基于高斯白噪声加入的EMD在旋转机械故障诊断中的应用研究

为了避免经验模式分解(EMD)过程中不同时间尺度函数间的模式混叠,采用基于高斯白噪声加入的经验模式分解方法,并将之应用于旋转机械故障诊断中。该方法主要是对同一信号重复若干次加入相互独立的高斯白噪声序列,并分别筛选固有模式函数,而后把各个对应的固有模式函数进行平均计算,消除白噪声对分解结果的影响。最后,通过对固有模式函数进行包络解调,从中提取故障特征。对实际旋转机械故障振动信号的分析结果表明,该方法能有效避免固有模式函数间模式混叠,提高故障诊断效果。     

基于 EEMD 的滚动轴承故障诊断方法

针对经验模态分解（empirical mode decomposition,EMD）方法处理轴承振动信号时存在的缺点,指出极值点的选择是产生模态混叠现象的原因。分析了集成经验模态分解（ensemble empirical mode decomposi-tion,EEMD）方法抑制模态混叠现象的原理,讨论了加入高斯白噪声的次数和大小对 EEMD 方法分解结果的影响,并通过仿真和实测信号对 EMD 和 EEMD 方法的性能进行了比较测试。结果表明：EEMD 方法不仅能够有效地抑制模态混叠现象,而且能更好地反映出轴承振动信号中的故障信息。同时,对通过 EEMD 方法得到的重构信号进行平方包络分析,结果证明：该方法能够有效地提取出滚动轴承的故障特征。     

EMD降噪与小波变换在轴承故障诊断中的应用

在轴承故障诊断中,为降低噪声对小波变换的干扰,提出了先用经验模态分解、再用小波变换对信号进行分析的综合处理法.在用经验模态分解方法的自适应性对信号进行分解的基础上,选用峭度值优选贡献率高的固有模态函数重构信号,计算其自相关函数,然后进行小波变换,得到分解后细节信号的级联谱,对效果最好的分量进行Hilbert解调.该方法解决了噪声对弱故障信号干扰导致诊断效果不明显的问题,提高了小波变换的故障识别率和效率.轴承滚动体点蚀故障试验结果表明:该方法能有效提取轴承滚动体故障特征,与传统包络解调相比具有更好的效果.     

波纹度故障下低压转子系统的非线性动力学研究

针对转子系统存在滚动轴承波纹度故障的问题,以某船用燃气轮机低压转子系统为研究对象,建立了轴承波纹度故障下的双跨三支承滚动轴承转子系统的动力学模型,并采用龙格库塔法对该系统的运动微分方程进行数值求解,研究了波纹度最大幅值和波纹度个数对系统的非线性动力学特性影响规律。结果表明:随着波纹度最大幅值的变化,系统逐渐进行周期四、周期二、一个混沌域和拟周期运动;当波纹度个数远小于或远大于滚动体个数时,系统进行单周期运动,当波纹度个数接近滚动体个数时,系统进行拟周期运动,特别是当波纹度个数是滚动体个数的整数倍时,系统的非线性动力学特性变得十分复杂。研究结果可以为滚动轴承的故障诊断提供一定的理论依据,降低轴承波纹度对低压转子系统非线性动力学特性的不良影响。     

基于改进D-S证据理论的滚动轴承故障诊断

针对单一分类器进行故障诊断时诊断精度不高、随机性强的问题,提出一种基于改进D-S证据理论的滚动轴承故障诊断方法,构建了信息融合诊断框架。首先,利用BP神经网络、支持向量机、径向基神经网络构建初步诊断层,将提取的特征信息进行初步诊断;然后,利用改进的D-S证据理论构建融合诊断层,将初步诊断层的诊断结果进行融合,并根据诊断规则得到最终的诊断结果;最后,采用不同的信息融合方法对滚动轴承故障数据进行对比研究。试验结果表明:使用改进D-S证据理论的滚动轴承故障诊断方法能够有效提高证据可信度,降低不确定性,提高故障诊断精度和故障诊断模型的鲁棒性。     

滚动轴承故障诊断中的并行组合模拟退火算法研究

提出了一种基于并行组合模拟退火算法的故障识别新方法 ,详细讨论了该混合算法的原理及实现方法 ,并应用于滚动轴承早期故障诊断实例中 ,获得了好的结果 .     

基于改进EMD的信号降噪方法

经验模态分解(Empirical Mode Decomposition,EMD)算法作为新型时频分析方法受到广泛关注,它基于信号的极值特性处理信号,具有自适应强、无需预先确定基函数的优点。但EMD算法本身仍存在模态混叠及EMD强制降噪法易导致信号失真等一系列问题。针对EMD算法的缺陷,提出基于自相关函数的集合经验模态分解方法(Ensemble Empirical Mode Decomposition,EEMD)与小波阈值降噪相结合的改进算法。首先利用自相关函数对高频固有模态函数(Intrinsic Mode Function,IMF)进行选择,然后利用小波阈值降噪法为EEMD设定阈值,最后将改进算法用于信号降噪,并与快速傅里叶变换(FFT)算法、小波阈值算法以及EMD强制降噪算法进行比较。该方法的优点是克服了EMD算法的不足,避免了模态混叠现象,有效地保留了高频信号中分量,降噪效果更好。     

小波方法在滚动轴承振动信号分析中的应用

通过分析滚动轴承表面损伤类故障信号的特点,提出了基于小波包分解和信号重构技术的滚动轴承故障精密诊断方法.试验表明,该方法是有效的,适用于滚动轴承早期故障的振动监测和诊断.     

基于CEEMD能量熵与极限学习机的滚动轴承故障诊断方法

鉴于滚动轴承振动信号具有非线性、非平稳的特点以及难以获得大量典型故障样本的现实情况,提出了基于互补集合经验模态分解(complementary ensemble empirical mode decomposition, CEEMD)与极限学习机(extreme learning machines, ELM)相结合的滚动轴承故障诊断方法。采用CEEMD方法对滚动轴承非平稳的原始加速度振动信号进行分解,得到若干个平稳的本征模函数(intrinsic mode function, IMF)分量,计算不同状态下滚动轴承振动信号经CEEMD分解后各IMF分量的能量熵,从蕴含着主要故障信息的IMF分量中提取出能量特征,对其进行T分布随机近邻嵌入(T-stochastic neighbor embedding, Tsne)聚类可视化分析,观察特征对滚动轴承状态的反映情况,将特征作为输入建立极限学习机,判断滚动轴承的工作状态和故障类型。使用美国凯斯西储大学公开的人工损伤轴承数据进行仿真实验,对轴承得不同运行状态的识别准确率可以达到95%,明显高于多分类支持向量机、K近邻等方法,该结果表明,所提方法在...     

基于改进VMD的液压系统故障特征提取

为从液压系统振动信号中提取有效特征进行故障诊断,针对随机噪声 、端点效应和虚假分量会影响变分模态分解(VMD)的分解精度问题,提出了一种改进VMD的故障特征提取方法.首先,针对随机噪声会导致分解误差增大现象,提出了基于奇异值差分谱降噪预处理,该方法能抑制噪声对分解结果的干扰;然后,针对端点效应会导致VMD处理信号两端产...