下载文档原格式
基于EMD分解和共振解调的滚动轴承故障诊断研究左庆林;马怀祥【摘要】This paper introduces the fault mechanism of the rolling bearing , uses the vibration signal analy-sis method to research rolling bearing condition monitoring and fault diagnosis .Through the LabVIEW program-ming , combining the EMD decomposition and resonance demodulation , the vibration signal is analyzed , and use-ful fault features are obtained to confirm the fault types .%在介绍滚动轴承的故障机理的前提下，采用振动信号分析法对滚动轴承状态监测和故障诊断进行研究。
通过LabVIEW编程，应用EMD分解和共振解调相结合的方法，对振动信号进行分析，获取有用故障特征，进而确定故障类型。
【期刊名称】《石家庄铁道大学学报（自然科学版）》【年(卷),期】2014(000)003【总页数】5页(P59-63)【关键词】滚动轴承;故障诊断;EMD;共振解调【作者】左庆林;马怀祥【作者单位】石家庄铁道大学机械工程学院，河北石家庄 050043; 天津市地下铁道运行有限公司，天津 300051;石家庄铁道大学机械工程学院，河北石家庄050043【正文语种】中文【中图分类】TP274滚动轴承是机械传动中重要的受力部件，其性能的好坏直接影响到机械传动能否正常运行，同时也影响到设备的使用寿命和人身安全。
为确保滚动轴承正常运行，发现滚动轴承的潜在故障，有必要对滚动轴承进行状态监测和故障诊断，以期提高设备的使用效率，避免不必要的事故发生。
融合CEEMD_MPE和GK模糊聚类的故障识别方法作者：赵荣珍孙泽金来源：《振动工程学报》2020年第03期摘要：針对转子故障信号非线性、非平稳性的特点，提出了一种基于互补集合经验模态分解、多尺度排列熵和GK聚类的故障特征提取和识别方法。
首先采用互补集合经验模态分解对故障信号进行分解，依据相关系数原则，选取相关系数最大的模态分量作为分析对象;然后利用多尺度排列熵量化模态分量的故障特征作为特征向量;最后，将经过PCA（Principal Component Analysis）降维后的低维特征集输入到GK模糊聚类算法中进行故障识别分类。
将所提方法应用于典型转子实验台的故障特征集，通过分类系数与划分熵对分类效果进行检验，并与其他模式组合方法进行比较。
结果表明，本文所提方法能够更有效提取故障特征。
关键词：故障诊断;互补集合经验模态分解;多尺度排列熵;GK模糊聚类中图分类号：TH165+。
3;TH133.33+1文献标志码：A 文章编号：1004-4523（2020）03-0629-07DOI：10.16385/ki.issn.1004-4523.2020.03.023引言在对转子故障诊断研究中，对转子振动信号进行分析，从而提取出有用的故障特征信息是常用的手段之一。
在实际中，采集到的转子振动信号多是非线性、非平稳的，而传统的故障特征提取方法在处理这类振动信号时，相对比较困难。
对于故障的非平稳复杂信号，需同时在时域与频域进行分析与处理。
常用的时频分析方法有固有时间尺度分解（Intrinsic Time-scalc Decomposi-tion，ITD）、小波变换（Wavelct Transform，WT）等。
但上述方法存在一定的缺陷，比如ItD分解后分量波形易出现失真的情况;WT只能对信号的低频部分进行处理，而不能精确提取高频信息，而且小波基函数不具有唯一性，不同的小波基波形差异很大，其规则性也有很大的差异，因此，对于同一个信号选用不同的基函数进行处理得到的结果往往也不同。
《EMD时频分析方法在旋转机械耦合故障诊断中的应用研究》篇一一、引言随着工业技术的不断发展，旋转机械在生产过程中的作用日益显著。
然而，由于各种复杂因素的影响，旋转机械常会出现耦合故障，对生产效率和产品质量带来严重影响。
因此，对于旋转机械耦合故障的诊断和识别成为了重要的研究方向。
时频分析作为一种有效的信号处理方法，近年来在旋转机械故障诊断中得到了广泛应用。
其中，EMD（Empirical Mode Decomposition，经验模态分解）时频分析方法以其优秀的自适应性和稳定性在旋转机械耦合故障诊断中显示出其独特的优势。
本文旨在研究EMD时频分析方法在旋转机械耦合故障诊断中的应用，以提高诊断效率和准确性。
二、EMD时频分析方法EMD是一种基于信号本身的自适应时频分析方法，可以有效地处理非线性、非平稳信号。
该方法通过将信号分解为多个本征模态函数（Intrinsic Mode Functions，IMF），进而实现对信号的时频分析。
EMD方法具有自适应性强、抗干扰能力强、无需预设基函数等优点，因此在信号处理领域得到了广泛应用。
三、EMD在旋转机械耦合故障诊断中的应用旋转机械在运行过程中，由于各种因素的影响，可能会出现多种耦合故障。
这些故障往往表现为复杂的振动信号，传统的频域分析方法难以准确诊断。
而EMD时频分析方法可以通过分解振动信号，提取出各个本征模态函数，从而实现对故障的精确诊断。
首先，通过传感器采集旋转机械的振动信号，然后利用EMD 方法对振动信号进行分解，得到多个IMF分量。
每个IMF分量代表了一种振动模式，通过对IMF分量的分析和处理，可以识别出旋转机械的耦合故障类型和程度。
在实际应用中，EMD时频分析方法可以根据故障类型和程度，对IMF分量进行进一步的特征提取和模式识别。
例如，对于轴承故障，可以通过分析IMF分量中的频率成分和幅度变化来诊断故障类型和严重程度；对于齿轮箱故障，可以通过分析IMF分量中的相位关系和能量分布来识别故障源和类型。
基于EMD模糊熵和SVM的转子系统故障诊断
王磊;纪国宜
【期刊名称】《噪声与振动控制》
【年(卷),期】2012(032)003
【摘要】提出一种经验模态分解、模糊熵和支持向量机相结合的转子系统故障诊断方法.该方法首先对转子系统故障信号进行经验模态分解,得到若干阶表征故障信息的固有模态函数,并运用基于能量原理的虚假模态消除方法剔除虚假模态分量;再利用模糊熵能够表示信号复杂程度且具有相对稳定性等特点,选取前4阶固有模态函数的模糊熵值作为各故障信号的特征向量；最后将该特征向量输入到支持向量机中进行转子系统的故障分类.试验结果表明,该方法能够有效的提取转子系统故障特征和对转子系统进行故障诊断.
【总页数】6页(P171-176)
【作者】王磊;纪国宜
【作者单位】南京航空航天大学机械结构强度与振动国家重点实验室,南京210016;南京航空航天大学机械结构强度与振动国家重点实验室,南京210016【正文语种】中文
【中图分类】TH133;TP206.3
【相关文献】
1.基于EMD-SVM镜像延拓的转子故障诊断研究 [J], 吴炳胜;徐芮;姜金俊
2.基于CEEMDAN奇异值熵和SVM的转子故障诊断 [J], 岳晓峰;刘复秋宣;周小
龙;马国元
3.基于EEMD云模型与SVM的汽轮机转子故障诊断方法 [J], 田松峰;胥佳瑞;王美俊;韩强
4.基于EMD奇异值熵和GASVM的转子系统故障诊断方法 [J], 毛仲强;王立辉;段礼祥;金琳;谢骏遥
5.基于CEEMDAN模糊熵和SVM的滚动轴承故障诊断 [J], 刘晓婉
因版权原因，仅展示原文概要，查看原文内容请购买。
基于EMD和SVM技术风电齿轮箱早期故障诊断研究的开题报告一、研究背景及意义随着全球经济的快速发展，对能源的需求不断增长，其中风力发电在减少化石能源排放和可持续发展方面扮演重要角色。
然而，风电场中的风力机器人是易受到机械和环境影响的机械设备之一，特别是齿轮箱，其对风力机器人性能的影响非常重要。
因此，提高风电场齿轮箱的故障诊断准确性，确定齿轮箱故障的发生和类型，以及早期有效的预警是风电场运行高效的关键所在。
使用机器学习方法识别机械故障已经成为大数据时代中的重要研究领域，并且在这个领域发展得很快。
其中，基于振动信号的机械故障诊断方法成为机器学习与地震学等领域的交叉点，成为诊断机械故障的重要手段。
在振动信号处理过程中，EMD提供了一种有效的振动信号解析方法，SVM则用于处理所得到的特征向量中的分类问题。
因此，基于EMD和SVM的齿轮箱早期故障诊断方法应运而生。
二、研究内容及方法1.研究内容本研究旨在提出一种基于EMD和SVM技术的风电齿轮箱早期故障诊断方法，以提高风电场齿轮箱故障预警的准确性。
研究工作包括两个方面：（1）开发一种综合EMD和SVM技术的故障诊断模型，包括振动信号处理、特征提取、特征融合和SVM分类器构建等方面。
（2）在真实风电场齿轮箱故障数据集上进行实验验证，以评估所提方法的准确性和性能。
2.研究方法（1）EMD分解EMD将非平稳振动信号分解成不同尺度的固有模态函数（IMF），最后的残差可以作为高频噪声。
因此，可以从IMF中提取有关齿轮箱故障的特征。
（2）特征提取从EMD分解的不同IMF中提取能量、方差、峭度、能量比、波形因子等特征。
可以应用小波包分解进行特征融合。
（3）SVM分类器使用SVM分类器将提取的特征向量映射到高维空间，以实现分类问题。
选择核函数对数据进行核变换，以便将训练样本和测试集投影到高维空间。
（4）实验验证在真实风电场齿轮箱故障数据集上进行实验验证，以评估所提方法的准确性和性能。
《基于EMD和随机共振的机械故障特征提取方法研究》篇一一、引言随着工业的快速发展，机械设备的运行状态监测与故障诊断变得越来越重要。
准确提取机械故障特征是进行故障诊断的关键步骤。
传统的信号处理方法在处理非线性和非平稳信号时存在一定局限性。
为了更有效地提取机械故障特征，本文提出了一种基于经验模态分解（EMD）和随机共振（Stochastic Resonance）的机械故障特征提取方法。
二、经验模态分解（EMD）理论基础EMD是一种自适应的信号时频分析方法，能够将复杂的非线性和非平稳信号分解为有限个本征模态函数（IMF）。
EMD通过多次迭代，将信号中不同频率、不同尺度的模式逐一分解出来，从而实现对信号的时频分析。
三、随机共振理论基础随机共振是一种利用外界随机噪声辅助系统恢复其固有共振特性的方法。
在机械故障诊断中，随机共振可以增强信号中的微弱故障特征，提高信噪比，从而有利于故障特征的提取。
四、基于EMD和随机共振的机械故障特征提取方法本文提出的基于EMD和随机共振的机械故障特征提取方法，首先利用EMD将机械设备的振动信号分解为多个本征模态函数；然后，对每个本征模态函数应用随机共振技术，增强其中的故障特征；最后，通过统计分析和模式识别等方法，提取出机械故障的特征。
五、方法实施步骤1. 对机械设备的振动信号进行EMD分解，得到多个本征模态函数。
2. 对每个本征模态函数应用随机共振技术，增强其中的故障特征。
3. 对增强后的本征模态函数进行统计分析，提取出机械故障的特征。
4. 利用模式识别等方法对提取出的故障特征进行分类和识别，实现故障诊断。
六、实验与分析为了验证本文提出的方法的有效性，我们进行了实验。
实验结果表明，基于EMD和随机共振的机械故障特征提取方法能够有效地提取出机械设备的故障特征，提高信噪比，从而有利于故障诊断。
与传统的信号处理方法相比，该方法在处理非线性和非平稳信号时具有更好的适应性和准确性。
七、结论本文提出了一种基于EMD和随机共振的机械故障特征提取方法，该方法能够有效地提取出机械设备的故障特征，提高信噪比，从而有利于故障诊断。
《基于EMD和随机共振的机械故障特征提取方法研究》篇一一、引言随着工业技术的快速发展，机械设备的复杂性和运行环境的多变性导致了故障的多样性和隐匿性。
机械故障的特征提取对于设备运行状态的监测和维护具有至关重要的作用。
传统的故障诊断方法往往依赖于专业人员的经验和知识，但这种方法受限于人为因素，且在复杂多变的故障模式面前显得捉襟见肘。
因此，研究一种能够自动、准确地提取机械故障特征的方法显得尤为重要。
本文将探讨基于经验模态分解（EMD）和随机共振的机械故障特征提取方法，旨在提高故障诊断的准确性和效率。
二、EMD方法及其在机械故障特征提取中的应用EMD是一种自适应的信号处理方法，能够根据信号本身的时频特性进行分解，提取出信号中的不同模态。
在机械故障特征提取中，EMD可以通过对设备运行信号的分解，将信号中的故障信息分解到不同的模态中，从而便于后续的特征提取和识别。
EMD 方法具有较好的自适应性和鲁棒性，能够有效地处理非线性和非平稳信号。
然而，EMD方法在处理含有噪声的信号时，可能会出现模态混叠等问题，影响故障特征的提取。
因此，需要结合其他方法，如噪声抑制、信号预处理等，以提高EMD在机械故障特征提取中的效果。
三、随机共振在机械故障特征提取中的应用随机共振是一种基于物理原理的信号处理方法，能够通过引入适当的噪声来增强信号中的微弱成分。
在机械故障特征提取中，随机共振可以有效地增强设备运行信号中的故障特征，提高信噪比，从而便于后续的特征提取和识别。
随机共振方法具有较好的抗干扰能力和鲁棒性，能够有效地处理含有噪声的信号。
四、基于EMD和随机共振的机械故障特征提取方法针对机械故障特征提取的复杂性，本文提出了一种基于EMD 和随机共振的机械故障特征提取方法。
该方法首先对设备运行信号进行EMD分解，将信号中的不同模态分离出来。
然后，通过引入适当的随机共振噪声，增强信号中的故障特征。
最后，对处理后的信号进行特征提取和识别，得到设备的运行状态和故障类型。
基于相关系数原理EMD的转子故障特征提取方法研究
吕世鹏
【期刊名称】《现代制造技术与装备》
【年(卷),期】2018(000)006
【摘要】转子运转故障诊断时,采样信号中含有振动冲击和噪声,会对故障特征提取造成一定的干扰.针对转子故障振动信号特征提取不明显的问题,提出了一种基于相关系数原理的经验模态分解(EMD)方法,在使用EMD方法对故障信号进行时频分析的基础上,结合相关系数原则和EMD方法本身的滤波特性,对本征模态函数(IMF)进行筛选以达到降噪凸显故障特征的目的.试验数据分析证明,该方法能够有效运用于转子故障特征提取.
【总页数】2页(P54-55)
【作者】吕世鹏
【作者单位】新疆大学机械工程学院,乌鲁木齐 830047
【正文语种】中文
【相关文献】
1.基于EMD-神经网络的电动机转子故障诊断方法研究 [J], 杨存祥;朱琛;仝战营
2.基于EMD-神经网络的电动机转子故障诊断方法研究 [J], 杨存祥;朱琛;仝战营
3.基于改进HFHA-EMD和双相关系数准则的液压泵特征提取方法研究 [J], 舒思材;韩东
4.基于二次EEMD的转子故障信号时频分析方法研究 [J], 马银戌;王文平;鄢小安;
尤林
5.基于CEEMD阈值和相关系数原理的MEMS陀螺信号去噪方法 [J], 张宁
因版权原因，仅展示原文概要，查看原文内容请购买。
EMD技术在机械震动故障中的诊断方法
李富香;张韡
【期刊名称】《舰船科学技术》
【年(卷),期】2016(0)10X
【摘要】齿轮箱是船舶机械动力系统的核心装置,连接着动力系统各精密零部件,在船舶的整个航行中起着动力枢纽作用,对它的故障诊断的效率及准确性关系着航行的效率,也船舶系统工程重要研究方向。
传统的故障诊断依靠测量设备对振动点进行大量测量,随后通过时域信号分析,其测量工作繁重且信号分析复杂度较大,已越来越不能适应现代故障检测要求。
本文利用EMD技术对机械振动中的故障进行检测,对振动信号降噪利用小波变换进行处理,有效提高了诊断效率及精确度。
【总页数】3页(P154-156)
【关键词】齿轮箱;故障检测;EMD
【作者】李富香;张韡
【作者单位】青海省交通干部教育培训中心;长安大学汽车学院
【正文语种】中文
【中图分类】U674.70
【相关文献】
1.一种EMD改进方法及其在旋转机械故障诊断中的应用 [J], 时培明;丁雪娟;李庚;韩东颖
2.EMD端点效应的改进型混沌延拓方法及其在机械故障诊断中的应用 [J], 蔡艳平;
李艾华;石林锁;何艳萍;赵静茹
3.基于EMD的多尺度形态学解调方法及其在机械故障诊断中的应用 [J], 罗洁思;于德介;彭富强
4.旋转机械故障诊断中的EMD-HMM识别方法研究 [J], 李志农;蒋静;唐高松;韩捷
5.基于EMD的能量算子解调方法及其在机械故障诊断中的应用 [J], 程军圣;于德介;杨宇
因版权原因，仅展示原文概要，查看原文内容请购买。
基于EMD和Hilbert谱的风电机组滚动轴承故障诊断方法研
究
李鹏飞;闫佳;左蓬;苏伟
【期刊名称】《微型电脑应用》
【年(卷),期】2024(40)1
【摘要】滚动轴承是风电机组传动系统的关键零部件,恶劣的服役工况导致其故障率比较高,且故障所造成的经济损失比较大,对风电机组滚动轴承故障诊断具有重要的现实意义。
针对传统包络谱分析在复杂故障诊断中的局限性,联合EMD和Hilbert谱提出了滚动轴承故障诊断的新方法。
对实测振动信号进行小波分解得到高频系数,并对高频系数进行Hilbert变换,得到包络信号。
将包络信号进行EMD 分解,计算各IMF分量的瞬时频率,结合故障频率选择有用的IMF分量,最终得到用于故障诊断的局部Hilbert边际谱。
将该方法应用于实测风电机组滚动轴承外圈和内圈故障振动信号分析中,其在提取滚动轴承故障频率方面的性能优于传统包络谱分析法。
【总页数】5页(P36-40)
【作者】李鹏飞;闫佳;左蓬;苏伟
【作者单位】河北新天科创新能源技术有限公司
【正文语种】中文
【中图分类】TH165
【相关文献】
1.基于LCD-Hilbert谱奇异值和QRVPMCD的滚动轴承故障诊断方法
2.基于Hilbert边际谱的滚动轴承故障诊断方法
3.基于EMD和Hilbert包络谱的滚动轴承故障诊断
4.基于EMD-K-HT的风电机组滚动轴承故障特征提取方法研究
5.基于EMD和Hilbert包络谱分析的滚动轴承故障诊断研究
因版权原因，仅展示原文概要，查看原文内容请购买。
