EEMD降噪和谱峭度法在铁路货车轴承故障诊断中的应用

针对铁路货车轴承结构复杂,早期微弱故障往往淹没于强烈的背景噪声中而难于提取的特性,提出了基于EEMD降噪和谱峭度法的共振解调技术。首先,将轮对跑合实验台上测得的振动信号进行EEMD分解;然后,根据峭度、标准相关系数选取包含故障信息较多且与原信号相关性较大的IMF分量,分别对每个IMF分量进行谱峭度分析,确定带通滤波器的最佳中心频率和带宽;最后,将滤波后的IMF分量重构并进行包络解调和频谱分析。通过对轴承内、外圈故障的实验研究,验证了该方法的有效性和可行性。该方法在铁路货车轴承早期故障诊断中具有较好的实际应用价值。     

基于VMD-FastICA的齿轮箱故障诊断

针对齿轮箱故障信号微弱且易受周围噪声影响的问题,提出了一种基于变分模态分解(VMD)的独立分量(ICA)算法。该方法首先将采集的信号进行MCKD降噪,将降噪后的信号利用VMD算法分解为多个不同的本征模态分量(IMF),然后依据快速谱峭度图和相关系数选取有效的IMF分量进行重构信号,对于重构信号利用FastICA再次进行降噪处理,根据FastICA降噪后得到的故障特征分量,可以有效地识别故障。结果表明:该方法可以更清晰、准确地提取出故障特征频率和找出故障发生的位置。     

CEEMDAN辅助快速谱峭度的滚动轴承故障诊断方法

为解决集合经验模态（EEMD）存在分量重构误差大和提取的故障特征不明显问题，课题组提出一种自适应噪声完备集合经验模态分解（CEEMDAN）辅助快速谱峭度的故障诊断方法。首先采用CEEMDAN将故障信号分解为多个IMF分量，计算分量的谱峭度值，选择峭度和相关度最大的分量进行重构；然后通过快速谱峭度图确定最大共振频带，进行带通滤波分析，获得故障信息；最后采用某滚动轴承实验数据分别对内圈故障和外圈故障进行实验分析。结果表明：与原始故障信号相比，该方法获得的包络谱更清晰，故障频率更明显，内圈故障频率为162 Hz，外圈故障频率为107 Hz。该方法提取故障特征突出，可以得到有效的故障频带。     

基于EEMD和单通道盲源分离的齿轮箱复合故障诊断研究

针对齿轮箱复合故障诊断中,多级传动相互干扰,微弱的轴承故障会被强烈的齿轮故障和噪声湮没而难以提取的问题,提出了基于EEMD和单通道盲源分离的齿轮箱复合故障诊断方法。首先利用单个加速度传感器采集齿轮箱振动信号,对采集的信号进行EEMD分解,根据峭度准则和相关系数重构IMF分量;然后应用盲源分离方法对重构的IMF分量进行求解,对分离的信号进行包络解调分析,确定出齿轮故障通道,轴承故障通道和噪声通道;最后对齿轮故障通道进行傅里叶变换,轴承故障通道进行基于谱峭度的共振解调分析,提取出信号的特征频率,完成齿轮箱的复合故障诊断。通过实验验证了该方法的有效性和可行性。     

基于组合降噪的卷积神经网络轴承故障诊断方法

针对滚动轴承振动信号包含不同频率复杂噪声,单一降噪方法难以去除多种噪声,导致最终故障诊断率低的问题。提出一种基于组合降噪的卷积神经网络的轴承故障诊断方法。首先,通过SVD分解方法,根据奇异值差分谱,一次降噪并重构信号,去除信号内能量较低的宽频率噪声;再根据降噪重构信号,自适应选取CEEMD分解的参数,并进行自适应CEEMD分解,利用线性相关系数与峭度交集法滤除相关程度低、故障特征信息少的IMF分量,同时二次降噪并重构信号;最后,构建一维卷积神经网络并进行轴承故障诊断。通过原信号和组合降噪后信号的时频分析,轴承故障诊断实验,验证了该方法的有效性。     

基于EMD模态相关和形态学降噪的齿轮故障诊断研究

为了从齿轮振动信号中提取出包含有故障信息的特征频率,针对现有EMD(Empirical Mode Decomposition)降噪算法中的IMF重构问题,提出了基于EMD模态相关和形态学降噪的齿轮故障诊断方法。首先采用EMD将目标信号分解为若干个IMF分量之和,利用模态相关分选准则选取噪声主导分量和信号主导分量的分界点,并利用各个IMF分量的自相关函数来验证该准则的正确性;然后将选到的噪声主导分量进行形态学滤波,利用峭度准则优化形态学结构元素尺度,自适应的寻求最优解;最后将滤波后的噪声分量与剩余分量进行重构,得到滤波重构信号,通过频谱分析识别齿轮故障特征频率。仿真数据和齿轮裂纹故障实验测试数据的分析表明,该方法滤波效果理想,能更有效地提取出齿轮故障特征。     

变分模态分解和形态学滤波在滚动轴承故障诊断中的应用

针对滚动轴承早期故障信号易被强烈的背景噪声淹没及故障特征难以提取的特点,提出了基于变分模态分解(VMD)和形态学滤波相结合的滚动轴承早期故障诊断方法。首先利用VMD将早期故障信号自适应地分解为一系列IMF分量,然后选择峭度值最大的前两个IMF分量重构,并对重构信号进行形态学滤波,最后通过Teager能量算子计算重构分量的能量谱来提取滚动轴承的故障频率,判断故障类型。将该方法应用于滚动轴承仿真信号与实际故障数据中,分析结果表明该方法能够更加有效提取故障特征频率信息,实现了滚动轴承故障的精确诊断。     

宏雅与新变：张说颂文管窥

总体经验模式分解 (Ensemble Empirical Mode Decomposition, EEMD) 方法由于其自适应性和抗混叠的特性,在轴承故障诊断领域得到广泛应用。针对总体经验模式分解 (Ensemble Empirical Mode Decomposition, EEMD) 方法中参数难以准确获取的问题,提出了基于改进的EEMD分解和Teager能量算子的滚动轴承故障诊断方法。首先对故障信号进行预处理,自动获取EEMD方法中的加入白噪声大小和总体平均次数两个重要参数。之后对信号进行EEMD分解,得到若干个本征模态分量 (Intrinsic Mode Function, IMF),利用峭度准则选取其中峭度最大的分量并进行Teager能量算子解调,最后通过能量谱识别出滚动轴承的工作状态和故障类型。将该方法应用到滚动轴承仿真故障数据和实际数据中,实验结果表明,该方法可有效提取滚动轴承故障特征频率信息,验证了所提方法的可行性。     

基于LCD和奇异值分解的轴承故障诊断

针对滚动轴承故障信号在初期特征频率微弱而且难以提取的问题,提出一种基于局部特征尺度分解(LCD)和奇异值分解相结合的故障诊断方式。首先对采集到的目标信号进行LCD分解,得到一系列内禀模态分量(ISC),然后再通过峭度—相关系数筛选用来重构真实的ISC分量,利用奇异值分解对重构分量进行分解。接着求出所对应的差分谱,根据差分谱理论再次进行重构,最后再对重构信号进行能量算子包络解调。通过实验验证,相比于传统包络解调,所提的方法能够有效地提取出故障轴承的特征频率。     

小波变换在轴承故障声发射信号降噪中的应用

噪声消除是小波变换最成功的应用之一，其基本思想是将信号的小波变换系数通过阈值处理，然后进行小波重构得到降躁的信号。根据故障轴承声发射信号的脉冲特性选取Morlet小波．以“小波熵最小”原则确定Morlet小波的波形参数，然后进行连续小波变换。采用软阈值方法处理小波东数，通过小波重构得到降噪后的故障声发射信号，噪声得到了很好的抑制，故障脉冲特征明显增强。采用实验数据，通过与离散小波变换的比较，得到了用连续小波变换可以有效降低噪声、提取故障声发射信号特征的结论。     

基于小波多分辨率系数模值的并发故障检测方法

提出了利用小波分析技术进行信号奇异性检测的多重并发故障检测方法。利用小波多尺度分解技术,将信号进行多尺度的小波分解,得到不同尺度下的信号高频分量的小波系数模值,并根据奇变信号和噪声信号小波系数模值的差异,采用软阈值去噪法,对其高频分量小波系数进行去噪处理,获取不同尺度上突变信号的小波系数模值,实现对故障的检测,并可根据不同尺度上小波系数模值的对应关系,实现对多重并发故障的区分。对电网信号分析的仿真结果证实了该方法的正确性和可行性。     

基于MEEMD小波软阈值函数的去噪方法

结合互补集合经验模态分解(CEEMD)和基于排列熵的信号随机性检测,提出了MEEMD方法。通过采用MEEMD方法将一个含躁信号分解为几个固有模态(IMFS),用软阈值函数来抑制高频固有模态的噪声,提高信号的信噪比(SNR)。对比该方法与基于EEMD和小波软阈值的联合去噪、基于CEEMD和小波软阈值联合去噪等方法得到的信噪比(SNR)和平均平方误差(MSE),发现基于MEEMD小波软阈值去噪方法的去噪效果较好。     

基于EMD和提升小波改进阈值函数的水听器信号去噪研究

在检测水中目标时,使用水听器采集的声波信号中通常掺杂着大量的噪声。为了达到去除噪声的目的,提出一种基于EMD和提升小波改进阈值函数结合的方法。首先利用EMD将含噪的水听器信号分解成有限个固有模态函数(IMF),再用提升小波改进阈值函数分解对高频IMF进行去噪处理,最后将剩余IMF和去噪后的高频IMF重构实现去噪。实验结果表明:该方法在水听器信号去噪方面有一定的参考价值。     

采煤工作面水流声的降噪算法研究

采煤工作面水害事故发生前伴有水流声出现,为减小常见机械设备噪声对水流声识别的影响,提出了一种改进小波阈值降噪法。为了补偿水流声在采集过程中高频信号的损失,对其进行了预加重、分帧、加窗等预处理;采用小波软、硬阈值函数折衷法对阈值函数进行改进,避免了信号处理后带来的附加振荡问题;在固定阈值中引入了分解层数j,变化的阈值可最大程度分离水流声信号与噪声信号。结果表明,改进小波阈值降噪法相较于谱减法、子空间法和小波阈值法的硬阈值函数,输出信噪比提高了1 dB以上,降噪性能提升了15%左右;相较于小波阈值法的软阈值函数,当输入信噪比大于0 dB时,输出信噪比提高1 dB以上,可有效降低水流声信号中的机械设备噪声干扰。     

基于自适应增强形态滤波的滚动轴承复合故障分离法

针对滚动轴承复合故障难以分离的问题，课题组提出了一种自适应多尺度形态滤波分离方法。首先，利用具有提取周期性特征的多尺度形态滤波器和峭度特征能量积(kurtosis feature energy product，KF)提取出一种主要的故障特征分量；然后，利用奇异值分解(singular value decomposition，SVD)降噪方法对提取的故障特征进行降噪处理，增强故障特征；最后，对去噪信号进行迭代筛选分离，得到多个故障特征模式分量。通过仿真信号与异步牵引电机实际故障信号对比实验，结果表明：该方法能够分离复合故障特征，并有效提取噪声干扰下的故障特征信息。该方法滤波效果强于传统方法，具有较好的工程应用价值。     

多通道相关-经验模式分解在滚动轴承故障诊断中的应用

在处理非平稳振动信号时,经验模式分解(EMD)的应用较为广泛。针对滚动轴承的早期故障信号中含有强烈的背景噪声,诊断效果有时也不够明显的情况,本文提出了多通道相关-经验模式分解方法。首先通过EMD将滚动轴承故障信号分解成若干本征模态函数(IMF)分量;然后对IMF分量进行多相关处理,取相关性最强的IMF分量进行自适应重构;最后通过循环谱分析识别出滚动轴承的故障类型。将该方法应用到滚动轴承的仿真故障数据和实际数据中,分析结果表明,该方法可以更加有效地提取滚动轴承故障特征频率信息,突出故障频率。     

基于小波变换的随钻测试数据降噪方法研究

为消除随钻测试装置采集信号中的噪声,给工程人员提供准确的现场信息,提出了基于小波变换的方法对随钻测试数据进行降噪处理。首先,根据含噪声的随钻测试数据模型建立起小波变换降噪的基本流程。其次,在对含噪信号的小波变换特性分析的基础上,运用自相关函数对其在小波变换尺度空间中进行白噪声检验,确定小波最优分解层数。在分析对比小波降噪阈值的不同选取方式后,采用广义交叉确认理论来计算最优降噪阈值,从而在对信号降噪的同时还最大程度地保留了信号的有效特征成分。最后给出了基于该方法小波变换的随钻测试数据降噪的详细步骤,对实测的钻压和扭矩数据进行了小波降噪,取得了良好的降噪效果,为钻井工程后续分析提供了可靠的数据支撑,证明了本方法的优越性。     

基于小波阈值和约束独立分量分析的齿轮故障诊断研究

为在强噪声下准确利用振动信号进行齿轮故障诊断,提出了基于小波阈值和约束独立成分分析(CICA)相结合的算法。该算法首先对输入信号进行小波阈值降噪预处理,提高了输入信号的信噪比,然后基于齿轮特征频率建立参考信号,将降噪后的信号作为CICA的输入信号,利用CICA算法有效分离出齿轮故障信号,识别了故障特征。为了验证该算法的有效性,进行了仿真和实验测试信号分析,结果表明,该算法可以有效提取齿轮故障信号,实现齿轮的故障诊断。     

基于EEMD模型的固定资产投资周期识别与预测

集合经验模态分解(EEMD)模型可根据数据特点,将时间序列分解成一系列不同频率的分量,能提供多尺度研究视角,更加精准地把握周期波动规律.本文利用EEMD模型将1996—2017年我国固定资产投资季度数据分解为5个不同频率的本征模态函数(IMF)分量和1个趋势项,根据分量特征赋予不同经济含义,在多个尺度上进行分析.结果发现:IMF1和IMF2分量整合通过白噪声检验,可认为是外部因素的随机冲击;IMF3分量周期长度约为3年,可认为是企业库存量变化引起的存货周期;IMF4分量周期长度为5年,可认为是政治周期;IMF5分量周期长度约为20年,可认为是建筑周期.随后在分量分解基础上建立ARIMA模型进行拟合与预测,通过与其他模型对比,发现EEMD-ARIMA模型表现更优.结论表明,EEMD模型在类似固定资产投资这种波动性较大的经济时间序列周期识别和预测中更具优势.     

基于EEMD穿墙雷达人的运动模式识别

根据穿墙雷达动目标探测中人的运动多普勒信号属于非线性、非平稳信号的特点,分别采用经验模式分解(EMD)和整体平均经验模式分解(EEMD)将人5种运动的多普勒信号分解为一系列本征模式函数(IMF)。采用支持向量机(SVM)学习算法,将两种方法分解后的各IMF能量占总能量的百分比作为支持向量机分类器的特征向量进行模式识别,分析了特征向量维数对识别率的影响,比较了EMD和EEMD的识别率。EEMD能够消除EMD存在的模式混合问题,识别率更高,达到94%以上。