基于固有时间尺度分解的能量算子解调法及故障诊断应用

针对Teager能量算子包络解调方法主要用于对单分量的调幅调频信号进行解调,而真实机械故障信号多为多分量的调幅调频信号的问题,提出了能量算子与固有时间尺度分解相结合的解调方法.首先,利用固有时间尺度分解法将原始振动信号分解为若干个固有旋转分量和一个单调趋势项,并基于波形匹配算法实现原始数据的自适应端点延拓以解决分解过程中的端点效应;然后再选取合适的固有旋转分量,利用能量算子方法实现调制信号的包络解调;最后,将该方法应用于仿真信号和故障模拟信号.结果表明:该方法能有效地提取机械振动信号的故障特征.     

基于MED和EEMD的滚动轴承故障诊断方法

针对滚动轴承早期微弱故障特征难以提取的问题,提出将最小熵反褶积(MED)和集成经验模态分解(EEMD)方法相结合用于提取轴承微弱故障特征的方法。首先,采用MED对滚动轴承振动信号降噪,以增强冲击特征;然后,利用EEMD分解降噪后信号得到一组固有模态分量(IMF),依据相关系数和峭度准则,选择敏感的IMF分量重构信号,并采用希尔伯特包络解调提取故障特征;最后,通过仿真信号和实验台信号验证了该方法的有效性。     

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。     

基于小波包和神经网络的行星齿轮箱故障模式识别技术

行星齿轮箱振动信号在各频段的能量分布与其故障类型有关。利用Daubecics小波包将不同故障的振动信号分解到各个频带。BP神经网络的输入是各频带的能量——行星齿轮故障的特征向量,用神经网络识别故障类型。通过实验验证了该方法可以快速、准确地进行故障模式识别,达到良好的预期效果。利用此方法可以有效解决武装直升机武器系统复杂故障现象问题。     

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.     

基于ELM的航空发动机故障诊断方法

以航空发动机主燃油泵为具体研究对象,提出了一种基于基于小波包能量比与极限学习机(Extreme Learning Machine,ELM)的故障诊断方法。对于某型真实航空发动机,采用振动传感器感知发动机附件机匣的振动信号,对获取的发动机附件机匣的振动信号采用DB3小波包对其进行3层小波包分解,求出第3层各频带信号的能量作为原始信号的特征,构建特征向量。用求得的特征向量建立基于ELM的故障诊断模型,对航空发动机主燃油泵进行故障诊断技术研究。为表明该方法的有效性,还设计了基于BP神经网络的故障诊断模型,并对所构建的特征向量进行了诊断。试验结果表明,基于ELM故障诊断方法可以有效提高故障诊断的速度及准确率,具有很好的工程应用前景。     

基于形态分量分析和EEMD样本熵的自动机故障诊断

针对自动机故障诊断过程中振动信号故障特征较难提取的问题,提出了结合形态分量分析(MCA)和总体经验模态分解(EEMD)的自动机故障特征提取方法。根据自动机振动信号组成成分的形态差异,利用形态分量分析方法构建不同的稀疏字典对各组成成分进行分离,消除噪声分量,提取出反映主要故障特征的冲击分量;对所提取的冲击分量进行EEMD分解并计算各IMF分量的样本熵值,以此作为故障特征向量输入基于离子群优化的支持向量机(PSO-SVM)进行识别。通过自动机典型故障诊断试验表明:形态分量分析方法可有效分离出自动机振动信号中的冲击成分;同时,所提出的特征提取方法能够有效地进行自动机故障诊断。     

基于小波包频带能量检测的神经网络故障诊断技术

利用小波包频带能量检测技术对观测信号进行处理,从中获取反映故障特征的信息,以此作为输入对网络进行训练,可对故障进行比较可靠的分类。同时介绍了利用小波包频带能量检测技术提取观测信号特征向量的方法和步骤,以及基于松散小波神经网络的故障诊断方法。最后结合某型导弹舵系统故障诊断的实例,给出仿真试验,证明了该方法的有效性。     

基于MOMEDA和IITD的滚动轴承微弱故障特征提取

为了清晰准确地提取出强背景噪声下滚动轴承微弱故障特征,对采集的外圈故障轴承的振动信号用MOMEDA进行信号增强;然后,利用IITD分解得到一系列模态,并对分解得到的模态进行包络解调提取故障特征;最后,进行了故障模拟实验,实验结果表明了该方法的有效性。     

小波分析和神经网络结合的变速箱状态识别

针对变速箱故障信号的非平稳和时变特性,提出了小波分析和神经网络结合的变速箱状态识别方法。为了验证该方法的有效性,试验模拟了某型车辆变速箱正常、7216轴承滚动体点蚀及3挡被动齿轮严重磨损3种状态,以箱体振动信号作为分析信号,首先对信号应用小波阈值法降噪减少干扰,接着将小波分解系数单子带重构得到不同频带的信号分量,提取各频带能量作为特征向量输人神经网络进行状态识别,结果表明该方法能有效识别变速箱的3种状态。