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。     

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。     

引入经验模态分解的舰船运动非线性极短期预报

船舶运动的极短期预报在船舶系统、设备作业等方面具有重要的意义，采用自回归模型对船舶运动进行预报等预报效果，如精度和时间长度，与实际应用的需要还存在较大距离。在自回归（AR）数学模型中引入经验模态分解（EMD）法，利用该方法将船舶运动的时历数据以“筛分”的方式分解成几个平稳的本征模态函数（IMF），并分别建立每个IMF的AR模型，用AR模型进行预报，然后将每个IMF的预报结果相加，将各预报结果的和作为原始信号的预报结果。采用该方法进行船舶非线性极短期预报对提高预报精度有一定的积极作用。     

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。     

基于改进EEMD的船用柴油机缸套-活塞环故障诊断方法

船用柴油机缸套-活塞环发生故障时，振动信号呈现非线性、非平稳性特征且故障特征模糊、隐蔽。文章提出一种基于改进集成经验模态分解（EEMD）的故障诊断方法。通过设计固有模态函数（IMF）信息筛选准则对EEMD分解出的固有模态分量（IMFs）进行重新排序，筛去低质量的IMFs，以此获得包含更多能体现故障特征成分的重构信号，经该方法处理的信号再送入到分类器中进行识别和分类故障，实现船用柴油机缸套-活塞环的故障诊断。试验结果表明：与原EEMD诊断方法相比，该改进方法识别率更高，故障诊断效果更好。     

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。     

基于极点对称模态分解和支持向量机的船用齿轮箱故障诊断

针对船用齿轮箱故障难以识别的问题,提出了将极点对称模态分解(Extreme-point Symmetric Mode Decomposition, ESMD)和支持向量机(Support Vector Machine, SVM)相结合的故障诊断方法。先将船用齿轮箱振动信号进行ESMD分解,可得到一系列模态和一条最佳自适应全局均线。以分解模态与原始信号的能量比值为相关度衡量标准,将相关度较高的前三个模态分别作奇异值分解并得到奇异值矩阵。经过归一化处理后,输入支持向量机训练获得多分类诊断模型,并进行测试。测试结果表明,相比经验模态分解(Empirical Mode Decomposition, EMD)与SVM结合的方法,本文的方法能更好地对船用齿轮箱故障作出诊断和预测。     

基于PSO-SVM的柴油机故障诊断研究

文章以船舶柴油机表面振动信号作为故障诊断的对象,使用经验模态分解(EMD)结合小波阈值法对振动信号进行分解和降噪,再通过PSO-SVM方法对数据样本进行故障诊断。通过对比原始信号和重构信号在PSO-SVM算法计算之后的结果,经过降噪后的振动信号能很好地保持自身特性,可以很好地去除其中冗余、无效的信号,在提升诊断准确率的同时,还可以提高诊断速度。     

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AR-EMD方法的扩展非平稳船舶运动极短期预报AR模型

准确的极短期预报技术能够提高对船舶摇荡运动敏感的海洋特种作业安全性和效率。自回归（auto-regressive,AR）预报模型由于其自适应性强、计算效率高而被广泛应用于船舶运动的极短期预报研究。但该模型基于平稳随机假设,因而在非平稳船舶运动的极短期预报中存在困难。针对非平稳船舶运动极短期预报,文章提出一种基于AR-EMD方法的扩展AR模型,称为EMD-AR预报模型。其中,AR-EMD方法是指在经验模态分解（empirical mode decomposition,EMD）的过程中,采用AR预报的方法处理端点效应问题。 EMD-AR预报模型将非平稳信号分解成若干平稳的固有模态函数分量及余项,然后对各个分量分别用AR模型预报,得到最终的预报结果,以此克服非平稳性对AR预报模型的影响。研究基于船舶试验数据将EMD-AR模型与线性AR模型、非线性支持向量机回归（support vector regression,SVR）预报模型进行对比分析,结果表明,AR-EMD方法能够有效处理船舶运动非平稳性对AR预报模型的影响,提高该模型的预报精度,且EMD-AR模型预报性能较线性AR模型和非线性SVR模型更优。     

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.     

Detection of cylinder pressure in diesel engines using cylinder head vibration and time series methods

This paper investigates the vibration characteristics of diesel engine cylinder heads by means of the time series method. With the concept of "Assumed System",the vibration transfer function of real cylinder head structures is established using the autoregressive-moving average models(ARMA models) of cylinder head surface vibration signals. Then this transfer function is successfully used to reconstruct the gas pressure trace inside the cylinder from measured cylinder head vibration signals. This offers an effective means for diesel engine cylinder pressure detection and condition monitoring.     

基于短时AR谱分析的柴油机气阀漏气的故障诊断

通过对传统的短时Fourier变换进行改造,在短时Fourier变换的计算中利用自回归(AR)谱估计代替离散Fourier变换(DFT),得到了一种基于AR谱估计的短时AR谱分析方法.短时AR谱分析方法能够较好地给出柴油机缸盖振动信号的时频分布表示,提高了气阀漏气故障诊断的准确性.     

铝合金穿浪双体船波激振动响应计算研究

对穿浪型双体船在波浪中航行时的受载状况进行研究,采用规则波理论计算其所受波浪外载荷。利用有限元法建立了铝合金穿浪双体船波激振动响应数值计算模型。基于水弹性理论,采用所建立的数值模型对某全铝合金穿浪双体船高海情试验进行了数值模拟,将数值模拟结果与实船试验数据进行了比较,证明本文方法可靠。进行了该船受6级海况波浪激励的振动响应计算,发现全铝合金穿浪双体船波激振动位移响应较大,远大于常规单体船。还发现高海情中航行时的波激振动应力响应值亦较大。     

基于PSO-ELM算法实现船舶发电机组故障识别

针对船舶发电机组的不同故障类型,通过传感器采集不同故障下柴油机缸盖处的振动信号,构成大量数据集,选取部分数据集作为样本数据。通过EEMD算法对样本数据进行分解降噪,把一维数据分解成能反映柴油机工况信息的多维数据,对分解形成的多维数据使用KICA算法进行特征提取,并对提取后的数据进行训练集、验证集分组。使用PSO-ELM算法搭建故障识别模型,并使用训练集训练模型,使用验证集验证模型,根据验证结果评价模型是否满足故障识别的精确度。     

船用离心泵压力脉动与振动信号的相干分析研究

非定常流动是引起泵振动的主要因素之一,为了明确压力脉动与振动之间的关联关系,搭建了闭式实验系统,对一台船用离心泵进行压力脉动和振动的同步测量。基于快速傅里叶变换获得了各监测点压力脉动、基脚振动信号的频谱特性及功率谱特性;通过计算压力脉动信号与振动信号的相干函数,并通过比较不同测点的相干系数大小,分析了压力脉动对振动的贡献。结果表明,压力脉动与振动均在轴频、叶频及其高次谐波等离散频率下能量突出;不同频率下各测点的压力脉动对泵振动的影响存在差异,其中进口压力脉动在600-700Hz及900-1000Hz频段对振动影响最大;隔舌压力脉动在0-600Hz及700-900Hz频段对振动影响最大;出口压力脉动在轴频的高次谐波等个别频率处对振动有一定影响。相干分析可作为建立压力脉动与振动信号之间关联关系的一种有效手段,由此为进一步离心泵内部流场改善及减振提供参考。     

沉桩振动条件下海底管道损伤模型

为确定海底管道在沉桩振动条件下的振动控制速度标准和土体侧向位移控制标准,通过数值损伤模型分析沉桩振动对海底管道安全运行产生的影响。该研究可为沉桩振动对海底建筑物造成的不利影响提供评判方法。     

A new time-frequency analysis method based on single mode function decomposition for offshore wind turbines

The Hilbert-Huang transform (HHT) has been widely applied and recognised as a powerful time-frequency analysis method for nonlinear and non-stationary signals in numerous engineering fields. One of its major challenges is that the HHT is frequently subject to mode mixing in the processing of practical signals such as those of offshore wind turbines, as the frequencies of offshore wind turbines are typically close and contaminated by noise. To address this issue, this paper proposes a new time-frequency analysis method based on single mode function (SMF) decomposition to overcome the mode mixing problem in the structural health monitoring (SHM) of offshore wind turbines. In this approach, the structural vibration signal is first decomposed into a set of window components using complex exponential decomposition. A state-space model is introduced in the signal decomposition to improve the numerical stability of the decomposition, and then a novel window-alignment strategy, named energy gridding, is proposed and the signals are constructed in the corresponding gridding. Furthermore, energy recollection is implemented in each gridding, and the reassembling of these components yields an SMF that is comparable to the intrinsic mode function (IMF) of the HHT, but with a significant improvement in terms of mode mixing. Four case studies are conducted to evaluate the performance of the proposed method. The first case attempts to detect three different frequencies in a simulated time-invariant signal. The second case attempts to test a synthesised signal with segmental time-varying frequencies (each segment contains three different frequencies components). The analysis results in these two cases indicate that mode mixing can be reduced by the proposed method. Furthermore, a synthesised signal with slowly varying frequencies is used. These analysis results demonstrate the effective suppression of non-relevant frequency components using SMF decomposition. In the third case, the experimental data from vortex-induced vibration (VIV) experiments sponsored by the Norwegian Deepwater Programme (NDP) are used to evaluate the proposed SMF decomposition for vibration mode identification. In the final case, field data acquired from an offshore wind turbine foundation and offshore wind turbine are analysed. The mode identification results obtained using SMF decomposition are compared with those produced by the HHT. The comparison demonstrates superior performance of the proposed method in identifying the vibration modes of the VIV experimental and field data.