一种基于EMD的共振解调改进方法

针对传统共振解调方法中共振频带需要人为确定和故障轴承振动信号信噪比低的缺陷,提出了一种基于EMD算法的共振解调改进方法。该方法首先对轴承振动信号进行EMD分解,然后自适应地筛选出高频固有振动频率附近的基本模式分量（IMF）,并对单分量进行滤波处理,最后重构选取滤波后的基本模式分量,并对重构信号进行包络解调分析,得到故障特征频率和故障类型。滚动轴承故障诊断表明,改进方法不仅能够自适应地确定共振频带,而且可以有效地提取故障特征,识别故障类型。     

基于ICEEMDAN-MPE和GWO-SVM的滚动轴承故障诊断方法

针对滚动轴承故障状态难以准确且快速的识别,提出了一种基于改进自适应噪声完备集成经验模态分解(Improved Complementary Ensemble Empirical Mode Decomposition with Adaptive Noise, ICEEMDAN)-多尺度排列熵(Multi-Scale Permutation Entropy, MPE)和灰狼算法优化支持向量机(Grey Wolf Optimization Algorithm-Support Vector Machine, GWO-SVM)结合的故障诊断方法。首先将轴承信号进行ICEEMDAN分解,然后选取其中相关性较大的IMF(Intrinsic Mode Function)分量计算多尺度排列熵构成特征集合,最后通过GWO-SVM算法进行故障状态识别。通过滚动轴承数据集和不同算法的对比实验,验证了ICEEMDAN-MPE-GWO-SVM方法的有效性,表明该方法可以准确且快速的诊断滚动轴承的故障情况。     

基于TQWT和稀疏表示的滚动轴承故障诊断方法

基于稀疏表示理论,提出了一种采用可调品质因子小波变换(TQWT)的滚动轴承故障诊断新方法,分析了包含早期故障成分的原始采集振动信号的特点和早期故障信号的特性,研究了稀疏表示模型在解决故障特征提取问题和故障类型识别问题的应用;运用TQWT将原始信号转换为一组子带小波系数集,研究了利用迭代收缩阈值算法提取出稀疏小波系数的有效性和谱峭度对故障冲击信号敏感的特性,通过计算各子带信号分量的谱峭度,选取包含故障信息明显的子带小波系数,建立了包含稀疏故障信号分量的故障特征提取方法;利用提取出的故障信号稀疏表示分类模型,实现了基于稀疏表示的滚动轴承故障诊断方法。试验结果表明:在凯斯西储数据集上,提出的故障特征提取方法在剔除干扰成分方面有显著效果,提出方法对于4种类型数据的平均诊断准确率为99.83%,对于10种类型数据的平均诊断准确率为97.73%;与只运用TQWT和迭代收缩阈值算法进行故障特征提取的方法相比,故障诊断精度提高了11.60%,算法运行时间减小8%;在QPZZ-Ⅱ旋转机械平台采集到的振动数据集上,提出的方法对于4种类型数据的平均诊断准确率为100%;与传统小波去噪方法相比,准确率提高了35.67%,算法运行时间减小了7.25%。可见,本文提出的方法可以有效解决滚动轴承故障诊断问题。      

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MR-DCA的滚动轴承微弱故障诊断

【目的】针对滚动轴承微弱故障难以识别的问题,提出了一种基于MR-DCA的滚动轴承故障诊断方法。【方法】利用最大相关峭度解卷积以及共振稀疏分解的方法对输入样本进行预处理,可以有效地滤除原信号中的噪声,突出故障冲击成分。将所获得的故障分量的二维时频图以及原始信号作为网络的训练样本,经两个特征学习模块后,使用注意力机制对输入特征进行筛选,通过权值重分配可以有效地提高模型计算效率和识别精度。为了验证模型性能,使用某大学的滚动轴承微弱故障数据进行故障诊断分析,同时开展消融实验,对诊断模型各个模块的有效性进行验证。【结果】结果表明,所提出的方法识别准确率更高,且具有更快的训练速度和迭代速度。【结论】所提模型在进行滚动轴承微弱故障诊断时可以实现良好的诊断性能。     

基于EEMD-TEO熵的高速列车轴承故障诊断方法

为了解决高速列车轴承早期故障中低频信号的类间分离性较弱、保持架故障难以识别等的问题,提出了基于Teager能量算子（Teager energy operator,TEO）聚合经验模态分解（ensemble empirical mode decomposition,EEMD）熵的自适应诊断方法.该方法将EEMD、样本熵、TEO相结合,利用EEMD的自适应性得到固有模态（intrinic mode function,IMF）信号,用改进的TEO从IMF中提取得到样本熵,使用支持向量机（support vector machine,SVM）判断轴承工作状态与故障类型;讨论了EEMD能量熵、EEMD奇异值熵、EEMD-TEO时频熵生成的故障特征向量以及该向量在SVM中识别结果;对正常轴承、保持架故障、滚动体故障3种状态的轴承样本数据进行了故障诊断.研究结果表明:对3种轴承的故障识别率可以达到98%,较传统的经验模态熵识别率提高了2.6%,该方法可用作高速列车轴承状态诊断.      

基于加权FCM算法的轴承故障诊断

提出一种基于特征评估和特征加权FCM算法的滚动轴承故障诊断方法．对原始振动信号提取时域、频域和小波包归一化能量特征,组成联合特征．然后对联合特征进行评价,计算类可分性评价指标．根据该指标大小选取敏感特征,进行特征加权模糊聚类分析,实现对轴承故障状态的自动识别．特征评估克服了传统方法在特征选择上的盲目性,特征加权提高了分类准确率．实例表明,该算法不仅可以可靠识别不同类型的滚动轴承故障,而且可以识别不同程度的故障．     

基于双通道Teager能量重组的滚动轴承故障诊断方法研究

针对在列车轴箱采集到的故障信号伴随有较强背景噪声干扰这一问题,提出了一种基于双通道IMF(Intrinsic Mode Function)相关重组的滚动轴承故障诊断方法,其依据峭度选取最优共振带,通过EMD(Empirical Mode Decomposition)与相关系数求取合理的IMF分量,以Teager能量算子实现解调并基于相关函数对信号进行重组,削弱噪声干扰的同时强化故障信息。通过铁路轴承综合实验台验证,该方法可有效降噪并提取故障特征频率。     

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.     

基于深度卷积自编码器和多尺度残差收缩网络的滚动轴承寿命状态识别

针对滚动轴承早期故障识别困难、退化性能难以准确评估的问题,提出了基于深度卷积自编码器(DCAE)和多尺度残差收缩网络(MSRSN)的滚动轴承寿命状态识别方法。首先,为获得清晰的故障特征频率及倍频,将原始数据样本转换为包络谱输入深度卷积自编码器中,实现轴承寿命状态特征的自动提取与表达,并基于多维尺度分析(MDS)算法约简寿命状态特征获得低维特征,然后计算低维特征空间内样本间的欧几里得距离(ED),即为轴承性能衰退评估指标;其次,为全面提取轴承性能衰退特征,提出了改进的多尺度残差收缩网络识别模型,并开发了ReLU与DropBlock正则化相结合的新激活策略增强模型的抗噪性;最后,将所提方法及对比方法应用于轴承全寿命实验数据。实验结果表明：笔者提出的性能衰退评估指标能够精准地识别轴承性能退化起始点以及刻画轴承的退化趋势,所提出的改进的多尺度残差收缩网络识别模型在S_SNR=-4～6 dB环境中平均识别正确率为91.75%,能够准确识别轴承寿命状态,验证了方法的实用性以及有效性。     

基于CEEMD和快速谱峭度图的地铁轴箱轴承故障诊断

提出了基于互补集合经验模态分解(CEEMD)结合快速谱峭度图的滚动轴承故障诊断方法(CEEMD-FSK).将轴箱加速度振动信号分解成多个本征模态函数(Intrinsic Mode Function,IMF),通过快速谱峭度图和互相关系数,选取出关键IMF信号进行原信号重构.对重构信号带通滤波后进行改进型的共振解调处理,通过平方包络谱进行轴箱轴承故障诊断.将该方法应用到地铁轴箱轴承的实际故障预测和诊断中,并结合后期轴箱轴承拆装和检测,结果表明了该方法的有效性和准确性.     

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-ELM 的航班运行风险混沌预测

针对航班运行风险可靠预测方案，以某航空公司2016-2018 年航班运行风险数据为基准，通过相空间重构，序列混沌特征的识别，构建基于极端学习机(ELM)的航班运行风险混沌短期预测模型，基于集成经验模态分解(EEMD)阈值降噪方法进行改进；最后，计算风险预测结果，分析不同方式下的预测精度. 结果表明：航班运行风险时间序列具有混沌特征， EEMD方法可抑制序列本征模态函数(IMF)的模态混叠现象；经由EEMD阈值降噪处理后，短期预测结果的修正平均绝对百分误差(MAPE)值显著下降. 证实本文航班运行风险预测方案可行且有效.     

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。     

基于互相关奇异值分解的滚动轴承故障诊断

滚动轴承在机械装置中非常重要,其运行状态与整台机械设备的工作状态有直接的关系,但在早期弱故障检测时,特征信号经常被淹没在噪声中。为了提高该故障特征的识别精度,提出了基于互相关奇异值分解的故障诊断方法。首先利用奇异值分解将轴承故障信号分解为多个分量信号;其次使用峭度值作为衡量标准,选择两个合适的奇异值分量用于互相关包络分析以获得包络谱;最后通过信号的频谱分析,得到轴承的故障频率,从而完成早期微弱故障检测。通过仿真信号和滚动轴承内圈故障实测数据仿真对比,验证了该方法的有效性。     

基于倒阶比谱的滚动轴承故障诊断

为从变速滚动轴承振动信号中提取轴承故障特征,利用了基于倒阶比分析的诊断方法.该方法利用计算阶比跟踪算法,采集转速信号和振动信号,并对振动信号进行角度域重采样,获得角度增量恒定的角度域周期平稳信号,再进行倒谱分析,最后依据倒阶比谱分析结果进行故障识别和诊断.由于阶比分析能将非平稳时域信号转换为平稳的角度域信号,而倒谱分析能很好的抑制频率模糊,所以将阶比分析和倒谱分析相结合,充分利用二者优点,能从干扰中准确识别故障特征,适合于变速滚动轴承信号的故障特征提取.实验证明该方法有效,能够提取变转速滚动轴承故障特征,具有一定的工程应用价值.     

基于CEEMDAN算法的半航空瞬变电磁信号运动噪声去除

半航空瞬变电磁法是用新型的物探方法, 采用地面发射空中接收的方式, 在地面布置接地长导线, 空中利用无人机搭载接收线圈进行数据采集。数据采集过程中, 由于线圈处于一个持续摆动的过程, 导致采集的半航空瞬变电磁数据中存在运动噪声, 进而影响数据质量。本文提出一种结合自适应完备集合经验模态分解算法(CEEMDAN)对半航空瞬变电磁数据的运动噪声进行去除, 将含噪信号分解为多个IMF 分量, 再将与运动噪声相近的IMF 分量去除合成后来实现数据处理的目的。通过模拟数据和实测数据进行去噪, 均能较好的识别出运动噪声并进行去除,具有较好效果。     

基于改进EEMD和WVD联合时频分析的车轮多边形状态识别方法

为了准确识别高速列车车轮多边形状态以及磨耗幅值,提出了一种改进的聚合经验模态分解(EEMD)与魏格纳-威尔分布(WVD)相结合的随机振动信号联合时频分析方法;利用相关系数法和频谱分析来评估筛选轴箱振动加速度信号经EEMD分解后的变量,然后进行WVD计算,在保持WVD高时频分辨率的同时可有效抑制交叉干扰项;应用该方法分析了周期性车轮多边形磨耗与现场实测随机车轮多边形磨耗引起的轴箱振动加速度信号。研究结果表明:利用EEMD-WVD二维时频谱的主频率可识别车轮多边形状态,利用EEMD-WVD三维时频能量谱的能量幅值分布可评估车轮多边形磨耗幅值,最大误差为0.3%;将改进EEMD和WVD联合时频分析方法的识别结果与短时傅里叶变换、小波分解、WVD传统时频分析方法进行对比,表明此方法应用时无需改变任何参数,自适应强,保留了WVD高时频分辨率的特点,而且可有效抑制EEMD产生的模态混叠现象和WVD产生的交叉干扰项,验证了所提出联合时频分析方法的有效性及其优势,为高速动车组车轮多边形识别和评估提供了新的技术途径。      

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%.