HVD(希尔伯特振动分解)算法以其强烈的抗模态混叠性能,常用于频率耦合下的信号分解,但起始端点的选择是制约其工程应用的关键。针对此,提出一种自回归HVD算法确保抑制边界效应的同时解决频耦信号精准分解难题。此方法以HVD为分解基函数,结合自回归模型具备的自适应边界延拓的能力完成对HVD算法的优化,最终完成复合故障中具有频率耦合特性的信号精准分解。以风力机实验系统的二级平行轴齿轮箱为验证对象,分析不同转速下的复合信息,辨识效果证明自回归HVD在具有频耦特性的复合故障诊断中具有显著优势。

经验模态分解(Empirical Mode Decomposition,EMD)存在的模态混叠现象严重影响了其应用效果,成为制约其在工程中推广应用的一个重要难题。在总结引起模态混叠的主要原因及分析模态混叠产生机理的基础上,借鉴高频谐波加入法(High Frequency Harmonic Added EMD,HFHA-EMD)原理并对高频谐波信号的构造进行改进,提出了一种应用自适应带宽信号的B样条EMD(B-Spline EMD,BS-EMD)模态混叠消除方法。该方法利用EMD的二进带通滤波特性和总是先分离高频分量的特点,根据被分析信号的BS-EMD得到的第一个IMF分量确定带宽限制频率和带宽限制幅值,从而构造出自适应带宽限制信号。通过在原始信号中添加自适应带宽限制信号来改变EMD带通滤波器的中心频率,再进行BS-EMD分解消除模态混叠。与EMD、BS-EMD进行对比分析,验证了该方法的优越性。与HFHA-EMD的对比仿真分析表明,两种方法都可以有效消...

针对经验模态分解(empirical mode decomposition,EMD)由于模态混叠现象难以有效提取轴承故障特征的问题,提出了一种基于时变滤波经验模态分解(time varying filtering based empirical modede composition,TVF-EMD)的轴承故障诊断方法。首先利用TVF-EMD方法对轴承故障信号进行自适应分解,得到一组内禀模态函数(intrinsicmodefunctions,IMFs),然后根据峭度最大准则选取包含主要故障特征信息的IMF分量,最后对选取的敏感分量进行进一步的包络解调分析,提取出故障特征信息,从而进行故障诊断。轴承故障诊断实例证实了所提方法能准确提取轴承故障的特征信息,实现轴承故障的有效诊断;通过与总体经验模态分解(ensemble empirical mode decomposition,EEMD)方法的对比研究,表明了所提方法的优越性。

为了抑制模态混叠和降低分量中的噪声含量,提出了一种基于奇异值分解的液压信号时域分解方法.根据奇异值分解的两点特性：①每个频率成分对应两个大小相当的奇异值;②各频率对应的奇异值的大小与该频率的振幅呈正相关,该方法先选取原信号中的某一频率,向其中叠加频率相同、振幅已知的周期信号,使叠加信号中该频率的振幅最大,这样与其对应的奇异值一定位于对角矩阵的前两阶,解决了原信号该频率的奇异值阶数无法确定的问题,继而选取前两阶奇异值重构,再减去前步加入的周期信号,即还原出原信号中该频率的时间序列.同样,对于原信号中的其他频率用相同方法处理,最终获得一组分量.经实验,该方法较EMD不仅能有效消除模态混叠,而且降低了分量中的噪声含量.