经典模态分解方法中内禀模态函数判据问题研究

针对经典模态分解方法的内禀模态函数判据问题 ,根据内禀模态函数完备且正交的特点 ,提出了在内禀模态函数“筛选”过程中采用能量差跟踪法来确定内禀模态函数分量。通过仿真和实际信号的分析 ,验证了采用这种方法确定的内禀模态函数分量满足正交性要求 ,表现了信号内含的真实物理信息 。

基于内禀模态符号熵的滚动轴承故障分析

经验模态分解(EMD)方法是一种自适应的局部化分析方法。首先采用EMD方法将滚动轴承振动信号分解为若干个内禀模态(IMF)分量,IMF分量是根据频率由高到低进行分解的。EMD分解得到的IMF分量突出了信号的局部特征,而轴承的故障特征通常在前几个IMF分量中集中体现出来。在此基础上将含有轴承故障特性的IMF分量转化为符号序列,再根据符号序列Shannon熵方法计算其熵值。由实测数据计算表明,内禀模态符号熵能够反映轴承不同的故障特征。

基于IMF能量矩和SVM的煤矸识别

针对综放工作面的煤矸识别问题,提出了一种基于固有模态函数(IMF)能量矩和支持向量机(SVM)的煤矸识别方法。使用仿真信号验证了该方法所提取的IMF能量矩可以反映信号的能量沿时间轴的分布情况,相较于IMF能量可以更好地表征信号的特征。使用该方法进行煤矸识别时,对放顶煤过程中采集到的顶煤和矸石冲击液压支架的振动信号进行集合经验模态分解分解(EEMD),得到若干个IMF,根据分解结果提取包含振动信号主要信息的前8个IMF分量,进一步计算其能量矩,将待测样本信号的IMF能量矩作为特征向量输入训练好的支持向量机进行放煤和放矸石两种工况的识别。试验结果表明,该方法能有效的完成对煤矸振动样本数据的识别,平均识别准确率达到90%。

基于改进的经验模态分解的滚动轴承故障诊断研究

传统的时频分析方法不能有效地处理非平稳信号，经验模态分解（EMD）非常适合处理非平稳信号，但结果可能出现伪内禀模态函数（IMF）和不敏感内禀模态函数。针对EMD的不足，提出能量门限法和敏感IMF选择法相结合来识别真IMF和敏感IMF的方法，对同时满足这两个条件的IMF作频谱变换，频谱图上可以清晰呈现故障特征信息。将改进后的EMD应用到滚动轴承故障诊断实例，证明了此方法的可行性和准确性。

基于VMD能量权重法与BWO-SVM的铣刀磨损状态监测

针对铣刀磨损状态监测中信号噪声大、监测效率低等问题,提出了一种基于能量权重法的变分模态分解(VMD)与黑寡妇(BWO)-支持向量机(SVM)的铣刀磨损状态监测方法。首先,运用VMD将铣削时产生的振动信号分解成若干固有模态函数(IMF)分量,并通过能量加权合成峭度指标自适应提取出了包含磨损状态特征的IMF分量,并进行了信号重构,对重构信号进行了特征提取;然后,利用BWO算法优化SVM的参数,构建了BWO-SVM铣刀磨损状态监测模型;最后,为了验证上述方法的有效性,以某公司真实加工现场的PHM Society 2010铣刀全寿命周期的振动数据进行了实验,并且又通过实际的工程案例对此进行了验证。研究结果表明:通过所提方法自适应提取有效分量并进行信号重构后,降噪效果明显,并通过与遗传算法(GA)和粒子群算法(PSO)优化的SVM相比,经过BWO优化的SVM的训练时间缩短至25.142 s,同时监测精度达到97.246%;采用该方法对铣刀磨损状态进行监测,能够获得更快的识别速度与更高的准确性,提高了铣刀磨损状态监测的效率。

基于自相关与能量算子增强的滚动轴承微弱故障特征提取

针对滚动轴承(rolling element bearings,REBs)早期故障振动信号冲击成分微弱,受噪声影响故障特征难以提取,提出了基于自相关和Teager能量算子增强的滚动轴承微弱故障特征提取法。利用自相关计算和经验模态分解(empirical mode decomposition,EMD),分别实现轴承振动信号整个频带随机噪声和低频噪声的抑制,突出故障冲击周期。同时,提出基于内禀模态函数(intrinsic mode function,IMF)能量比加权的互相关系数-峭度指标用于筛选最优IMF进行信号重构,强化重构信号中的故障信息。对重构信号作用Teager能量算子(Teager energy operator,TEO),得到故障冲击特征增强的瞬时能量序列,通过功率谱分析提取轴承故障特征频率。内圈故障仿真信号和滚动体故障实测信号分析表明,该方法能够有效抑制轴承振动信号噪声,对早期故障的微弱特征有显著增强作用。

气固流化床压力脉动信号的Hilbert-Huang谱分析

首次将Hilbert Huang变换 (HHT)应用于气固流化床压力脉动信号的分析 ,提取并研究了压力脉动信号中隐含的表征复杂的粒子运动与气泡运动相互调制的非线性特征 ,以及压力脉动信号高、低阶内禀模态函数(IMF)之间的能量转换与流化床的流化状态相对应的新信息 ,在此基础上提出了采用压力脉动IMF分量的能量转移现象进行颗粒结块故障判别的新方法 .结果表明 ,应用Hilbert Huang谱对压力脉动信号分析的新方法能比现有的分析方法提供更多的有用信息 ,有助于更深入地揭示床内非线性流体动力学特征 .

撞击流混合器速度信号的Hilbert-Huang变换分析

应用激光多普勒测速系统,对撞击流混合器的流场瞬时速度进行了测量。将Hilbert-Huang变换(HHT)应用于瞬时速度信号的分析,提取出各阶内禀模态函数(IMF)并通过经验模态分解(EMD)对速度信号进行滤波降噪。通过希尔伯特谱分析(HSA)确定了撞击流混合器速度信号的能量分布状况,信号能量集中于低频区,即存在于尺度较大的流体涡旋中。分析速度信号各阶内禀模态函数在不同频段的能量分布与转换,发现不同频段IMF的能量分布与流型转变之间的对应关系。通过能量特征值的提取表明,提高螺旋桨转速有助于强化系统的混合效果。最后将撞击流混合器的流场由内而外划分为中心区、涡旋区和回流区3个部分。

气固流化床压力脉动信号的Hilbert-Huang变换与流型识别

采用Hilbert-Huang变换(HHT),提取出气固流化床压力脉动信号的各阶内禀模态函数(IMFs),进一步证明了压力脉动信号是由复杂的不同波间和波内频率调制成分所组成,具有气固两相运动相互调制的非线性特征。分析各阶内禀模态函数的能量分布及其转换,发现不同频段IMF的能量与流型状态之间有着很好的对应关系,能够从整体上反映流化床的流化状态,从而提出了应用IMF中频段能量进行流化床流型识别的新方法。该方法只需一个压力脉动信号,算法简单、实用,没有需要主观决定的参数,具有较好的工业应用前景。HHT分析比现有的分析方法更能深入地揭示流化床内的非线性流体动力学特征。

撞击流反应器压力波动信号的Hilbert-Huang变换分析

将Hilbert-Huang变换(HHT)应用于撞击流反应器压力波动信号分析,并提取出浸没循环撞击流反应器压力波动信号的各阶内禀模态函数(IMF),证实了压力波动信号的非线性、非平稳特性。分析压力波动信号各阶内禀模态函数的能量分布以及高、中、低频段能量分布与转换,发现不同频段IMF的能量分布与流型转变之间的对应关系。结果表明,随着螺旋桨转速的增加,在粒子相互撞击的过程中,产生不同程度涡运动,使得各阶IMF分量的能量分布也随之变化。新的Hilbert-Huang变换分析方法直接揭示了撞击流反应器内压力波动信号经EMD分解所得的IMF分量的能量分布与流体流型转变之间的内在规律,同时也提供了一个有力的定量依据。

基于EMD和Hilbert包络谱的滚动轴承故障诊断

为了对旋转机械中滚动轴承的运行状态进行故障监测和诊断,提出了一种基于EMD和Hilbert包络谱的滚动轴承故障诊断新方法。通过在滚动轴承实验台上提取振动信号,用EMD对数据进行分解得振动信号的固有模态函数分量(IMF分量),然后对IMF作Hilbert包络并进行谱分析。结果表明,该方法能够准确地识别和诊断出滚动轴承的运行状态和故障类型,非常适合滚动轴承故障精确诊断,具有很高的工程实用价值。