基于EMD-AR和关联维数的轧机主传动系统故障诊断研究

合集下载

基于EMD和分形维数的转子系统故障诊断

基于EMD和分形维数的转子系统故障诊断

基于EMD和分形维数的转子系统故障诊断
程军圣;于德介;杨宇
【期刊名称】《中国机械工程》
【年(卷),期】2005(016)012
【摘要】提出了一种基于EMD方法和分形维数的转子系统故障诊断方法.利用EMD方法将转子振动信号进行分解,得到若干个基本模式分量,然后将包含主要故障信息的几个基本模式分量相加得到降噪后的转子振动信号,求得降噪后的转子振动信号的分形维数.试验数据的分析结果表明,在不同的故障状态下,采用EMD方法对转子振动信号降噪后求得的分形维数是不同的,从而可以通过分形维数的大小有效地判断转子系统的工作状态和故障类型.
【总页数】4页(P1088-1091)
【作者】程军圣;于德介;杨宇
【作者单位】湖南大学,长沙,410082;湖南大学,长沙,410082;湖南大学,长
沙,410082
【正文语种】中文
【中图分类】TH165
【相关文献】
1.基于EMD模糊熵和SVM的转子系统故障诊断 [J], 王磊;纪国宜
2.基于小波变换和EEMD分解的转子系统故障诊断 [J], 董文智;张超
3.基于EMD分形维数的轧机主传动系统故障诊断方法研究 [J], 孟宗;刘彬;刘利晖;
于伟凯
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.基于分形维数的转子—机匣系统故障诊断研究 [J], 江龙平;徐可君;唐有才
因版权原因,仅展示原文概要,查看原文内容请购买。

《2024年基于EMD和随机共振的机械故障特征提取方法研究》范文

《2024年基于EMD和随机共振的机械故障特征提取方法研究》范文

《基于EMD和随机共振的机械故障特征提取方法研究》篇一一、引言随着工业自动化和智能化水平的不断提高,机械设备的故障诊断与预测维护变得越来越重要。

机械故障特征提取作为故障诊断的关键技术之一,对于提高设备的运行可靠性和维护效率具有重要意义。

然而,由于机械设备运行环境的复杂性和多变性,传统的故障特征提取方法往往难以准确有效地提取出故障信息。

因此,研究基于新型信号处理技术的机械故障特征提取方法,对于提高故障诊断的准确性和可靠性具有重要意义。

本文提出了一种基于经验模态分解(EMD)和随机共振的机械故障特征提取方法,旨在为机械设备的故障诊断提供一种新的有效手段。

二、EMD技术及其在机械故障特征提取中的应用EMD(Empirical Mode Decomposition)是一种自适应的信号时频分析方法,能够有效地处理非线性、非平稳信号。

在机械故障特征提取中,EMD可以通过对振动信号进行多层次分解,将复杂的信号分解为若干个具有物理意义的固有模态函数(IMF),从而提取出与故障相关的特征信息。

然而,EMD方法在处理含有噪声的信号时,往往会出现模态混叠等问题,影响特征提取的准确性。

三、随机共振技术及其在机械故障特征增强中的应用随机共振是一种利用随机噪声辅助信号处理的非线性处理方法。

在机械故障特征提取中,随机共振技术可以通过引入适当的随机噪声,增强信号中的微弱特征,提高信噪比,从而更好地提取出与故障相关的特征信息。

然而,随机共振技术在应用过程中需要合理选择噪声参数和滤波器参数,以避免噪声的干扰和滤波器的过度平滑。

四、基于EMD和随机共振的机械故障特征提取方法针对传统方法在机械故障特征提取中的局限性,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。

该方法首先利用EMD对振动信号进行多层次分解,得到若干个IMF分量;然后,对每个IMF分量进行随机共振处理,增强其中的微弱特征;最后,通过统计分析和机器学习等方法,从处理后的IMF分量中提取出与故障相关的特征信息。

-》基于EMD和样本熵的滚动轴承故障SVM识别

-》基于EMD和样本熵的滚动轴承故障SVM识别

中温过热为14组,高温过热为13组,局部放电为7组,低能量放电为6组,高能量放电为12组。

并使用58组测试数据,故障诊断结果如图1所示。

在二叉树型诊断模型中各中间节点子分类器的诊断正确率及各叶子节点的故障最终诊断正确率如表1、表2所示。

在变压器的局部放电及低能量放电故障中伴随着过热现象,故在诊断中造成误判。

图1变压器故障诊断结果表1SMO-SVM 子分类器诊断统计表2SMO-SVM 故障诊断结果统计5结语支持向量机(SVM)主要是针对小样本数据及非线性问题,采用风险最小化原理,通过SMO 算法训练样本,在变压器故障诊断中达到了很高的准确率,能较好地满足变压器故障诊断的要求,极大的提高了诊断的可靠性。

参考文献:[1]W .M .Lin ,C .H .Lin ,M .一X .Tasy .Transformer —fault Diagnosis by In -tegreating Field Data and Standard Codes with Training Enhancible Adaptive Probabilistic Network [J ].IEEE Proc .-Gener .Trans .Distih ,2005,152(3):335-341.[2]PLATT J C .Using analytic QP and sparseness to speed trainingsupport vector machines [A ].Advances in Neural Information Pro -cessing Systems [C ].Cambridge ,MA :1999:557-563.[3]王宇红,黄德志,高东杰,等.基于支持向量机的非线性预测控制技术[J ].信息与控制,2004,33(2):133-136.[4]Tax D M J ,Duin R P W .Data domain description by support vectors[C ].//Verleysen M ,ed .Proceedings ESANN ,Brussels ,1999:251-256.[5]臧宏志,徐建政,愈晓冬.基于多种人工智能技术集成的电力变压器故障诊断[J ].电网技术,2003,27(3):15-17.作者简介:赵振江(1969-),辽宁沈阳人,硕士,讲师,2004年毕业于东北大学计算机应用技术专业,电子信箱:***************.责任编辑:于淑清收稿日期:2010-07-09SVM 子分类器正确样本数总样本数正确率/%N05858100N1474995.9N2222684.6N3192286.4N4212391.3N5171894.4故障类型正确率/%P1100P285.7P388.8P4100P580P680P7100煤矿机械Coal Mine MachineryVol.32No.01Jan.2011第32卷第01期2011年01月基于EMD 和样本熵的滚动轴承故障SVM 识别来凌红1,吴虎胜1,吕建新1,刘凤2,朱玉荣1(1.武警工程学院,西安710086;2.国防科技大学,长沙450000)摘要:针对滚动轴承振动信号的非平稳特性和在现实条件下难以获取大量故障样本的实际情况,提出一种经验模态分解、非线性动力学方法—样本熵和支持向量机相结合的故障诊断方法。

基于emd 与盒维数的旋转机械故障诊断方法

基于emd 与盒维数的旋转机械故障诊断方法

基于emd 与盒维数的旋转机械故障诊断方法
基于EMD(经验模态分解)和盒维数的旋转机械故障诊断方法是一种有效的机械故障检测和诊断技术。

EMD是一种信号处理技术,可以将一个复杂的信号分解成多个固有模态函数(IMF),从而提取出信号的局部特征。

而盒维数则是一种用于描述信号复杂程度和结构特征的数学工具。

在旋转机械故障诊断中,基于EMD和盒维数的诊断方法可以有效地提取出机械故障的特征信息,并对其进行定量分析和诊断。

具体的方法如下:
1. 数据采集:首先,需要采集旋转机械的振动信号数据。

通常,这些数据可以通过安装在机械轴承座上的加速度传感器来获得。

2. 数据预处理:对于采集到的原始信号,需要进行预处理,以去除噪声和干扰。

常用的方法包括滤波、去噪和降采样等。

3. EMD分解:将预处理后的信号进行EMD分解,得到多个IMF分量。

这些IMF分量分别包含了原始信号的不同频率成分和振动模式。

4. 盒维数计算:对于每个IMF分量,计算其盒维数。

盒维数是一种用于描述时间序列复杂程度的参数,可以用来定量分析信号的周期性、平稳性和突变性等特征。

5. 特征匹配:将计算得到的盒维数与已知的机械故障特征进行匹配,以判断机械是否存在故障。

通常,可以根据不同的故障类型和严重程度,设置不同的盒维数阈值,从而实现自动化的机械故障检测和诊断。

需要注意的是,基于EMD和盒维数的旋转机械故障诊断方法需要充分考虑信号的信噪比和采样率等因素,以确保诊断结果的准确性和可靠性。

此外,还需要不断优化和完善该方法,以提高机械故障检测和诊断的效率和准确性。

基于EMD的滚动轴承故障诊断方法研究的开题报告

基于EMD的滚动轴承故障诊断方法研究的开题报告

基于EMD的滚动轴承故障诊断方法研究的开题报告一、选题背景滚动轴承是工业领域中常用的重要零件,其功能是支撑机械的运转,并为运动提供支撑和转动。

正常运转下的滚动轴承,具有高效、稳定、可耐久使用的特点,是工业生产中必不可少的组成部分。

然而,受到使用环境、工艺制造等因素影响,滚动轴承容易发生故障,影响机械设备的正常运转。

传统的滚动轴承故障诊断主要采用振动信号分析,但该方法存在着提取有效信号、降低环境噪声等问题,同时存在着成本昂贵、需要具有专业知识的缺点。

近年来,随着EMD(经验模态分解)算法的发展,其在信号分析方面逐渐得到应用。

因此,本文以滚动轴承为对象,探索基于EMD的滚动轴承故障诊断方法,提高滚动轴承故障的判定准确度和效率,为工业生产提供便利。

二、研究目的本研究旨在:(1)探究基于EMD的滚动轴承故障诊断方法,分析其原理及应用特点。

(2)选取相关参数进行滚动轴承故障诊断,并通过算法模型建立故障判定模型,实现故障预警和预测。

(3)预防滚动轴承故障的发生,提高其使用寿命与可靠性。

三、研究内容本文将围绕以下几个方面进行研究:(1)EMD理论的介绍,包括EMD基本原理、模态函数获取方法、以及模态函数重构方法等。

(2)滚动轴承故障诊断相关信号参数的获取与分析,包括振动信号、电流信号等。

(3)基于EMD的滚动轴承故障诊断方法的建立,包括故障信号的特征提取及处理、分类器的选择、模型的训练和优化等。

(4)验证所建立的方法的正确性和有效性,通过实验数据进行验证。

四、研究意义随着工业技术的不断进步和机械设备的不断完善,滚动轴承作为关键部件之一,其在工业制造中的重要性日益凸显。

探索基于EMD的滚动轴承故障诊断方法,能够更好地提高滚动轴承故障识别的效率和准确性,为预防设备事故、提高设备运转率和节能减排等方面都具有重要的意义。

同时,基于EMD的故障诊断方法也有着更广泛的应用前景,可以推广到其他领域的机械设备故障诊断领域。

五、研究方法本文研究方法主要采用实验分析法和计算机模拟法。

基于EMD能量熵和相关向量机的燃机涡轮叶片故障诊断方法

基于EMD能量熵和相关向量机的燃机涡轮叶片故障诊断方法

基于EMD能量熵和相关向量机的燃机涡轮叶片故障诊断方法陈立伟;王铁深;黄璐【摘要】应用温度这一特征数值对燃气轮机的涡轮叶片进行故障诊断及分析,建立叶片的分析模型,从而可以分析叶片的冷却效果。

然后利用经验模态分解( EMD)将非平稳的故障信号分解成若干个平稳信号,即固有模态函数( IMF)之和。

计算不同频段上信号的能量熵,将其作为特征参数。

采用相关向量机( RVM )来进行进一步的故障诊断。

仿真实验表明,本文所研究的方法能有效地进行燃气轮机故障诊断。

%In this paper, temperature features are used for turbine blades faults diagnosis and analysis. The tempera⁃ture model of turbine blades are set up to analyze the cooling efficiency of turbine blades. Then the empirical mode decomposition( EMD) method is applied to decompose the non⁃stationary fault signals into several stationarysig⁃nals, namely the sum of intrinsic mode functions. The feature parameters are obtained by calculating different fre⁃quency band energy entropy. We can also use the relevant vector machine to diagnose the faults of turbine blades. Experimental results show the proposed method is an effective method for turbine blade diagnosis.【期刊名称】《应用科技》【年(卷),期】2016(000)001【总页数】5页(P67-71)【关键词】能量熵;经验模态分解;相关向量机;涡轮叶片;故障诊断【作者】陈立伟;王铁深;黄璐【作者单位】哈尔滨工程大学信息与通信工程学院,黑龙江哈尔滨150001;哈尔滨工程大学信息与通信工程学院,黑龙江哈尔滨150001;哈尔滨工程大学信息与通信工程学院,黑龙江哈尔滨150001【正文语种】中文【中图分类】TK478燃气轮机是一种先进的动力设备,在船舶、航空以及航天等工业领域当中占据极其重要的战略地位[1]。

基于EMD-AR模型和灰色关联度的滚动轴承故障诊断

基于EMD-AR模型和灰色关联度的滚动轴承故障诊断

m e.Fr k MD t tev rtns a t dcmps,t nrcm ie ebs a e o pnn Itni d o 1 it ae s t E i a o i l o eo oe h eo b s h ai ptr cm o et(n s oh b i g n e n t c tn i r c
YU AN n ,D N h —s a Xi g UA Z i h n,S n UN Yi g—h n og
( eerhIstt o ir i p h ao n al Dans , ia nvrt rh etr T cnl y R sa ntue f bao A p ef nadFut i oi X ’ U i syo A c t ue& eh o g , c i V tn i g s n ei f i c o
维普资讯
堕 Q 二 轴承 塑鱼
20年1 0 8 期
CN 41—1 4 / I B a ig2 0 No 1 1 8 ,H ' er n 0 8, .
3 —3 0 2
.测 量与பைடு நூலகம் 器 . I
基于 E D— R模型和灰色关联度的滚动轴承故障诊断 M A
限, 对信号时频分析时会发生能量泄露 , 且较难选 择小波基函数。
MoeF nt n I )t et lhteA o e acrig ot ognztncmpnn,h de f m tert n d uc o , MF o s bi Rm l cod er r i i o o et t mo lr u i a sh d n t h e a ao e o h e r
p r mee n h d e e iu r rv r c o o st n c aa tr t e tr h s fge n ie c e r e a a tr a d t e mo lrsd a e r a i e c mp i o h rce s cv co ,t e u eo r y i cd n e d g e s a l o n a i ii s p  ̄ m e o i o t o e i st v le e mi rb a i g p cs ig o i. a e r c g t n me h r a z or ov d t l r r i d a ss n i d l e e h ee n e e n Ke r s ol g b ai g mp r a d e d c mp st n;AR mo e ;g e cd n e d g e s a t a n ss y wo d :rl n r ;e i c mo e o o i o i e n i l i d l r y i ie c e re ;f u g o i n l d i

基于EMD和AR奇异值的柴油机故障诊断

基于EMD和AR奇异值的柴油机故障诊断

; 支持 向量机 (u p ̄V c r cieS M) S po et hn ,V  ̄ o Ma
? 油机 失火及 气阀机 构不 同工 况下 的缸 盖振 动信 号进 行 分析 ,计 算各 个 内禀模 态函数 (nr s d ? Itni Moe i c
iF ntn, F 的 A ucosI ) R模型参数 向量以此组成初始特征向量矩阵, i M 再计算此初始特征向量矩阵的奇异 i
:hs e o a do m icl oe eo psi E D , u erso A ) dSp o e o otm t d s E pr a M d c oi n( M )A t R g s n( R a up ̄Sc r s h be n i D m t o o ei n t
吴虎胜 1 吕建新 战仁军 吴庐 山 ( 中国人 民武 装警 察部 队 工 程学院 , ’ 西安 7 0 8 )( 河南农 业大 学 , 106 郑州 4 0 0 ) 5 0 0
F ut i g o i a e n EM D a d AR ig lr ale o is l n ie a ld a n ss b s d o n sn ua u s f r e e gn v d e
值 , 其作为 支持 向量机的输入特征 向量 以判 断柴油机 的工作状 态和故 障类型 。试验结 果表 明 : 并将 该方
i法在小样本情况下也具有较高的精度和较强的泛化能力。 关键词 : 柴油机 ; 障诊断 ; 故 AR模型 ; 支持 向量机 ( V ; 异值 ; S M)奇 经验模 态分解 ( MD) E
Hale Waihona Puke i i 【 bt c】 o i enn s tnryca c rts ft i ao ga o ed sli A s at A cr n t t o -t i ai hr t ii e bt ns nlf m t i e r c dgoh ao t a e sc o h v r i i s r h e

基于EMD和TVAR模型的滚动轴承故障诊断方法

基于EMD和TVAR模型的滚动轴承故障诊断方法
第7 第4 卷 期
V0. 1 7 No. 4
21 年4 02 月
中国 科 技 论 文
CH N CIN P E IA S E CE AP R
Ap . 2 1 r 02
基于 E MD和 T A V R模型的滚动轴承故障诊断方法
魏 巍 ,彭 涛 2
(.湖 南t,大学 电气与信息工程 学院 ,湖 南株 洲 4 2 0 ; 1 _ l k 10 8 2 .中 南大学信息科 学与工程 学院 ,长沙 4 0 8 ) 10 3
o n EM D e h d a m t o nd T R o e m d l
W e e Pe a i W i, ngT o
(. oeef l tcln I om tn n i ei , ua n es f eh o g ,hzo Hua 4 20 , hn ; 1C lg oEe r aa d n r a o E gn r g H nnU i ri Tcn l yZ uh u n n 108 C i l ci f i e n v t yo o a 2ShooI o ai S i c ad n i ei , et lo t U i rt C agh 40 8, hn) .col n r t n c ne n E gn r g C nr Su n e i, h nsa 103 C i f fm o e e n a 生故障的零 部件 , 是旋转机械的核J 部件之一。但是 , I L 、 、 滚动轴承的 工作环境及其复杂, 其振动信号是由不同零部件的信号 成份叠加耦合而成的, 具有非常明显的非平稳 陛, 不利 于滚动轴承运行状态的识别。 经验模态分解( p i l d eo p s o , MD e ic e cm oi n E ) m r amo d i t 是一种能够将复杂信号 自适应分解为具有一定物理意 义的固有模态函 ̄( tnimoeu co ,v 的方法 , irs n i c d f t nnw) ni

《2024年基于MEMD和条件熵相空间重构的滚动轴承故障诊断》范文

《2024年基于MEMD和条件熵相空间重构的滚动轴承故障诊断》范文

《基于MEMD和条件熵相空间重构的滚动轴承故障诊断》篇一一、引言随着工业的快速发展,滚动轴承作为机械设备的重要组成部分,其故障诊断技术已成为保证设备安全稳定运行的关键。

传统的滚动轴承故障诊断方法大多基于信号处理技术,如频谱分析、包络分析等。

然而,这些方法在面对复杂多变的工况和噪声干扰时,诊断效果往往不尽如人意。

近年来,随着智能诊断技术的发展,基于多尺度、多模式的信息融合技术逐渐成为故障诊断领域的研究热点。

本文提出了一种基于MEMD(多尺度熵模态分解)和条件熵相空间重构的滚动轴承故障诊断方法,旨在提高诊断的准确性和可靠性。

二、MEMD与条件熵理论(一)MEMD理论MEMD是一种新型的多尺度熵模态分解方法,它能够在多个尺度上对信号进行分解,提取出信号中的不同频率成分和模式。

通过MEMD分解,可以将滚动轴承的振动信号分解为多个具有物理意义的模态分量,从而更好地揭示轴承的故障特征。

(二)条件熵理论条件熵是一种衡量随机变量不确定性的指标,它可以反映系统状态的变化规律。

在滚动轴承故障诊断中,通过计算不同模态分量的条件熵,可以评估各模态分量对轴承故障的敏感程度,进而确定故障特征的主要来源。

三、基于MEMD和条件熵相空间重构的故障诊断方法(一)信号预处理首先,对滚动轴承的振动信号进行预处理,包括去噪、滤波等操作,以提高信号的信噪比。

(二)MEMD分解对预处理后的信号进行MEMD分解,得到多个具有物理意义的模态分量。

(三)模态分量分析计算各模态分量的条件熵,评估各模态分量对轴承故障的敏感程度。

通过分析各模态分量的时频特性,确定故障特征的主要来源。

(四)相空间重构根据各模态分量的时序信息,进行相空间重构,构建高维相空间轨迹。

通过分析相空间轨迹的形态、结构等特征,进一步揭示轴承的故障特性。

(五)故障诊断与分类根据各模态分量的特征参数和相空间轨迹的特征,进行故障诊断与分类。

通过与标准故障模式进行对比,确定轴承的故障类型和程度。

EMD降噪和关联维数相结合在滚动轴承故障诊断中的应用

EMD降噪和关联维数相结合在滚动轴承故障诊断中的应用
L S u ga g I h -u n L U Bo I HAN S - h n ic e WANG Bi n
( n ie r g n t ue o n ie r g C r s P Unv E gn ei Isi t fE gn ei op , LA n t n i.
it lie tful d a n ss n elg n a t i g o i.
Ke W o d E y r s: MD e osn ; c re ai n i n in; rl n b a n s f ut ig o i d n i g i o l t d me s o o ol g e r g ; a l i i d a n ss
Hv r u i s P u a i s & S a sNO 4. 011 d a lc ne m tc e l, . 2
E MD降噪 和 关 联 维数 相 结合 在 滚动轴承 故障诊 断 中的应用
李 曙光 刘 波 韩 思晨 王 斌
( 放军 理工 大学 解 工程 兵工 程学 院 , 苏南京 江 200 ) 10 7
O 引 言
滚 动 轴 承具 有 效 率 高 、 擦 阻力 小 、 配 方 便 、 摩 装 容
收 稿 日期 : 0 0 1 — 3 2 1— 2 1
易 润滑 等优 点 .在 旋转 机 械 中有 着广泛 的应用 ,是 电
力、 石化 、 金 、 冶 机械 、 空航 天 以及 一些 军 事工 业部 门 航 中使 用最广 泛 的基本 零件 。同时 , 动轴承也 是易损 元 滚
同模 式 下 的关 联 维 数 具 有 明 显 的可 分 性 和 严 格 的 区 间范 围 , 以作 为智 能 监 测 与 诊 断 的参 考 依 据 。 可 关 键 词 : MD 降噪 ; 联 维 数 ; 动轴 承 ; 障诊 断 E 关 滚 故

基于EMD-AR谱分析的数控机床主轴故障诊断方法研究

基于EMD-AR谱分析的数控机床主轴故障诊断方法研究
第 3期 2016年 3月
组 合 机 床 与 自 动 化 加 工 技 术
M odular M achine Tool& Autom atic M anufacturing Technique
文章编号 :1001—2265(2016)03—0093—04
DOI:10.13462/j.cnki.mmtamt.2016.03.026
Abstract:Aimed at the CNC m achine tool spindle system noise problem ,a diagnosis m ethod w as proposed
based on the empirical mode decomposition(EMD)and autoregressive(AR)power spectrum analysis met h-
of IM F w as extracted and averaged, the IM F which the average am plitude in lar ge proportion of th e total am plitude was selected an d analyzed by the AR spectrum .Vibration frequency was found out and contrasted wit h H ilber t m a rginal spectrum an d FFT. Test results show that test machine frequency was caused by m otor shaf t f requency as the assem ble error;Besides,th e com parison and an alysis show that th e EM D —AR spec— trum w as m ore effective to extract fault feature. K ey words:CNC m achine;spindle system ;EM D —AR spectrum ;hilbert m ar ginal spectrum ;failure analy— sjs

《2024年基于EMD的机械振动分析与诊断方法研究》范文

《2024年基于EMD的机械振动分析与诊断方法研究》范文

《基于EMD的机械振动分析与诊断方法研究》篇一一、引言随着工业技术的快速发展,机械设备的运行状态监测与故障诊断变得越来越重要。

机械振动是反映机械设备运行状态的重要参数之一,因此,对机械振动的分析与诊断成为了设备故障预测与健康管理的重要手段。

经验模态分解(Empirical Mode Decomposition,EMD)作为一种有效的信号处理方法,在机械振动分析与诊断中具有广泛的应用前景。

本文将就基于EMD的机械振动分析与诊断方法进行研究,以期为机械设备故障诊断提供新的思路和方法。

二、EMD基本原理及特点EMD是一种自适应的信号处理方法,能够将复杂的非线性、非平稳信号分解为若干个具有物理意义的本征模态函数(Intrinsic Mode Functions,IMFs)。

其基本原理是通过寻找信号中的所有极值点,利用三次样条插值法构成上、下包络线,并计算包络线的均值,从而得到原始信号的差值。

重复上述过程,直到差值成为单一模态的函数或单调函数为止。

EMD具有自适应性强、无需预先设定基函数等优点,因此被广泛应用于机械振动信号的处理与分析。

三、基于EMD的机械振动分析(一)信号预处理在进行EMD之前,需要对机械振动信号进行预处理。

预处理主要包括去噪、滤波等操作,以提高信号的信噪比和分辨率。

通过去噪和滤波处理,可以有效去除信号中的干扰成分和噪声,使信号更加清晰、准确。

(二)EMD分解将预处理后的机械振动信号进行EMD分解,得到若干个本征模态函数。

每个本征模态函数反映了信号的不同频率成分和振动模式。

通过对这些本征模态函数进行分析,可以了解机械设备的运行状态和故障特征。

(三)特征提取与诊断通过对EMD分解得到的本征模态函数进行进一步的分析和处理,可以提取出反映机械设备运行状态和故障特征的特征参数。

例如,可以通过计算本征模态函数的能量、峰值、频率等参数,判断机械设备的运行状态和是否存在故障。

根据特征参数的变化情况,可以对机械设备进行诊断和预警。

基于EMD与AR模型的柴油机故障诊断

基于EMD与AR模型的柴油机故障诊断

基于EMD与AR模型的柴油机故障诊断
陆金铭;王醇涛;马捷
【期刊名称】《噪声与振动控制》
【年(卷),期】2009(029)005
【摘要】采用经验模式分解(EMD)方法对振动信号进行分解,得到同有模态函数(IMF),对每一个IMF分量分别建立AR模型,以模型的自回归参数和残差的方差作为特征向量,用支持向量机(SVM)进行分类,判断柴油机的工作状态和故障类型.实验结果分析表明,该方法即使在小样本情况下也能准确有效地诊断柴油机故障,能实现故障的实时自动化诊断.在不同转速时,需选用新转速工况下的数据作为训练样本,以保证分类准确率.
【总页数】4页(P70-73)
【作者】陆金铭;王醇涛;马捷
【作者单位】上海交通大学船舶与海洋工程学院,上海,200030;江苏科技大学机械与动力工程学院,江苏,镇江,212003;江苏科技大学机械与动力工程学院,江苏,镇江,212003;上海交通大学船舶与海洋工程学院,上海,200030
【正文语种】中文
【中图分类】TK42;TH165+.3
【相关文献】
1.基于EMD和AR模型的汽车变速器齿轮故障诊断方法 [J], 程军圣;于德介;杨宇
2.基于EMD和AR奇异值的柴油机故障诊断 [J], 吴虎胜;吕建新;战仁军;吴庐山
3.基于EMD-AR模型和灰色关联度的滚动轴承故障诊断 [J], 袁幸;段志善;孙颖宏
4.基于EMD与关联维数的故障诊断AR模型 [J], 程军圣;于德介;唐驾时;杨宇
5.基于EMD和AR模型的轴承故障诊断 [J], 尚长沛;张松泓
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AR模型的汽车变速器齿轮故障诊断方法

基于EMD和AR模型的汽车变速器齿轮故障诊断方法

基于EMD和AR模型的汽车变速器齿轮故障诊断方法
程军圣;于德介;杨宇
【期刊名称】《汽车工程》
【年(卷),期】2005(027)001
【摘要】提出了基于EMD和AR模型的汽车变速器齿轮故障诊断方法.该方法采用EMD将齿轮振动信号分解成若干个平稳的IMF分量,对每一个IMF分量建立AR模型,以模型的自回归参数和残差的方差作为特征向量建立Mahlanobis距离判别函数,进而识别齿轮的工作状态.实验分析表明,该方法能有效地应用于变速器齿轮的故障诊断.
【总页数】4页(P107-110)
【作者】程军圣;于德介;杨宇
【作者单位】湖南大学机械与汽车工程学院,长沙,410082;湖南大学机械与汽车工程学院,长沙,410082;湖南大学机械与汽车工程学院,长沙,410082
【正文语种】中文
【中图分类】U4
【相关文献】
1.基于EMD和AR模型的滚动轴承故障诊断方法 [J], 于德介;程军圣;杨宇
2.基于EMD-AR谱分析的数控机床主轴故障诊断方法研究∗ [J], 郭正才;王义强;朱艳飞;骆海波
3.EMD和AR模型在汽车变速器轴承故障诊断中的应用 [J], 杨宇;于德介;程军圣
4.基于EEMD和低相干K-SVD的齿轮故障
诊断方法研究 [J], 魏永合;李宏林;聂晨
5.基于EMD-SVM的齿轮箱故障诊断方法 [J], 李吉发;张金会;侯大伟;陈瑶
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AR模型的轴承故障诊断

基于EMD和AR模型的轴承故障诊断

基于EMD和AR模型的轴承故障诊断尚长沛;张松泓【摘要】构建集外圈、内圈和滚动于一体的轴承故障动力学模型,获取轴承运行时的轴承振动信号,采用基于E MD和AR模型的轴承故障诊断方法,将轴承振动信号分解成IMF分量后构建AR模型,再采用该模型自回归参数与残差的方差构建轴承综合判定距离,依据最小综合判别距离对应的状态完成轴承故障诊断.分析研究表明:诊断轴承正常、外圈故障以及内圈故障时,该方法诊断结果误差小、复杂度低,达到了高效诊断轴承故障的目标.【期刊名称】《食品与机械》【年(卷),期】2019(035)007【总页数】5页(P117-120,146)【关键词】经验模态分解;AR模型;轴承;故障诊断【作者】尚长沛;张松泓【作者单位】河南工业职业技术学院,河南南阳 473009;河南工业职业技术学院,河南南阳 473009【正文语种】中文轴承是食品机械中应用较为广泛的一种通用机械零件,40%的机械故障都是由轴承故障引起的,轴承故障会导致整个机械运行异常。

早期轴承故障易被背景噪声及机械传递路径间耦合作用掩盖[1]。

如何获取轴承真实的运行状态及故障诊断成为机械故障研究的重点内容,因此,对于轴承故障的诊断具有重要的现实意义[2]。

孙炎平等[3]提出基于EMD-HMM的转盘轴承故障诊断方法,对故障信号进行经验模态分解,提取固有模态函数的能量作为故障特征向量;然后将故障特征向量输入HMM分类器进行模式识别,输出各状态的似然概率;最后,以最大似然概率所对应的故障状态作为诊断结果,能够有效、准确地识别转盘轴承的故障类型,但训练样本数及故障类型数对HMM的诊断精度都有一定的影响。

郑小霞等[4]提出基于多结构元素形态滤波和EMD的轴承故障诊断方法,在多尺度形态滤波方法的基础上,同时兼顾尺度和形状两种因素提出了基于多结构元素的多尺度形态滤波方法;用信噪比和偏斜度构建出新的判别指标,判断去噪效果的好坏;最后利用经验模态分解将信号进行分解得出更加准确的包络谱,由此进行故障判断,有效滤除噪声,抑制噪声干扰,突出轴承故障频率,但由于存在滤波过程,整体诊断复杂度较高。

基于EMD与神经网络的船舶机械设备轴承故障诊断方法

基于EMD与神经网络的船舶机械设备轴承故障诊断方法

基于EMD与神经网络的船舶机械设备轴承故障诊断方法王飞跃
【期刊名称】《装备制造技术》
【年(卷),期】2024()3
【摘要】为了解决船舶机械设备轴承故障诊断结果准确性较低的问题,提出基于EMD(Empirical Mode Decomposition)与神经网络的船舶机械设备轴承故障诊断方法研究。

首先,采集轴承振动信号,并对其作出预处理。

其次,利用EMD方法原理,将复杂的轴承振动信号分解成多个IMF(Intrinsic Mode Function)分量,构建轴承故障特征向量。

在此基础上,建立特征训练神经网络模型,基于模型的迭代训练,诊断轴承故障的具体位置和类型。

实验结果表明,提出的诊断方法应用后,轴承故障错误诊断数量较少,诊断准确度均达到98%以上,有较高的性能和准确性。

【总页数】3页(P138-140)
【作者】王飞跃
【作者单位】海洋石油工程股份有限公司
【正文语种】中文
【中图分类】TH133.3
【相关文献】
1.基于EMD与神经网络的滚动轴承故障诊断方法
2.基于 EMD 瞬时功率谱熵的神经网络滚动轴承故障诊断
3.基于EMD与卷积神经网络的滚动轴承故障诊断
4.基于
EMD和Hilbert谱的风电机组滚动轴承故障诊断方法研究5.基于EMD降噪与BP 神经网络的变速器滚动轴承故障诊断
因版权原因,仅展示原文概要,查看原文内容请购买。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

cmpe es eyb t l a a z ea t no es t f trsIpoie l b ai f d ig h ut o rhni l,u s cnrl esp r i fh a aue.t rv s e al b s ru g ef l v ao ei ao t tee d ri e soj n t a
c n i o so ol g mi i r e s se e fci ey o d t n fr l n l man d v y tm f t l . i i l i e v
Ke r s m icl oedcm oio ( MD) A o e; o e t ndm ni u b r rln i a ywod :e pr a m d eo p si E i tn ; R m dl cr l i i es nn m e; o ig lm i ao o l ml n
DAI Gu — i g ip n
( e at n f l t ncIfr t nE gn eig S z o oain l ivri , uh u2 50 , hn ) D pr me t e r i omai n ier ,uh u V c t a oE c o n o n o Un es y S z o 1 1 C ia t 4
c r l t n d me s n o a t —e r s ie a a tr i AR or ai i n i s f uo r g e s p r mee s n e o o v mo es r c l u ae .An y i r s l o h dl a e ac lt d l a ss e u t f t e s e p r n a aa s o h tti to o ny C el c e s t h g s o y a c s se p o u dy a d x e me tld t h w t a h s meh d n to l a rfe tt t e c a e fd n mi y tm rf n l n i n h a n o
(MF , eA oeso sm MF cm oet w ih cnan m i futi om t n aecnt c d T e I ) t R m dl f o e I o p nns hc ot a al n r a o r o sut . h h i n f i r e
ห้องสมุดไป่ตู้
本征模函数(MF 分别建立 A I ) R模 型进行 降维 , 最后通过 时延相 图法 重构 A R模型参 数的相 空 间, 并计算 其关联维数。实验分析表明 : 该算法不仅能够深刻 、 全面地表达 动态系统状 态变化 的客观规 律 , 而且实 现
了系统状态特征的分离 , 为有效地判 断轧机 主传动 系统 的故 障状态 和故 障类 型提供可靠的依据 。 从而
Absr c t a t: I r r o mprv te f u t ig o i p e iin f rli g n o de t i o e h a l da n ss r cso o oln mil l man rv s se , a l e tr i d e y tm a f u tf au e i
戴桂 平
( 苏州市职 业大学 电子信息工程系 , 江苏 苏州 2 5 0 ) 1 14
摘 要 :为提高轧机主传动系统故障诊断的精度 , 出了一 种基于 E — R模 型和关联维数 的故障特征 提 MD A
提取算法。该方法采用小波滤波和 E MD对 振动信号进行 去噪和平 稳化预处 理 , 再对包含主要故 障信息 的
e ta t n ag r h b s d o xr ci lo t m a e n EMD A mo e n or lt n dme so s p o o e . n t e p o o e a e lt o i — R d l a d c re ai i n i n i r p s d I h rp s d w v - o e a d, MD r s d t e o o e te vb ain sg a f c mp e c i e i t e e a n r sc mo e’ n t n n E a e u e o d c mp s h i r t in lo o lx ma h n n o s v r l it n i d f c i o i u o
关键词 :实验模式 分解 ; R模型 ;关联 维数 ; A 轧机主传动系统 ;故障诊断
中 图 分 类 号 :T 3 . H13 2 文 献标 识 码 :A 文章 编 号 :1 0- 7 7 2 1 )4- 6 -3 0 09 8 (0 1 0 -0 00 0
S u y o a l i g o i fr li i a n d i e s se t d n f u td a n ss o o l ng m l m i r v y t m l ba e n EM D . sd o AR nd c r ea i n d m e so a o r l to i n i n
6 0
传感器与微 系统 ( r su e a dMi oyt eh o g s T a d cr n c ss m T c nl i ) n r e oe
21 年 第 3 01 0卷 第 4期
基于 E MD A 和 关 联 维 数 的轧 机 主 传 动 系统 故 障诊 断研 究 —R
相关文档
最新文档