Hilbert spectrum and intrinsic oscillation mode of dynamic response of a bilinear SDOF system: influence of harmonic excitation amplitude

Under harmonic wave excitation, the dynamic response of a bilinear SDOF system can be expressed by the Hilbert spectrum. The Hilbert spectrum can be formulated by (1) the inter-wave combination mechanism between the steady response and the transient response when the system behaves linearly, or (2) the intra-wave modulation mechanism embedded in one intrinsic mode function (IMF) component when the system behaves nonlinearly. The temporal variation of the instantaneous frequency of the IMF component is consistent with the system nonlinear behavior of yielding and unloading. As a thorough study of this fundamental structural dynamics problem, this article investigates the influence of the amplitude of the harmonic wave excitation on the Hilbert spectrum and the intrinsic oscillatory mode of the dynamic response of a bilinear SDOF system.

漏表面波IMF_(1)能量识别无砟轨道脱空适用性研究

为了研究漏表面波法对高铁无砟轨道层间脱空检测的适用性,建立脱空特征指标,通过含层间脱空的板式无砟轨道实尺模型进行试验,建立空气‑无砟轨道耦合有限元模型,分析不同工况下的冲击响应声场分布特征;进一步对漏表面波信号进行希尔伯特‑黄变换,保留高频特征信号至第1阶本征模函数(intrinsic mode function,简称IMF_(1)),分解低频干扰信号至高阶本征模函数,提出以IMF_(1)能量为特征指标的层间脱空判识方法。研究结果表明:随着脱空长度和脱空至荷载冲击点距离的增大,漏表面波IMF_(1)能量分布呈现正相关变化趋势;IMF_(1)能量对CRTSII型板式无砟轨道板中CA砂浆层脱空0.2~0.5 m较为敏感,基于漏表面波的CA砂浆层脱空检测具备一定理论可行性。

基于多域信息融合与深度分离卷积的轴承故障诊断网络模型

针对传统卷积神经网络(CNN)对滚动轴承振动信号的故障识别准确率不高这一问题,提出了一种基于多域信息融合结合深度分离卷积(MDIDSC)的轴承故障诊断方法。首先,利用自适应噪声的完全集合经验模态分解(CEEMDAN)算法对轴承振动信号进行了分解;然后,利用分解出的本征模态函数(IMF)的各个分量构建了多空间状态矩阵,并将该多空间状态矩阵输入该深度分离卷积模型中,进行了卷积训练;同时,在该深度分离卷积模型中添加了残差结构,对数据特征进行了复利用,并对卷积核进行了深度分离,解决了深度模型的网络退化问题;最后,提出了一种空间特征提取方法,对模型参数进行了修剪,采用一种自适应学习率退火方法进行了梯度优化,以避免模型陷入局部最优。研究结果表明:通过对多个轴承故障数据集进行对比分析可知,MDIDSC在轴承故障诊断方面的准确率和稳定性明显优于其他方法,MDIDSC的最高测试准确率为100%,平均测试准确率为99.07%;同时,在测试集中的最大损失和平均损失分别为0.1345和0.0841;该结果表明MDIDSC在轴承故障诊断方面具有一定的优越性。

基于IMF能量谱的水声信号特征提取与分类

经验模态分解(EMD)是用来处理非平稳时变信号的一种信号分析方法,该方法对所分析信号的局部特征信号进行不同时间尺度的分解,从而得到这些局部特征信号的各阶本征模函数(IMF)。提出了一种基于IMF能量谱的水声信号特征提取与选择方法,通过对水声信号进行经验模态分解,提取信号的本征模式分量并转换为能量谱特征向量,从而观测不同信号子频带能量谱的特征变化。分类实验采用支持向量机(SVM)分类器进行。实验结果表明,相对于小波能量谱特征提取法而言,利用IMF能量谱作为特征向量的分类实验具有更佳的分类效果,平均正确率达88%以上。

基于IMF能量矩和神经网络的轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征,提出了一种本征模函数(Intrinsic Mode Function,简称IMF)能量矩的特征向量提取法,并与BP神经网络相结合用于滚动轴承的故障诊断。该方法首先利用经验模态分解(Empirical Mode Decomposition,简称EMD)方法,把振动信号分解为若干个IMF,再将重要的IMF分量作基于时间轴的积分,得到IMF能量矩特征向量,最后借助BP神经网络的分类能力对特征向量进行分类。对滚动轴承的正常状态、外圈故障、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IMF能量熵的目标特征提取与分类方法

提出了一种基于固有模态函数(IMF)能量熵的特征提取与选择方法。对三类信号进行了经验模态分解(EMD),得到IMF。对于不同类别的信号,同阶的IMF能量有明显的不同。选择IMF能量作为特征向量,并选判别熵作为分类判据,同时给出了两种能量熵的计算公式。采用K-近邻分类器对三类信号进行了分类试验,试验结果表明,基于最佳特征向量选择的分类试验的平均正确识别率达80%以上。

基于EMD分量与小波包能量熵的轧辊磨削颤振在线预测

针对轧辊磨削颤振时的时频域单一处理方法存在部分特征丢失的问题,提出了时频域相结合的方法对信号进行特征处理,并利用智能算法实现轧辊磨削颤振的在线预测。首先,利用经验模态分解(empirical mode decomposition,EMD)方法对振动传感器信号进行分解获得各固有模态函数(intrinsic mode function,IMF),剔除“虚假分量”后计算表征轧辊磨削颤振的时域特征。然后,利用小波包能量熵对声发射传感器信号求解频率段节点能量熵值,获得表征轧辊磨削颤振的频域特征。最后,将上述时频域特征降维后代入智能算法模型实现对轧辊磨削加工的在线预测。结果表明:LV-SVM模型的磨削颤振分类平均准确率达92.75%,模型平均响应时间为0.7765 s;验证了时频域特性的EMD和小波包能量熵方法的LV-SVM在线预测轧辊磨削颤振的有效性。

基于多尺度散布熵的磁声发射信号特征识别方法

在工程中对设备进行应力检测和微损伤检测时,采集磁声发射信号易受噪声干扰,同时其特征的提取也存在困难,为此,将变分模态分解与散布熵相结合,提出了一种基于自适应多尺度散布熵的磁声发射(MAE)信号特征识别方法。首先,设计搭建了检测实验平台,采集了Q345钢静载拉伸实验中0 MPa~400 MPa应力状态下的MAE信号;然后,采用变分模态分解方法,对磁声发射信号进行了自适应分解,生成了一系列从低频到高频分布的本征模态函数(IMF)分量;其次,计算了每个本征模态函数分量的散布熵值,构建了MAE信号的特征向量矩阵;最后,将特征向量矩阵输入到基于支持向量机建立的识别分类模型中,进行了信号的训练和识别。研究结果表明:使用基于自适应多尺度散布熵的磁声发射(MAE)信号特征识别方法,能够自适应地实现MAE信号的多尺度化目的,并且准确地识别出不同应力状态下的信号特征,分类识别准确率高达95.3704%,验证了该方法的有效性;说明基于自适应多尺度散布熵和多分类支持向量机的信号特征识别方法能够快速且有效地识别不同应力状态,在信号特征识别方面具有较好的应用潜力。

重力固体潮IMF的AM-FM模型及其非线性拟合

首先建立AM-FM数学模型,用多个相近载波的调幅信号组合描述它。利用最小二乘法对幅度调制和频率调制两个部分分别进行非线性拟合;拟合以相关系数满足一定条件为精度控制原则,拟合项数以相邻相关系数不再显著变化为判定条件。有效性检验证明该方法切实可行。重力固体潮IMF的拟合结果表明,AM-FM数学模型可以很好地刻画重力固体潮IMF;重力固体潮是多个AM-FM信号合成的复合信号。为后续深入研究重力固体潮的AM-FM信号特征、循环平稳信号特征等性质建立了良好的数学基础。

应用IMF分量包络矩阵的奇异值提取机械故障特征

将信号包络和矩阵奇异值引入到机械故障诊断中,提出采用IMF(intrinsic mode function)分量包络矩阵的奇异值分解方法提取机械故障特征的方法,该方法全面反映了机械内部损伤情况,计算简单、提取特征明显。仿真实验表明,应用IMF分量包络矩阵的奇异值分解方法可有效、快速地提取机械故障特征参数,该方法在机械转子故障诊断中的应用结果较为满意。

思维作业脑电的IMF能量熵特征提取与分类研究

提出了一种基于固有模态函数(Intrinsic Mode Function,IMF)能量熵的特征提取方法。对三类脑电思维信号分别进行了经验模态分解(Empirical Mode Decomposition,EMD),并得到与其相对应的IMF。试验发现对于不同类别的信号,同阶的IMF能量的判别熵有明显的不同。而采用K-近邻分类器对三类脑电信号进行了分类,发现基于最佳特征向量选择的分类试验的平均正确识别率达75%以上。

CEEMDAN与改进形态差值滤波结合的滚动轴承故障诊断

受电机所处工作环境中诸多因素的影响,轴承故障振动数据通常会混杂大量噪声,使得故障特征被无效噪声信息所淹没。为了将轴承故障冲击特征信息从含噪信号中提取出来,提出了一种CEEMDAN与改进形态差值滤波结合的故障诊断方法。在诊断初始阶段利用CEEMDAN对故障信号加以处理,得到相应的固有模态函数(IMF);用归一化互信息及峭度值作为评判标准,筛选所需的IMFs分量信号,并以此为基础完成信号重构;利用改进形态差值滤波实现对重构信号的去噪处理;求取处理后的信号频谱并加以探究,提取故障特征信息,完成对故障的有效诊断。由实例验证结果可知,该方法可在背景噪声干扰下对故障特征频率进行较好的定位,能够作为滚动轴承故障诊断的有效方法。

基于DIGWO-VMD-CMPE的轴承故障识别方法

针对滚动轴承故障信号特征提取困难和识别准确率低的问题,提出了一种基于维度学习的改进灰狼优化算法(DIGWO)优化变分模态分解(VMD)和复合多尺度排列熵(CMPE)的轴承故障识别方法。首先,采用基于维度学习的狩猎(DLH)搜索策略、余弦收敛因子a和个体狼ω位置更新的方法将灰狼优化算法(GWO)改进为DIGWO,并利用DIGWO算法的自适应性优化VMD分解,得到了多个本征模态函数(IMFs);然后,利用复合多尺度排列熵计算IMFs的特征值,选取适当维数的特征,构建了故障特征向量;最后,利用DIGWO算法优化支持向量机(SVM)的惩罚系数C和径向基函数g,建立了DIGWO-SVM滚动轴承故障诊断分类器,并利用滚动轴承的振动数据验证了算法的有效性。研究结果表明:基于CMPE的DIGWO-SVM滚动轴承故障诊断方法能够有效地识别轴承的运行状况,识别准确率达到了99.42%,相较于PSO-SVM、SSA-SVM方法提高了7.75%、1.68%,证明了该方法的分类性能在滚动轴承故障诊断中更具优势。

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.

AOA-CEEMDAN和融合特征在齿轮箱故障诊断中的应用

自适应噪声完备集成经验模态分解(CEEMDAN)的参数由于是人为设置的,从而会导致其信号的分解不彻底。针对这一问题,提出了一种基于算术优化算法(AOA)优化CEEMDAN、融合特征和随机森林(RF)的齿轮箱故障诊断方法。首先,采用AOA算法对CEEMDAN方法的关键参数进行自适应选取,并采用优化后的CEEMDAN方法对齿轮箱振动信号进行了分解,生成若干个本征模态函数(IMF);随后,利用相关系数准则选择了前4阶IMF分量作为故障敏感分量;接着,利用由注意熵和散度熵组成的融合特征提取方法挖掘了故障敏感分量的故障特征,得到了故障敏感特征样本;最后,将表征齿轮箱故障特性的故障特征输入至RF多故障分类器中,建立了故障分类模型,完成了齿轮箱的故障识别;利用QPZZ-Ⅱ型齿轮箱数据集进行了实验,并将其结果与采用其他方法所得结果进行了对比。研究结果表明:相较于原始CEEMDAN,优化后的CEEMDAN能够更加准确地分解非线性齿轮箱振动信号,故障识别准确率提高了4%;相较于单一的故障特征,融合特征能够更加准确地表征齿轮箱的故障状态,故障识别准确率分别提高了3.2%和8%。基于AOA-CEEMDAN和融合特征提取以及RF分类器的故障诊断方法为齿轮箱的故障特征提取和故障诊断提供一种可行的思路和方案。

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。

基于加权IMF对时间序列相似匹配

经验模态分解(EMD)算法非常适合非稳定序列信号、非线性序列信号以及复杂信号的分解,具有很高的噪声比。序列信号经过EMD分解为本征模函数(IMF)以及残差序列,所分解出来的IMF包含了原序列信号不同时间尺度的局部特征信号,是整个原序列的"去杂"反映。针对IMF所包含的不同尺度的特征这一特性,给出用EMD分解原始序列信号,提取其全部有限个本征模函数和残差序列,根据不同的IMF所包含原序列的特征信息量的大小引入信息权重w,然后通过欧氏距离对各个序列不同IMF序列进行相似匹配判定,最后通过综合各个IMF所占权重综合判定时间序列的相似匹配。实验结果表明,基于IMF对时间序列相似匹配和直接对原时间序列进行匹配,前者首先对时间序列进行分解,去掉其噪声等干扰,提取出IMF间接进行加权匹配,提高了时间序列的模式匹配精度,证明了该方法的有效性。

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%。

全矢IMF信息熵用于高速列车转向架故障诊断

针对高速列车转向架振动信号具有非线性、非平稳的特征,以及单通道故障诊断带来的信息不完整问题,提出了一种多元经验模态分解(multivariate empirical mode decomposition,简称MEMD)和全矢本征模态函数(intrinsic mode function,简称IMF)信息熵相结合的高速列车故障特征提取方法。首先,使用MEMD方法对同源双通道的振动信号进行分解,得到一系列的2元本征模态函数;其次,分别计算前6个IMF的全矢IMF信息熵,通过特征评价方法进行特征维数约简;最后,将得到的特征向量作为支持向量机的输入来识别转向架的故障类型。实验结果表明,该方法能有效提高转向架的故障识别率,最高可达到100%,验证了全矢IMF信息熵在高速列车故障诊断中的可行性。

Segmented second algorithm of empirical mode decomposition

A new algorithm, named segmented second empirical mode decomposition （EMD） algorithm, is proposed in this paper in order to reduce the computing time of EMD and make EMD algorithm available to online time-frequency analysis. The original data is divided into some segments with the same length. Each segment data is processed based on the principle of the first-level EMD decomposition. The algorithm is compared with the traditional EMD and results show that it is more useful and effective for analyzing nonlinear and non-stationary signals.