轴承是绞车的重要组件,由于安装在设备内部,运行过程中出现故障难以及时发现,极其导致故障扩大,影响绞车运行安全。现阶段采用的单一轴承诊断方法难以精准诊断出故障特征。采用EMD方法,对提出到的绞车振动信息进行提取分析,得到IMF分量并选取峭度值大于3的各阶分量;采用Hilbert以及傅里叶转变对IMF分量重新构建、分析,得到精准的轴承故障频率特征信息,并与故障特征频率比对,从而精准诊断制轴承故障,诊断结果与现场轴承故障发生位置一致,表明,采用的轴承故障诊断方法具有较强的可信度。

针对振动光饰加工机理多年处于理论分析缺乏定量化分析的问题,引入一种适用于立式振动光饰机滚磨光整加工过程中振动信号的降噪处理方法。选用立式振动光饰机为实验设备,直径3mm的球形棕刚玉磨块为加工介质,选取五种不同直径的铝合金管为工件,工件安装位置为研究变量,使用动态力传感器采集加工过程中每个工件表面九个不同位置作用力。采集的振动信号进行经验模态分解(EMD),得到多个固有模态函数(IMF),对IMF分量信号的HHT时频分析得到各组成的幅值大小、频率分布及频谱图,计算出各个IMF分量信号与振动信号的相关系数,提取振动信号的特征频率,去除噪声及干扰信号,对含有特征信号的IMF分量信号进行重构。分析结果表明EMD分解和HHT变换在处理振动光饰加工振动信号具有自适应性,能有效提取振动信号的频率特性,实现立式振动光饰加工中磨块作...

提出一种利用EMD算法计算装配体中零件属性矢量差值,实现装配体模型检索的算法。装配体中各零件按照其位置、转动惯量、体积和表面积信息生成属性矢量,组合全部零件的属性矢量,形成集合作为装配体的描述符。使用EMD算法计算装配体模型间零件匹配的最低成本,也即获得装配体模型间的非相似度值,实现装配体模型检索。实验证明使用零件属性矢量集合描述装配体模型直接明了,无需预处理,该检索算法具有高鲁棒性、高查全率、快速的特点。

为了研究推焦装置工作过程中的自激振动特性,采用有限元仿真的方法对推焦装置进行了模态和谐响应分析,提取出的推焦装置在x,y,z方向上的自激振动频率均为51Hz,表明推焦装置在推焦过程中发生的振动形式与第14阶模态相同。通过对现场试验采集到的振动信号进行分析发现推焦装置在x,y,z方向上的自激振动频率分别为51.06Hz,50.25Hz和47.22Hz,试验分析提取的频率成分与有限元分析求取的频率成分基本一致,表明推焦装置工作过程中在51Hz频率处发生了自激振动,实际中应采取方式避开此工作频率,减少推焦装置发生自激振动的可能。

本文从我国高速动态车辆称重技术现状入手，指出我国高速动态车辆称重技术及装备应该发展的方向以及重点实施措施，最后提出了目标参数的展望。

针对经验模态分解(EMD)方法存在的分解不完全问题,提出了一种改进EMD算法。该算法采用分段幂函数插值法代替原EMD算法中的三次样条插值法来生成包络线,对比实验表明了改进算法的优越性。结合时间序列分析中的AR模型,提出了一种基于EMD和AR模型的故障特征提取方法,将其应用到电磁换向阀的故障特征提取中,实验结果表明,该方法能够正确有效地提取电磁换向阀的故障特征。

针对滚动轴承振动信号的故障信息难以准确获取问题,提出一种新的基于多层降噪处理的轴承故障特征提取方法。所提方法首先依据小波包变换原理处理原始轴承信号,消除噪声干扰;变换后的振动信号用经验模态分解方法处理可得若干个IMF分量,计算所得分量与变换所得信号间的互相关系数,并依据相关系数准则筛选有用分量完成振动信号的重构;再通过自相关方法剔除重构信号中的混叠干扰信号,实现振动信号的多层降噪;最后对去噪后的重构信号解调处理,获取信号包络谱图并分析,得到所需故障特征。试验结果表明该方法能够有效地消除原始信号中的干扰和噪声,分离出清晰的故障振动信号并获取有用的故障特征。

燃气轮机的工作环境恶劣,突发情况和出现故障的模式多、几率大。为此研究有效地燃气轮机故障诊断方法尤为重要。提出了一种EMD小波阈值降噪和KPCA-GRNN相结合的方法,对燃气轮机喷口加力调节器故障诊断进行了深入研究。针对某型真实燃气轮机进行测试试验采集的喷口加力调节器高压转子转速、低压转子转速等八个参数数据,首先采用经验模态分解(EMD)方法对8个参量信号进行EMD分解,然后采用软阈值函数对其进行小波降噪,并进行信号重构,从而可得到燃气轮机喷调工作状态有效数据。在此基础上采用核主元分析法提取喷口加力调节器样本集的不同主元,构建特征向量,并由特征向量建立GRNN神经网络故障诊断模型,通过测试数据进行试验验证,验证了该方法的有效性。此外,尚采用基于KPCA-GRNN的方法对传感器感知的喷口加力调节器的八个参数原始数据进行了...

针对传统故障诊断流程的缺点,提出通过拟合故障振动信号模型实现滚动轴承故障诊断,并在风力发电机组齿轮箱故障诊断中验证了有效性和实用性。首先根据滚动轴承发生故障时振动信号的特点,提出故障振动信号模型,然后通过遗传算法对该模型做数据拟合,拟合数据来自EMD（Empirical Mode Decomposition）方法对原始振动信号分解所得IMF（Intrinsic Mode Function）分量,最后将拟合结果和轴承各部件的故障特征频率作对比,可知损伤点所在部位。通过仿真、实验和现场信号的分析,验证了可通过拟合故障振动信号模型实现故障部位的准确诊断。

液压信号具有非平稳性、非线性、特征信息相近时难以正确辨识的特点。针对该特点提出了一种经验模态分解（EMD）和多特征组合的信号辨识方法。该方法将信号自适应分解为若干个固有模态函数（IMF）；提取各IMF分量的能量、裕度、峰度、波动系数等特征参数，规范化后组合形成全局特征向量，并输入支持向量机（SVM）中学习和辨识。通过对液压主管压力信号处理表明：该方法能有效辨识特征信息相近的压力信号，在小样本下仍然具有较好的辨识率。