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。     

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EMD柴油机气阀声发射诊断技术试验研究

以4120SG柴油机为研究对象,通过故障模拟试验测试了柴油机在气阀正常状态、气阀漏气状态下的缸盖声发射信号,对燃烧段声发射信号进行经验模态分解(Experience Mode Decomposition,EMD),计算了各个本征模分量(Intrinsic Mode Function,IMF)的能量分布及EMD能量熵。研究表明声发射信号能量主要集中在前3个IMF分量内,随着气阀漏气故障严重程度的增加,代表最高频IMF1分量能量相对增加,而能量熵H减少。通过自定义特征参数,提高了声发射应用于柴油机气阀漏气诊断方法的灵敏度。     

基于EMD和2（1/2）维谱的直升机声信号特征提取

利用经验模态分解（Empirical Mode Decomposition,EMD）的方法将直升机声信号进行分解,得到一系列本征模态分量（Instrinsic Mode Function,IMF）。计算实际直升机声信号及由其分解得到的每个IMF分量的四阶累积量对角切片谱,并由此得到实际信号及每个IMF分量的四阶累积量对角切片谱的幅度绝对值之和E。计算每一个IMF的E值与实际信号E值的比值构成直升机声信号特征矢量。采用神经网络分类器,对两种不同机型的直升机声信号进行分类和识别。仿真实验验证了该方法是可行的、有效的,分类识别取得了较好的效果。     

发动机轴承故障诊断方法的研究

针对EMD（Empirical Mode Decomposition）方法中存在的端点效应和IMF（Intrinsic Mode Function）虚假分量过多的问题,提出了基于互相关的EMD方法。首先,对非平稳性信号进行互相关延拓消除端点效应;其次,对消除端点效应的信号进行EMD分解,并将分解后的IMF与原信号作互相关,保留与原信号最相关的IMF;最后,作出信号的Hilbert边际谱,识别信号的频域特征。仿真结果表明该方法能够有效地克服端点效应,分离出真实IMF。将其应用于船舶发动机滚动轴承故障诊断中,能有效地识别出故障特征。     

船用多轴齿轮传动过程耦合非线性振动特性分析

船用多轴齿轮故障识别以振动特性作为判定依据,为提高后期故障识别质量,提出基于改进EEMD算法的船用多轴齿轮传动过程耦合非线性振动特性分析方法。该研究分为两部分,前一部分利用谐振传感器采集多轴齿轮振动信号;后一部分利用改进EEMD算法(集合经验模态分解算法)分解多轴齿轮振动信号,得到若干个包含故障特性频率的IMF向量,并计算每个IMF向量的奇异值熵,利用奇异值熵定量表示多轴齿轮振动特性。结果表明:正常状态下的船用多轴齿轮运行下,奇异值熵一般小于0.1,而一旦当齿轮发生故障,其奇异值熵就会大大增加,一般会超过0.1。     

数据挖掘的船舶电力电路短路识别

电路短路类型多样复杂,当前方法的电路短路识别错误概率高,为降低电路短路识别的错误概率,设计了基于数据挖掘的船舶电力电路短路识别方法。首先采用传感器采集船舶电力电路工作状态信号,并采用小波包对船舶电力电路工作状态信号进行多层分解,提取相应的小波包能量熵,将其作为船舶电力电路短路识别的特征,然后采用数据挖掘技术对特征向量和船舶电力电路短路类型间的变化关系进行建模,设计船舶电力电路短路识别模型,最后在Matlab 2017平台进行了船舶电力电路短路识别实验,本文船舶电力电路短路识别正确率超过95%,而对比方法的船舶电力电路短路识别率低于90%,本文方法不仅大幅度降低电路短路识别的错误概率,而且船舶电力电路短路识别效率更高,能够用于实际的船舶电力系统管理。     

基于贝叶斯的舰船辐射噪声特征识别方法

针对舰船辐射噪声特征存在非线性、非平稳的时变特点,导致特征识别难度较高的问题,本文提出一种基于贝叶斯的舰船辐射噪声特征识别方法。利用Dopplerlet变换方法,选取高斯函数作为基函数,变换舰船辐射声场信号。利用VMD算法获取搜寻约束变分模型的最优解,将完成变换的舰船辐射信号,分解为多个IMF分量,提取舰船辐射噪声特征。利用所提取的舰船辐射噪声特征构建特征样本集,通过贝叶斯网络计算样本集内各样本的状态概率,识别舰船辐射噪声特征。结果表明,该方法有效识别水面舰船、水下低速运动舰船等不同类型舰船的辐射噪声,适用于舰船目标识别应用中。     

基于WPES与MEEMD的船用主机振动研究

为揭示船用长冲程低速柴油机健康状态下的振动特征,采用小波包能量谱（Wavelet Packet Energy Spectrum, WPES）和改进的总体平均经验模态分解（Modified Ensemble Empirical Mode Decomposition, MEEMD）结合的特征提取方法,对典型推进工况下低速机的表面振动信号进行3层小波包分解和重构。通过对能量占比较大的节点采用MEEMD方法进行分解,获得IMF1分量频谱。研究结果表明,在40%以下的较低发动机负荷时,各单次燃烧循环的振动波动较小,振动幅值基本一致。提升至50%以上发动机负荷时,燃烧引起振动波动明显增强。50%工况下,中高频能量占总能量的41.51%,为主要振动源。     

基于灵敏度的结构损伤识别方法

提出了一种基于灵敏度的结构损伤识别方法,该方法仅利用结构损伤前后的前三阶模态参数来确定结构的损伤定位因子和损伤程度评估因子,实现对结构损伤的识别。本文用三维五层框架结构有限元模型数值模拟了四种典型的损伤工况,损伤识别结果表明,应用本文所提的损伤定位因子可准确的对损伤构件实现损伤定位,相应得出的损伤程度评估结果也与模拟的损伤工况较吻合。该方法不需要归一化的振型,仅利用结构基准模型和损伤实测的低阶模态即可,简便易行,具有一定的应用价值。