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EEMD的奇异谱熵在旋转机械故障诊断中的应用

针对旋转机械振动信号的非平稳、非线性等特点,提出一种基于集合经验模式分解(EEMD)的奇异谱熵信号分析及故障诊断方法.该方法利用EEMD有效抑制模式混叠现象的优点,首先对原始振动信号进行EEMD分解,得到各阶本征模态函数(IMF),然后将各阶IMF分量构成一个特征模式矩阵,并对该特征模式矩阵求奇异谱熵值.奇异谱墒值的大...     

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。     

基于CEEMD-SVD-LSSVM的矿浆管线核心设备故障诊断

针对单向阀振动信号包含背景噪声、故障特征提取困难和诊断准确率不高的问题,提出互补集合经验模态分解(CEEMD)、奇异值分解(SVD)和最小二乘支持向量机(LSSVM)相结合的故障诊断方法.首先,用CEEMD分解单向阀振动信号,并用能量分析法及互相关分析法来选取有用的本征模态函数(IMF).然后,根据SVD法提取相应的故障特征,并输入LSSVM进行故障诊断.通过与集合经验模态分解(EEMD)、支持向量机(SVM)等的比较,表明该方法不仅消除了模态混叠和信号噪声,而且能有效地提取单向阀的故障特征,得到更高的诊断准确率.     

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EWT和SVD技术的齿轮故障诊断方法研究

本文基于经验小波变换(EWT,empirical wavelet transform)和奇异值分解(SVD,singular value decomposition)技术提出了一种齿轮的故障诊断方法.首先采用EWT方法将齿轮的振动信号分解为若干个本征模态分量(IMF),并利用这些IMF分量形成向量矩阵.而后对初始向量矩阵进行奇异值分解,根据奇异值分解的三大特性,将求得的特征向量矩阵的奇异值作为齿轮振动信号的模式特征向量.最后通过建立马氏距离判别函数判断齿轮的振动情况和故障类型.通过对实际实验数据的分析,证明了该方法在齿轮故障诊断中有效性.     

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。     

参数自适应VMD在高速列车轴箱轴承故障诊断中的应用

针对高速列车轴箱轴承故障特征提取困难和变分模态分解(VMD)参数的人为设置影响分解效果的问题,提出参数自适应VMD轴箱轴承故障诊断方法。首先,以平均包络谱熵为适应度函数,利用麻雀搜索算法自适应地寻找不同工况下的最优模态数K和惩罚因子α;其次,对原始轴承时域信号进行VMD分解,利用快速谱峭度图分析最小包络熵的IMF分量,并根据分析结果对该IMF分量进行带通滤波以增强故障特征;最后,对滤波后信号进行希尔伯特包络解调分析,并将分析结果与理论计算所得特征频率进行对比,对轴箱轴承故障进行分类辨识。研究结果表明：与经验模态分解(EMD)、局域均值分解(LMD)、集合经验模态分解(EEMD)等自适应信号分解方法相比,本文所提方法能更有效地降低噪声的影响,提取复杂耦合工况下轴箱轴承振动信号中的故障特征。     

基于EMD-SVD的声发射信号特征提取及分类方法

针对胶合板损伤声发射(AE)信号的非平稳性和损伤类别特征相互重叠的实际情况,提出了基于经验模态分解(EMD)和奇异值分解(SVD)相结合的信号特征提取与识别方法.首先对AE信号进行EMD分解,运用互相关系数和方差贡献率筛选出包含主要信息的本征模态函数(IMF)分量;其次对各IMF分量构建的初始特征矩阵进行SVD分解,将得到的奇异值作为表征各损伤信号的特征向量;最后建立Mahalanobis距离判别函数对各损伤信号进行识别分类.五层胶合板损伤的实测数据表明,该方法能够方便地提取出AE信号特征并对其损伤类型进行有效的识别.     

结合EEMD与K-SVD字典训练的语音增强算法

该文提出一种总体平均经验模态分解(ensemble empirical mode decomposition,EEMD)方法与K奇异值分解(K-singular value decomposition,K-SVD)字典算法相结合的语音增强算法。将带噪语音通过EEMD分解得到各本征模式分量(intrinsic mode function,IMF),对各IMF分量进行互相关和自相关分析,去除噪声IMF分量,并将过渡IMF分量再次进行EEMD分解,去除其中的噪声IMF分量。将过渡IMF分量和剩余的IMF分量叠加,得到预降噪的带噪语音。利用纯净语音,通过K-SVD字典训练算法得到过完备字典。对预降噪的带噪语音通过过完备字典进行稀疏表示,稀疏系数重构出纯净语音。实验结果表明:在低信噪比和高信噪比情况下,该算法的去噪效果明显优于传统的谱减法、小波阈值去噪法和K-SVD字典训练。     

EEMD结合能量特征和小波降噪的轴承故障诊断

为解决在强背景噪声条件下滚动轴承故障诊断问题,开展基于能量特征和小波降噪的总体经验模态分解(EEMD)研究。首先以仿真信号为研究对象,对其进行总体经验模态分解,得到9个固有模态函数(IMF)和1个余项( Res),然后考虑各模态函数的能量特征,将分解后的9个IMF分量与原始信号的能量比作为判断标准,剔除附加5个低频分量,最终得到4个有效的IMF分量和1个余项,与仿真信号相符。在仿真信号分析的基础上,对含噪声信号的滚动轴承故障信号进行故障诊断试验研究,采集信号经小波降噪后,利用总体平均经验模态分解并结合能量特征,得到3个IMF分量和1个余项,然后对3个IMF分量进行包络谱分析,提取故障特征频率157.5 Hz,与滚动轴承故障内圈特征频率157.9 Hz相比,误差为0.25%,说明该方法能很好地提取含有噪声信号的轴承故障信息。该研究为强背景噪声下滚动轴承故障信息的提取提供了一种有效的方法。     

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。     

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。     

奇异值分解对轴承振动信号中调幅特征信息的提取

为了从复杂的轴承振动信号中提取微弱的故障信息,提出了一种基于奇异值分解的特征提取方法.分析了基于奇异值分解的信号分解和特征提取原理,指出其信号分解的实质是一种线性叠加分解,并通过对轴承振动信号构造Hankel矩阵,利用奇异值分解处理后得到多个分量信号,并选择前面一定数目的分量信号进行叠加,准确地提取到了因滚道损伤引起的调幅特征,进而研究分析了不同数目分量所获得的调幅特征效果,并与小波变换进行比较.研究结果表明SVD对调幅特征的提取效果优于小波变换.     

基于乌鸦搜索算法优化变分模态分解的滚动轴承故障诊断方法研究

针对滚动轴承故障信号的自适应提取和分解的问题，提出一种基于乌鸦搜索算法优化变分模态分解的滚动轴承故障诊断方法。将变分模态分解(variational mode decomposition, VMD)方法的关键参数K和α采用新型的乌鸦搜索算法(crow search algorithm, CSA)进行优化，得到最优参数组合；再将最优参数组合输入到变分模态分解算法中，对故障信号进行分解从而得到多个本征模态分量(intrinsic mode function, IMF);以样本熵值为适应度函数挑选最优分量，对最优分量进行包络解调，分析其包络谱判断出轴承的故障类型。结果表明，提出的方法在兼顾全局搜索和局部搜索的同时也能将复杂的轴承故障信号准确地进行分解，提取出最优分量进行分析从而判断出轴承故障类型。     

基于EEMD和小波包变换的早期故障敏感特征获取

提出一种基于总体平均经验模态分解和小波包变换的方法,进行早期故障敏感特征的获取,构建早期故障诊断模型. 该方法首先应用EEMD对现场采集的振动信号进行分解,分离出不同频率成分的特征信号,选择与原信号相关系数最大的 IMF分量进行信息重构;面向重构的IMF分量采用WPT进行分解,得到各个节点的小波系数;最后使用Hilbert变换提取小波包系数的包络,计算功率谱,准确获得早期故障的敏感特征. 通过对仿真信号的分析验证了该方法对故障诊断的有效性. 将该方法应用于实测的滚动轴承的内圈、外圈和滚动体故障诊断,诊断结果均表明该方法可有效提取早期故障敏感特征,故障诊断快速准确.      

基于EEMD与形态滤波的滚动轴承故障诊断方法研究

为从滚动轴承故障信号中提取出包含故障信息的特征频率,提出集合经验模式分解法(EEMD)与形态滤波相结合的解调方法。该方法首先利用EEMD自适应地将信号分解成多个IMF分量,然后计算各IMF分量与原信号的相关系数,选择合适的IMFs进行信号重构,再对重构后的信号进行形态滤波,滤除脉冲干扰,提取出故障特征信息。将该方法应用于滚动轴承故障诊断实例中,并将分析结果与直接对原信号进行包络谱分析解调的结果进行对比。结果表明,该方法提取故障信息的效果较包络谱分析解调的效果要好。     

IFD与KELM结合的滚动轴承故障诊断方法

针对滚动轴承振动信号非线性、非平稳的特点,提出基于迭代滤波分解(iterative filtering decomposition, IFD)提取各分量特征,结合核极限学习机(kernel extreme learning machine, KELM)的故障诊断方法.通过对原始信号进行IFD分解,得到一组本征模态函数(intrinsic mode functions, IMF).计算包含主要故障信息在内的IMF分量能量与排列熵组成的故障特征向量,将特征向量作为KELM输入识别轴承的故障类型.实验分析结果表明,以IFD作为预处理器的特征融合方法比经验模态分解(empirical mode decomposition, EMD)为预处理器的特征融合方法有更高的故障识别率,并且该方法在少量样本情况下仍能有效识别故障类型.     

基于Morlet小波变换与SVD的故障特征提取

针对Morlet小波变换结果中的特征提取问题,对连续小波变换得到的小波系数矩阵进行奇异值分解(SVD),分析了所获得的奇异值与Morlet小波变换结果中的特征信号以及噪声的对应关系.基于这种关系,通过选择合适的奇异值进行重构,清晰地提取到Morlet小波分解结果中的有效特征信息;进一步计算得到频率-能量谱,根据峰值位置能够提取冲击特征.将该方法应用于轴承振动信号的故障特征提取,并与其他方法进行了比较.结果表明,文中方法所获得的故障波形非常清晰,在低信噪比时具有较好的故障特征提取效果.