为了实现经验小波变换中Fourier谱的自适应分割,提出了一种基于能量的尺度空间经验小波变换(Energy Scale Space Empirical Wavelet Transform,ESEWT)方法,并将此方法应用于轴承故障诊断。首先使用尺度空间的方法对傅里叶谱进行自适应划分,得到各频带分界点;接着根据各频带能量筛选频带分界点,使其保留能量大于均值的频带,合并小于均值的相邻频带;然后在得到有效的频带分界点后,设计小波滤波器组,得到分量信号;最后对各分量信号进行Hilbert变换,提取轴承的故障特征频率。通过实验验证,ESEWT方法能够减少频带分界点,在一定程度上改善了频带破裂现象,并且能够精确提取出轴承故障特征频率,凸显了故障频率及其谐波成分,能有效的识别轴承故障。

提出了一种基于经验小波变换针对非线性、非平稳混合信号的单通道盲源分离方法,并应用于机械设备故障诊断中。该方法拟采用EMD-SVD-BIC估计源数,以确定经验小波变换中频谱分割边界的个数N,再将经验小波变换用于单通道盲源分离,从而进行欠定条件下多故障的分离与诊断。利用该方法对仿真信号和单通道轴承振动信号进行了分析,结果表明,该方法能够有效地将不同故障的源信号分离出来,并准确提取出机械的故障特征。

实测轴承振动信号就有非平稳、非线性特征,因此,对该类信号的分析需要进行解调得到特征频率,在众多解调法中包络分析是最为常用的方法;为了使解调结果更加清晰,常在解调前进行滤波,达到滤除干扰成分可有效提升解调的效果。经验小波变换提供了基于频带划分的小波滤波框架,划分后频带可滤除部分干扰信号,突出故障信号。对此,受“箱型图”和层次聚类法的启发,对“突出值”聚类法进行频带划分,通过平方包络互相关系数选取合理的频带划分个数。最后选取平方包络峭度值最大的滤波子信号进行Teager能量算子解调,获取特征频率。文章针对不同工况下的不同故障类型轴承运行数据进行分析,验证算法的有效性。特别地,在复合故障分析中,利用动态阈值法到达分别突出不同轴承故障频率的效果。

滚动轴承故障信号能量较弱,故障信息在实际工况下更容易受到噪声的影响,致使很难有效地实现信噪分离。针对这一问题,提出经验小波变换(EWT)和核独立分量分析(KICA)联合的振幅解调方法消噪。使用经验小波变换对轴承故障信号进行分解,根据相关系数准则对分解获得的IMF分量信号进行筛选,重组分量信号并构造虚拟噪声信号。使用核独立分量分析算法对重构的信号进行增强处理并分解,实现信号和噪声的分离。采用包络谱法对分离后的信号进行分析。仿真对照实验表明,该方法具备较强的特征提取能力。

在非高斯噪声与周期振动信号的干扰下,高速列车轴承的故障特征提取较为困难,针对这一问题,提出了一种新的最优故障频带的判别方法,并通过经验小波变换(Empirical Wavelet Transform,EWT)对故障频带进行提取,从而实现高速列车轴承故障的有效诊断。该方法首先提供了完整的频域分割框架,得到不同中心频率、不同带宽的频带分布;为了得到各频带所包含的故障信息含量,提出了新的故障特征指标HSIB,根据HSIB的变化趋势识别最优频带;最后进行经验小波变换,将选取的故障频带通过正交滤波器组,对得到的分量信号进行Hilbert变换,得到轴承的故障特征频率。通过仿真和实验数据验证,选取的最优频带包含了丰富的故障信息,可以准确地提取出轴承故障特征频率的基频和倍频成分,有效确定轴承故障。

通过深度学习进行滚动轴承故障识别时,存在因信号噪声导致故障识别率较低和深层网络收敛速度慢的问题。针对上述问题,提出了一种改进经验小波变换(EEWT)和改进字典学习(EDL)的轴承故障识别方法。首先,将轴承振动信号进行包络谱变换,通过包络谱的极值点与自适应阈值的关系进行包络谱边界自动划分,进而利用经验小波变换(EWT)将信号自动分解为调幅-调频(AM-FM)分量;其次,提出一种新的AM-FM分量筛选指标,利用筛选指标选取合适的AM-FM分量进行重构,进而对信号进行有效降噪;最后,利用稀疏性约束逐层学习降噪后轴承故障样本中的典型结构特征,并构造深层故障字典(DFD),将故障样本输入DFD中,根据样本的重建误差确定故障类别。试验结果表明,该方法对噪声的鲁棒性高,故障识别能力优于其他模型,而且该方法可利用驱动字典自动提取轴承振动信号样本中的故...

采用现有的方法对控制系统执行器(气动执行器/电液执行器)进行故障诊断时,无法同时满足诊断的准确性和快速性要求,针对这一问题,提出了一种基于经验小波变换(EWT)和双核极限学习机(DKELM)的控制系统执行器故障诊断方法。首先,利用经验小波变换对执行器故障信号进行了分解,得到了若干经验小波分量,以信息熵(IE)为依据筛选分量,计算了保留分量的模糊信息熵(FIE),构成了特征向量;其次,将小波核函数和RBF核函数引入至极限学习机(ELM)构造了双核极限学习机,以特征向量作为输入,进行了双核极限学习机模型训练和分类测试;最后,采用执行器故障半物理试验平台,对基于EWT-DKELM的方法进行了重复试验,以验证该方法的有效性。研究结果表明经验小波变换能够有效分离执行器故障信号的各个独立模态,其提取的模糊信息熵特征具有较高的区分度;双核极限学习机...

液压泵振动信号具有非平稳性,需要一定的先验知识和专家经验从而实现故障诊断。为了实现对液压泵的智能故障诊断,提出了一种基于经验小波变换(Empirical Wavelet Transform,EWT)和卷积神经网络(Convolutional Neural Network,CNN)的智能故障诊断方法。首先对振动加速度信号进行经验小波变换得到若干不同模态的内禀模态函数(Intrinsic Mode Function,IMF);其次,基于峭度的评价指标,筛选出故障特征丰富的6个IMF分量作为诊断用的数据源;然后利用CNN融合IMF分量,并自动提取相关特征;最后,将特征应用于分类器识别,从而实现液压泵故障的自动故障诊断。试验结果表明:该方法能够准确、有效的对液压泵的工作状态和故障类型进行分类。

针对传统单一燃气调压器故障诊断模型存在诊断精度较低和结果误判别率高等问题,提出一种经验小波变换(EWT)与改进D-S证据理论结合的故障诊断方法,对燃气调压器故障状态进行诊断。使用EWT对传感器采集数据进行预处理并计算各分量能量熵,将其作为以广义回归神经网络、Elman神经网络和灰关联熵分析3种模型为基础构建的混合诊断模型的输入变量。根据D-S证据理论建立3个模型的基本信度函数,实现故障信息的决策融合,并引入证据关联系数法对证据体决策重要度和冲突问题加权修正。实验结果表明:EWT与改进D-S证据理论模型的故障诊断准确率达95.0%,在平均误差、均方误差、最大误差百分比等方面均优于单一的广义回归神经网网络、Elman神经网络和灰关联熵分析模型。

鉴于转子故障振动信号成分复杂,以及信号采集难免会存在一些干扰信号,为排除干扰信号以及非主要成分,提出了改进的经验小波变换信号处理。它对采集的信号进行经验小波变换,求取变换后各频带的相关系数,去除相关系数较小的频带,从而去除信号中非主要特征及干扰信号,获得只含主要特征的信号。通过具体实验,该方法有效地提高了信号的真实性。最终将其应用于机械转子故障中得到良好的效果。