国家教育部博士点基金(20020532024)
- 作品数：25 被引量：882H指数：18
- 相关作者：杨宇于德介程军圣邓乾旺蔡源春更多>>
- 相关机构：湖南大学吉林大学更多>>
- 发文基金：国家教育部博士点基金国家自然科学基金更多>>
- 相关领域：机械工程交通运输工程建筑科学电子电信更多>>
- 基于经验模态分解包络谱的滚动轴承故障诊断方法被引量：19
- 2004年
- 针对滚动轴承故障振动信号的非平稳特征和传统包络分析法的缺陷,提出了一种基于经验模态分解包络谱的滚动轴承故障诊断方法。该方法首先采用经验模态分解将原始信号分解为若干个平稳的固有模态函数之和,然后求出包含主要故障信息的若干个固有模态函数分量的包络谱,再定义包络谱中故障特征频率处的幅值比为特征幅值比,最后以特征幅值比作为故障特征向量,输入神经网络,以神经网络的输出来判断滚动轴承的工作状态和故障类型。对滚动轴承内国、外国故障振动信号的分析结果表明,基于经验模态分解包络谱的故障诊断方法能有效地提取滚动轴承的故障特征。
- 杨宇于德介程军圣
- 关键词：滚动轴承包络谱神经网络故障诊断
- 经典模态分解方法中内禀模态函数判据问题研究被引量：21
- 2004年
- 针对经典模态分解方法的内禀模态函数判据问题 ,根据内禀模态函数完备且正交的特点 ,提出了在内禀模态函数“筛选”过程中采用能量差跟踪法来确定内禀模态函数分量。通过仿真和实际信号的分析 ,验证了采用这种方法确定的内禀模态函数分量满足正交性要求 ,表现了信号内含的真实物理信息 。
- 程军圣于德介杨宇
- 关键词：正交
- 基于EMD的奇异值分解技术在滚动轴承故障诊断中的应用被引量：57
- 2005年
- 针对滚动轴承故障振动信号的非平稳特征,提出了一种基于经验模态分解(EmpiricalModeDecomposition,简称EMD)和奇异值分解技术的滚动轴承故障诊断方法。该方法首先采用EMD方法将滚动轴承振动信号分解为多个平稳的内禀分量(IntrinsicModefunction,简称IMF)之和,并形成初始特征向量矩阵。然后对初始特征向量矩阵进行奇异值分解得到矩阵的奇异值,将其作为滚动轴承振动信号的故障特征向量,并输入神经网络来识别滚动轴承的工作状态和故障类型。实验分析结果表明,本文方法能有效地应用于滚动轴承故障诊断。
- 杨宇于德介程军圣
- 关键词：EMD滚动轴承奇异值分解神经网络
- Hilbert-Huang变换在滚动轴承故障诊断中的应用被引量：38
- 2003年
- 提出了一种新的滚动轴承故障诊断方法——基于小波系数包络信号的局部Hilbert边际谱方法,在Hilbert—Huang变换的基础上介绍了局部Hilbert谱和局部Hilbert边际谱,并将它应用于滚动轴承的故障诊断中。用小波基将滚动轴承故障振动信号分解,对高频段的小波系数用Hilbert进行包络分析得到包络信号,再对包络信号进行Hilbert—Huang变换求出局部Hilbert边际谱,从局部Hilbert边际谱中就可以判断滚动轴承的故障部位和类型。通过对滚动轴承具有外圈缺陷、内圈缺陷的情况下的振动信号的分析,说明该方法比传统的包络分析方法更能有效地提取滚动轴承故障特征。
- 于德介程军圣杨宇
- 关键词：滚动轴承HILBERT-HUANG变换小波基包络分析故障诊断
- 基于SVM和EMD包络谱的滚动轴承故障诊断方法被引量：28
- 2005年
- 针对滚动轴承故障振动信号的调制特征和传统包络分析法的缺陷以及现实中难以获得大量典型故障样本的实际情况,提出了一种基于支持向量机(Support Vector Machine,简称SVM)和经验模态分解(Empirical Mode Decomposition,简称EMD)包络谱的滚动轴承故障诊断方法.该方法首先对原始信号进行经验模态分解,将其分解为多个固有模态函数(Intrinsic Mode Function,简称IMF)之和,然后求出包含主要故障信息的若干个IMF分量的包络谱,最后定义包络谱中各种故障特征频率处的幅值比为特征幅值比,将其作为故障特征向量,并以此作为SVM分类器的输入参数来区分滚动轴承的工作状态和故障类型.实验分析结果表明了该方法的有效性.
- 程军圣于德介杨宇
- 关键词：支持向量机经验模态分解包络谱滚动轴承
- 基于EMD和AR模型的滚动轴承故障诊断方法被引量：58
- 2004年
- 提出了基于 EMD(Em pirical Mode Decom position)和 AR模型的滚动轴承故障诊断方法。该方法用 EMD将滚动轴承振动信号分解成若干个平稳的 IMF(Intrinsic Mode Function)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 Mahalanobis距离判别函数 ,进而判断滚动轴承的工作状态和故障类型。实验结果分析表明 ,该方法能有效地应用于滚动轴承的故障诊断。
- 于德介程军圣杨宇
- 关键词：特征向量AR模型滚动轴承故障诊断
- Hilbert-Huang变换端点效应问题的探讨被引量：62
- 2005年
- 为了克服Hilbert-Huang变换中的端点效应,利用时变参数ARMA(AutoregressiveMovingAverage)模型对信号进行外延后再进行EMD(EmpiricalModeDecomposition)分解,在一定程度上克服了EMD方法的端点效应问题;同时利用时变参数ARMA模型对IMF(IntrinsicModeFunction)分量进行延拓后再进行Hilbert变换,有效地抑制了Hilbert变换中的端点效应,可以得到准确的瞬时频率和瞬时幅值。
- 程军圣于德介杨宇
- 关键词：HILBERT-HUANG变换端点效应
- EMD方法在转子局部碰摩故障诊断中的应用被引量：61
- 2006年
- 针对转子系统局部碰摩故障振动信号的特征,将经验模态分解方法(EmpiricalModeDecomposition,简称EMD)应用于转子局部碰摩故障诊断中。采用EMD方法对转子振动信号进行分解,实现碰摩、背景和噪声信号分离,从而提取转子系统局部碰摩振动信号的故障特征。试验分析结果表明,对具有局部碰摩故障的转子振动信号进行EMD分解得到的基本模式分量(IMF)具有明显的调幅特性,而其他状态下的转子振动信号经过EMD分解后得到的IMF分量没有明显的调幅特性。因此,EMD方法可以有效地应用于转子系统局部碰摩故障诊断中。
- 程军圣于德介杨宇
- 关键词：转子故障特征
- 一种基于Hilbert-Huang变换和AR模型的滚动轴承故障诊断方法被引量：10
- 2004年
- 提出了一种基于Hilbert-Huang变换和AR模型的滚动轴承故障诊断方法.采用Hilbert-Huang变换将滚动轴承振动信号分解成若干个平稳的IMF(IntrinsicModeFunction)分量,求出每一个IMF分量的瞬时幅值和瞬时频率,然后对每一个IMF分量的瞬时幅值和瞬时频率序列建立AR模型,以模型主要的自回归参数和残差的方差作为特征向量建立Mahalanobis距离判别函数,进一步判断滚动轴承的工作状态和故障类型.实验结果分析表明,本文方法能有效地应用于滚动轴承的故障诊断.
- 程军圣于德介杨宇
- 关键词：AR模型特征向量
- 经验模态分解(EMD)在滚动轴承故障诊断中的应用被引量：41
- 2003年
- 针对滚动轴承故障振动信号的非平稳特征,提出了基于经验模态分解(Empiri calModeDecomposition,简称EMD)和神经网络的滚动轴承故障诊断方法.首先对原始信号进行了经验模态分解,将其分解为多个平稳的固有模态函数(IntrinsicModefunction,简称IMF)之和,再选取若干个包含主要故障信息的IMF分量,并从中提取时域特征指标———峭度或裕度因子作为神经网络的输入参数来识别滚动轴承的故障模式.对滚动轴承的内圈、外圈故障信号的分析结果表明,以EMD为预处理器提取时域特征参数的神经网络诊断方法比直接从原信号中提取时域特征参数的诊断方法有更高的故障识别率,可以准确、有效地识别滚动轴承的工作状态和故障类别.
- 杨宇于德介程军圣丁戈
- 关键词：滚动轴承EMD神经网络故障诊断
