含噪信号经验模式分解虚假分量识别方法

针对含噪信号Hilbert-Huang变换存在虚假分量,提出改进的奇异值分解(SVD)方法进行降噪,改进包含两个部分:一是利用重构相空间代替传统矩阵如Hankel矩阵,以去掉信号冗余,再者提出奇异值能量熵分量差分法,更易于定出重构奇异值阶次;二是提出了频谱比值法对虚假分量进行辨识,更有效辨识出虚假分量.首先利用经验模式分解(EMD)得到本征模式分量(IMF),识别并剔除趋势项,重构信号,然后进行SVD,重构降噪后的信号,消除虚假分量,最后进行时频分析.联合方法应用于含噪仿真信号,信噪比(signal noise ratio,SNR)提高了5.5%,虚假分量辨识率提高至100%,用于双跨转子故障振动信号,得到正确的时频结果,表明了所提方法识别含噪信号虚假分量的有效性.     

改进Hilbert-Huang变换及其在转静子碰摩仿真中的应用

针对Hilbert-Huang变换(HHT)的不足,应用时间序列重构矩阵奇异值分解的能量分析方法改进了HHT,并提出了用来识别伪固有模态函数(IMF)的方法.利用仿真信号检验了改进HHT的效果.将改进后的HHT应用到某双转子航空发动机轻碰摩故障仿真试验结果的检测中,并与改进前HHT和小波分析的结果进行了比较,得出了改进后的HHT具有有效分离出微弱信号分量等优势,且能比小波变换更好地确定碰摩的存在.      

基于小波的周期信号中瞬态冲击特征提取

小波变换具有优良的时频分析特性,利用小波变换提取周期信号中的微弱瞬态冲击非常有效。为了消除ＭＡＬＬＡＴ算法中的频率混淆,本文提出了一种改进的二进离散小波变换快速算法,并成功地利用小波变换提取了某型涡喷发动机滚珠轴承的早期故障特征,实现了傅立叶变换所达不到的效果。     

双树复小波域MCA降噪在齿轮故障诊断中的应用

齿轮箱早期故障信号中往往包含强烈的干扰噪声,而基于简单阈值规则的小波系数降噪方法往往不能取得良好的效果.针对该问题,提出了基于形态分量分析(MCA)的双树复小波降噪方法.首先,对强背景噪声故障信号进行双树复小波变换,得到不同层的小波变换系数;然后,选取小波系数周期性较为明显层的小波系数进行MCA降噪;最后,将降噪后的系数进行单支重构后便可获得故障特征信号,对降噪信号进行包络分析便可以确定信号的故障特征频率.利用该方法对仿真分析和某轧机齿轮箱打齿故障早期信号进行了处理,结果表明:该方法能够在有效去除信号中的强背景噪声,比单独MCA降噪及软阈值降噪具有更好的效果,得到了更清晰的故障特征频率,从而为齿轮早期故障诊断提供了一种新方法.      

基于WPD-KVI-Hilbert变换相结合的滚动轴承早期故障特征精准识别

为了能够有效地从轴承早期故障激励的高频振动信号中提取出故障特征信息,基于最优小波包基选取方法和峭度值最大筛选原则,提出了一种改进的小波包分解（WPD）、峭度值指标（KVI）与Hilbert变换相结合的滚动轴承早期故障特征识别方法。计算选取最优小波包基,确定分解层数;采用WPD方法对轴承故障振动信号进行分解,获得若干个Node分量;基于峭度值指标最大原则筛选出有效的Node分量进行信号重构;对重构信号进行包络解调分析,提取出故障特征频率对轴承故障进行诊断。采用建立的方法对凯斯西储大学滚珠轴承外圈、内圈故障实验数据和自行开展的滚棒轴承外圈、滚动体故障实验数据进行了分析与诊断。研究结果表明：该方法能够有效提高故障信号高频分辨率、保留周期性冲击成分,并能准确有效提取出滚珠和滚棒轴承故障特征频率的1~7倍频及其与轴转频调制的系列边频带频率,实现对滚动轴承故障特征的精准识别与故障诊断。     

一种基于连续小波变换的滚动轴承早期故障诊断新方法

滚动轴承早期失效阶段,特征信号微弱,并且受传递路径衰减及环境噪声影响,故障识别相对困难。针对这一问题,提出一种基于连续小波变换的轴承早期故障诊断方法。对原始信号进行连续小波变换,利用不同尺度小波系数进行信号重构,从而得到相应尺度下的信号分量,为了获取包含尽可能多的故障信息的信号分量,以峭度为指导标准对重构信号分量做合并处理,并利用相关系数准则剔除冗余信号分量,从保留信号分量中筛选出峭度值最大的分量,将其作为最佳分量用于进一步包络解调运算,通过分析包络谱判断轴承的故障类型。利用所述方法处理轴承早期故障仿真及实测信号,均成功提取出微弱特征信息,由此表明该方法可实现滚动轴承早期故障的精确诊断。     

滚动轴承故障诊断的品质因子可调小波重构方法

针对轴承早期故障诊断困难的问题,提出了基于信号共振稀疏分解与品质因子可调小波重构的滚动轴承故障诊断方法.该诊断方法首先对轴承故障信号进行共振稀疏分解获得高共振分量和低共振分量;然后对低共振分量进行品质因子可调小波重构,并结合峭度分析,筛选出最佳分析信号;最后对最佳分析信号进行希尔伯特解调分析,从而提取滚动轴承故障特征信息.通过对仿真信号和实际故障信号进行分析,该方法能有效提取轴承故障信号中的冲击成分,凸显故障特征.      

基于SSD-HT时频阶比跟踪的变转速转子故障诊断

为解决变转速工况下转子故障特征难以提取的问题,提出一种基于SSD-HT时频阶比跟踪的转子故障诊断方法。应用一种新的信号分解方法—奇异谱分解对转子故障振动信号进行分解,得到包含故障特征信息的奇异谱分量。运用希尔伯特变换计算各个有效奇异谱分量的瞬时频率,获取故障信号的时频分布。根据时频分布中的转频信息对原始振动信号进行阶比跟踪分析,提取直观的阶次特征。仿真分析与实验分析结果表明,在无转速测量装置条件下,所述方法可准确判别变转速工况的转子故障模式,相对于传统分析方法表现出一定的先进性。     

基于遗传算法参数优化的变分模态分解结合1.5维谱的轴承故障诊断

为了准确提取轴承的故障特征,提出了一种遗传算法(GA)参数优化的变分模态分解(VMD)结合1.5维谱的轴承故障诊断方法。首先以VMD方法中模态分量的包络熵值最小为优化目标,利用遗传算法对模态分量个数和二次惩罚因子进行优化,确定这两个能使VMD实现最优分解的输入参数。然后利用参数优化的VMD方法对仿真信号和轴承内环故障信号进行分解,并做各模态分量的1.5维谱图。参数优化的VMD分解得到了与仿真信号原始分量相符的4个模态分量,1.5维谱剔除了未参与二次相位耦合的10Hz频率分量。同时在1k Hz频率以下,运用本文方法提取了轴承内环故障特征频率的1至6倍频频率成分以及电机转频对它们的调制频率。由此表明,遗传算法参数优化的VMD可实现复杂信号的正确分解,1.5维谱可有效检测信号的二次相位耦合。同时,遗传算法参数优化的VMD结合1.5维谱能有效提取轴承内环故障特征,从而验证了本文方法的有效性和实用性。     

基于双树复小波包变换和SVM的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的非平稳性和现实中难以获得大量典型故障样本的情况,提出一种基于双树复小波包变换和支持向量机（SVM）的故障诊断方法.首先通过双树复小波包变换将非平稳的振动信号分解得到不同频带的分量;然后对每个分量求其能量并归一化处理;最后将从各个频带分量中提取的能量特征参数作为支持向量机的输入来识别滚动轴承的故障类型.对试验台模拟信号（包括滚动轴承的正常状态、外圈裂纹故障、内圈裂纹故障和滚动体点蚀故障）的分析表明:该方法对所测试验信号的故障识别率达到99.5%,对比传统小波包变换与SVM结合的方法,故障识别率的准确度更高.      

基于CPP与S变换的自适应时频滤波及其在滚动轴承故障诊断中的应用

针对变转速下滚动轴承故障调制信息的提取与分离,提出了基于线调频小波路径追踪(CPP)与S变换的自适应时频滤波方法。该方法先采用Hilbert解调对齿轮箱振动信号进行分析获取其包络信号,并对包络信号进行S变换,以获取其时频分布,同时,采用CPP算法从齿轮箱振动信号中估计出啮合频率曲线,进而获取转轴转速;然后,根据估计的转速信号分别设计各阶时频滤波器;再采用时频滤波器对包络信号的时频分布进行时频滤波,并将滤波结果进行S逆变换,以获取各阶故障调制信号;最后对各阶故障调制信号进行阶次谱分析,并根据阶次谱中的调制信息诊断滚动轴承故障。算法仿真和应用实例表明,自适应时频滤波方法可根据轴承故障调制信号的频率变化特点自适应地改变滤波器的中心频率与带宽,能有效提取并分离轴承的各阶调制信息,且分离效果优于基于集合经验模态分解（EEMD）的阶次谱方法。      

基于参数自适应变分模态分解的行星齿轮箱故障诊断

针对变分模态分解需要人为设定模态数量以及在强噪声情况下容易造成分解错误的问题,提出了依据功率谱密度极值点自适应确定模态数量与中心频率的参数自适应变分模态分解方法,通过信号仿真分析验证了方法的有效性。基于参数自适应变分模态分解提出了一种行星齿轮箱故障诊断方法,应用于行星齿轮箱第2级太阳轮裂纹的故障诊断,行星齿轮箱传动实验台的试验结果表明:该方法能实现振动信号准确分解,有效提取和辨别出故障特征频率,实现了在强背景噪声和微弱故障信号情况下对第2级太阳轮裂纹故障的准确诊断。      

基于自适应分段混合系统的轴承故障诊断

针对强噪声背景下轴承早期故障的诊断问题,提出一种基于自适应分段混合随机共振（adaptive piecewise hybrid stochastic resonance,APHSR）系统的检测方法。采用经验模态分解法（EMD）进行信号预处理,分别采用能量密度法和相关系数法去除高、低频噪声,自动筛选最优固有模态函数,经尺度变换后输入分段混合随机共振系统模型,提取故障信号。工程实验显示:经过APHSR系统,轴承故障特征频率的频谱幅值、频谱幅值与周围最大噪声之差和最大信噪比（SNR）均高于经验模态分解和经典随机共振方法,其中齿轮箱故障轴承信噪比分别提高了9.579 dB和7.473 dB,转子故障轴承信噪比分别提升了8.597 dB和5.695 dB,对凯斯西储大学故障轴承数据处理后的信噪比分别提升了3.369 dB和17.043 dB。数据表明APHSR方法具有高效性,提高了轴承故障信号诊断能力。      

基于Birge-Massart阈值降噪与EEMD及谱峭度的滚动轴承故障特征提取

针对传统共振解调方法易受噪声干扰导致故障特征提取效果不佳的问题,提出了一种基于Birge-Massart策略的阈值降噪与集成经验模态分解(EEMD)和快速谱峭度算法相结合的滚动轴承故障特征提取方法。对原始故障信号进行EEMD并采用峭度准则筛选出含有故障信息的本征模态函数(IMF)分量;采用Birge-Massart策略和快速谱峭度对故障信号进行滤波降噪;对滤波后信号进行Hilbert包络解调,提取轴承故障特征。采用该方法分别对仿真信号和实验信号进行特征提取,结果表明该方法可以有效提高故障信号信噪比,清晰准确地获取轴承内、外圈故障的频率特征。利用峭度因子准则筛选IMF分量能有效保留原始故障信号中的冲击特征,去除无关IMF分量的影响。      

基于自适应双稳态随机共振的中介轴承故障诊断方法

针对航空发动机中介轴承故障信号微弱,故障特征提取困难的问题,提出了基于容忍遗传算法（TAGA）的自适应双稳态随机共振（BSR）的中介轴承故障诊断方法。在传统自适应遗传算法中引入容忍度思想,建立一种容忍遗传算法,采用容忍遗传算法对双稳态随机共振系统的结构参数a,b进行优化,建立自适应双稳态随机共振系统对故障信号进行处理。为验证该方法的有效性,搭建了中介轴承故障模拟实验系统,开展中介轴承内圈和外圈故障模拟实验。采用该方法分别对仿真信号和实验信号进行处理。结果表明:该方法能够对故障信号进行增强,提升了故障特征频率提取能力。自适应优化结构参数后,提取的特征频率与故障频率理论值的误差小于0.1%。      

局域均值分解中PF获取方法的改进

航空发动机故障振动信号为典型的多分量信号,局域均值分解方法可以对其分离。在研究了经典的局域均值分解方法后,发现相邻的两个乘积函数(Production Function,PF)中存在模态混淆现象,表现为较高频PF中包含较低频PF的频率成分。针对这一问题,对PF的定义进行了改进,滤除了混淆在其中的低频信号,使信号分离更加充分。仿真信号的分析表明,改进后的算法分离效果优于原算法。试验信号的分析表明,方法可以用于航空发动机故障特征提取。     

基于EMD熵特征融合的滚动轴承故障诊断方法

研究了滚动轴承故障诊断单一故障信号的局限性和故障特征的非线性,从信息融合的理论出发,利用非线性动力学参数熵作为特征,提出了基于经验模态分解(EMD)熵特征融合的方法来解决滚动轴承故障诊断问题.首先将原始信号进行EMD,利用EMD的自适应多分辨率的特点计算EMD得到的固有模态函数(IMF)信号的多种熵值,然后采用核主元分析(KPCA)对提取的状态特征进行信息融合,从而得到互补的特征,最后将提取的融合特征通过支持向量机(SVM)进行故障诊断.滚动轴承故障诊断实验表明:该方法结合了EMD、信息熵理论和KPCA强大的非线性处理能力的特点,可以进行滚动轴承故障诊断.      

发动机转子系统早期故障特征提取方法

对飞机发动机转子系统早期故障特点进行分析的基础上,提出了利用虚拟仪器和Matlab小波工具箱分析软件对其早期故障进行检测和特征提取的方法.文中对早期故障特征量的选取、有用信号与噪声信号的分离方法、突变信号与奇异信号的特征提取等进行了分析和研究,并以转子早期碰摩和早期不平衡为例进行了实验研究.结果表明,Labview和Matlab小波分析软件相结合,能够快速有效地提取发动机转子系统的早期故障特征,为发动机转子系统早期故障的快速识别提供了一种新途径.     

基于IHT的共振解调技术的滚动轴承故障诊断方法

针对传统解调方法在滚动轴承振动信号故障特征提取中的局限性,在迭代Hilbert变换和共振解调技术基础上,提出了一种新的基于迭代希尔伯特变换(iterated Hilbert transform,简称IHT)的共振解调技术的滚动轴承故障诊断方法.采用IHT将原始振动信号分解为若干个含有故障特征信息的包络幅值分量,然后用共振解调法去除残余的高频干扰噪声并求得各个包络分量的倍频谱,利用轴承理论故障频率与共振解调得到的各倍频进行对比分析,诊断出滚动轴承相应的故障类型.轴承故障实例诊断分析结果表明该方法能有效地提取轴承故障特征.