旋转机械振动信号具有较强的非线性、非平稳性的特点,互补集合经验模态分解(CEEMD)克服了传统EEMD的缺陷,提供了对信号从粗到精不同尺度的刻画。针对不同尺度对故障特性描述的差异,提出一种基于多尺度加权CEEMD的一维卷积神经网络(1DCNN)故障诊断方法。利用互补集合经验模态将振动信号分解成一系列本征模态函数(IMFs),然后求取各个IMF分量的峭度值,计算各分量峭度所占权重,根据各个分量权重值对信号进行重构。将数据样本划分为训练集、验证集和测试集,将训练集输入到一维卷积神经网络中学习更新网络参数,然后用验证集进行验证得到最优诊断模型,最后利用测试集对诊断模型进行测试。通过电机轴承数据集和齿轮箱数据集两组实验进行了模型验证,诊断精度分别为99.98%和99.73%,表明所提方法能够快速准确地诊断出不同故障类型,并且具有较高的故障...

针对变频环境下异步电机故障时定子电流信号非平稳的问题,提出一种互补集合经验模态分解(CEEMD)与卷积神经网络(CNN)结合的异步电机故障诊断方法。首先通过ANSYS对变频环境下电机建模获得仿真电流数据,利用CEEMD将电机定子电流信号分解为一系列本征模态函数(IMF);其次通过计算排列熵和样本熵,选取复杂程度小的IMF分量并计算其平均值来提取出故障特征;接着将特征数据集输入卷积神经网络(CNN)进行训练和验证;最后搭建实验平台收集电流信号,对信号进行滤

针对轴承故障信号常混有噪声干扰且故障特征难以准确提取问题,提出一种基于小波阈值去噪(WTD)和互补集合经验模态分解(CEEMD)的轴承故障特征提取方法。采用WTD对原始信号进行降噪预处理;对去噪信号进行CEEMD分解得到一系列本征模态函数(IMF);然后计算各个IMF和去噪信号的互相关系数,通过设定互相关系数阈值筛选有用IMF;最后将有用IMF重构并利用包络谱对重构信号提取故障特征频率。实测信号表明:所提出的方法能降低噪声干扰并有效提取故障特征信息,证

针对滚动轴承早期故障信号中冲击成分能量低,背景噪声干扰严重的问题,提出了基于CEEMD与MCKD的故障诊断方法。首先,应用CEEMD方法对故障振动信号进行分解,依据相关系数准则从分解结果中选取敏感分量;然后,采用MCKD算法对所选取分量信号进行降噪并应用Hilbert算法对降噪后信号进行解调处理,从包络谱中提取故障特征信息;最后,通过仿真信号和轴承试验数据进行诊断分析验证了该方法的有效性。

针对滚动轴承振动信号降噪处理时如何保证信号边缘信息完整性的问题,提出将互补集合经验模态分解（complementary ensemble empirical mode decomposition,简称CEEMD）与小波半软阈值相结合的信号降噪方法,对滚动轴承故障高频振动信号进行降噪处理。首先,采用CEEMD方法对故障振动信号进行分解,针对信号特点自适应获取不同频段模态分量;其次,将对包含噪声污染的高频信号模态分量进行相关性分析,得到含噪成分较高的高频模态分量,进一步采用小波半软阈值进行降噪处理;最后,将降噪后的模态分量同残余分量进行信号重构,完成降噪过程。分析结果表明,相对于传统小波阈值降噪和CEEMD强制降噪方法,提出的方法能够有效去除高频信号的噪声,且最大程度地保证了原始信号的完整性,降噪效果更好。

当滚动轴承处于早期故障阶段的时候,受环境噪声和信号衰减的影响,滚动轴承振动信号特征频率成分难以精确提取,并且在信噪比较低时CEEMD不能很好提取微弱故障。针对上述问题,提出了基于互补集合经验模态分解(Complementary ensemble empirical mode decomposition,CEEMD)和最大相关峭度解卷积(Maxim correlated kurtosis deconvolution,MCKD)相结合的故障特征提取方法(CEEMD-MCKD)。两种方法的结合有效解决了CEEMD分解后无法提取出淹没在背景噪声中微弱信号特征的问题,又保持了信号的完备性,避免了有用信息的损失。通过仿真和试验验证了该方法的有效性及优点。