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.     

采用集合经验模态分解和改进阈值函数的心电自适应去噪方法

针对心电信号中存在基线漂移、工频和肌电干扰等噪声对后续的分析和诊断带来干扰的问题,提出了集合经验模态分解(EEMD)改进阈值函数的心电自适应去噪方法。运用EEMD将含噪心电信号分解得到一组由高频到低频分布的固有模态函数(IMF)。采用过零率自适应判断各IMF的噪声类别:若IMF包含高频噪声,采用结合软硬阈值优缺点所提出的改进阈值函数以去除IMF分量中的高频噪声;若IMF包含低频的基线漂移,则采用中值滤波器抑制基线漂移。最后将处理后的IMF分量叠加,即可重构去噪后的心电信号。实验结果表明,与已有的小波阈值法去噪后的信噪比(SNR)和均方根误差(RSME)对比,所提方法对心电信号去噪效果更加显著,而且能完整地保留波形特征。     

基于MED和自适应VMD的行星齿轮箱故障诊断方法

为解决变分模态分解(VMD)在行星齿轮箱故障特征频率提取过程出现的鲁棒性低及分解个数不确定的问题,提出一种基于最小熵反褶积(MED)和自适应变分模态分解(AVMD)的齿轮箱故障诊断方法.首先通过MED对信号进行降噪,突出故障信号特征;采用瞬时频率的新定义及变差概念,自适应选择VMD的级数;使用VMD方法将行星齿轮箱的断齿故障信号分解为若干个本征模态函数(IMF)分量;根据相关系数分析选取带有故障信号的IMF分量,对其进行包络谱分析,以提取故障特征频率.仿真信号和试验信号分析结果表明,使用MED去噪后信号的峰值信噪比提高了10%,解决了传统VMD个数经验选择出现的误差问题从而实现此过程自适应化,解决了VMD在强噪声下针对非线性非平稳信号鲁棒性低的问题,准确提取了风电齿轮箱的故障特征频率.     

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。     

基于小波降噪和EMD方法的风力发电系统齿轮箱故障诊断

将小波降噪和经验模态分解相结合,提出一种风电机组齿轮箱故障诊断的方法。先对齿轮故障振动信号进行小波降噪预处理,再进行经验模态分解,对包含故障特征的固有模态函数用Hilbert变换得到包络谱,通过对包络信号做功率谱分析,提取故障特征频率,与未降噪信号处理的结果进行比较,降噪后诊断效果明显。     

基于变分模态分解的故障弱信息提取方法

针对从非线性非平稳动态信号中提取故障敏感特征困难的问题,提出一种变分模态分解(VMD)与小波分析方法相结合的振动信号预处理方法.首先对信号进行VMD,然后采用改进小波方法处理各分量,最后对处理后的各分量进行重构.利用VMD-改进小波信号处理模型对第三级行星轮磨损振动信号处理分析,结果表明:VMD-改进小波方法能有效降低噪声干扰,凸显各特征频率.将提出的方法、VMD,EEMD,EMD分别与改进阈值小波、模平方阈值小波、硬阈值小波及软阈值小波的方法相结合,计算其峭度、信噪比和均方根误差,结果表明本方法的准确性更高.     

基于MEEMD和二代小波阈值的表面肌电信号去噪处理

表面肌电(surface electromyogram, sEMG)信号能够反映神经肌肉的相关活动信息,被广泛应用于假肢控制、临床医学等领域,而获取干净的sEMG信号是精确地解释和应用信号的先决条件。为了消除混杂在sEMG信号中的噪声,文章提出了一种基于改进的经验模态分解(modified ensemble empirical mode decomposition, MEEMD)与二代小波改进阈值函数相结合的sEMG信号去噪方法。对含噪的sEMG信号进行MEEMD分解,再对高频的本证模态分量(intrinsic mode function, IMF)进行二代小波改进阈值函数去噪,将处理后的高频IMF分量和低频IMF分量以及残余信号进行重构,重构后的信号即为去噪sEMG信号。仿真结果表明,基于MEEMD与二代小波改进阈值函数方法的去噪性能指标高于其他方法;实验结果表明,该方法结合了MEEMD和二代小波的优点,能够很好地消除噪声,且能最大限度地保留信号中的有用信息。     

LMD和改进小波阈值去噪的轴承声发射信号故障诊断

针对机械故障声发射信号特征提取的问题,提出了一种局部均值分解(local mean decomposition,LMD)和改进的小波阈值去噪相结合的方法;并应用于滚动轴承的故障诊断。首先,把改进小波阈值与三种小波阈值去噪方法进行比较分析。通过仿真信号表明,改进小波阈值方法能更为有效地去除噪声。其次,采用LMD方法将原始轴承故障的声发射信号分解,分解为若干个乘积函数(production function,PF)的线性组合,通过相关系数原则选取能够反映故障特征的PF分量,利用改进小波阈值去噪法对选出的PF分量进行进一步去噪。最后,对去噪后的声发射信号进行包络谱分析,诊断轴承故障的位置。通过滚动轴承单一故障和耦合故障的声发射实验验证了该方法的有效性。     

基于一种EEMD的能量算子解调机械故障诊断

针对在强噪声背景下轴承振动信号的非线性、非平稳性以及信号出现的复杂调制现象,提出了一种基于小波包熵与EEMD(总体模态分解)相结合的能量算子解调故障诊断方法.根据信号的小波包熵值对信号小波包降噪,采用EEMD方法选取相关度最大的IMF(本征模态分量)以避免选取信号的盲目性,对该分量进行能量算子解调,实现提取该分量下的故障信号的幅值和频率信息.对机械故障振动信号进行实验分析表明,相对于EMD分析存在的模态混叠现象以及普通Hilbert解调法的运算精度满足不了诊断需求的情况,该方法能够有效解调出故障频率信息,以实现对故障类别的推断.     

采用EEMD算法与互信息法的机械故障诊断方法

提出一种总体经验模态分解(EEMD)算法与互信息法相结合的Hilbert-Huang变换机械故障诊断改进的方法.仿真与实例结果表明:EEMD算法能克服模态混叠弊端,获得具有实际物理含义的固有模态函数(IMF);互信息法能有效剔除虚假分量,使最终IMF分量更加精准且集中突显故障信号特征;所提出方法能有效表征机械故障特征,并进行精确诊断.     

基于CEEMD的爆破振动信号自适应去噪

针对爆破振动信号短时、突变的特点,提出了基于CEEMD的爆破振动信号自适应降噪方法。为解决信噪分量分界点的判定问题,该方法提出依据CEEMD分解得到的噪声分量和有用信号分量自相关函数的波峰宽度特性自适应地判定信噪分量的分界点的方法。对IMF分量消噪阈值函数进行了改进,新阈值函数具有连续和高阶可导性。实验分析表明:采用新阈值函数的CEEMD自适应去噪方法能够有效地去除实测爆破振动信号中夹杂的噪声,并且很好地保留了爆破振动信号的突变细节,去噪效果良好。     

基于EEMD-MD的手指心电信号消噪算法

针对心电数据的噪声干扰问题,提出了一种新的联合集合经验模式分解(EEMD)和马氏距离(MD)的信号去噪方法。首先,采用EEMD将含噪信号分解为若干个固有模态函数(IMF)。其次根据核密度估计方法对原始含噪信号和各IMF分量的概率密度函数(pdf)进行估计。然后利用各IMF分量的pdf同原始信号的pdf之间的MD距离来选取相关模态函数,从而区分噪声层与信号层,解决了人为选择相关IMF分量导致去噪效果不明显的问题。最后,将该算法用于模拟信号和手指心电信号的消噪实验。结果表明,该方法能够较好地去除手指心电信号中的噪声,信号的输出信噪比显著提高,且失真度小,较好地保留了真实信号中的有用信息。     

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。     

改进EMD在轴承故障诊断中的应用

为解决传统镜像延拓经验模态分解(mirror Empirical Mode Decomposition,简称mirror-EMD)在对信号分解过程中易受随机噪声干扰,易产生虚假固有模态分量(Intrinsic Mode Function,简称IMF)的缺点,论文提出了一种将自适应小波阈值去噪,镜像延拓EMD分解,相关系数法剔除虚假IMF三者相结合的改进EMD方法 (简称wt-mirror-EMD).该方法首先对原始故障信号去噪,然后对去噪后信号镜像延拓EMD分解,得到若干个IMF分量,最后对各IMF分量计算相关系数,对相关系数大的主IMF作频谱分析。仿真信号和实际轴承信号分析均表明,wt-mirror-EMD,该方法相对于传统改进mirror-EMD方法,尤其是当有噪声干扰时,检测结果更加准确。     

一种优化的VMD算法及其在语音信号去噪中的应用

针对非连续、 非平稳语音信号中含有噪声的问题, 提出一种基于参数优化的变分模态分解去噪算法. 首先, 利用灰狼优化算法搜寻变分模态分解算法的最优分解参数组合——分解模态数K和惩罚因子α, 通过使用获得的参数组合分解语音信号以获得K个特征模态函数分量IMF; 其次, 利用相关系数选择有效模态分量, 并用小波阈值处理无效模态分量; 最后, 重构小波阈值处理后的模态分量和有效模态分量以对语音信号进行去噪. 实验结果表明, 该算法与其他经典算法相比能有效提升信噪比, 降低均方误差, 提高语音信号的质量.     

基于EEMD阈值去噪的电能质量多扰动分类

针对含噪声的电能质量多扰动分类识别问题,提出一种基于EEMD阈值去噪的分类识别方法。首先依据源噪声信号在电能基波上不同频率和不同幅值叠加的特性,采用EEMD去噪法对信号源分解得到固有模态函数(IMF),消除高斯白噪声后,将得到的IMF分量转化为IMF能量值;最后,运用人工蜂群算法(ABC)优化在线极限学习机(OSELM)实现多扰动分类识别。MATLAB实例证明了提出方法的能够准确的对于扰动信号进行分类识别。     

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.     

一种用于机床角度头故障诊断的双重降噪方法

角度头是数控机床必不可少的加工附件,由于长期处于恶劣的加工工况下,极易受到损坏。采集角度头的振动信号时,环境中大量的随机噪声会湮没故障特征信息,从而造成角度头故障特征提取困难。针对此问题,提出了一种基于总体平均经验模态分解（ensemble empirical mode decomposition,EEMD）及自相关的双重降噪方法。该方法采用自相关滤波方法对振动信号进行降噪预处理,再对降噪后的信号进行EEMD分解,随后采用遗传算法对EEMD输入参数优化,依据相关峭度系数准则筛选分解得到的固有模态函数（intrinsic mode function,IMF）分量进行信号重构。最后,对重构信号进行时频分析,提取角度头故障特征。对仿真和实测信号分析的结果表明,本文方法能够有效抑制噪声干扰,可准确提取到角度头的故障特征信息,为机床角度头的故障诊断提供依据。