IMF分量的倒频谱分析在滚动轴承故障诊断中的应用

轴承局部损伤故障引起的振动响应往往会被较大的振动信号所掩盖,影响故障的正确诊断。本文提出IMF分量的倒频谱分析方法,首先将复杂的信号分解为有限的内禀模态函数(IMF)之和,对原始振动信号进行降维;再对IMF分量进行倒频谱分析,利用倒频谱方法准确地提取振动信号幅值谱上的周期特征。对EMD分解得到的多个IMF分量同时做倒频谱分析,可以相互验证,从而得到更可靠、更准确、更可信的诊断结果。通过对IMF分量的倒频谱分析法和Hilbert包络谱分析法诊断效果进行比较,结果表明,IMF分量的倒频谱分析方法比Hilbert包络谱分析提取的故障频率特征更精准、可靠。

基于最优IMF分量和KSVD的滚动轴承故障声音信号特征提取

针对滚动轴承声音信号中周期性冲击故障特征难提取的问题,提出了基于最优IMF分量与KSVD字典学习相结合的轴承故障特征提取方法。首先,利用VMD分解原始信号获得一系列IMF分量;其次,利用SAF指标自适应选取最优IMF分量,并作为训练信号;最后,利用KSVD字典学习方法训练出字典库,通过正交匹配追踪算法(OMP)对原始信号处理得到稀疏信号,并对稀疏信号进行包络谱分析。仿真及实验结果表明,对比传统KSVD字典学习方法,该方法得到的稀疏信号信噪比(SNR)更高,能更准确地提取滚动轴承周期性冲击,增强了轴承故障特征。

基于峭度与IMF能量融合特征和LS-SVM的齿轮故障诊断研究

针对齿轮振动信号非线性非平稳特性,为避免传统时频方法在表征设备状态时的不足,提出一种基于融合峭度与IMF能量特征和LS-SVM的齿轮故障诊断方法。首先,对齿轮振动信号在EMD分解;然后,提取包含主要故障信息的IMF分量的峭度特征和能量特征,组成融合特征向量;最后,将齿轮正常、齿根裂纹、断齿3种状态下的融合特征向量输入到LS-SVM,通过训练好的LS-SVM对齿轮状态进行分类识别。仿真实验结果表明:该方法能准确识别齿轮的工作状态,且与BP神经网络、SVM相比,有着更高的故障识别效率,可用于齿轮信号的故障诊断。

基于IMF灵敏度分析的柴油机振动源影响规律

为了确定柴油机供油参数对振动源的影响,提出了振动信号IMF分量灵敏度分析方法.结合试验手段与信号处理技术,在IMF分量灵敏度理论分析的基础上建立了IMF分量灵敏度分析流程及计算模型,并采用该模型对模拟仿真信号与缸盖振动信号进行了计算分析.分析结果表明,模拟仿真信号验证了IMF分量灵敏度计算分析的有效性,同时,IMF分量的灵敏度分析能够有效识别与供油压力密切相关的振动源,从而实现了供油压力的合理选择,为柴油机振动控制提供了参考依据.

多分量到单分量可用EMD分解的条件及判据

基于数据时域局部特征的EMD分解算法可把复杂的数据分解成有限、少量几个内蕴模式函数分量,是一种数据驱动的自适应时频分析方法．文中将Huang的EMD分解定性为从多分量信号到单分量信号的分解算法,并给出了多分量到单分量可用EMD分解的条件,而且通过建立二级极值点结构,给出了从多分量到单分量用EMD分解的极值点判断准则．通过大量实验,验证了可分解条件及判据的合理性．

基于本征模态函数分量能量比的高速铁路钢轨波磨声学诊断方法

为了解决高速铁路钢轨波磨的快速检测问题,提出通过运营动车组车下声信号进行声学诊断的方法。该方法针对钢轨波磨声信号的低信噪比且易被掩蔽的特点,首先通过集成经验模态分解(EEMD)从高频到低频把含有严重噪声的初始信号分解为具有不同模态的子信号即本征模态函数(IMF)分量。根据IMF分量的能量比畸变特征筛选得到钢轨波磨区段对应的IMF分量,然后进行Hilbert变换得到时频域特征,从而实现对钢轨波磨区段的识别。经在一高速铁路2个典型路基区段进行现场验证,采用该方法可将钢轨粗糙度等级22.8 dB(幅值13.8μm)的钢轨波磨初期区段识别出来,且声学诊断识别出的瞬时峰值频率与由现场实测结果推算出的理论声学特征频率仅相差3.3%,准确度较高。

基于IMF聚合与SVD的城轨车辆牵引电机轴承故障诊断

为有效提取城市轨道车辆牵引电机轴承的故障特征,提出一种基于本征模式分量(IMF)聚合与奇异值分解(SVD)相结合的轴承故障诊断方法。该方法首先运用经验模式分解(EMD)将原始振动信号分解成一系列本征模式分量;其次在利用皮尔逊积矩法进行本征模式分量的筛选后将剩余的分量聚合重构,再将重构信号运用奇异值分解降噪;最后对降噪信号进行Hilbert谱分析,实现轴承故障特征向量的提取。城市轨道车辆牵引电机轴承实测数据的分析结果表明该方法能够有效提取故障特征信号,对轴承故障进行有效的诊断。

VMD和SO优化SVM的光纤复合海缆故障诊断研究

为了进一步提高光纤复合海底电缆的故障诊断准确率,提出了基于VMD及SO优化SVM的故障诊断方法。首先,使用VMD对故障数据进行分解,得到若干条IMF分量并利用皮尔逊相关系数做进一步筛选。其次,对筛选得到的IMF分量进行特征提取,分别提取各分量的峭度、近似熵及模糊熵。最后,将上述特征值构成的特征向量输入经SO优化的SVM中进行训练及分类,得到故障诊断结果。实验结果表明,采用本文提出的基于VMD和SO优化SVM的故障识别方法,光纤复合海底电缆的故障识别准确率达到了100%,分别比SVM、GA-SVM、GWO-SVM、CNN方法的识别准确度高7.5%、5%、5%、7.5%。

EEMD与改进小波阈值结合应用于心电信号去噪研究

心电信号监测过程中噪声是不可避免的,目前主要采用EEMD算法对观测信号所带有的噪声进行滤除,但该方法会直接丢弃高频噪声主导的低阶IMF分量或低频噪声主导的余项,导致部分有用信息丢失。为此,文中提出将改进的小波阈值与EEMD相结合,应用于心电信号去噪。改进的阈值方法能有效地去除各IMF分量噪声,再将处理后的各分量叠加,得到去噪的心电信号。通过真实监测信号实验进行验证,结果表明,所提方法具有较好的去噪声和重构效果,能够完整地保留QRS特征。

基于多级特征全局一致性的多焦距图像融合去雾方法

雾气是降低多焦距图像清晰度的重要影响因素之一,为了最大程度地提高图像质量,提出基于多级特征全局一致性的多焦距图像融合去雾方法。考虑多焦距图像成像的环境因素,构建大气散射退化模型。在IMF分量融合规则支持下,融合多焦距图像样本,从纹理和颜色两个方面提取图像特征。计算多焦距图像环境光与透射率作为去雾参数,根据局部特征与全局特征差异,完成图像多级特征一致性转换,实现多焦距图像的融合去雾。实验结果表明,所提方法有效去雾系数提升了0.21,图像的对比度和信息熵分别提升了2.6和2.7 bit,即所提方法在多焦距图像去雾方面具有较好的应用效果。

基于改进的MEEMD的隧道掘进爆破振动信号去噪优化分析

爆破振动信号受现场条件限制,多为复杂含噪信号,对降噪方法的性能提出更高要求。为了获得真实振动特征,建立了一种基于改进的总体平均经验模态分解(modified ensemble empirical mode decomposition,MEEMD)的联合去噪方法。首先,将原始信号进行MEEMD分解得到本征模态分量(intrinsic mode function,IMF),结合相关系数和样本熵(sample entropy,SE)-Hurst指数进行IMF分类;然后,针对含噪IMF分量中的残留噪声,使用最小均方(least mean square,LMS)自适应滤波进行降噪,达到信号去噪的目的。算法对比结果表明:在仿真试验中,MEEMD-LMS相较互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)、快速集合经验模态分解(fast ensemble empirical mode decomposition,FEEMD)等方法表现出更优的降噪性能;在隧道掘进爆破的实例分析中,MEEMD-LMS相较MEEMD对高频噪声的降噪效果更好,低频段频谱更清晰,具备良好的适用性。

基于经验模态分解的企业等值连接共享数据加密方法

为降低网络带来的企业等值连接共享数据泄露风险,研究基于经验模态分解的企业等值连接共享数据加密方法。依据哈希算法完成企业多路数据等值连接共享;使用经验模态分解将共享数据分解成多个IMF分量;通过基于同态加密和密钥共享的企业等值连接共享数据加密方法,使用公钥对第二个至最后一个IMF分量进行同态加密;利用私钥将加密结果解密后与第一个IMF分量相加,实现企业等值连接共享数据加密。实验结果表明:等值连接响应时间均在15~25s内,发生恶意攻击时,窃取密钥和正确密钥间的相关系数始终低于0.003。

基于互补集合经验模态分解的烃类识别技术

储层含油气后,地震数据的振幅、频率等信息会发生变化,这为利用地震数据进行油气识别奠定了基础。根据互补集合经验模态分解(CEEMD)算法能够自适应分离出复杂信号的局部特征信息的优势,提出利用该算法提取地震数据中的烃类信息。分别采用经验模态分解(EMD)算法、集合经验模态分解(EEMD)算法以及CEEMD算法对MarmousiⅡ模型合成记录及实际测井数据合成记录进行分解,发现:基于EMD算法得到的各阶固有模态函数(IMF)分量与油气无明显对应关系;而在基于EEMD算法和CEEMD算法得到的IMF分量中,IMF1分量能够突出油气层的地震响应,压制非油气层处的地震响应,但在集成次数较少时,EEMD算法对应的IMF1分量受白噪声影响较为明显。相比EMD算法、EEMD算法,在较少计算量下,基于CEEMD算法得到的IMF1分量能够高精度刻画烃类的分布范围。最后将该方法应用于渤海A油田,根据该方法得到的烃类识别结果,部署A2井落实油水界面,该井实钻0.9 m油层、1.3 m油水同层及6.1 m水层,钻前预测结果与实钻结果基本一致,证实了方法的可行性与有效性。

基于经验模态分解的分数维地震随机噪声衰减方法

经验模态分解算法(EMD)是一种基于有效波和噪声尺度差异进行波场分离的随机噪声压制方法,但由于实际地震数据波场复杂,导致模态混叠较严重,仅凭该方法进行去噪很难达到理想效果.本文基于EMD算法对信号多尺度的分解特性,结合Hausdorff维数约束条件,提出一种用于地震随机噪声衰减的新方法.首先对地震数据进行EMD自适应分解,得到一系列具有不同尺度的、分形自相似性的固有模态分量(IMF);在此基础上,基于有效信号和随机噪声的Hausdorff维数差异,识别混有随机噪声的IMF分量,对该分量进行相关的阈值滤波处理,从而实现有效信号和随机噪声的有效分离.文中从仿真信号试验出发,到模型地震数据和实际地震数据的测试处理,同时与传统的EMD处理结果相对比.结果表明,本文方法对地震随机噪声的衰减有更佳的压制效果.

基于RBF神经网络的EMD方法在海平面分析中的应用

采用径向基函数神经网络法延拓原始数据序列,有效抑制了EMD分解中出现的端点发散效应,从而实现准确的EMD分解。利用该方法对中国近海验潮站的月平均海平面资料进行处理,分解得到的内在模函数分量代表了海平面各种周期性变化。通过EMD分解得到的总体自适定趋势项为非线性变化,比以往趋势项提取方法更有优势,它反映了在资料长度内海平面的长期升降情况。数据序列越长,该方法所能分解出来的IMF成分越多,可分辨的频率越小。

小波脊线解调与两次EMD分解相结合的故障识别方法及应用研究

提出了一种基于小波脊线解调与两次经验模态分解(EMD)相结合的故障识别方法,用于轴向柱塞泵的故障诊断。结合EMD与小波脊线法在处理非平稳信号方面的优势,首先对故障原始信号进行了EMD分解,利用边际谱发现故障发生时的共振频带范围并据此找出对故障敏感的固有模态函数(IMF)分量,然后对该敏感IMF分量分别进行小波脊线解调和Hilbert解调,最后通过比较两种解调方法解调后敏感分量的时频谱和三维谱图发现,小波脊线解调比Hilbert解调具有更高的时频定位精度和抗干扰能力。此后,分别对小波脊线解调与Hilbert解调后的敏感分量进行EMD再分解,利用所得的各阶二次IMF分量的归一化特征能量来构造特征向量,得到液压泵5种典型状态的样本集,结合K均值聚类算法对故障状态进行识别。研究结果表明,与采用Hilbert解调处理方法相比,利用2次EMD分解与小波脊线解调相结合的故障特征向量提取方法显著提高了故障识别准确率,故障确诊率可高达92%。

Wavelet_Huang和Hilbert_Huang方法用于非高斯风压信号分析的比较研究

非高斯风压时程具有间歇性的大脉冲信号和不对称性,传统的傅里叶变换无法得到信号的频谱特性随时间的变化过程,也不能识别出不同频段处信号的变异性。采用一种结合经验模式分解(EMD)和小波变换(WaveletTransform)的方法(简称WHT)对非高斯风压信号进行时-频-谱联合特性分析,随后讨论了不同频段处信号的奇异性、冲击性和分辨率;并和Hilbert_Huang变换(简称HHT)分析的结果进行对比。两种方法处理非高斯信号都能很好地提取信号的主要特征和分解、重构;由于小波基尺度有限并受到测不准原理的限制,WHT方法得到的小波谱的能量在频率范围内分布较宽,而HHT方法得到的Hilbert能量谱大多都集中在有限的能量谱线上;WHT方法进行不同频段处信号的变异性检测是对EMD分解得到的IMF分量进行小波分解,其更能反映原始数据的固有特性,在任意感兴趣的频段捕捉到信号的局部特征。研究结果表明,HHT方法可以更好地进行非高斯信号的谱特性分析,而WHT方法在信号的分解、重构和变异性检测时效果更好。

应用经验模式分解法处理超声无损检测信号

超声无损检测一直是无损检测领域研究的热点,由于材料内部组织结构的复杂性,超声回波信号中往往存在着大量的噪声干扰。引入一种新的处理非线性、非平稳信号的经验模式分解法(EMD)来处理超声检测信号。该方法把检测信号分解若干个内在模式分量(IMF),突出了信号的局部特征。结果表明,EMD方法能有效抑制干扰,对于360mm深的缺陷试样,缺陷定位精度达1mm。

基于频率截止的EEMD方法研究

为解决总体平均经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)中虚假IMF分量过多问题,提出了一种基于频率截止的EEMD方法。该方法采用一种新的IMF筛分终止条件——以信号自身的最小频率为EMD分解IMF分量的截止频率;然后将基于频率截止的IMF筛分终止条件引入EEMD分解。通过仿真和实测信号分析,并与EMD、EEMD分解结果比较得到,运用频率截止的EEMD方法不仅有效减少了虚假IMF分量的产生,使得分解的目的性更加明确,而且保证了EEMD分解出的IMF分量的完备性,更好地抑制了模态混叠现象。

基于EMD和Hilbert包络解调的滚动轴承故障诊断方法研究

滚动轴承的运行状态会直接影响到整个旋转机械的性能,提出一种将经验模态分解和Hilbert包络分析相结合的方法对滚动轴承进行故障诊断。经验模态分解具有自适应性,能有效地将携带故障信息的高频调制信号从原信号中分离出来;利用Hilbert变换对包含滚动轴承故障所在的高频段进行包络谱分析,提取故障特征频率。将提取的特征频率与根据轴承型号参数和转速所得的滚动轴承的故障特征频率进行对比,能够辨识出滚动轴承的故障。通过对实验采集的滚动轴承振动信号进行分析,证明了该方法有效性和准确性。