基于CEEMDAN-Hilbert变换的振动信息分解

为了对轴箱振动信息进行有效时频分析,提出利用完备集合经验模态(CEEMDAN)分解对振动信息进行分解,再通过Hilbert变换求其时频谱、边际谱和奇异值,实现振动信息的分析。通过分析钢轨正常和道岔状态轴箱振动信息,实现对钢轨表面状态的判断。结论如下:正常状态的振动频率主要集中在低频,道岔状态高频部分显著增加,且能量幅值峰值约是正常状态的50倍。道岔状态的边际谱和奇异值幅值均大于正常状态,且幅值峰值约是正常状态的3倍和5倍。

Π型断面竖向涡振过程气动力不同分量的演变特性

典型Π型开口断面与传统流线型箱梁相比,其截面钝化程度高,很容易发生涡振现象.本文通过同步测振测压风洞试验和计算流体动力学(CFD)相结合方法对典型开口断面表面压力分布特征和气动力不同分量、滞回特性等非线性现象展开研究.首先对涡振锁定区间内不同时期表面分布压力的演化特征进行分析,其次通过CFD动网格方法实现断面流固耦合分析.在此基础上,采用希尔伯特振动分解(HVD)方法对涡激振动过程中气动力不同分量进行分解.结果表明:开口断面上表面平均压力在前缘部分,处于负压区,气流在此发生分离,在涡振极值点时,脉动压力在0.1<X/B<0.3区域变化最为剧烈,表明旋涡脱落强度在该区域最大,并且分析发现该开口断面气动力具有明显高阶分量.由于高阶谐波分量的存在,气动力非线性程度不断加深,气动力各阶分量在整个振动周期内做功具有不同的特点.其中,气动力一阶分量F1在振动周期内,做功呈现曲回上升的形式,整体上表现为增加趋势,气动力二阶分量F2的滞回曲线呈现复杂的“8”字环形状,可以忽略三阶及以上分量对涡振系统的影响.

基于Hilbert谱信息熵的煤矸放落振动特征分析

针对煤矿安全生产中的综放工作面煤矸界面探测问题,提出利用煤矸下落冲击钢板的振动特征来探测煤矸界面的方法。煤矸振动信号表现出非平稳特征,采用经验模态分解方法将复杂矿井环境下的煤矸振动信号分解成固有模态分量。选择包含煤矸振动特征的前7个本征模函数(IMF)分量,通过Hilbert变换得到Hilbert谱。分析不同放煤状态下钢板振动信号的Hilbert谱发现,顶煤下落时的Hilbert谱分布较均匀,而煤矸混放时的Hilbert谱呈现不均匀分布。根据信息熵理论,提出了基于Hilbert谱信息熵的煤矸振动特征提取方法。试验结果表明,顶煤下落时的Hilbert谱信息熵要大于煤矸混放时的Hilbert谱信息熵,因此,煤矸振动的Hilbert谱信息熵特征能够准确地反映放煤状态。

Hilbert-Huang变换在爆破震动信号分析中的应用

介绍了Hilbert Huang变换(HHT)法的原理、内容和优越性,并用仿真信号进行实例分析,以验证其关键技术经验模态分解(EMD)的高效性、自适应性,以及其时频图能定量地描述时间与瞬时频率的关系。用HHT法对爆破震动信号进行分析与处理。研究结果表明:EMD能很好地按不同的时间尺度对信号进行分解,分解后的固有模态函数能反映信号本身所固有的特性;能将Hilbert能量谱中的信号能量清晰地表示在时间-频率-能量的分布图上;HHT法能有效地提取爆破震动信号的时频特征;HHT法比小波分析更具适应性,为爆破震动信号的分析与处理提供了新的研究思路与方向。

Hilbert-Huang变换在密频结构阻尼识别中的应用

Hilbert Huang变换是一种新的数据处理方法,由经验模分解(EmpiricalModeDecomposition)技术及Hilbert变换两部分组成。本文研究此方法对于密频结构阻尼识别的应用。首先对于两自由度系统模型,说明该方法用于阻尼识别的步骤。进而研究存在频率密集现象的高层建筑的阻尼识别问题。上述结果与理论值及由半功率带宽法的识别值进行了比较,对比显示Hilbert Huang方法较传统方法具有良好的识别密频结构阻尼的性能,适用于大型结构的系统识别。

基于EMD的Hilbert变换的柴油机气缸套磨损故障诊断

为准确地对柴油机进行状态监测和故障诊断,运用基于经验模态分解(Empirical Mode Decomposition,EMD)的Hilbert变换,对船用低速柴油机缸盖振动加速度信号进行分析.改变柴油机的转矩和转速,测量各工况下缸盖的振动信号,并对其进行分析;将柴油机的6个缸分为3组,分别采用3种不同性能的气缸油,让柴油机在额定工况下连续运转,测取活塞环与气缸套在不同间隙时的缸盖振动信号.结果表明,当转矩和转速同时增大时,振动加速度信号特征频带变化不大,但能量相应增加;当转矩和转速保持不变,活塞环与气缸套间隙增大时,振动加速度信号特征频带发生改变,并且能量增大.与快速傅里叶变换(Fast Fourier Transform,FFT)法及功率密度谱法的对比表明,基于EMD的Hilbert变换可以有效处理缸盖的振动信号,并可以运用到气缸套磨损故障的诊断中.

一种暂稳态电力谐波的HVD检测方法

将希尔伯特振动分解(HVD)方法应用于非平稳电力谐波分析。在剖析非平稳多谐波信号的希尔伯特变换瞬时频率表达式基础上,通过低通滤波器直接估计出幅值最大谐波分量的瞬时频率,由同步检测获得相应的幅值和初相角,通过迭代运算自适应地检测出各次时变谐波分量参数。根据电网谐波的特点,设计一种满足性能指标的F IR低通滤波器实现HVD算法的关键环节,并采用波形匹配自适应边界延拓法避免截断处理的边界效应和累积误差。仿真表明,该方法能准确检测出频率波动和幅值突变等暂态谐波并适用于稳态谐波分析,与小波变换相比,无需选取基函数且精度与运算效率更高。

基于KL-HVD的转子振动故障诊断方法研究

希尔伯特振动分解(Hilbert Vibration Decomposition,HVD)由于其虚假分量问题,严重制约了其在实际故障诊断中的应用。针对该问题,引入信息论中的K-L散度概念,提出了基于K-L散度的HVD虚假分量识别方法(KL-HVD)。KL-HVD将HVD分量视作概率分布各不相同的信号,并且认为真实分量与原信号的概率分布较为相近。该方法在原HVD方法基础上,计算HVD各分量与原信号的K-L散度值,对分量的虚假性进行量化。由于真假分量之间具有较大的差异性,选用高斯混合模型对这些分量进行聚类,自动区分出虚假分量并予以去除。此外,分别利用互信息及相关系数方法对虚假分量问题进行研究。并将三种方法应用于转子振动问题分析,结果显示三者中KL-HVD方法能够更有效地识别虚假分量,更清晰地提取出故障的时频特征。

Hilbert-Huang变换在桥梁振动分析中的应用

提出将Hilbert Huang 变换的信号处理方法应用于桥梁振动分析中。此方法是通过经验模态分解(EMD)将一复杂的原始数据序列分解成一组本征模函数(IMF)和一个残余项,然后再对每一个IMF进行Hil bert变换。这样所得到的信号幅度和瞬时频率都是时间的函数,即获得了幅度的频率时间分布,称为Hilbert Huang幅度谱,进而得到Hilbert边界谱。文中利用Hilbert Huang变换对南京桥有列车通过时的实测加速度响应进行了处理与分析,结果表明该方法可行、有效。

非平稳振动信号分析中Hilbert-Huang变换的对比研究

Hilbert -Huang变换是一种信号分析新方法,特别适合于对非平稳信号进行分析。介绍该方法的基本理论,并利用它对一个典型的旋转机械非平稳振动信号进行分析。然后通过与利用短时傅里叶变换和小波变换所得到的分析结果的对比,研究Hilbert- Huang变换在分析一般非平稳振动信号中的优势和缺陷。最后结合实际应用中遇到的问题,简要论述Hilbert- Huang变换中的经验模态分解在分析频率成分非常靠近的复杂信号时的不足和原因。研究结果表明,Hilbert- Huang变换和其他方法相比,具有分辨能力强、自适应分解、物理意义清晰、信息完整、形式简洁和易于精确分析等优点;同时也存在具有端点效应、实时性稍差和难以将复杂信号中特别靠近的频率成分分解为独立的本征模分量的缺陷。

基于HVD小波包降噪编码深度学习的风电机组智能诊断研究

针对风机齿轮箱轴承振动信号非线性非平稳性对故障诊断的干扰问题,提出一种基于降噪编码器深度特征学习和希尔伯特振动分解(hilbert vibration decomposition,HVD)的智能故障诊断方法。引入峭度评估指标,对HVD分量进行模态选择,并以小波包提取分量能量熵构造特征向量,实现数据预处理。构建层叠降噪编码器(stacked denoising autoencoder,SDAE)模型完成信号的特征学习和故障分类。采用两个轴承数据集进行算法验证,试验结果表明,提出的基于HVD小波包降噪编码方法(HWSDAE)能高效地识别故障信号,具有突出的故障诊断性能,单次最高诊断准确率高达100%,平均诊断准确率可达99.49%,相比未经预处理的轴承数据输入SDAE模型提高了13.52%的故障诊断精度。

基于HVD包络谱瞬态能量曲率的井架钢结构损伤识别

针对复杂工作环境下井架钢结构损伤识别问题,提出了一种基于希尔伯特振动分解(HVD)包络谱瞬态能量曲率的井架钢结构损伤识别方法。已知非平稳、非线性的复杂信号,利用结构低阶信息,利用HVD法将其分解为拥有缓慢变化多个信号分量之和,选取主分量提取信号特征;对于井架钢结构损伤识别,利用HVD法提取振动信号的损伤特征,将HVD包络谱瞬态能量曲率作为损伤敏感指标;计算井架钢结构振动信号包络谱瞬态能量曲率完成损伤识别,以ZJ70井架钢结构为例,通过损伤识别仿真计算,得出该指标对井架钢结构损伤敏感,能够准确识别单损伤和多损伤位置;将该方法应用于ZJ70井架钢结构实验模型,成功地识别了单损伤和两损伤,验证了该方法的可行性和准确性。

Hilbert-Huang变换在煤矸界面探测中的应用

为了解决煤矿综采工作面煤矸界面识别问题,将Hilbert-Huang变换应用于煤矸振动信号的特征提取。采用EMD方法可以将复杂环境下的煤矸振动加速度信号分解成固有模态分量,通过分析包含煤矸振动特征的前4个IMF分量,得到局部Hilbert边际谱和局部能量谱,进而发现当顶煤放落时,其振动信号的幅值和能量主要集中在100Hz至600Hz的频率范围内;而当煤矸混放时,其幅值和能量则主要集中在1000Hz左右,此时100Hz至600Hz频率范围内的幅值和能量相对有所减弱。根据上述特征定义特征函数,应用到煤矸界面识别的仿真实验中,取得了很好的识别效果。

信号相关性和EEMD-Hilbert包络在滚动轴承故障诊断中的应用

针对传统信号包络的带通滤波器的中心频率和带宽的选择不确定性和经验模式分解(EMD)在非线性非平稳信号处理中存在的模态混叠问题,提出了一种以信号的相关性为判据,获取总体经验模式分解(EEMD)的最佳IMF分量,并对其进行Hilbert包络解调获取故障特征频率,实现滚动轴承早期故障的诊断的新方法。实验分析结果表明:该方法能够准确地识别和诊断出滚动轴承的早期故障类型,适合滚动轴承早期故障的精确诊断,具有一定实用价值。

多层降噪技术及Hilbert变换的轴承故障诊断方法

轴承是电机最容易发生故障的部件之一,而轴承早期故障时的振动信号中含有大量强干扰信号,导致故障特征信号不明显,难以被检测。针对上述问题,提出多层降噪技术及Hilbert变换的轴承故障诊断方法。首先,利用经验模态分解对小波包分解处理后的振动信号进行分解,根据方差贡献率保留有效的固有模态分量;然后针对重构振动信号中的混叠干扰分量,采用奇异值分解滤波技术进行消除,并使用中心差商法筛选有效的奇异值,实现故障特征信号的提取;最后对故障特征信号进行Hilbert变换,解调出其幅值和频率函数。提出的轴承早期故障诊断方法,能够有效解决经验模态分解存在的模态混叠问题,准确提取出故障特征信号,实现轴承早期故障的识别,对实验数据的分析结果验证了该故障诊断方法的有效性。

基于Hilbert振动分解和高阶能量算子的行星齿轮箱故障诊断研究

行星齿轮箱广泛应用于各种机械设备中,其故障诊断问题是近年来的研究热点之一。提出了基于Hilbert振动分解和高阶微分能量算子的故障诊断方法。Hilbert振动分解计算复杂性低,能够将复杂信号分解为单分量,应用该方法对信号进行分解,满足高阶微分能量算子的要求。高阶微分能量算子的时间分辨率高,对信号的瞬态变化具有良好的自适应性,应用该方法检测故障引起的瞬态冲击,估计信号的幅值包络和瞬时频率。对高阶微分能量算子输出以及幅值包络和瞬时频率进行Fourier变换,通过频谱识别特征频率,从而诊断行星齿轮箱故障。分析了行星齿轮箱的仿真信号和实验信号,准确地诊断了太阳轮、行星轮和齿圈的故障,验证了该方法的有效性。

改进的HVD在滚动轴承故障诊断中的应用

针对希尔伯特振动分解(Hilbert Vibration Decomposition, HVD)在Hilbert变换及低通滤波过程中容易产生端点效应的问题,提出一种改进的希尔伯特振动分解(Improved Hilbert Vibration Decomposition, IHVD)方法。该方法分别在Hilbert变换、低通滤波及同步检测3个过程采用镜像对称延拓方法对信号进行端点预处理,消除Hilbert变换及低通滤波处理时带来的边界效应,随后将Hilbert变换及低通滤波处理后得到的瞬时频率作为参考频率,最终通过同步检测及迭代运算获得若干个幅值大小不同的分量信号。通过仿真信号和滚动轴承故障实验数据的分析结果表明,IHVD方法在振动信号分解及端点效应抑制方面具备较好的性能,并能有效地诊断出滚动轴承的内外圈故障,具备一定的实际应用价值。

基于HVD和RDT的工作模态识别

应用希尔伯特振动分解(HVD)和随机减量技术(RDT)建立了环境激励下结构工作模态参数的识别方法。基于环境激励下结构的单点振动响应信号作为分析信号,应用希尔伯特振动分解将分析信号分解为若干个包含结构模态信息的信号,再利用随机减量技术提取自由衰减信号,应用最小二乘复指数法获得各阶模态频率和阻尼比。应用该方法对5自由度剪切模型以及12层混凝土框架地震台模型的顶点地震响应作为分析信号进行了结构工作模态参数的识别,并将识别结果与其他方法识别结果进行对比。结果表明该方法识别模态频率是可靠的;对平稳结构响应信号模态阻尼比的识别有好的精度,而对非平稳响应信号有较满意的精度。

基于CEEMDAN-HT的永磁同步电机匝间短路振动信号故障特征提取研究

由于长时间处于高负荷运行状态,永磁同步电机(permanent magnet synchronous motor, PMSM)定子绕组线圈匝与匝之间的绝缘性能容易降低,导致出现匝间短路,此时电机的振动强度会发生改变。针对此现象,提出将自适应噪声完备经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)与希尔伯特变换(Hilbert transform, HT)结合,构成一种CEEMDAN-HT非线性信号分析方法,并将其应用于提取振动信号故障特征。首先,利用CEEMDAN算法分解振动信号,得到一系列本征模态函数(intrinsic mode function, IMF),并将主元分析中的方差贡献率用于识别包含故障特征信息的IMF。其次,使用HT对方差贡献率较高的IMF进行分析,并以三维联合时频图呈现时间、瞬时频率与幅值,得到了主要故障特征。最后,使用ANSYS有限元软件建立了电机短路故障模型,并搭建了短路故障试验平台,通过对比有限元仿真结果与试验结果,对提出的方法进行了有效性和准确性验证。

基于振动加速度模态分解与重构的轨道局部不平顺分析方法

低地板轻轨列车的异常振动信号多为非平稳非线性信号,针对传统时频分析方法在非平稳非线性信号处理上的局限,提出将Hilbert-Huang变换(HHT)应用于低地板轻轨列车的异常振动分析研究。针对经典HHT采用的EMD方法存在的模态混叠等困境,提出了先利用完全自适应噪声集合经验模态分解(CEEMDAN)对振动数据进行分解,再通过相关系数法剔除趋势项分量,利用小波阈值法对高频含噪分量去噪,对去噪后的高频分量和低频信息分量进行加权重构,最后进行Hilbert-Huang变换的优化处理流程。以某型低地板轻轨列车为研究对象,通过HHT得到轴箱垂向加速度的Hilbert谱,获取时间—瞬时频率—瞬时能量对应关系并实现冲击点定位,结合边际谱分析振动特征计算质量指数,判断低地板轻轨列车的异常振动原因及故障模式,结果表明该方法对低地板轻轨列车振动的特征提取与振动冲击分析有效可行。