拟合振动信号模型实现滚动轴承故障诊断

针对现有旋转机械故障诊断模式的缺点,提出通过拟合故障振动信号模型实现滚动轴承故障诊断的方法.首先建立了滚动轴承故障振动信号模型,对原始振动信号做EMD(empirical mode decomposition)分解,并对包含有故障调制信息的IMF(intrinsic mode function)分量做信号重构,最后采用遗传算法对重构信号和故障信号模型做数据拟合,根据拟合结果可知损伤点所在部位和损伤程度.通过在风力发电机组齿轮箱高速端滚动轴承故障诊断中的应用,验证了方法的有效性和实用性.     

变微分模态分解罚参量选择方法与时变系统识别

针对变微分模态分解（variational mode decomposition，VMD）罚参量会对分解结果产生影响的问题，提出一种基于数据驱动的VMD罚参量选择方法.该方法首先通过傅里叶变换的主频峰值确定罚参量；然后调整层数参量，获得有限个固有模式分量，通过对比不同层数参量时所得固有模式分量的固有频率与阻尼比变化，剔除伪分量；最后对真实固有模式分量进行希尔伯特变换，用于识别时变系统的瞬时频率. 为证明所提方法对时变系统识别的有效性和准确性，分别对具有时变刚度的结构系统和柴油发动机的时变做功过程进行研究，将所提方法结果与经验模态分解方法结果进行比较. 比较结果表明，当罚参数取值是信号最大幅值的1.5～16.0倍时VMD分解结果最优，所提方法可以更准确地识别瞬时频率，在工程应用中的能够更有效地对系统瞬时频率进行识别.      

基于IEEMD和ARMA算法的斜拉桥模态参数识别

提出了一种基于IEEMD分解的ARMA改进识别算法。首先对实测加速度信号进行IEEMD分析,之后利用聚类分析检验所得的本征模态函数(IMFs)中是否存在模态混叠;然后采用模糊综合评价法计算每个IMF与实测信号之间的模糊相似系数,以便选出有效的IMF分量;再利用主成分分析和帕累托图法对保留下来的IMFs进行信号的重构,进而达到对实测信号的有效分解和降噪效果;最后将重构的动力信号作为ARMA算法的输入,进行模态参数识别。通过对比分析每阶频率与实际值的误差百分比,可知利用IEEMD处理之后的振动信号作为ARMA算法的输入能得到与真实值最为接近频率值,且误差的百分比都在3%以下,验证了该识别方法能有效的识别到斜拉桥的频率。     

基于深度迁移学习的车辆悬架高频异常振动故障诊断

在车辆悬架故障诊断过程中,深度学习故障诊断模型在面对少量样本数据时模型训练效果不佳,导致诊断模型的接收者操作特性曲线(receiver operating characteristic, ROC)的曲线下面积(area under curve, AUC)较小的问题,利用经验模态分解(empirical mode decomposition, EMD)方法,对采集的车辆悬架高频振动信号进行分解处理,根据每个经验模态分量(intrinsic mode functions, IMF)的能量,提取高频异常振动故障特征,构建了基于深度迁移学习的诊断模型;以深度卷积神经网络算法为基础,对小样本特征矢量信息进行故障知识迁移处理,通过参数微调更新权值,优化故障诊断模型。实验结果表明：优化后模型的AUC值为0.89,模型故障诊断结果具有较高准确性。     

基于EEMD-Hilbert和FWA-SVM的滚动轴承故障诊断方法

为有效提取非平稳特性的滚动轴承振动信号特征,提高故障诊断效率,提出一种采用集合经验模态分解（empiricalmode?decomposition,EEMD）、Hilbert变换的特征提取方法,并利用烟花算法优化支持向量机（support vector machine,SVM）分类参数的滚动轴承故障诊断方法. 通过EEMD方法将目标信号分解成若干个模态函数,采取Hilbert变换获取模态函数的瞬时频率,并对模态函数及其瞬时频率进行统计特征提取,从而实现特征的有效降维. 结果表明:信号经过EEMD-Hilbert处理后特征能有效提取,将训练集和测试集各600组数据代入烟花算法优化SVM模型得到测试集正确率为99.63%;比传统的遗传算法和粒子群算法优化模型分别提高0.4%和0.2%左右;同时收敛时间更短,验证了该算法模型的可行性与有效性.      

基于EEMD和小波包的机车轴箱轴承故障诊断方法

提出了一种基于聚合经验模态分解(ensemble empirieal mode decomposition,EEMD)和小波包的机车轴箱轴承故障诊断方法.首先对轴承振动信号进行小波包分解,分别对小波包分解得到的小波包系数进行阈值去噪处理,将降噪后剩余的小波包系数进行信号重构.然后再对重构后的信号进行EEMD,计算EEMD分解得到的IMF分量和原信号的互相关系数,最后对满足相关条件的IMF分量进行故障诊断分析.为了验证该方法的正确性,搭建了轴承试验平台,通过对轴承实测数据进行故障诊断分析,实验证明该组合诊断方法能克服单一信号处理方法的局限性并能初步诊断出轴承发生的故障.     

基于自适应EEMD和盲辨识算法的桥梁结构模态参数识别

基于集合经验模态分解(EEMD)在信号的预处理上的不足之处,提出了一种基于自适应EEMD分解的盲源分离算法,即:先根据原始信号自身的特点确定加入白噪声的幅值标准差和集成次数,再进行EEMD分解,对所得IMF分量进行模糊综合评价以选出有效的IMF分量,构造IMF分量矩阵,最后利用盲源分离算法对其进行盲辨识,完成对信号的分解与重构。分别通过模拟信号和桥梁实测振动信号对该算法进行验证。结果表明:所提算法具有可行性,且能运用于实际结构信号的预处理。     

基于改进SBELM的耦合故障诊断方法

为了对主减速器的耦合故障进行识别,通过对振动信号经过集成经验模态分解(ensemble empirical mode decomposition, EEMD)所获得的高频分量采用自适应阈值降噪和对低频分量采用区间阈值降噪,有效去除了信号噪声,创建了配对多标签分类策略(paired multi-label classification,PMLC).基于PMLC和稀疏贝叶斯极限学习机(sparse Bayesian extreme learning machine, SBELM)用单故障样本构造概率分类器集,再采用网格搜索方法生成最优决策阈值,将分类器集的概率输出转换为耦合故障模式,提出了基于自适应区间阈值降噪和SBELM的耦合故障诊断方法,并用主减速器的实际样本集验证了该方法的性能.研究结果表明:该方法的诊断精确度达到96.1%,比基于PNN(probability neural networks)和SVM(support vector machine)的诊断方法提高了5%;该方法的训练时间和执行时间为131.4和61.3 ms,比基于SVM的诊断方法减少了70%.      

基于多尺度线调频基稀疏信号方法的结构损伤识别

引用了多尺度线调频基稀疏信号分解方法的概念,建立了五自由度剪切框架结构MATLAB模型,将模型应用于地震作用下结构的时程分析,得到了地震作用下无损伤和含损伤框架结构的响应,利用多尺度线调频基稀疏信号分解方法对结构在强震中的响应进行分析,通过结构瞬时频率的变化情况对结构是否出现损伤进行识别,通过一阶固有模态函数(IMF)特征能量比判断损伤发生的位置。     

梁构件之振动式快速损伤诊断技术

如何能够快速而又准确地进行桥梁损伤诊断,是目前桥梁养护管理单位所关心的问题,文章提出一种梁构件振动式快速损伤诊断技术,此方法以量测结构振动信号配合破坏力学及旋转弹簧的概念,进行损伤位置与劣化程度诊断之计算。并用SAP2000的数值模拟以及实际的铝梁敲击实验进行此损伤诊断方法的验证,实验中的自然频率是藉由频率域分解法（FDD）来计算,由互易定理量测到的力与加速度信号所得到的。最后更进一步地探讨以理论的模态振型及实际量测到的模态振型所计算的损伤位置与劣化程度的结果,以及损伤产生前后可能面临到的系统边界条件改变之问题。     

信号预处理对桥梁颤振导数识别结果影响分析

采用经验模态分解(EMD)对桥梁颤振导数识别信号进行预处理,分离其固有模态函数,消除其中的高频噪声和低频非平稳趋势项;分析了不同阻尼自由振动信号的信噪比与信号长度的关系;研究了苏通大桥主梁节段模型颤振导数对信号长度和消除信号均值、高频噪声、低频趋势项的敏感性.结果表明,借助EMD剔除信号中高频噪声和低频趋势项可以提高桥梁颤振导数的识别精度;颤振导数识别结果与是否消除信号均值和信号长度都有不可忽略的关系.     

经验模态分解在桥梁检测中的应用

文章介绍了经验模态分解（EMD）的原理、特点及其应用,编制了EMD算法程序并验证了程序的正确性,最后采用EMD方法对某桥梁基于环境激励条件下的实际信号进行分解,结果表明,该方法能有效对信号进行分解,是一种无需预设带宽的自适应高通滤波方法,适用于结构模态参数识别。     

基于变分模态分解和奇异值分解的结构模态参数识别方法

为了准确获得结构的固有频率、阻尼比与振型, 将变分模态分解与奇异值分解相结合, 提出一种新的结构模态参数识别方法; 基于已有时频参数识别方法, 根据测量的脉冲激励与加速度响应估计系统的频响函数, 对系统的频响函数进行反傅里叶变换得到脉冲响应函数; 对各测点的脉冲响应函数进行变分模态分解, 得到与结构固有频率对应的本征模态分量; 提取本征模态分量的固有频率, 利用与固有频率相近的本征模态分量作为行向量构造奇异值分解矩阵, 对所构矩阵做奇异值分解, 利用最大奇异值重构左、右奇异值向量, 识别结构的振型、固有频率和阻尼比; 通过四自由度质量-弹簧-阻尼模态仿真试验和车体横梁锤击模态试验, 验证了所提出的模态参数识别方法的有效性。研究结果表明: 在四自由度理论模型参数识别中, 系统固有频率和阻尼比的识别结果与理论计算结果的最大相对误差分别不超过0.025%和1.490%, 理论计算与识别的1~4阶振型的模态置信度分别为0.999、1.000、0.999和0.999;在车体横梁锤击模态试验中, 提出方法识别的固有频率和阻尼比与理论计算结果的最大相对误差分别不超过1.57%和1.47%, 且车体横梁的理论振型与识别振型趋势相同。可见, 提出的方法能有效识别结构的模态参数。      

轨道车辆结构振动损伤识别技术综述

从智能运维的角度阐述了利用结构振动损伤识别技术进行轨道车辆结构健康监测的重要性和必要性;根据不同损伤识别的适用范围,将结构振动损伤识别技术分为基于模型的方法和基于响应信号的方法;结合结构健康监测中损伤识别的不同层次,分析了以结构损伤的存在性、类型、定位和程度表征的不同识别方法;概括了轨道车辆运维过程中损伤识别技术的典型特征,讨论了基于模型的损伤识别中固有频率、模态形状、曲率模态等与模态参数有关方法的优缺点;分析了基于响应信号方法的应用现状和发展趋势,并阐述了模型修正和优化技术在结构损伤识别中的应用;重点分析了车辆关键部件故障诊断与监测中损伤识别技术的实施,讨论了结构振动损伤识别技术在未来轨道车辆智能运维策略中的主要发展方向,展望了未来轨道车辆部件的状态检修策略和智能运维技术。研究结果表明:轨道车辆的智能运维应该充分考虑结构振动损伤识别技术与人工智能等新技术的结合;大数据驱动的结构振动损伤识别技术能够更好解决车辆状态实时监测的技术难点;考虑复杂环境因素对轨道车辆结构部件损伤识别技术的影响,需要不断完善基于耦合振动效应的结构振动损伤识别技术及方法。      

环境激励下钢筋混凝土拱桥模态参数识别

为正确选择模态参数识别方法,对某钢筋混凝土拱桥进行了环境振动试验,采用频域、时域和时频分析方法——峰值拾取法(PP)、随机子空间识别(SSI)以及基于经验模态分解(EMD)和随机减量技术(RDT)的方法——识别其模态参数;比较了3种模态参数识别方法的特点和识别结果,并与有限元法计算结果进行了比较.研究结果表明:峰值拾取法的识别速度快,识别的频率较可靠,但识别过程需要较多人工干预;随机子空间识别的理论体系完备,适合程序实现,识别过程能较好地抵消测试过程中噪声等的影响;由于模态混叠的影响,EMD-RDT识别结果具有一定随机性.     

模态变化对钢桁梁桥的损伤检测研究

通过改变钢桁梁模型桥单元刚度模拟其结构损伤,利用有限元结构动力分析程序对该模 型桥在”损伤”前后进行了结构动力分析。发现振动模态的变化对单元损伤的程度较为敏感且有 对应关系。选用结构振动模态作为权数,提出了一种对结构损伤前后的模态变化量进行加权处理 的新方法,利用该方法能够对单元损伤实现有效定位。      

钢桁梁桥的损伤诊断研究

首先针对基于动力特性和人工神经网络的桥梁结构损伤诊断研究情况作了简要介绍,主要工作是将动力特性参数作为神经网络的输入数据,以改进的频率和振型动力特性组合指标参数对钢桁架简支桥梁结构进行了损伤识别,识别结果表明对钢桁架简支桥梁的损伤位置识别误差较小,对损伤程度的识别效果稍差,识别方法还需要进一步改进。     

基于收敛趋势变分模式分解的齿轮箱故障诊断方法

从中心频率的角度出发,深入分析变分模式分解算法中不同初始中心频率的分解特性;利用分解特性对变分模式分解中使用的初始中心频率进行合理更新,在没有先验知识的情况下自适应分解信号的整个分析频带;根据峭度准则,从分解的子信号中选取包含故障信息最丰富的故障分量;对选出的最佳故障分量进行平衡参数优化和稀疏编码收缩处理,并进行包络分...