信号的Choi-Williams分布(CWD)获得时频聚集性良好,无交叉项干扰的振动谱图像.针对VMD分解过程中的参数选取问题,引入功率谱熵作为目标函数,对VMD的分解参数进行网格寻优,提高了VMD分解的自适应性.为了实现内燃机振动谱图像的自动识别诊断,在稀疏非负矩阵分解(SNMF)的基础上提出一种更容易收敛的分块稀疏非负矩阵分解算法(BSNMF),用来对内燃机振动谱图进行特征提取,并采用支持向量机对提取的特征参数直接进行模式识别.将本文方法应用于内燃机故障诊断实例中,结果表明:该方法能有效提取内燃机振动信号中的微弱故障特征,实现内燃机气门机构故障的自动诊断.     

基于EMD的旋转机械裂纹松动耦合故障诊断方法研究

针对旋转机械耦合故障的诊断问题,建立了含有裂纹-松动耦合故障的转子-轴承系统动力学模型,并用龙格库塔法求出故障模型振动信号。利用EMD(Empirical Mode Decomposition)方法对振动信号进行分解,得到含有故障特征的本征模式函数(IntrinsicMode Function,简称IMF)。对IMF做希尔伯特变换得到振动信号边界谱,通过分析边界谱的倍频情况并与单一故障信号作比较,诊断出故障信号同时含有裂纹和松动故障特征,说明该故障系统存在裂纹松动耦合故障,并证明EMD方法在旋转机械耦合故障诊断方面的有效性。     

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。     

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。     

基于非局部均值去噪和快速谱相关的滚动轴承早期故障诊断方法

针对如何从非线性、多分量、强背景噪声的滚动轴承早期故障振动信号中有效提取出微弱故障特征并准确判断故障类型,提出基于非局部均值去噪和快速谱相关的故障诊断方法。首先利用非局部均值去噪算法对原始振动信号进行降噪预处理,提高信号信噪比。然后,对降噪信号进行快速谱相关分析,增强信号中的周期成分,获得快速谱相关谱及其对应的增强包络谱。最后,将增强包络谱中幅值突出的频率成分与故障特征频率进行对比,判定故障类型并实现故障诊断。使用本文提出方法对仿真故障信号、实验故障信号进行分析。研究结果表明:相较于快速谱相关方法、谱峭度结合非局部均值去噪方法以及非局部均值去噪结合经验模态分解方法,本文提出方法可以抑制轴承早期故障振动信号中的背景噪声,有效提取出微弱故障特征,准确判断故障类型,避免出现误诊。     

基于EMD和自适应STFT的货车滚动轴承故障诊断

提出了一种结合经验模态分解(EMD)和自适应短时傅里叶变换(STFT)的铁路货车滚动轴承故障诊断方法.该方法应用EMD方法把滚动轴承振动信号分解成有限个平稳的内蕴模型函数(IMF);根据滚动轴承故障信号的分布特征,应用以三阶B样条函数作为窗函数、在不同频段自适应选取窗长的自适应STFT对第一个IMF分量进行时频分析和故障信息提取.本文还对197726型货车滚动轴承在外圈剥离、内圈剥离两种故障状态下的振动信号做了分析,结果表明,该方法可以有效地在时频域上获取故障信息,为铁路货车滚动轴承故展诊断提供了一种新的方法.     

旋转机械故障诊断的时频分析方法比较

旋转机械故障振动信号具有非平稳的特性,传统的傅里叶变换方法难以满足分析非平稳信号的要求,时频分析是非平稳信号分析的有力工具。以滚动轴承外圈故障信号为研究对象,对比分析研究了几种时频分析方法如STFT、Wigner-Ville分布、小波变换和Hilbert-Huang变换。结果表明:Hilbert-Huang变换能够更加清晰、准确给出故障信号时频分布,分析效果优于STFT、Wigner-Ville分布、小波分析(WT)。     

基于双树复小波分解的风机齿轮箱故障诊断

风机齿轮箱振动信号具有非平稳、非高斯特性,多种模式混叠和复杂的传递路径使得故障信息微弱完全淹没在噪声之中.针对故障特征提取的难题,将双树复小波变换引入振动信号分析,提出了一种新的工业风力发电机齿轮箱故障诊断方法.首先对风机齿轮箱振动信号进行双树复小波分解,然后计算各频带分量的峭度值,利用峭度筛选故障敏感分量.最后对故障敏感分量进行频谱分析提取故障特征频率.实验结果表明:双树复小波变换可将复杂信号分解为不同频带分量,抑制平移敏感性和频率混叠.与传统离散小波变换相比,能有效抑制虚假频率出现并准确提取故障特征.本文提出的方法已成功用于风力发电机工业运行监测并准确诊断多种类型的齿轮箱故障.     

最大重叠离散小波包变换边际谱特征在齿轮故障诊断中的应用

针对齿轮故障振动信号多分量频带重叠引发的故障模式混淆问题,提出一种基于最大重叠离散小波包变换(MODWPT)边际谱特征和粒子群优化-支持向量机(PSO-SVM)的故障诊断方法。为了减少谐波及噪声对故障模式分量分离的干扰,首先利用MODWPT将采集到的实验信号进行5层分解,得到32个分量,通过频带能量占优方法,筛选出前16个分量,用来构造信号的希尔伯特边际谱;然后,将提取的边际谱特征代入PSO参数优化后的SVM,对故障类型进行识别。仿真信号分析结果表明,MODWPT边际谱在抗模式混叠、抗边界效应和频率提取准确性方面都要优于EMD方法。通过对6种不同类型的齿轮故障信号进行分析,MODWPT边际谱归一化特征具有明显的故障类型分层现象,对齿轮故障的识别准确率达到98%,说明该方法具有较强的故障诊断能力。     

基于Hilbert谱熵的柴油机故障诊断方法研究

从信号的特征提取出发,采用局域波时频谱分析和信息熵结合的方法--Hilbert谱熵(HSE),进行柴油机振动信号的特征提取和状态识别.首先,对信号进行局域波分解;然后,根据得到的内蕴模式分量计算Hilbert谱;最后,建立基于时频分布的Hilbert谱熵,并以此作为故障识别的特征参数.以柴油机缸套与活塞间磨损的状态识别为例,根据对时域、频域和时频域的信息熵比较分析,证明了Hilbert谱熵对柴油机的状态进行评价的有效性.此方法为柴油机预知维修提供了一个有效的手段.     

Hilbert-Huang变换与大地电磁信号的时频分析

将Hilbert-Huang变换引入大地电磁信号的时频分析中,介绍HHT(Hilbert-Huang transform)时频分析原理及方法,给出仿真信号的经验模态分解及其时频分布,并对实测大地电磁信号进行HHT时频处理与剖析.研究结果表明:Hilbert能量谱随时频的具体分布具有很强的非稳态动态变换时频刻画能力;时频谱的时间、频率分辨率不受Heisenberg测不准原理的限制,且其时间、频率分辨率都很高,有很好的时频聚集性;HHT方法能用于描述大地电磁信号的非线性时变特征,是大地电磁信号时频分析的有效工具.     

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。     

广义变分模式分解降噪在齿轮早期故障诊断中的应用

针对齿轮早期故障特征的微弱性和耦合性,本文提出广义变分模式分解(generalized variational mode decomposition, GVMD)-峭度-包络谱法诊断齿轮故障。首先利用GVMD的频域多尺度定频分解属性,根据齿轮故障频谱信息和信号特点设置GVMD主要参数,按需分解信号,准确获取微弱特征分量,避免VMD对微弱特征提取存在的不足和小波包变换能量泄漏引起的微弱特征混淆问题。然后结合峭度准则和齿轮故障频率信息选择故障冲击分量,融合更多故障信息重构降噪信号。最后对降噪信号进行包络解调分析,实现齿轮故障诊断。实际信号分析表明,由于GVMD能够按需获取微弱特征分量,本文所提方法能够获得更丰富的微弱故障信息准确识别齿轮早期故障位置。     

基于变分模态分解-支持向量机混合算法的TN系统大阻抗接地故障配电线路保护

低压配电TN系统发生接地故障的配电线路阻抗较大时,采用以剩余电流幅值大小作为动作依据的剩余电流动作保护电器防护措施,不能有效解决接地故障防护问题。从分析剩余电流波形的角度出发,采用一种基于变分模态分解(variational mode decomposition, VMD)及支持向量机(support vector machine, SVM)分类的故障诊断方法。该方法在低压配电系统内测得剩余电流信号波形,对该波形进行VMD分解后得到各剩余电流信号的固有模态函数(intrinsic mode function, IMF),对其进行Hilbert变换并进行积分得到Hilbert边际谱,再求该边际谱的能量熵,将其作为特征向量输入SVM进行分析,最后准确区分正常状态和故障状态。结果表明：发生配电线路大阻抗接地故障时,该方法可以大幅提高用剩余电流动作保护电器(residual current protection device, RCD)作为故障防护的准确率。     

HHT在齿轮故障诊断问题中的应用

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数(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。介绍了该方法的基本原理,并将HHT应用于齿轮断齿故障诊断,齿轮故障实验信号的研究结果表明:基于HHT的分析方法,能有效地诊断齿轮的故障。     

周期平稳故障信号分析

针对周期平稳故障信号的特点,给出了时域、频域、时频域分析以及统计理论分析方法.首先,利用周期平稳信号的特点,采用季节性模型,对周期平稳信号进行建模,并作预测预报;其次,采用循环平稳度、循环相关谱等周期平稳信号的特征量有效地获取其他方法难以获得的信息;通过实例给出了进化谱理论及其应用方法,结果表明进化谱在故障诊断中有着较好的分析作用;最后,采用时频域分析较好地分析出非平稳信号的各种尺度信号的特征.     

基于EEMD-HHT边际谱的轴承故障诊断

提出一种基于聚合经验模态分解 (ensemble empirical mode decomposition,EEMD)和Hilbert-Huang变换（HHT）边际谱的滚动轴承故障诊断方法。首先采用EEMD方法将轴承振动信号分解成若干个模态混叠得到较好抑制的固有模态函数（IMFs）,然后对各IMF进行Hilbert变换,求出轴承振动信号的总HHT边际谱,最后根据该边际谱的幅值特性,确定滚动轴承的故障特征。本文方法提供了一种滚动轴承故障诊断的有效工具。     

Hilbert-Huang变换的滤波特性及其应用

Hilbert-Huang变换是最新发展起来的处理非线性非平稳信号的时频分析方法.其基本的实现分为两步,多分辨经验模态分解和瞬时频率的求解,随后可以获得信号的时-频谱.这种方法的关键部分是多分辨经验模态分解,任何复杂的信号都可以分解为有限数目并且具有一定物理意义的固有模态函数.多分辨经验模态分解方法可以解释为以信号极值特征尺度为度量的时空滤波过程.时空滤波器充分保留了信号本身的非线性和非平稳特征,在信号的滤波和去噪中具有很大的优势.文中介绍了Hilbert-Huang变换时空滤波的实现过程,并列举了一些实例,说明了该方法的有效性.     

Hilbert-Huang 变换在爆破震动信号分析中的应用

介绍了Hilbert-Huang变换(HHT)法的原理、内容和优越性, 并用仿真信号进行实例分析, 以验证其关键技术经验模态分解(EMD)的高效性、自适应性, 以及其时频图能定量地描述时间与瞬时频率的关系. 用HHT法对爆破震动信号进行分析与处理. 研究结果表明: EMD能很好地按不同的时间尺度对信号进行分解, 分解后的固有模态函数能反映信号本身所固有的特性;能将Hilbert能量谱中的信号能量清晰地表示在时间-频率-能量的分布图上;HHT法能有效地提取爆破震动信号的时频特征;HHT法比小波分析更具适应性, 为爆破震动信号的分析与处理提供了新的研究思路与方向.