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。     

基于经验模态分解的大型轮船锚机齿轮箱故障诊断

经验模态分解法(EMD)是一种针对信号变化的自适应处理方法。针对某大型轮船锚机齿轮箱,首先通过测量不同转速和位置的振动信号预估故障源;其次对采集出的原始故障信号进行处理,提取故障特征,即通过EMD将原始信号分解为若干个IMF分量,不同的IMF分量包含不同频段所对应的能量,然后再对IMF分量进行包络分析和谱分析,最终便可确定故障源,并对其进行修复。通过测试比较,验证了EMD理论方法的正确性和有效性。     

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EMD与三阶累积量的水声瞬态信号检测

提出了基于经验模态分解(EMD)与三阶累积量的水声瞬态信号检测方法.首先根据EMD方法的滤波器特性将待检信号在频域内分成一系列的本征模态函数(IMF)分量,并根据能量法选择信号占主导地位的IMF;然后运用高阶累积量抑制高斯信号的特性,计算IMF分量三阶累积量对角切片的短时估计,并构造检测函数,对检测函数时行包络检波,作为检测标准;最后用仿真数据对该方法进行了验证,结果表明能在较低信噪比下检测出目标信号的出现时刻和大致频率,具有一定的工程应用价值.     

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。     

基于改进ESMD的轴承故障诊断

轴承故障诊断对于机械设备安全运行有重要意义,为满足在线故障诊断的时效性要求,应用高阶极值中点构造波形平衡线,减少插值运算提高效率.改进的极点对称模态分解方法(ESMD)对振动波进行自适应分解,选取初始模态分量(IMF)作希尔伯特(HT)包络谱分析提取故障特征频率,验证改进ESMD在轴承故障诊断的有效性.     

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。     

基于EMD和4阶累积量的船舶轴频电场线谱提取

为实现海洋环境电场背景中微弱的船舶轴频电场信号的有效检测,提出一种结合经验模态分解(Empirical Mode Decomposition,EMD)和4阶累积量对角切片功率谱的方法。首先,利用EMD方法的自适应滤波特性将信号进行分解,得到本征模态函数(Intrinsic Mode Functions,IMF),按照K-L散度准则进行有效IMF的筛选;然后利用高阶累积量抑制高斯色噪声的性质,计算各有效IMF分量4阶累积量对角切片的功率谱,并进行多子带中的线谱提取。海上实测数据的处理结果表明,该方法能够实现-15d B下的线谱提取,具有一定的实用价值。     

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EMD-1(1/2)维谱的舰船辐射噪声调制特征提取

舰船辐射噪声的调制信息中包含了大量有关舰船特征的信息,作为被声呐识别和判断的依据,由此判别目标的类型和速度。传统的DEMON(Detection of Envelope Modulation On Noise)谱分析时,大多采用功率谱分析,在提取调制谱时,效果不太理想,存在对噪声抑制能力差、提取后的谐波特征不明显等缺点。论文提出了一种基于EMD分解和1(1/2)维谱分析的提取方法,首先对目标辐射噪声信号进行EMD(Empirical Mode Decomposition)分解得到原始信号的若干个固有模态分量(Intrinsic Mode Function,IMF),其次对这些IMF分量进行解调,然后对其中某几个分量作1(1/2)谱分析得到舰船轴频的基频及谐波信息。仿真和对实测数据分析的结果表明,该方法可以有效提取噪声的特征信息,具有良好的应用前景。     

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...     

基于EMD的柴油机失火故障诊断

提出了一种基于经验模式分解（Empirical Mode Decomposition，EMD）和自回归（Auto Regression，AR）模型的柴油机失火故障诊断方法．对3110型柴油机断油故障及正常情况下的缸盖振动信号进行了测试分析，采用经验模式分解EMD方法对振动信号进行分解，得到固有模态函数（Intrinsic Mode Function，IMF），对每一个IMF分量分别建立AR模型，以模型的自回归参数和残差的方差作为特征向量，用支持向量机（Support Vector Machines，SVM）进行分类，判断柴油机的工作状态和故障类型．实验结果分析表明，该方法即使在小样本情况下也能准确有效地诊断柴油机失火故障，能实现故障的实时自动化诊断．     

一种多工况的滚动轴承损伤状态识别方法

针对多工况条件下的滚动轴承损伤状态识别问题,本文提出基于CEEMD能量熵和阶次跟踪的损伤识别方法。将振动信号经CEEMD分解为系列的IMF分量,选取其中包含滚动轴承特征频率的IMF分量,运用改进的希尔伯特变换求得IMF分量的边际谱,并利用阶次跟踪方法消除不同转速对损伤状态的影响,同时采用能量熵加强对各损伤状态的识别能力。最后使用特征阶次幅值和能量熵构建诊断特征向量,采用遗传算法优化的支持向量机对损伤状态进行识别。试验结果表明,基于能量熵和阶次跟踪的损伤识别方法精度较高,是一种有前途并且非常有效的多工况损伤状态识别方法。     

结合EMD和功率谱熵的船舶轴频电场线谱提取

为实现强海洋背景噪声中的微弱船舶轴频电场信号检测,提出了一种结合经验模态分解(Empirical Mode Decomposition,EMD)和窄带子区间功率谱熵的线谱提取新算法。首先,利用EMD方法从含噪信号中分解出一组有效固有模态函数(Intrinsic Mode Functions,IMFs),对各有效IMF的功率谱进行子区间划分;其次,定义并计算各子区间的能量峰值熵比(Energy Peak Entropy Ratio,EPER)特征;最后,通过对轴频信号和环境噪声物理特征差异的分析,结合K-均值聚类方法进行特征量的筛选,实现线谱提取。海上实测数据的处理结果表明,相比于直接的功率谱分析,算法的线谱可提取下限降低了6.7 d B。     

结合EMD和功率谱熵的船舶轴频电场线谱提取

为实现强海洋背景噪声中的微弱船舶轴频电场信号检测,提出了一种结合经验模态分解(Empirical Mode Decomposition,EMD)和窄带子区间功率谱熵的线谱提取新算法.首先,利用EMD方法从含噪信号中分解出一组有效固有模态函数(Intrinsic Mode Functions,IMFs),对各有效IMF的功率谱进行子区间划分;其次,定义并计算各子区间的能量峰值熵比(Energy Peak Entropy Ratio,EPER)特征;最后,通过对轴频信号和环境噪声物理特征差异的分析,结合K-均值聚类方法进行特征量的筛选,实现线谱提取.海上实测数据的处理结果表明,相比于直接的功率谱分析,算法的线谱可提取下限降低了6.7 dB.     

基于Hilbert-Huang变换的船舶结构冲击响应研究

针对水下爆炸时船舶结构遭受的冲击响应信号具有非线性非平稳的特点,提出将Hilbert-Huang变换用于船舶结构冲击响应信号处理.Hilbert-Huang变换是基于经验模态分解(EMD)和Hilbert谱的一种信号处理方法,用EMD分解把时间序列信号分解成不同特征时间尺度的固有模态函数(IMF),然后对IMF分量进行Hilbert变换,从本质上分析船舶结构冲击响应信号的组成成分及特点.与FFT变换和小波变换相比,Hilbert-Huang变换体现出自适应性和先进性,可以有效提取船舶冲击响应信号的时频特征,揭示船舶结构自身的动态特性对冲击响应的影响.     

基于变分模态分解与模糊聚类的船用齿轮箱故障诊断

针对船用齿轮箱故障类型诊断精度不高的问题,提出一种结合变分模态分解(Variational Mode Decomposition, VMD)与核模糊聚类(Kernel Fuzzy C-Means, KFCM)的故障诊断方法。先对齿轮箱振动信号展开VMD分析,获得含有大量故障特征信息的固有特征模函数(Intrinsic Mode Function, IMF),然后计算出各IMF分量的奇异值并构建故障特征向量矩阵,最后将其输入到以KFCM算法为框架的故障分类器中进行模型训练,并对模型性能测试与评估。结果表明,所提方法具有较高的故障识别准确率。     

基于经验模态分解的舰船运动姿态预测模型研究

运动姿态准确性预测对提高舰船水上作业安全性具有重要的现实意义,为此,基于经验模态分解算法,构建一种新的舰船运动姿态预测模型。该模型首先利用EMD分解舰船运动时间序列,然后采用游程判别法来判定IMF和r_n (t)的波动程度,划分高频、中频和低频3个分量,最后利用基于支持向量机算法构建的预测模型预测舰船运动姿态。实验结果表明:与卡尔曼滤波法、谱估计法、艏前波法3种运动姿态预测方法得到的结果相比,本模型的纵摇角预测误差更小,精度更高。