基于EMD和ICA的感应电动机故障检测

针对感应电动机的转子断条故障和轴承故障,以定子电流信号为研究对象,结合经验模态分解(EMD)和独立分量分析(ICA)原理提出了一种新颖的故障检测方法.该方法首先对定子电流信号进行经验模态分解,去除高频IMF部分,消除噪声干扰;然后用独立分量分析的方法进行特征提取,进而判断故障类型.仿真试验结果表明,该方法用于感应电动机故障诊断是行之有效的.     

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。     

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。     

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.     

经验模态分解(EMD)在滚动轴承故障诊断中的应用

针对滚动轴承故障振动信号的非平稳特征，提出了基于经验模态分解(Empiri-cal Mode Decomposition，简称EMD)和神经网络的滚葡轴承故障诊断方法，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 functioll，简称IMF)之和，再选取若干个包含主要故障信息的IMF分量，并从中提取时城特征措标——峭度或裕度因子作为神经网络的输入参数来识别滚动轴承的故障模式，对滚动轴承的内圈、外圈故障信号的分析结果表明，以EMD为预处理器提取时域特征参数的神经网络诊断方法比直接从原信号中提取时域特征参数的诊断方法有更高的故障识剐率，可以准确、有效地识别滚动轴承的工作状态和故障类别。     

基于MCKD与CEEMDAN的声信号故障特征提取方法

在双转子轴承状态监测与故障诊断中,信号传递路径复杂,很难通过加速度传感器直接获得信号,而声音信号有非接触式测量的优势,包含大量特征信息.为了能够准确、有效地通过声音信号实现滚动轴承故障诊断,检测出轴承故障,提出了基于自适应噪声完备集合经验模态分解(CEEMDAN)和最大相关峭度解卷积(MCKD)的滚动轴承故障诊断方法.首先运用最大相关峭度解卷积方法增强轴承故障声音信号中的冲击,然后对处理后的信号进行CEEMDAN处理,计算每个经验模态分量的峭度值,根据峭度值选取最优分量并求Hilbert包络谱,以准确提取故障特征频率.文中采用该方法基于声音信号实现滚动轴承故障诊断,为提取最优分量提供了理想筛选标准,一定程度上降低了故障诊断的复杂程度,具有良好的自适应性.     

强噪源干扰下的滚动轴承复合故障分离方法研究

针对强背景噪声干扰下的轴承复合故障难以准确分离提取,噪声与复合故障各成分间相互影响容易造成误诊或漏诊的问题,提出基于变分模态分解(VMD)及最大相关峭度解卷积(MCKD)的复合故障分离方法。首先对复合故障信号进行变分模态分解并根据峭度及相关系数准则重构信号作为前置滤噪处理,然后选取合理的滤波器长度及解卷积周期对重构信号进行最大相关峭度解卷积运算以实现故障特征分离,并结合1.5维能量谱强化信号瞬时冲击特征的优点,准确实现复合故障诊断,最后通过噪源干扰下的外圈、内圈复合故障实测信号分析验证该方法的有效性。研究结果表明:VMD方法能够有效滤除噪声干扰,且其滤噪效果比集合经验模态分解(EEMD)方法的滤噪效果好;MCKD方法能够将外圈、内圈故障分离,避免复合故障各成分间的相互干扰;1.5维能量谱能够强化谱图中的瞬时冲击特征。     

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．     

基于变量预测模型的模式识别方法在滚动轴承故障诊断中的应用

将基于变量预测模型(Variable Predictive Model based Class Discriminate,VPMCD)的方法引入滚动轴承的故障诊断,提出了基于EMD(Empirical Mode Decomposi-tion,EMD)和VPMCD的滚动轴承故障诊断方法.采用EMD方法提取滚动轴承振动信号特征向量后,以VPMCD作为模式识别方法对滚动轴承的工作状态和故障类型进行分类.对正常状态、外圈故障、内圈故障3种不同类别下的滚动轴承振动信号进行了分析,结果表明了该方法在滚动轴承故障诊断中的有效性.同时,与人工神经网络(Artificial neural net-work,ANN)算法的对比分析表明,VMPCD算法分类性能的稳定性以及计算效率均要高于ANN算法.     

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EEMD与模糊信息熵的旋转机械故障诊断方法

针对旋转机械故障识别率偏低的问题,提出一种基于EEMD与模糊信息熵的旋转机械故障诊断方法.该方法结合EEMD分解和模糊信息熵在特征提取方面的优势,构造出一种能够精细度量不同类别振动信号故障概率复杂度的特征集合.首先将原振动信号进行EEMD分解,获得若干个本征模态函数(IMFs);计算出前5个高频IMF分量的模糊信息熵组成高维特征集;利用LPP对高维特征集进行维数约简剔除冗余不相关特征;最后将约简后的样本集输入到KNN分类器中进行故障识别.用双跨转子实验台采集的数据对所述方法进行验证,并与EMD模糊熵、EMD模糊信息熵、EEMD模糊熵方法进行故障识别率对比,结果表明该方法能够有效提取转子振动信号的故障特征,并且具有更高的故障识别率.     

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.     

采用HHT的单相接地故障电流与励磁涌流辨识

为有效辨识中压配电网单相接地故障电流与变压器铁芯饱和产生的励磁涌流相似波形,提出一种基于希尔伯特 黄变换（HHT）经验模态分解（EMD）的辨识方法。通过对故障电流和励磁涌流进行EMD特性分析,将原始信号分解为若干本征模态函数（IMF）分量,根据确定的主导IMF分量个数以及比重系数和阈值的关系,区分出故障电流和励磁涌流的波形。仿真发现,单相接地故障电流主导的本征模态函数分量仅有1个,而励磁涌流主导的IMF分量则有多个;故障电流的比重系数Ki远大于励磁涌流的Ki。仿真结果表明,该方法能够有效辨识故障电流和励磁涌流。     

基于VMD-ApEn的输电线路两相接地故障诊断

针对现有电力系统输电线路故障信号分析方法中,存在故障信号特征遗失等问题,提出一种基于VMD-ApEn的两相接地故障诊断新方法。首先选取故障点处容易获取的相电压信号作为故障信号,然后对各相故障信号进行VMD分解得到其IMF分量,进一步提取各相IMF分量的近似熵值并作为一个特征向量,通过分析各相特征向量的模值,最终诊断出输电线路两相接地故障所在相。选取IEEE5节点标准测试系统验证,并与EMD-ApEn算法进行比较。实验结果表明,本文提出的VMD-ApEn方法准确可靠,避免了EMD分解时产生模态混叠的现象,更能有效地诊断出输电线路两相接地故障所在相,具有较好的实用性。     

一种基于经验模态分解和流形学习的滚动轴承故障诊断方法

提出一种基于经验模态分解(EMD)和流形学习(LTSA)的滚动轴承故障诊断方法。首先,利用EMD对滚动轴承振动信号进行自适应分解,计算IMF分量的协方差矩阵特征值,组成滚动轴承状态原始特征集;然后利用LTSA对原始特征集进一步的融合提取;将所得新特征输入到K-means分类器中进行故障识别与聚类。实验分析结果表明:该方法可以有效地对滚动轴承的工作状态和故障类型进行识别。     

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.     

一种新的时频分析方法——局部特征尺度分解

在定义瞬时频率具有物理意义的内禀尺度分量(Intrinsic scale component,ISC)的基础上,提出了一种新的自适应时频分析方法——局部特征尺度分解(Local charac-teristic-scale decomposition,LCD),该方法可以自适应地将一个复杂信号分解为若干个ISC分量之和.分别采用LCD方法和经验模态分解(Empirical mode decomposition,EMD)方法对仿真信号进行了分析,分析结果表明:2种方法都可以有效地对信号进行分解,但LCD方法在计算效率和抑制端点效应等方面要优于EMD方法.此外,还将LCD方法应用于滚动轴承故障诊断,实验信号的分析结果进一步表明了该方法的有效性.