经验模式分解在机车柴油机齿轮系故障诊断中的应用研究的中期报告.docxVIP

经验模式分解在机车柴油机齿轮系故障诊断中的应用研究的中期报告 经验模式分解（Empirical Mode Decomposition，EMD）是一种新颖的信号分解方法，适用于非线性和非平稳信号。它能够将一个信号分解为多个本地特征模态函数（Intrinsic Mode Function，IMF），每个IMF都对应着不同时间尺度和频率特征。EMD已被广泛应用于机械故障诊断、振动信号分析等领域。 本文对EMD在机车柴油机齿轮系故障诊断中的应用进行了研究。首先，收集了一组实际的机车柴油机振动信号并进行了分析。然后，利用EMD方法对振动信号进行分解得到多个IMF分量。接着，通过对IMF分量进行时频分析和统计特征提取，将其用于齿轮系故障特征提取。最后，通过对提取到的特征进行聚类和分类，实现了机车柴油机齿轮系故障的诊断和分类。 实验结果表明，EMD具有较好的齿轮故障识别能力。同时在分解过程中，EMD会将信号分解为一组IMF，这样每个IMF都对应着不同的频率和时间尺度，其中高频IMF描述了短时变化特征，低频IMF描述了长时变化特征，这为提取振动信号中的特征提供了方便，并且使得诊断结果更可靠。 总之，本文的研究成果表明，EMD在机车柴油机齿轮系故障诊断中的应用是可行和有效的，EMD算法的信号分解方法可为故障特征提取和诊断提供有力的支持。