基于极点对称模态分解和支持向量机的船用齿轮箱故障诊断

针对船用齿轮箱故障难以识别的问题,提出了将极点对称模态分解(Extreme-point Symmetric Mode Decomposition, ESMD)和支持向量机(Support Vector Machine, SVM)相结合的故障诊断方法。先将船用齿轮箱振动信号进行ESMD分解,可得到一系列模态和一条最佳自适应全局均线。以分解模态与原始信号的能量比值为相关度衡量标准,将相关度较高的前三个模态分别作奇异值分解并得到奇异值矩阵。经过归一化处理后,输入支持向量机训练获得多分类诊断模型,并进行测试。测试结果表明,相比经验模态分解(Empirical Mode Decomposition, EMD)与SVM结合的方法,本文的方法能更好地对船用齿轮箱故障作出诊断和预测。     

基于EMD和RBF的滚动轴承故障诊断

提出了基于经验模态分解(EMD)和径向基(RBF)的滚动轴承故障诊断方法。同时给出了诊断实例:利用EMD将滚动轴承震动信号分解成若干个固有模态函数(IMF)分量,然后对每一个IMF进行Hilbert变换,最后提取每个IMF分量的平均频率及能量比,并以此作为RBF神经网络的输入参数来判断轴承的工作状态。诊断结果表明该方法能够实现轴承故障的诊断,而且速度快,准确率高,易于实现自动化监测。     

基于冲击脉冲和EMD包络谱的电动消防泵轴承监测诊断研究

电动消防泵是船舶的重要装备,一旦发生故障,直接影响船舶的作战性能。针对某电动消防泵振动噪声大的问题,文章提出了基于冲击脉冲和EMD包络谱的轴承故障诊断方法。该方法首先通过振动烈度和轴承冲击脉冲监测,判断轴承状态,随后将电动消防泵轴承振动信号分解为多阶固有模态函数(IMF)之和,并对前几阶IMF进行包络谱分析,结合轴承故障特征频率进行故障诊断。实船测试结果表明,该方法能有效监测电动消防泵及轴承振动状态,并能快速、准确地诊断出轴承故障原因。     

基于时频分布图像的柴油机故障诊断

为研究柴油机故障诊断中图像分析法存在的问题,提出了一种基于时频分布图像分析的柴油机故障诊断方法.采集缸盖表面振动信号进行经验模态(Empirical Mode Decomposition,EMD)分解,得到各阶内禀模态函数(Intrinsic Mode Function,IMF),由前2阶IMF重构振动信号,并经Hib...     

基于随机森林的离心泵滚动轴承故障诊断

[目的]离心泵组出现故障后会给所在平台任务完成及战备完好性的提升带来较大影响。为解决离心泵组常见的故障检测与定位问题,提出一种离心泵滚动轴承故障诊断方法。[方法]首先使用局部特征尺度分解(LCD)对滚动轴承信号进行自适应分解,然后提取分解后各内禀模态分量(ISC)的样本熵作为故障特征,并利用随机森林对离心泵滚动轴承进行故障诊断,最后结合故障诊断试验,基于离心泵组中所注入的轴承故障的监测数据分析验证上述方法的正确性。[结果]试验结果表明,该方法能有效诊断出离心泵滚动轴承的故障模式。[结论]对离心泵组相应故障诊断方法的研究可为提高机电设备诊断能力奠定基础,为泵组故障预测与健康管理系统的建立提供技术支持。     

基于改进EEMD的船用柴油机缸套-活塞环故障诊断方法

船用柴油机缸套-活塞环发生故障时，振动信号呈现非线性、非平稳性特征且故障特征模糊、隐蔽。文章提出一种基于改进集成经验模态分解（EEMD）的故障诊断方法。通过设计固有模态函数（IMF）信息筛选准则对EEMD分解出的固有模态分量（IMFs）进行重新排序，筛去低质量的IMFs，以此获得包含更多能体现故障特征成分的重构信号，经该方法处理的信号再送入到分类器中进行识别和分类故障，实现船用柴油机缸套-活塞环的故障诊断。试验结果表明：与原EEMD诊断方法相比，该改进方法识别率更高，故障诊断效果更好。     

基于EEMD和EIIKF的船舶轴系状态趋势预测研究

监测、分析、预测轴系的状态数据对保障船舶动力系统正常工作具有重要意义。基于船舶轴系振动状态监测,提出集合经验模态分解(EEMD)和增强型间歇性未知输入卡尔曼滤波器(EIIKF)相结合的故障趋势预测方法。在进行模态分解前,通过加入白噪声信号优化信号的可分解性,避免出现模态混叠。进而对滤波重构后的信号进行序贯分析得到振动信号的特征曲线,采用EIIKF方法对特征曲线分析预测,并通过引入间歇性参数,对部分未知输入项带来的不确定性进行补偿。在此基础上通过故障判别模型进行故障诊断,实现基于轴系振动信号的故障预测。利用实测故障样本数据对所提出的方法进行验证,其预测结果的及时性和准确性均优于一般模态分解和卡尔曼滤波器预测的方法,验证了改进后方法的有效性和优越性。     

基于改进傅里叶模态分解和频带熵的滚动轴承故障诊断方法

[目的]针对多分量、强背景噪声下滚动轴承故障特征提取困难的问题,提出一种将改进傅里叶模态分解(MFMD)和频带熵(FBE)分析相结合的滚动轴承故障特征提取方法.针对傅里叶分解(FDM)在强背景噪声下边界频率偏移和过分解等问题,提出频带熵和包络谱相结合的敏感频带和敏感模态分量选取方法.[方法]首先,通过FBE分析选取频带...     

MEMD分解在舰船非平稳信号处理中的应用

在对舰船非平稳信号进行研究和分析时,希尔伯特-黄变换(HHT)方法表现出了其优越性,但此方法的核心算法EMD还存在缺陷.本文针对模态分解中出现的模态混迭现象进行分析,引入多分辨分析技术对经验模态分解方法进行改进一基于多分辨分析的经验模态分解方法(MEMD).通过对信号模拟试验,并与原始EMD方法的结果作比较,得出了此法...     

基于多尺度模糊熵和主成分分析的 轴承故障特征提取

针对滚动轴承故障特征难以提取的问题,文章提出了基于多尺度模糊熵(MFE)和主成分分析(PCA)相结合的滚动轴承故障特征提取方法。首先利用经验模态分解(EMD)将原始振动信号分解成若干个本征模态函数(IMF),并根据相关系数和峭度值准则剔除虚假IMF分量;然后在不同尺度下求取真实IMF分量的模糊熵值,利用PCA对其进行降维处理,形成能表征不同轴承故障的特征向量,最后借用支持向量机对其进行诊断验证。实验表明,该方法可以有效地提取轴承故障信息,对4种轴承状态的识别率为95%,实现了对轴承故障的精确诊断。