掘进机在非均匀土壤工况下运行会使得其液压驱动系统受到较强的冲击负载,易导致其核心动力源液压泵发生故障。针对轴向柱塞泵内的典型磨损故障的特征分离提取与辨识分类,提出了一种基于CEEMDAN方法的故障振动信号时频域特征提取方法,对泵壳体采集的振动信号进行时频域分解,并构建70维度特征空间对状态特征进行表征描述;通过特征降维融合的策略,采用t-SNE对高维特征进行解析融合,将70维的特征空间降维至2维空间,并显著提升了分类器的训练效率和分类准确性;采用SVM方法训练3类典型磨损故障的分类器模型,并通过测试集验证,模型的辨识准确性达到96.7%,显著优于不进行降维处理的高维分类器辨识模型。

针对齿轮故障诊断过程中,大量噪声使得故障特征难以完全提取的情况,提出了一种完整的自适应噪声集成经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)、排列熵(Permutation Entropy,PE)和时频峰值滤波(Time-Frequency Peak Filtering,TFPF)相结合的去噪方法。由于TFPF方法在窗长问题上的局限性,引用CEEMDAN和PE对此进行改进,使信号在噪声抑制和信号保真方面得到了很好的权衡。首先利用CEEMDAN算法得到原始信号的本征模态函数(Intrinsic Mode Functions,IMFs),计算每个IMF的PE值来判断IMF是否需要滤波,然后针对不同的IMF选择不同的窗口长度进行TFPF滤波,最后将滤波后的IMFs和剩余IMFs重构得到最终的降噪信号。通过模拟仿真信号和实测齿轮信号验证了该降噪方法的可行性,且降噪后的信号可以有效地揭示故障的特征信息。最后与多种降噪方法对比,体现了所提方...

滚动轴承是机械设备中主要的故障源之一,它的失效将直接导致整台设备的运行失常。针对其典型故障模式,提出了一种基于小波阈值与CEEMDAN联合去噪的滚动轴承故障诊断方法。对信号进行小波阈值去噪,利用CEEMDAN算法对降噪后信号进行分解,基于互相关系数分析提取典型的IMF分量,并对所提取的IMF分量进行时、频域特征分析,从而进行故障诊断。首先通过对模拟信号完成CEEMDAN法与总体平均经验模态分解(EEMD)对比分析,证明该方法优于EEMD分解,继而以模拟实验为验证实例。研究结果表明了小波阈值和CEEMDAN方法在滚动轴承故障模式识别中的有效性。

针对滚动轴承故障信息不易提取的特性,提出了完全集合经验模态分解(CEEMDAN)自适应消噪和共振解调技术(DRT)相结合的故障诊断方法。首先,利用CEEMDAN自适应地将信号分解成多个分量,通过互相关系数方法进行重构以达到消噪的目的;然后,对重构的信号进行谱峭度分析,得到冲击成分所在的频带,并据此设计带通滤波器对重构信号进行滤波处理;最后,对滤波后的信号进行Hilbert包络谱分析,提取冲击成分的频率,并与滚动轴承故障特征频率对比,进行故障模式识别。通过动力学仿真和滚动轴承实验对该方法进行了有效性论证。结果表明,该方法可以有效识别滚动轴承的故障信息。

针对液压系统在使用中故障频率较高、诊断方法受各种因素影响以及诊断准确率较低等问题,提出一种新的基于PSOSVM模型的液压系统故障诊断方法。该方法首先对采集的故障信号数据进行预处理,使用自适应噪声完备集合经验模态分解(Complete EEMD with Adaptive Noise,CEEMDAN)结合模糊熵的方法进行特征提取,形成数据样本;其次,利用粒子群算法(Particle Swarm Optimization,PSO)对支持向量机(Support Vector Machine,SVM)核函数和惩罚系数进行优化,利用数据样本训练SVM模型;最后,应用优化后的分类模型对故障进行识别分类,并与GA-SVM和基本SVM对比,验证PSO-SVM模型的分类性能。实验表明,该方法可以精准识别出故障类型,具有较强的诊断能力。

针对滚动轴承信号去噪及故障特征提取问题,提出一种基于SVD-CEEMDAN和KLD的滚动轴承故障诊断方法。该方法通过奇异值分解(SVD)对原始信号进行初步去噪,再利用完备集合经验模态分解(CEEMDAN)对去噪后的非平稳振动信号进行自适应分解,得到若干本征模态函数(IMF);然后通过KL散度法(KLD)筛选有效本征模态函数(IMF)重构,再对其进行自相关去噪;最后利用包络谱分析处理去噪信号,提取故障特征频率。通过对轴承实测信号进行分析,该方法可有效抑制噪声,并能清晰地得

针对滚动轴承振动信号的非平稳特性,实际工况下难以采集大量的样本信号分析故障状态,提出基于自适应噪声的完备经验模态分解（CEEMDAN）与多尺度排列熵（MPE）相融合的故障识别方法。首先,对振动信号进行小波阈值去噪,利用CEEMDAN算法对去噪后的非平稳振动信号自适应分解,对分解后的若干个固有模式分量（IMF）计算互相关系数;然后,重构信号,计算其MPE并组成故障特征向量;最后,把特征向量输入到支持向量机（SVM）中,以识别滚动轴承的故障类型。通过对仿真信号以及实际实验数据的对比验证分析,有效证明了该方法的识别准确率比基于EMDMPE的故障识别方法提高5%,结果表明：基于CEEMDAN-MPE的滚动轴承SVM故障识别方法可以更准确地提取轴承的特征,并识别轴承的故障状态,有更强的实用性和有效性。

针对滚动轴承的振动信号受到强噪声污染故障特征提取困难的问题,提出一种结合完整集成经验模态分解(CEEMDAN)辅助快速谱峭度图算法(Fast Kurtogram)的轴承故障诊断方法,首先将信号通过CEEMDAN分解为多个模态分量(IMF)及余量,计算出各个IMF分量的峭度值,并利用峭度值对分量信号进行重构;然后利用快速谱峭度图算法对重构信号进行处理,可以得到良好的故障带宽与中心频率。实测数据表明,该方法能够有效检测出轴承内圈故障。

由于液压泵故障振动信号微弱和不平稳的特性，造成特征向量提取和故障诊断困难。针对这些问题，提出一种CEEMDAN与支持向量机结合的故障诊断方法。将传感器测得的液压泵故障振动信号进行CEEMDAN分解，得到多个固有模态函数（IMF），并计算其样本熵作为支持向量机的输入特征向量，以诊断液压泵的故障类型。液压泵故障诊断实验结果证明了该方法的有效性和优越性。

由于液压泵故障振动信号微弱和不平稳的特性造成特征向量提取和故障诊断困难。针对这些问题提出一种CEEMDAN与信息熵结合的特征提取方法。将传感器测得的液压泵的故障振动信号进行CEEMDAN分解得到多个固有模态函数（IMF）并计算其信息熵然后筛选出信息熵最小的3个IMF分量重构信号计算重构信号的多域熵作为特征向量来训练决策树模型。液压泵故障诊断实验结果证明了该方法的有效性和优越性。