基于EEMD分解和奇异值差分谱理论的轴承故障诊断研究

提出一种基于总体平均经验模态分解(ensemble empirical mode decomposition,EEMD)和奇异值差分谱的轴承故障诊断方法。首先将非平稳的原始轴承振动信号通过EEMD方法分解成若干个平稳的本征模函数(intrinsic modefunction,IMF);由于背景噪声的影响,从各个IMF的频谱中难以准确地得到故障频率。对IMF分量构建Hankel矩阵,并进行奇异值分解,进一步找到奇异值差分谱,根据奇异值差分谱理论对某IMF分量进行消噪和重构,然后再求其频谱,便能准确地得到故障频率。实验结果表明,所提出的方法能有效地应用于轴承的故障诊断。

基于小波变换和EEMD分解的转子系统故障诊断

针对转子不平衡故障和滚动轴承微弱损伤性故障的复合故障诊断问题,提出了基于小波变换和总体平均经验模态分解(ensemble empirical mode decomposition,EEMD)的故障诊断方法,进行了复合故障的耦合特征分离和故障特征频率的提取。该方法首先应用小波对原始信号进行分解与重构;然后针对分解与重构出的低频信号进行频谱分析提取低频非调制故障特征;最后针对高频共振调制信号进行基于EEMD的解调分析,以准确提取调制故障特征。通过工程实例信号的分析结果表明,该方法能够提取轴承的损伤性故障特征。

基于EEMD能量熵和支持向量机的轴承故障诊断

提出了一种基于总体平均经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)和支持向量机(Support Vector Machine,SVM)的轴承故障诊断方法。首先通过EEMD方法将非平稳的原始加速度振动信号分解成若干个平稳的本征模函数(Intrinsic Mode Function,IMF);轴承发生不同的故障时,信号在不同频带内的能量值会发生改变,故可通过计算不同振动信号的EEMD能量熵判断是否发生故障;从包含有主要故障信息的IMF分量中提取出来的能量特征作为输入建立支持向量机,判断轴承的工作状态和故障类型。实验结果表明,文中提出的方法能有效地应用于轴承的故障诊断。