共查询到20条相似文献,搜索用时 156 毫秒
1.
滚动轴承是机械设备中广泛应用的零件,其运行状态直接影响着整个机械设备的安全,因此进行滚动轴承的早期故障诊断十分重要。本文结合EMD(经验模态分解)和Hilbert包络解调技术,对滚动轴承故障信号进行了分析,首先利用EMD将信号分解成含不同频率成分的多个IMF(本征模态函数)分量,然后挑选其中的高频IMF分量进行Hilbert包络解调,有效提取出了信号中的故障特征,验证了基于EMD的Hilbert包络解调分析方法在滚动轴承故障分析中的有效性。 相似文献
2.
基于Hilbert谱提取的舰船发动机故障信号分解 总被引:2,自引:0,他引:2
发动机故障特征提取是进行故障诊断的基础,研究舰船发动机故障信号分解下特征参数提取和专家系统故障诊断识别问题,传统方法中通过经验模态分解方法提取故障信号的基频信息,在特征分解过程中需要预先选择基函数,计算复杂,且不能反映信号的幅值在整个频率段上随频率的变化,故障信息表征不全。提出一种基于改进的经验模态分解Hilbert谱提取的发动机故障诊断方法,采用Hil-bert-Huang变换方法的Hilbert谱提取方法,把舰船发动机故障信号这一复杂信号分解成若干个IMF分量之和,利用局部极大值与局部极小值对信号的特征时间尺度进行信号包络分解,在时变ARMA(2p,2q)模型中,分别对每个IMF用Hilbert-Huang变换进行谱分析,提取故障信号的Hilbert谱特征,在Simu-link平台下进行仿真实验,结果表明该故障诊断方法和智能专家系统能准确诊断发动机5类故障,稳定性好。 相似文献
3.
《内蒙古科技与经济》2019,(21)
针对掘锚机齿轮箱故障信号具有非平稳、振动模式复杂的特点,传统方法难以进行诊断的问题,提出一种基于EEMD(Ensemble Empirical Mode Decomposition,EEMD)与多通路一维CNN(Convolutional Neural Networks, CNN)的掘锚机齿轮箱故障诊断方法。首先对齿轮箱振动信号进行EEMD分解得到内禀模式函数(Intrinsic mode function,IMF);然后利用多通路1DCNN自适应提取每个分量的特征,并将提取的特征通过一个全连接层进行拼接;最后通过分类器进行分类识别,实现齿轮箱的自动诊断。实验证明,所提方法具有较高准确率,具有一定的实用性。 相似文献
4.
《内蒙古科技与经济》2017,(9)
针对滚动轴承信号的不规则特性及振动信号表现出强非平稳性给滚动轴承故障特征提取带来困难的问题,提出VMD变分模态分解与对称差分能量算子解调的滚动轴承故障诊断方法。仿真实验结果表明所提方法能够有效地对滚动轴承进行故障诊断。 相似文献
5.
6.
针对单通道情况下传统盲源分离方法难以恢复源信号的问题,提出一种基于变分模态分解(VMD)的单通道信号盲源分离方法。首先对单通道信号进行变分模态分解(VMD)获得一系列本征模态函数(IMF)分量,将单通道信号和其IMF分量构成多维信号,然后采用主成分分析法估计源数,依据估计的源信号数目重组多通道观测信号,最后利用改进的变步长等变自适应分离(VSEASI)算法实现信号的盲分离。将所提出方法应用于齿轮和轴承的单通道信号仿真研究,仿真结果表明,该方法能够有效地分离出齿轮和轴承信号,解决了单通道信号盲源分离问题。 相似文献
7.
根据现有高压断路器机械的故障诊断方案不足,本文就高压断路器发生振声联合故障提出一种新的诊断方法。此方法基于改进集合经验模式分解(EEMD),利用核独立分量(fast KIcA)对采集到的声波信号进行分析核对盲源进行分离处理,并对处理后的声波信号以及振动信号进行EEMD处理。再对每一个分解后产生的固有模态函数(IMF)进行二维谱熵求解,再以此二维谱熵矩阵为基础对矩阵进行变换,作为其支持向量机的特征向量的输入识别断路器机械的状态。可以发现,振声联合分析方法可以有效提高高压断路器机械诊断的正确和可使用性。 相似文献
8.
9.
10.
11.
张娅婷 《内蒙古科技与经济》2019,(10)
针对常用的特征提取方法存在着误差较大,且方法多样难以有效对其进行选取等问题,提出一种基于变分模态分解和卷积神经网络的脱硫增压风机轴承智能诊断故障诊断方法,首先对信号做变分模态分解,以期把信号中不同成分分解到不同的频段节点上;最后对包含有故障信号的不同节点作为卷积神经网络的输入进行自动特征提取,利用分类器对特征进行分类,从而实现脱硫增压风机轴承的故障智能诊断。 相似文献
12.
针对某炼钢厂除尘风机服役在高温、高湿、多粉尘恶劣环境下以及强背景噪声的,致使其驱动侧滚动轴承振动信号呈现多源耦合与非线性调制特征的问题,运用融合变分模态分解(Variational Mode Decomposition,VMD)与最大相关峭度解卷积(Maximum Correlated Kurtosis Deconvolution,MCKD)实现了对除尘风机滚动轴承振动信号的降噪、故障特征频率的提取,并通过包络解调方法完成了故障的识别。 相似文献
13.
轴承早期的故障信号属于微弱信号,在强噪声背景下很难被发现,针对该问题,提出了一种局部均值分解(Local Mean Decomposition)方法的滚动轴承故障特征提取方法。通过分析故障仿真信号发现LMD将复杂信号分解为若干PF分量,先用MED对故障信号进行降噪,然后对降噪后的信号进行LMD分解,成功提取了故障信号。 相似文献
14.
经验模态分解(EMD)方法能够依据信号自身特性将其分解为周期分量和直流分量,它适用于处理非线性和非平稳信号。针对小电流接地系统故障信号的非平稳特征,提出了一种基于EMD的零序衰减直流分量选线方法。该方法对各条线路的零序电流进行EMD分解,得到衰减直流分量,并计算直流分量的均方根。依据故障线路衰减直流分量大于非故障线路的物理特性,准确选出故障线路。通过现场实际运行数据对该方法进行了验证,表明该方法能够有效判断出故障线路,满足实用化要求。 相似文献
15.
台站形变仪器观测到的地震动信号(下称形变数据)一般情况下是一条各种因素影响下的非线性非平稳的复杂曲线。选取海拉尔台形变数据,通过经验分析识别出有分析价值的形变数据,运用MATLAB对其进行经验模式分解(EMD),EMD分解得到的各分量从高频逐一向低频呈现,依次进行平稳化处理后,成功分解出不同频率的固有模态函数(IMF),与残余函数R,每一个IMF分量都代表形变数据的固有特征,残余函数R代表形变数据的趋势项,形变数据得以被重构提取,通过提取特定分量,更加直观、高效提取形变数据中所需信息,提高形变数据分析效率。 相似文献
16.
文章采用局部均值分解(Local mean decomposition,LMD)和最小二乘支持向量机(Least squares support vector machine,LSSVM)相结合的方法进行扬声器异音故障诊断的研究.首先,选取正常扬声器与漏气、铁粉杂质、小音三种故障类型的扬声器作为研究对象,在实验平台上对上述四种类型扬声器施加激励信号.然后,获得不同类型的响应信号并对其进行LMD分解,得到一系列乘积函数(Product function,PF),求出它们的能量熵,构成特征向量.最后,将提取的特征值作为LSSVM模拟分类器的输入量进行训练和识别,诊断出扬声器的故障类型.实验结果表明,该方法可以有效地对扬声器异音进行故障诊断分类,诊断准确率平均达93.42%. 相似文献
17.
根据信号的时频特征,建立了多分量信号与单分量信号之间的对应关系,并以此为基础提出了一种新的基于信号时频特征的非线性系统性能诊断技术。利用经验模态分解方法将多分量信号分解为一系列内蕴模态分量和残差函数,然后进行主成分分析,避免了模态分量间的相互关联与混叠,从而提高了Hilbert-Huang变换处理非平稳信号的准确性。以某电厂锅炉排烟温度波动诊断进行算例分析,结果表明此改进的HHT方法可有效分析各独立分量对系统性能参数的关联度。 相似文献
18.
离心泵广泛应用于现代工业生产之中,其能否稳定运行对工业实际生产带来极大影响,气蚀是离心泵运行过程中的一种常见故障。提出了一种基于粗糙集和支持向量机的离心泵气蚀故障诊断新方法。该方法对离心泵入口压力脉动信号提取经验模态分解能量比特征与小波分解能量特征,运用粗糙集理论降低特征维数,并以此特征向量构成气蚀故障样本对支持向量机进行训练,实现了气蚀故障的多特征融合。实验结果表明:降维后的特征很好地反映了不同气蚀故障间的差异,训练成功的支持向量机能快速准确地识别离心泵不同气蚀故障类型,整体识别率达到98.5%,每种气蚀信号的判别时间约为0.5s,适合气蚀的在线识别。 相似文献
19.