基于VMD-SWT滚动轴承故障诊断方法研究

在强噪声背景下,滚动轴承非平稳非线性的早期微弱故障信号特征提取较为困难,提出结合变分模态分解(Variational Mode Decomposition,VMD)和同步压缩小波变换(Synchrosqueezing Wavelet Transform,SWT)的分析方法,该方法首先利用最大峭度准则优化VMD参数,使用优化后的参数对故障信号进行VMD分解,再利用峭度准则选择含有有效信息最多的本征模函数(Intrinsic Mode Function,IMF),最后使用SWT对最优IMF进行处理分析,从而提取有效特征频率。对强噪声背景下滚动轴承外圈故障信号、内圈故障信号以及滚动体故障信号进行处理分析,结果表明相比Hilbert包络、SWT等方法,该方法能够从强噪声背景下提取出故障信号频率特征,以此判断滚动轴承的运转状况。同时该方法能够有效重构信号。     

变分模态分解的Volterra模型和形态学分形维数在发动机故障诊断中的应用

针对实测发动机故障信号的非线性和形态学分形维数难以对其有效估计的问题,提出一种基于变分模态分解(variational mode decomposition, VMD)的Volterra模型和形态学分形维数相结合的发动机故障诊断方法。首先采用VMD方法对发动机故障信号进行分解,通过基于互信息熵-能量熵增量的虚假固有模态函数(intrinsic mode function, IMF)分量剔除算法,将噪声和虚假干扰成分从信号内分离,对含有故障信息的敏感IMF分量重构,然后通过对重构信号相空间的重构,建立Volterra自适应预测模型,获取模型参数,最后计算模型参数向量的形态学分形维数,并将其作为量化的特征参数用于发动机工作状态和故障类型的识别。通过对实测发动机声振信号的分析,结果表明,该方法可有效提取发动机的状态特征信息,实现发动机异响的故障诊断。     

基于VMD多尺度散布熵的柴油机故障诊断方法

为从非平稳非线性的缸盖振动信号中提取出柴油机故障特征,本文中提出一种基于变分模态分解(VMD)的多尺度散布熵的柴油机失火故障诊断方法。利用VMD对柴油机缸盖振动信号进行分解,选取散布熵最小的模态分量作为分析信号,计算该信号的多尺度散布熵,并选取前6个尺度散布熵作为故障特征向量,输入粒子群优化的支持向量机(PSO-SVM)中进行失火故障分类判断,并与其他4种常见方法进行对比,结果表明,本文中提出的诊断方法能够有效提取故障特征,准确识别故障类型,优于所对比方法。     

基于AO算法优化VMD参数联合小波阈值的桥梁信号去噪方法

当桥梁进行状态评估和健康监测时，所获得的桥梁信号易受外部环境的干扰，难以反映桥梁结构的真实响应。针对桥梁信号夹杂环境噪声等问题，提出了基于联合天鹰算法(Aquila Optimizer, AO)、变分模态分解(Variational Mode Decomposition, VMD)和小波阈值的去噪方法。该方法首先利用AO算法优化VMD的参数，然后用VMD对含噪声的信号进行自适应分解，再去除方差贡献率较小的模态，最后对剩余的模态进行小波阈值去噪处理，重构信号得到去噪后的真实信号。对模拟信号和桥梁动应变的实测信号分别进行分析，结果表明：基于AO算法优化VMD参数联合小波阈值的去噪方法能有效滤除噪声信号，且去噪效果优于单一的小波阈值去噪、EMD联合小波阈值去噪以及EEMD联合小波阈值去噪等常用的去噪方法，研究成果可为桥梁信号的去噪处理提供有意义的参考。     

基于EMD和Gabor变换的发动机曲轴轴承故障特征提取

针对发动机振动信号的非平稳特点,提出了一种基于经验模态分解(EMD)和Gabor变换相结合的曲轴轴承故障特征提取新方法。通过EMD方法将发动机非稳态加速振动信号分解成多个本征模态函数(IMF),对与原信号相关性强的前4阶IMF分量进行Gabor变换,从各阶分量Gabor时频分布图的频带能量累加曲线中提取能够反映曲轴轴承磨损故障的频带能量作为故障特征参数。试验结果表明,该方法提取的故障特征参数能敏感地反映曲轴轴承的磨损状态,可作为诊断曲轴轴承故障的重要特征量。     

改进的EMD方法对故障弱信号提取的应用研究

针对滚动轴承的故障特征向量往往被大量的噪声信号淹没的特点,提出了一种基于结合改进EMD方法,用以提取滚动轴承的故障特征向量。该方法首先对原故障信号进行小波包分解和重构,得到降噪后的重构信号,然后对其进行EMD分解,将分解后的IMF分量与降噪后的重构信号的互相关系数和峭度值作为判断标准,消除传统的EMD分解中的伪分量,最后对真实的IMF分量进行包络谱分析,提取弱故障信号中的特征。实例研究结果表明：该方法能够有效地提取淹没在噪声信号下的滚动轴承故障信号的特征。     

柴油机振动信号自适应分解方法的比较EI北大核心CSCD

变分模态分解是一种新的自适应分解方法,为检验其对柴油机信号的适用性,建立多分量、调幅-调频和含噪仿真信号,采用变分模态分解法对其进行分解,并与其它自适应分解方法从分解效果、抑制模态混叠和端点效应能力等方面进行比较;接着分解柴油机瞬变工况的振动信号,发掘曲轴轴承磨损信号变化规律,提取故障特征;最后利用支持向量机进行故障类型识别,进一步验证该方法的有效性。结果表明:变分模态分解在分解效果、抑制模态混叠和端点效应能力等方面均优于其他自适应分解方法,适用于柴油机状态监测和故障诊断。     

柴油机振动信号自适应分解方法的比较

变分模态分解是一种新的自适应分解方法,为检验其对柴油机信号的适用性,建立多分量、调幅-调频和含噪仿真信号,采用变分模态分解法对其进行分解,并与其它自适应分解方法从分解效果、抑制模态混叠和端点效应能力等方面进行比较;接着分解柴油机瞬变工况的振动信号,发掘曲轴轴承磨损信号变化规律,提取故障特征;最后利用支持向量机进行故障类型识别,进一步验证该方法的有效性。结果表明:变分模态分解在分解效果、抑制模态混叠和端点效应能力等方面均优于其他自适应分解方法,适用于柴油机状态监测和故障诊断。     

基于优化VMD的悬索桥挠度温度效应分离方法

为了研究悬索桥实测挠度的温度效应分离,进一步分析悬索桥实测挠度与温度之间的关联性,采用了变分模态分解(variational mode decomposition, VMD)方法对挠度信号进行处理。通过经验模态分解(empirical mode decomposition, EMD)和VMD对仿真信号的对比分析,发现VMD较EMD对噪声有更好的鲁棒性,解决了EMD所存在的模态混叠现象,但仍存在端点效应。提出采用3段交叉信号分解消除VMD分解所存在的端点效应,考虑模态个数、惩罚因子对VMD分解的影响,形成了基于优化VMD的温度效应分离方法。利用优化VMD方法将输入挠度信号分解成一系列具有不同尺度的本征模函数(intrinsic mode function, IMF)。根据各个分解模态的中心频率,结合实际温度变化的周期性判定对应的挠度组分,对由温度引起的挠度分量进行组合,研究了悬索桥不同截面挠度与温度的关联性,相关系数均达到0.9以上。结果表明,该方法能有效地分离信号中不同的频率组分,同时还能提取出挠度信号中的趋势项,通过分析各个模态与实测温度的关联性,证明温度效应主要集中在低频段,悬索桥挠度变化主要受温度影响;在模态个数的选择过程中,发现随着模态个数的增大,低频信息的中心频率逐渐趋于稳定,高频信息被分解得更加精细。验证了该方法可用于桥梁长期健康监测的数据分析及桥梁损伤识别。     

基于改进变分模态分解与双测度分形维数的发动机故障诊断

提出了一种基于改进变分模态分解(Variational Mode Decomposition,VMD)与双测度分形维数的发动机故障诊断方法。首先利用互信息法对缸盖振动信号进行端点延拓,并利用VMD算法将延拓后信号分解为多个固有模态分量(Intrinsic Mode Function,IMF),从而抑制VMD的端点效应,提高信号分解精度。然后利用正交变换方法将各IMF分量正交化,给定时间尺度序列τ=(τ_1,τ_2,…τ_n),并自适应地选择分界点将τ划分为第Ⅰ、Ⅱ尺度区间,利用各正交化的IMF分量在两个尺度区间内分别计算信号的分形维数,得到双测度分形维数,分别描述信号中的细节信息和趋势信息。最后将双测度分形维数作为特征参数输入极限学习机分类模型实现发动机故障诊断。仿真与试验结果表明:所提方法能够有效抑制VMD的端点效应,提高信号分解精度,双测度分形维数具有良好的类内聚集性和类间离散性,提高了发动机故障诊断精度。     

基于自适应奇异值标准谱和EMD的柴油机故障诊断

针对柴油机多发故障,提出了自适应奇异值标准谱和经验模态分解(Empirical Mode Decomposition,EMD)相结合的故障诊断模型。通过计算平均最近邻域发散度和奇异值标准谱的方法自适应地选择奇异值分解的嵌入维数和重构阶数,提高了奇异值分解降噪的精度。对降噪后的信号进行EMD分解,并利用调整余弦相似度标准提取反映信号真实特征的主固有模态函数(Intrinsic Mode Function,IMF),进而提取故障特征参数。将此模型应用于F3L912柴油机进气门漏气、单缸失火和多缸失火等故障的诊断,通过提取峭度和过零率作为故障特征,获得了较高的故障分类准确率。     

基于RVMD-RobustICA-ST联合相干性分析的电驱动总成噪声源识别

为研究集成一体化电驱动总成的噪声源特性，提出一种RVMD-RobustICA-ST联合算法融合相干性分析的噪声源识别方法。首先，采用基于奇异值分解的占优特征值准则估计噪声子空间维数对变分模态分解参数进行指向性条件约束，并利用鲁棒性独立分量分析联合占优特征值约束的变分模态分解对信号特征进行提取。然后，利用S变换和快速傅里叶变换对各分量信号时频特性进行识别。最后，在二次残差法分析分量信号波形误差度基础上，以电驱动总成振动信号、噪声信号、时频重叠分量信号为变量建立线性系统并进行相干性分析。结果表明，稳态工况下减速二级齿副啮合振动噪声对该电驱动总成噪声贡献度最大，且时频重叠分量信号的噪声能量主要由减速一级齿副啮合振动提供。     

柴油机状态监测与故障诊断特征参数研究

介绍了柴油机状态监测与故障诊断特征参数中的非振动参数和振动参数,前者包括能够表征柴油机整体性能的进气压力、转速波动和整机功率;后者包括能够表征柴油机故障信息的中波幅值脉冲、高波幅值脉冲、最大燃烧压力和燃烧均匀性值。对振动信号进行小波包分解,提取包含待诊断部件故障信息的频带能量指标作为故障诊断的特征参数。得到了柴油机状态及故障的特征参数及其变化规律,从而为开展柴油机在线监测和故障诊断提供了可靠的依据。     

甲醇-柴油双燃料发动机甲醇泄漏故障预诊断研究

甲醇作为发动机的替代燃料被广泛应用,然而甲醇腐蚀性较强,易腐蚀管路导致泄漏.针对现有发动机故障诊断系统无法预测甲醇腐蚀泄漏的问题,提出了基于经验模态分解(EMD)和萤火虫概率神经网络(FAPNN)的故障预诊断方法.对发动机供醇管道振动信号进行EMD分解,并提取能量熵作为信号特征.将能量熵矩阵输入FAPNN模型中,识别供...     

EMD和AR模型在汽车变速器轴承故障诊断中的应用

针对汽车变速器轴承振动信号的非平稳特征，提出了一种基于经验模态分解(Empirical Mode Decomposition，简称EMD)和自回归(Auto Regressing，简称AR)模型的滚动轴承故障诊断方法。实验结果表明，此方法可以准确、有效地识别变速器轴承的工作状态和故障类别。     

基于CEEMD-SA-RNN的柴油机曲轴轴承磨损预测

为解决传统故障诊断方法效率低的问题,以某步兵战车柴油机为研究对象,提出了一种补充的集合经验模态分解与奇异值分解相结合提取信号的特征,使用模拟退火算法优化循环神经网络对曲轴轴承磨损程度进行预测的方法。采用补充的集合经验模态分解方法对振动信号进行分解,用奇异值分解方法进行特征提取,利用特征对模拟退火算法优化的循环神经网络进行训练及预测。对所提出的算法进行试验分析,结果显示预测准确率达到97.48%,比普通的循环神经网络系统预测的准确率提高了5%以上。     

采用改进的集总平均经验模态分解法的内燃机气门拍击激励与燃烧激励分离的研究

提出了一种改进的集总平均经验模态分解(M-EEMD)方法,并阐述了其基本原理。通过仿真试验,证实了M-EEMD不仅能够很好地解决经验模态分解(EMD)中模态混叠问题,而且能够抑制集总平均经验模态分解(EEMD)的噪声残余和模态分裂等问题。作为实例,对一个4缸4冲程内燃机气缸盖罩的振动信号进行M-EEMD分解,并对分解得到的IMF分量进行时频分析。结果表明M-EEMD能够成功地将内燃机气门拍击引起的机械激励成分与燃烧激励成分分离。     

基于改进EEMD算法的桥梁结构模态参数识别

对于桥梁结构而言,可以通过监测其模态参数值的变化情况来评判其健康状况。在对桥梁结构进行模态参数识别时,由于传感器采集的响应信号是在环境激励下监测的,所以信号中会含有部分的噪声,不仅会影响识别结果的精度,还会导致虚假模态的存在,所以实际运用中需要先对响应信号进行一定的预处理。现阶段被广泛运用的预处理方法是总体经验模态分解(EEMD)算法,虽然该算法是在EMD算法基础上改进得到的,但依然存在一定的缺陷。为了弥补这些缺陷,提出了一种新的分解算法,即互补自适应噪声的集合经验模态分解算法(EEMDCAN)。首先确定添加白噪声的幅值标准差和集成平均次数,接着引入了统计学中的聚类分析、相关性分析以及模糊综合评价算法来实现信号的自适应分解与降噪。最后利用所提算法对仿真信号进行分解与重构,并将所得结果与EEMD分解结果进行对比分析,以验证所提算法的可行性;同时为进一步验证所提算法能运用于实际桥梁结构中,以某大型斜拉桥为研究对象,利用改进算法对其加速度信号预处理,结果表明改进算法能够克服EEMD算法存在的模态混叠现象,能更好地对信号进行降噪与重构,且能保留响应信号中更多的有用信息,具有一定的实际运用价值。     

多特性参数相结合的柴油机故障振动信号特征提取与诊断

本文基于缸盖振动信号的非平稳的特点,将经验模式分解和AR模型参数相结合,并兼顾了信号频谱的特点,提出了综合选取AR模型参数、信号频带能量和信号的质心频率与质心幅值等作为柴油机故障振动信号特征参量的方法;采用该方法对实测的S195柴油机的5种工况下缸盖振动信号样本提取了故障特征向量,基于支持向量机对柴油机故障进行诊断,故障诊断的正确率达到83%以上,验证了该方法的可行性。     

拉林铁路藏木大桥施工期风速概率预测方法

为保障大跨度桥梁在施工期间的抗风安全性,以拉林铁路藏木大桥(主跨430 m的中承式钢管混凝土拱桥)为工程背景,提出了适用于工程推广应用的风速超前概率预测方法。即采用数据驱动的变分模态分解(VMD)将原始风速进行多尺度分解,通过特征选取技术重新组合多阶分量,形成仅包括可预测信息和干扰预测精度信息的两组序列;采用ARIMA-GARCH组合模型获得确定性的风速预测结果;最后基于纯随机性检验的循环迭代方法准确获得风速序列中蕴含的不确定性信息,并采用单变量核密度估计方法得到具有概率意义的风速区间预测结果。将所述方法风速预测结果与风速实测值进行对比,结果表明:所述预测方法风速预测精度高、区间带宽窄,95%置信度的上包络值可为桥梁施工期风灾辅助决策、防灾减灾提供更为可靠的参考依据。