基于经验模态分析的故障诊断方法及应用研究

为实现对微弱动态响应的准确辨识及故障状态的早期诊断,提出了基于经验模态分析的故障诊断方法,将模态分解、互信息熵与主元分析结合,故障特征更凸显,方法更有效;首先模态分解,得到一系列固有模态分量,利用互信息熵判断所有固有模态分量的高低频分界点并对高频分量自适应阈值去噪;将去噪后的所有高频分量和低频分量主元分析,计算各主元的峭度值,选取峭度值大的分量求时频谱得故障频率,从而确定故障;将该方法应用到含有高频环境噪声的轴承故障信号中诊断可靠、准确。

EMD马氏距离与SOM神经网络在故障诊断中的应用研究

为实现对微弱动态响应的准确辨识及故障状态的早期诊断,提出EMD马氏距离与SOM神经网络的故障诊断方法,该方法首先对原始振动信号进行粒子滤波,提高信噪比,然后对其进行EMD分解,并对分解后的各模式分量进行分析,获得相关特征值组成特征向量,并求原始信号特征向量,为了选取能代表信号特征的模式分量,求各模式分量与原信号特征向量的马氏距离,将最优模式分量输入训练好的SOM神经网络,对故障分类,以轴承诊断为应用实例结果表明该方法切实有效。

基于主元分析与动态时间弯曲的故障诊断方法及应用研究

轴承是工程实际中常用而又极易损坏的部件,特别是对其早期微弱响应的辨识,具有重要的社会价值和意义;为提高运转轴承的安全可靠性和可维护性,提出了基于主元分析与动态时间弯曲距离的故障诊断方法,它可以准确对早期微弱动态响应辨识、诊断;该方法首先将典型故障样本信号与待测信号小波去噪并EMD分解,并对若干固有模态分量主元分析求取主元,然后对主元分量进行分析,获得相关特征值组成特征向量,计算待测信号与已知故障样本信号特征向量的弯曲距离,弯曲距离越小表明两信号越相似,从而辨识故障;此外,还可将其应用于转子、碰磨、齿轮故障诊断中,工程应用实例表明该方法可以准确故障分类,高效故障诊断。