IMF能量和RBF神经网络相结合在滚动轴承故障诊断中的应用研究

针对滚动轴承的故障特点,提出了一种将IMF能量与RBF神经网络相结合的方法用于故障诊断。该方法首先利用经验模态分解(EMD)方法,把振动信号分解为若干个IMF分量,再用重要的IMF分量求得IMF能量特征向量,最后将特征向量输入RBF神经网络进行故障模式分类。通过对滚动轴承的正常状态、内圈故障、滚动体故障和外圈故障信号的分析结果表明,该方法能够准确、有效地识别这些故障。

基于EEMD和归一化IMF能量差的结构损伤识别

针对结构损伤受外界环境因素影响、损伤指标不敏感等导致的结构识别困难问题,提出了一种基于EEMD和归一化IMF能量差的结构损伤识别新方法。首先对各传感器采集到的原信号进行EEMD分解得到多个IMF分量,再对各测点分解后的IMF分量进行能量的计算并进行归一化处理,求出与未损伤前各测点IMF分量的归一化能量差值,以结构损伤前后信号的EEMD分解后的IMF分量归一化能量差值作为结构损伤敏感因子构建各状态下的变化曲线,直观的判断结构损伤的位置。对三层框架模型结构和简支梁结构进行分析,结果表明该方法可以准确判断结构损伤的发生。

基于EMD与IMF能量的桥梁应变温度效应成分的提取

为通过经验模态分解提取桥梁监测动应变信号中具有周期趋势特点的温度效应成分(温度应变),需确定温度应变的多阶本征模态函数(IMF)构成。首先在时域与频域分别对信号各阶IMF的能量进行分析,再综合IMF的能量突变阶数和边际谱相关系数得到IMF阶数阈值,最后根据阈值选取多阶IMF重构信号中的周期趋势成分,达到提取应变信号中温度效应成分的目的。研究结果表明,动应变信号中的周期趋势成分使得IMF能量存在阶数突变,基于突变阶数可初步确定IMF阶数阈值的取值范围。进一步分析阈值范围内IMF频域的能量分布,发现IMF边际谱曲线的相关系数陡增至0.8以上,表明末阶IMF存在较一致的能量分布模式。通过实测数据的应用结果验证,采用首个超过0.8的IMF边际谱相关系数可较精确地确定IMF阶数阈值。基于阈值提取温度效应成分后,动应变中的活载信息保留较完整。

基于振动信号经验模态分解及能量熵的高压断路器故障识别

为了准确地检测出高压断路器的故障类型,笔者首次将经验模态分解(EMD)方法引入高压断路器的振动信号分析当中,并提出将EMD分解得到的固有模态函数(IMF)能量熵值作为表征断路器故障类型的新特征向量。为了证实该分析方法的有效性,笔者在实验室的110 kV SF6断路器上进行了模拟实验,提取了正常和故障状态下振动信号的IMF能量熵值特征向量,并以此作为径向基神经网络的输入向量。最后,引入置信度的概念,对径向基神经网络的输出结果进行评价。该方法基于实验室研究取得了较好的识别效果,并为基于振动信号的断路器故障识别提供了一条新的思路。

基于用最小二乘法改进的EMD与能量熵融合的断路器机械故障诊断方法

笔者针对经验模态分解(EMD)分解结果的准确性对实验结果的影响,利用最小二乘法对EMD进行改进,有效地缓解了EMD固有的端点效应对实验结果的影响。分别对断路器操动机构的正常振动信号和连接臂松动信号进行EMD和小波变换分解,并将能量熵分别应用到改进EMD与小波变换中。通过能量熵值计算分析表明,改进的EMD能量熵值明显大于小波能量熵,因此改进的EMD与能量熵融合法为断路器机械状态识别提供了有益的帮助。

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。

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VMD-SVM的三相异步电机故障诊断方法

针对三相异步电机信号的不稳定性及故障特征提取困难问题,提出一种基于变分模态分解(VMD)与支持向量机(SVM)相融合的电机故障诊断方法。该方法首先将采集的信号通过VMD分解得到IMF分量;其次,计算各个IMF分量的能量,再将其构成特征向量;最后对每种状态随机选取400组输入SVM模型训练,将剩余每种状态100组用于测试,通过预测标签与实际标签的比较来判断电机的故障状态。采用该方法对4种不同的电机状态进行故障诊断,结果表明与完全自适应噪声集合经验模态分解(CEEMDAN)、变分模态分解(VMD)提取各IMF能量特征相比,基于VMD-SVM的三相异步电机故障诊断方法更具优越性。

基于相对频谱能量矩和概率神经网络的柴油机气门间隙故障诊断方法

采集柴油机缸盖振动信号并进行VMD分解得到最优的振动信号IMF分量。计算IMF相对频谱能量矩得到有效的柴油机气门间隙故障特征参数并由此得到概率神经网络的训练样本,采用粒子群寻优算法建立柴油机气门间隙故障诊断的概率神经网络。实验数据表明基于VMD相对频谱能量矩的优化概率神经网络用于柴油机气门间隙故障诊断的正确率较高。

基于EMD和BP网络的轴承故障诊断方法

故障轴承的振动信号是非平稳信号,传统的非平稳信号分析手段存在许多不足;BP网络能够出色地解决传统识别模式难以解决的复杂问题。提出了经验模态分解(EMD)与BP神经网络相结合的滚动轴承故障诊断方法。采用EMD方法对振动信号进行分解,得到组成信号的多个内禀模态分量(IMF),提取重要的IMF分量的能量作为信号的特征量;采用BP网络作为模式分类器,对轴承的故障类型进行分类。经试验数据分析证明,该方法能够准确地对轴承故障进行诊断。

BPNN-SVM混合模型法监测乏燃料剪切机刀具磨损状态

提出了一种基于本征模态函数能量距法对乏燃料对剪切机工作噪声进行特征提取,并融合了BP神经网络和支持向量机构建了一种混合模型用于乏燃料剪切机刀具磨损状态的监测。对乏燃料剪切机刀具的正常、轻度磨损、重度磨损和损坏四种状态下的工作噪声信号分析的结果表明,该方法可以准确、有效地识别这些状态。

强背景噪声下基于HHT端点检测方法

端点检测是语音识别系统中十分关键的一个步骤,它对整个语音系统识别的准确性有着至关重要的作用。针对目前端点检测算法在强背景噪声下存在的不足,通过引入HHT,提出了一种基于希尔伯特-黄变换的端点检测方法。该方法首先采用EMD分解出有限个IMF,然后对IMF进行Hilbert变换,将得到的IMF能量谱作为特征参数来进行语音信号的端点检测,仿真实验证明了该算法在强背景噪声下的有效性与稳健性。

基于EEMD与模糊控制的混合储能控制策略

为实现风电平滑并网,采用蓄电池和超级电容组成的混合储能系统平抑风电出力波动。提出了基于集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)与模糊控制的混合储能控制策略。利用EEMD对风电输出功率信号进行分解。根据低、高频固有模态函数(IMF)能量的明显差异确定EEMD滤波阶次。按照风电并网波动率的限制要求,对滤波阶次进行调整,将符合波动率要求的低频分量并网,高频分量分配给混合储能系统。对蓄电池和超级电容的实时荷电状态(State of Charge,SOC)进行判断,利用模糊控制对超级电容的功率指令进行优化,防止超级电容过充和过放。仿真实例表明,所提策略既能实现风电输出功率的合理分配,有效的抑制风电波动,又能使混合储能系统的SOC稳定在合理区间,提高储能系统的使用寿命。

基于EMD和逻辑回归的轴承性能退化评估

为准确地评估滚动轴承的性能退化状态,提出了一种基于经验模态分解(empirical mode decomposition,EMD)和逻辑回归的评估方法。首先,提取轴承振动信号的本征模函数(intrinsic mode function,IMF)能量作为特征向量;其次,以轴承正常状态数据和失效状态的特征向量建立逻辑回归模型,获取回归参数;最后计算轴承信号全寿命周期的评估指数(confidential value,CV)。评估结果表明,该方法能及时发现早期故障,也能很好地描述轴承性能退化的各个阶段。