基于EEMD降噪和1.5维能量谱的滚动轴承故障诊断研究

将1.5维谱分析和Teager能量算子相结合,提出了1.5维能量谱的分析方法,并针对滚动轴承故障诊断问题,从提高故障信号信噪比的角度出发,提出基于EEMD降噪和1.5维能量谱的故障诊断新方法。该方法首先对故障信号进行聚合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)运算,得到一组本征模态函数(Intrinsic Mode Function,IMF)分量后运用相关系数-峭度准则对其进行筛选,并利用筛选出的IMF分量重构信号,最后计算重构信号的1.5维能量谱,从而获得轴承故障特征频率信息。利用该方法对滚动轴承内圈故障的模拟数据以及实测数据分别进行分析,诊断结果令人满意。

基于EEMD降噪与二次相位耦合的滚动轴承故障诊断

针对滚动轴承出现故障时故障信号常常被强的背景噪声所淹没,故障特征难以准确提取的问题,提出了一种基于总体平均经验模态分解(EEMD)降噪与二次相位耦合的故障诊断方法.对原始信号进行EEMD分解,通过相关系数-峭度值的大小选取EEMD分解后得到的固有模态函数(IMF).对筛选出来的IMF进行了重构从而达到降噪的目的.对重构后的包络信号进行1.5维谱分析,提取二次相位耦合产生的非线性特征,从而得到滚动轴承故障特征频率信息.通过实测滚动轴承数据验证了该方法可以有效地提取轴承内圈和外圈的故障特征,从而识别轴承的故障.

基于EEMD降噪和HMM的采煤机摇臂滚动轴承故障诊断

提出一种集合经验模态分解(EEMD)降噪与隐马尔科夫模型(HMM)的采煤机摇臂滚动轴承故障诊断方法。采用基于峭度准则的EEMD对采集到的振动信号进行降噪预处理,筛选出包含主要特征频率的本征模态函数(IMF),通过求取IMF信息熵提取出敏感特征集,结合训练好的HMM分类模型,对滚动轴承故障类型进行诊断识别。实验数据分析表明,所提出的基于EEMD降噪和HMM的故障诊断方法可以准确区分滚动轴承故障类型,对于4种状态轴承的识别率达到90%以上,是一种有效的采煤机摇臂滚动轴承故障诊断方法 。

基于EEMD降噪与PNN的齿轮箱齿轮故障诊断

提出一种基于集合经验模态分解(EEMD)降噪与概率神经网络(PNN)的齿轮箱齿轮故障诊断方法:利用EEMD对采集到的齿轮振动信号进行分解,得到一系列固有模态函数(IMF),然后利用相关系数准则对IMF进行处理,筛选出包含主要特征频率的部分IMF,随后求取IMF样本熵,作为PNN分类器的特征向量输入,实现对齿轮故障类型进行诊断识别。

基于EEMD降噪和FFT的转子故障振动分析

针对转子产生故障时的振动信号受噪声干扰大、故障特征不明显这一难题,提出基于集合经验模式分解(EEMD)降噪和傅里叶变换(FFT)的转子振动信号分析方法。首先利用EEMD方法将原始故障信号分解成若干本征模态分量(IMF),然后计算各分量与原始信号之间的相关系数,筛选出有用分量并进行信号重构。最后对重构信号进行傅里叶变换(FFT)得到振动信号的特征频率。数值模拟和实验结果证明该方法的有效性和实用性。

EEMD降噪与倒频谱分析在风电轴承故障诊断中的应用

针对风电轴承故障时的振动信号为低频信号,并且出现不平稳、非线性等特点,一般很难检验出来,所以提出了一种新的轴承故障诊断方法:首先提出了基于相关系数与峭度相结合的EEMD降噪方法,对轴承振动加速度信号进行去噪,然后对降噪后的信号再次进行EEMD分解并与倒频谱相结合,对振动信号进行处理。此方案不仅提高了振动信号的信噪比,而且抑制了在经验模态分解中的模式混叠现象,提高了故障诊断的准确性,充分显示了其应用在风电轴承故障诊断系统中的可行性。

基于互相关—峭度和小波软阈值的EEMD降噪方法研究

针对目前EMD分解后IMF分量优选方法的不足,提出了一种基于互相关—峭度和小波软阈值的EEMD降噪方法。该方法利用EEMD对信号进行分解得到IMF分量,计算IMF分量的峭度值、标准差及其与原信号的互相关系数。根据互相关系数、标准差和峭度值,设置优选条件,将选定的IMF分量进行重构。与互相关系数、峭度准则单独作为优选条件的重构结果进行对比,结果表明这种新型优选方法的效果更好,利用基于互相关—峭度和小波软阈值的EEMD降噪方法对滚动轴承微弱故障信号进行处理,能够更精确地提取到轴承故障特征。

基于EEMD的负压波法管道泄漏定位信号降噪

针对输油管道负压波法泄漏检测噪声干扰大,定位误差大的问题,提出了一种适合负压波泄漏定位降噪的方法。这种降噪方法在原有的经验模态分解基础上加入了白噪声,并运用了集合平均经验模态分解算法,改进了模态混叠现象。根据降噪后的数据进行负压波定位提高了精度,利用现场数据对比未降噪后的信号结果表明:该方法能够有效滤除噪声,提高信号的信噪比,使得负压波法泄漏定位精度提高。

煤矿设备故障诊断模型研究

在煤矿生产过程中,面对着复杂的生产环境,煤矿设备的故障有可能导致整个生产系统的瘫痪,从而发生危险事故,给煤矿企业带来人员及经济损失。为了能够提高设备的使用年限,避免由设备故障造成安全事故,对故障诊断理论进行综合分析,提出了融合集合经验模态分解(EEMD)的降噪技术、均相经验模态分解-最大相关峭度解卷积(UPEMD-MCKD)故障特征提取技术以及粒子群优化(PSO)优化概率神经网络(PNN)参数的故障诊断模型,可以为后续矿山安全生产工况系统的构建提供理论支持。

基于行波分析的变压器绕组匝间短路故障定位

针对变压器绕组匝间轻微短路故障定位问题,本文提出基于行波分析的故障定位方法。该法在绕组线端输入低压脉冲以获取行波反射信号,基于相关系数和SG滤波的改进EEMD降噪法降低噪声对行波的干扰,分别采用相似度分析法与能量比值法分析行波,得到大致随故障位置单调变化的故障特征集,再结合遗传神经网络建立起故障特征与故障位置的映射关系,实现匝间短路故障定位。仿真和样本实验结果表明了本文方法的可行性。