旋转机械故障特征的定性提取

讨论了应用小波变换和延时嵌陷分析的理论从放置机械的振动时间序列信号中提取定性故障特征的方法,并用该方法分析了一实验转子系统的常用故障信息,给出了旋转机械几种常故障特征的小波表达和混沌动力学特征。     

旋转机械故障特征的定性提取

讨论了应用小波变换和延时嵌陷分析的理论从旋转机械的振动时间序列信号中提取定性故障特征的方法,并用该方法分析了一实验转子系统的常见故障信息,给出了旋转机械几种常见故障特征的小波表达和混沌动力学特征．     

组合模型在机械故障预测中的应用

机械故障预测中,反映系统变化的特征参数往往含有多种趋势成分.引入组合预测模型,用灰色模型描述机械故障发展中的确定性趋势,用AR时间序列模型描述机械故障中的随机趋势.实践证明,较单一模型具有更高的预测精度.     

基于EMD的AR建模

自回归(Autoregressive,AR)模型是常用的平稳序列的拟合模型之一.不同于传统趋势的曲线拟合方法,文章利用经验模态分解方法(Empirical Mode Decomposition,EMD)得出序列的趋势,然后再进行建模.通过运城市某年的每日最高气温的数据,建模结果表明:与传统的建模方法比较,基于EMD的AR模型在拟合效果和预测效果上要更好.     

隧道围岩变形经验模态分解灰色系统预测模型研究

基于经验模态分解降噪原理,建立了EMD灰色系统GM(1,1)预测模型,使EMD方法与灰色系统GM(1,1)预测模型很好地相结合,有效地降低了原始监测数据内噪声干扰对预测结果的影响;并结合梅花山隧道工程实际,对EMD灰色系统GM(1,1)预测模型进行了检验。研究结果表明:EMD灰色系统GM(1,1)预测模型环境适应能力较强,预测结果与实际监控数据吻合程度较高,是隧道工程围岩变形动态预测较为有效方法,具有较好的工程实用价值。     

采用多尺度注意力机制的旋转机械故障诊断方法

针对旋转机械故障诊断需要复杂特征提取过程,且对混有噪声的信号故障识别准确率偏低的问题,提出了一种基于注意力机制的多尺度端到端故障诊断方法。该方法在输入端引入随机丢弃抑制输入噪声,然后利用故障信号具有多个固有振动模态的特点,通过多尺度粗粒度层获取不同尺度下振动信号,进而利用全卷积网络实现多尺度特征提取,接着采用注意力机制将多尺度特征进行融合,最后利用多分类函数实现旋转机械故障诊断。分别在凯斯西储大学轴承数据集和变速箱数据集对该方法的有效性进行验证,结果表明:该方法的故障识别率高达100%;人为引入噪声信号的信噪比为-4dB时,在凯斯西储大学轴承数据集F上的故障识别正确率为84.77%,在齿轮箱数据集上的识别正确率为78.365%,识别正确率明显高于其他机器学习算法,证明了该方法具有较强的抗噪声干扰能力。     

旋转机械故障的研究及常见故障

旋转机械是指那些主要功能是由旋转运动来完成的机械设备,如汽轮机、气轮机、发电机、电动机、离心式鼓风机、离心式压缩机泵、真空泵以及各种速增速的齿轮传动装置等机械设备,都属于旋转机械范围。旋转机械是机械设中应用面最广、数量最多,而且最具有代表性的机械设备之一,尤其是在电力石化、冶金、机械、航空、核工业等行业,旋转机械更是占有举足轻重的重要位。     

经验模式分解在故障诊断中的应用研究进展

随着人们对机械振动领域研究的深入,经验模式分解(EMD)被越来越多的应用于机械故障特征提取与智能识别中。针对近年来国内外学者使用EMD的研究成果及发展趋势进行综述,主要包含经验模式分解的基本原理,经验模式分解在故障特征提取、智能识别方面的应用以及最新进展。同时对EMD在机械故障特征提取及故障识别中的应用进行了系统的归纳,为实际工况中机械故障诊断提供了理论依据,提出了使用EMD进行机械故障特征提取待解决的相关问题,并对未来发展趋势进行了展望。     

经验模态分解的理论研究及应用

 经验模态分解(EMD)算法是一种崭新的能够自适应地处理非平稳信号的时频分析方法。在介绍EMD 算法概念的基础上,总结了EMD 算法理论方面的研究进展,比较了不同改进算法的优劣。介绍了EMD 算法在工程中的应用,指出了EMD 算法的研究趋势。     

旋转机械振动监测与故障诊断的工程应用

在旋转机械故障监测和诊断中,振动诊断技术具有较强的识别能力,可及时地进行早期诊断,发现造成故障的原因,从而实现预测维修。实践表明,以振动监测与故障诊断技术为基础的设备预知维修能节省大量的维修费用,便于实时诊断,诊断结果准确可靠,可取得显著的经济效益。     

基于EMD的复合故障诊断方法

针对转子不平衡故障和滚动轴承微弱损伤性故障的复合故障诊断问题,提出了一种基于经验模式分解的故障诊断方法,进行复合故障的耦合特征分离和轴承损伤性故障信号特征提取研究. 该方法首先通过经验模式分解将复合信号分解为若干个本征模函数(intrinsic mode function, IMF);然后通过计算各IMF与原始复合信号的相关系数确定包含故障特征信息的主要成分,除去虚假分量;最后针对主要成分中的低频成分进行频谱分析提出转子故障特征,针对主要成分中的高频成分进行Hilbert包络解调提取调制故障特征,即轴承损伤性故障特征. 仿真及实验结果表明该方法的有效性和实用性.     

基于EEMD能量熵和支持向量机的齿轮故障诊断方法

针对齿轮振动信号的非平稳特征和现实中难以获得大量典型故障样本的实际情况,提出基于总体平均经验模态分解(EEMD)和支持向量机的齿轮故障诊断方法.通过EEMD方法将非平稳的原始加速度振动信号分解成若干个平稳的本征模函数(IMF);齿轮发生不同的故障时,在不同频带内的信号能量值会发生改变,故可通过计算不同振动信号的EEMD能量熵判断是否发生故障;从包含有主要故障信息的IMF分量中提取出来的能量特征作为输入建立支持向量机,判断齿轮的工作状态和故障类型.实验结果表明:文中提出的方法能有效地应用于齿轮的故障诊断.     

基于模态分解的低压串联电弧故障特征提取方法比较

低压交流系统串联电弧电流的非线性、非平稳和随机等特点给故障特征提取和检测带来极大困难,同时以包络线分析为基础的模态分解在非平稳信号分析中展现了良好效果。鉴于模态分解方法的优异效果以及串联电弧故障检测的实际困难,首先对目前较为成熟的经验模态分解(empirical mode decomposition, EMD)等6种模态分解方法进行了系统梳理,并深入分析了该系列方法在电弧故障信号分析和特征提取中的适用性和有效性。然后,通过实测电弧电流的分解实验和特征计算实验,从不同角度探讨了模态分解算法在电弧电流特征提取和故障检测中的优势与不足。最后,对未来可能的研究方向做了展望。     

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 function, IMF)分量的上、下包络值矩阵的奇异值;然后,对轴承原始信号进行时域分析得到各种时域特征参数;最后对奇异值和时域特征参数使用PCA降维融合后输入到多分类支持向量机(support vector machines, SVM)中进行分类。通过实验仿真验证,融合后的特征量诊断准确率达到了98.6%,该方法能充分地提取出轴承故障特征信息,诊断效果良好。     

基于经验模式分解与LM一BP神经网络的大坝变形预报模型

提出一种基于经验模式分解(EMD)与LM-BP神经网络相结合的模型进行大坝变形预报的方法.先利用EMD具有根据信号本身特征进行自适应分解的功能将变形时间序列分解为一系列不同尺度的固有模式分量IMF,再根据各个IMF的变化规律采用相匹配的LM-BP模型进行预报,最后对各分量的预报值进行叠加得到最终的变形预报结果.实例分析...     

经验模态分解和小波分解滤波特性的比较研究

 为了更好地了解小波分解(WD)和经验模态分解(EMD)2种方法对非平稳信号滤波特性的差异,以及2种方法的实际应用效果和各自的优缺点,提出了运用对高斯白噪声信号分解分量平均功率谱特性的分析来对比2种方法滤波特性差异的研究方法,并运用多项对比实验对所提研究方法的有效性进行验证.实验结果表明,所提研究方法能够有效地解释2种分解各自的滤波特性.对于EMD分解,各分量平均功率谱表现为带宽逐渐减小,中心频率逐渐降低的一组有序排列的带通滤波器.整个分解过程不需人为干预可自动完成,但存在边缘效应问题,如不加以处理可能会严重影响分解质量;对于小波分解,选择不同小波基,有的表现出与EMD分解类似的多尺度滤波特性,有的则不尽相同,甚至是完全不同.所以小波基的选择和分解层数的设置不同,可能会导致分解结果出现较大差异,因此存在对小波基优化选择问题.此外,小波分解过程速度较快,平均用时仅为EMD的1/25.     

基于特征提取的健美操分解动作图像自适应识别方法

为了解决传统方法容易受运动速率、光照情况、遮挡、复杂背景等的影响,导致识别结果鲁棒性较差的问题,通过特征提取方法研究了健美操分解动作图像自适应识别问题。通过时间能量金字塔把视频序列划分成若干段,得到结果中动作并非全为健美操动作,含大量干扰信息,通过背景消减法对进行健美操运动的人体目标进行提取,进行进一步处理,得到人体轮廓的二值图像序列,求出轮廓外界矩形宽度和高度之比,依据宽高比获取关键帧,通过拉普拉斯法求解相邻差异帧与间的光流,降低背景杂波产生的影响。针对关键帧提取特征向量,通过相似性检测对待识别健美操分解动作图像和提取特征进行匹配,设定相似性阈值,将相似性高于阈值的图像作为识别结果。结果表明：所提方法对单人健美操视频数据库的识别准确率高,仅存在一定程度的混淆;所提方法对含不同场景的复杂数据库的识别准确性和其它方法相比最高。可见所提方法受外界环境干扰小,可保证高识别精度。     

基于经验模态分解的低信噪比探地雷达数据处理

阐述经验模态分解原理及复信号分析理论,着重讨论EMD分解应满足的条件及具体分解过程.应用EMD方法对单道GPR数据及GPR正演加噪剖面分别进行分解,得到从高至低不同频率范围的本征模态函数GPR图.然后,以湖南长沙黑麋峰抽水蓄能电站进厂交通隧洞实测GPR剖面为例,首先对该剖面进行EMD分解去除部分噪声,再利用Hilbert变换求取GPR剖面复信号,并提取瞬时振幅、瞬时相位、瞬时频率3个参数,绘制出相互独立的瞬时参数剖面图.研究结果表明:EMD分解对于低信噪比GPR数据具有较强的适应性,把EMD分解应用于含噪的雷达信号,并结合GPR复信号分析技术得到的“三瞬”信息,避免了使用单一时距剖面分析所造成的解释偏差,可以较好地实现对低信噪比GPR数据的噪声去除,突出雷达剖面中异常体特征,达到提高GPR信号分析效果及解释精度的目的.     

基于经验模态分解的大地电磁资料人文噪声处理

将经验模态分解(Empiricalmodedecomposition,EMD)方法应用到大地电磁资料的人文噪声处理中,根据人文噪声的不同来源和特征,提出基于EMD的时空滤波器或硬(软)阈值对噪声进行抑制的方法。给出经验模态分解去噪方法的原理和步骤,并对实测大地电磁信号中常见的脉冲干扰、矩形干扰和周期正弦噪声等人文干扰进行消噪处理。研究结果表明：本文提出的噪声改正方法是有效的,突出了有用信号的信息,改善了受干扰大地电磁数据的质量。     

基于EMD与坐标寻优的松脱件定位方法

针对目前松脱件定位方法普遍存在的定位误差大的问题,采用多传感器布局方案,提出一种基于经验模态分解（empirical mode decomposition,EMD）与坐标寻优的松脱件定位方法。EMD处理可分离信号不同振动波成分并提取信号主要本征模函数（intrinsic mode function,IMF）分量,使到达时间提取及波速计算更为准确;多传感器布局能有效降低定位偏差,通过制定传感器选取策略选择最优的传感器组合用于定位分析,实现定位的进一步优化。最后搭建平板试验台并与不同定位方法进行对比,结果显示本文方法定位精度最高,最小定位偏差在0.1 m左右。