基于自适应变分模态分解及多重分形谱的风力机轴承故障分析

风力机齿轮箱轴承故障信号具有典型非线性及非平稳特性,采用自适应变分模态法对4种状态下振动信号进行分解,提出基于分形盒维数-峭度阈值法(Adaptived Variational Mode Decomposition,AVMD)对处理所得分量进行筛选,选取富含故障信息的分量进行信号重构,采用多重分形去趋势波分析方法,分析重构信号的分形特征并识别其工作状态,结果表明:基于多重分形去趋势波分析法对非稳定轴承可进行有效地故障识别;轴承振动信号具有典型分形特征,在不同时间尺度下,标度指数、广义Hurst指数与多重分形谱均可反应轴承工作状态;3种多重分形谱参数对故障类型敏感度不同,谱函数最大值对应的奇异指数对内圈故障较为敏感,峰值占比对外圈故障较为敏感,分形谱宽对滚珠故障较为敏感。     

基于优化变分模态分解及分形理论的风力机轴承故障诊断研究

为实现强非线性特征风力机轴承振动信号的故障诊断,基于能量残差及粒子群优化算法提出优化变分模态分解方法(OVMD),通过峭度与相关系数对分解所获各模态进行筛选以剔除无效分量后重塑振动信号。引入分形理论,分别计算滤除无关模态前后轴承不同工作状态随负载变化时分形盒维数。结果表明:经OVMD分解后未滤除无关模态的信号在区分轴承不同工况时,各电机负载下盒维数出现混叠现象,干扰对轴承故障状态的判别与分类;而采用OVMD分解滤除无关模态后重组的信号,其分形盒维数在各种负载下均可实现对轴承工作状态的识别。     

基于改进经验小波变换与分形特征集的风力机齿轮箱故障诊断

针对风力机齿轮箱振动响应信号具有强非线性及非平稳性的特点,考虑平均幅值对平均谱负熵时频域成分权重自适应调节,提出连续改进平均谱负熵方法（ICASN）以体现信号细节复杂度特征,并将ICASN引入经验小波变换（EWT）,替代傅里叶谱作为频带划分依据。采用ICASN-EWT分解振动信号,基于改进平均谱负熵筛选特征分量,剔除信号冗余与噪声影响。分析各敏感分量分形特征并构建高维特征集,采用流形学习进行维数约简,并结合分形高斯噪声改进灰狼算法优化支持向量机关键参数,将降维后的向量集输入优化支持向量机进行故障识别与诊断,准确率高达100%。     

基于改进小波阈值及多重分形的风力机轴承振动信号分析

针对风电机组传动系统时变转速及强噪声干扰等运行特点,首先采用改进小波阈值降噪方法,对风力机齿轮箱轴承振动信号进行降噪预处理,然后基于分形理论,计算变转速轴承振动信号盒维数及多重分形谱,定量描述轴承不同状态下振动信号的特征信息。结果表明:基于改进阈值与硬阈值函数相结合的小波阈值降噪方法对振动信号进行降噪预处理,其降噪效果优于传统的4种阈值选取原则;多重分形去趋势波动分析方法对于定速及变速轴承均能进行有效的故障识别;谱函数最大值所对应的奇异指数α(f_(max))当轴承处于内环故障时最小,可有效判断轴承运行状态及故障位置,能对轴承不同的故障状态做出准确的判断。     

基于EEMD峭度-相关系数准则的多特征量风电机组轴承故障诊断

针对风力发电机组轴承故障振动信号具有高噪声、非线性、非平稳的特性,提出了一种集成经验模态分解与峭度-相关系数准则和多特征量提取的风电机组轴承故障程度的诊断方法。利用集成经验模态将振动信号分解成若干个本征模态分量,采用峭度和相关系数准则选取一组包含信息量最丰富的分量,对该组分量从时域指标、自回归模型参数矩阵的奇异值和能量熵3个角度的变化中提取和构造多特征量矩阵,输入支持向量机建立故障程度不同的多分类预测模型,优化核参数和惩罚参数取得轴承故障程度最佳预测精度。通过实验室数据验证了该方法是一种可行的风电机组轴承故障诊断方法,可实现对风电机组轴承故障早期处于的轻度、中度和重度等3种相对故障程度的准确分类和识别。     

基于流形学习与神经网络的旋转机械故障诊断

出优化改进变分模态分解方法（WOA-IVMD）将轴承振动信号分解至不同频段;又考虑信号非线性,通过9种非线性特征参数,基于经WOA-IVMD分解分量构建非线性“复合高维”特征矩阵,为避免高维数据导致维数灾难问题,采用随机近邻嵌入理论（t-SNE）对高维特征矩阵进行降维处理,并以降维所获数据作为测试样本,通过神经网络完成轴承工作状态分类。结果表明：WOA-IVMD分解信号具有与原分量更高的相似度;采用t-SNE对非线性“复合高维”矩阵进行降维,其三维流形表现具有突出的分类效果;以降维数据为测试样本,采用神经网络进行学习建模并分类,其结果具有较高的吻合度,表明提出方法可准确进行轴承状态分类。     

基于SVD和SSA-VMD降噪的轴承故障特征提取

针对强噪声背景下轴承故障特征提取困难的问题,提出一种基于奇异值分解和参数优化变分模态分解联合降噪的轴承故障特征提取方法(SSVMD)：首先,对原始信号进行奇异值分解(Singular Value Decomposition,SVD)处理,运用奇异值差分谱法选取有效奇异值并将原始信号重构得到初步降噪信号;其次,为防止故障信息丢失,将残余信号进行麻雀算法(Sparrow Search Algorithm,SSA)优化的变分模态分解(Variational Mode Decomposition,VMD）算法处理,得到最佳的模态个数K和惩罚参数α,选取峭度值最大、包络熵最小的IMF分量与初步降噪信号叠加得到最终降噪信号,并对信号进行包络分析;最后,通过仿真和试验数据分析得出,该方法能在信噪比很低的情况下降低噪声含量并提取轴承故障特征,为设备的状态监测和故障诊断提供理论依据。     

基于EEMD及分形方法的轴承振动信号分析

为对具有强烈非线性特征的轴承振动信号做出准确的故障识别,基于分形理论,采用辅助经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)对信号进行降噪预处理,采用G-P算法分析轴承不同状态下振动信号关联维数。研究表明:基于EEMD的降噪方法可有效对振动信号进行降噪;轴承工作状态不同,其振动信号关联维数具有明显的可区分性,当轴承处于外环故障时,其关联维数最大为4.7,当轴承处于滚珠故障时,其关联维数最小仅为3.0,当轴承处于正常/内环故障时,其关联维数分别为4.0/3.2。因此,利用关联维数能定量识别轴承的不同故障状态及位置。     

基于VMD与粒子滤波的滚动轴承故障诊断

针对旋转设备工作环境复杂,难以提取轴承故障特征信息的问题,提出基于变分模态分解(VMD)和粒子滤波的故障诊断方法。首先,对原始振动信号进行VMD分解,得到有限个具有稀疏特性的固有模态函数(IMF);其次,利用基于峭度、相关系数、能量比的综合评价指标P,筛选最能反映原始信号故障特征的模态分量进行重构;最后,对重构故障特征分量进行粒子滤波,消除VMD残留的非线性、非高斯噪声后,利用包络谱分析故障类型。通过对实验轴承振动信号的分析,验证了该方法的准确性和有效性。     

改进VMD融合深度学习在滚动轴承故障诊断中的应用

针对滚动轴承早期振动信号微弱且难以提取的问题,结合灰狼算法与变分模态分解（Variational mode decomposition,VMD）提出改进变分模态分解（Improved variational mode decomposition,IVMD）方法分解轴承故障信号,并基于快速谱峭度图（Fast kurtogram,FK）提取特征分量进行信号重构,采用深度学习与混沌理论对各故障轴承重构信号进行非线性分析,完成故障识别。在保留原故障信息整体几何结构的同时降低了特征数据复杂度,增强了故障状态分类能力。基于损伤轴承实验数据验证所提方法的有效性。结果表明：IVMD较VMD能更好地分解故障信号,快速谱峭度图可有效提取特征分量;采用IVMD FK进行信号前处理后,经卷积神经网络（Convolutional neural network,CNN）进行故障分类,准确率高达99.99%,远高于传统故障诊断方法;在强噪声环境下此方法仍可较好地进行故障分类,在-8dB噪声下准确率达到75.75%,具有良好的鲁棒性;同时,结合混沌相图与Lyapunov指数反映故障信号的混沌特性,随卷积层数增加Lyapunov指数逐渐减小,表明深度学习模型和混沌理论可从混沌序列中提取纯净特征信息,准确进行故障识别。     

基于集合经验模态分解和关联维数的风力机齿轮箱故障诊断

针对齿轮箱故障信号的非线性和非平稳性特征,提出基于集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)、关联维数和支持向量机(Support Vector Machine,SVM)的故障诊断方法。将美国国家可再生能源实验室(National Renewable Energy Laboratory,NREL)"Gearbox Reliability Collaborative(GRC)"项目进行测试获得振动信号数据,通过EEMD进行分解得到本征模态函数(Intrinsic Mode Function,IMF)分量,采用G-P算法求取各组本征模态函数分量的关联维数,将各组关联维数输入SVM中进行故障识别及分类。结果表明:振动信号的关联维数与嵌入维数呈正相关,且正常信号和故障信号的关联维数区分度不明显,通过SVM能对其进行精确识别和分类。该方法能有效提取系统故障非线性特征,比传统的基于统计参数的故障诊断方法具有更高的诊断精度,准确率高达100%。     

基于摩擦振动信号的缸套-活塞环磨损状态识别研究

基于摩擦振动信号的多重分形特征,提出利用多重分形去趋势波动分析（multi-fractal detrended fluctuation analysis,MF–DFA）和支持向量机（support vector machine,SVM）相结合的方法识别缸套—活塞环磨损状态。在Bruker UMT—3摩擦磨损试验机上进行了柴油机气缸套—活塞环的摩擦磨损模拟试验。应用总体模态分解（ensemble empirical mode decomposition,EEMD）方法对测取振动信号进行降噪处理,获取能够表征摩擦副表面接触特性的摩擦振动信号。通过MF–DFA方法计算得到不同磨损状态下摩擦振动信号多重分形谱,由多重分形谱构造特征向量,通过差分进化（differential evolution,DE）算法对SVM参数进行优化,识别不同摩损状态。试验结果表明,正常磨损状态识别准确率为100%,磨合磨损状态和急剧磨损状态识别结果存在轻微混淆。所提方法可以实现缸套—活塞环不同磨损状态的识别。     

基于ＩＣＥＥＭＤＡＮ 和ＳＶＭ 的起伏振动气液两相流流型识别

针对起伏振动条件下气液两相流压差信号过于复杂难以识别的问题,提出一种基于改进的自适应噪声完备集合经验模态分解(ICEEMDAN)与支持向量机（SVM）相结合的流型识别方法。采用ICEEMDAN对小波去噪后的压差信号进行模式分解,通过求取的各本征模态函数（IMF）与原始信号进行斯皮尔曼相关系数计算,选取相关系数较大的IMF分量进行希尔伯特变换,对变换后各IMF分量的瞬时幅度进行能量熵、奇异谱熵、功率谱熵的计算,构成特征向量,带入到支持向量机中进行流型识别。结果表明：该方法能够有效识别起伏振动状态下的泡状流、弹状流、搅混流、环状流,识别准确率可达95%。     

基于最大相关峭度解卷积和变分模态分解的风电机组轴承故障诊断方法

针对风电机组轴承故障特征难以提取的问题,提出一种基于最大相关峭度解卷积(maximum correlatedkurtosis deconvolution,MCKD)和变分模态分解(variational mode decomposition,VMD)的轴承故障诊断方法。首先利用MCKD算法对轴承振动信号进行降噪,然后对降噪后的信号进行VMD分解,并利用峭度指标筛选出敏感本征模态函数(intrinsic mode function,IMF),最后通过分析敏感IMF包络谱中幅值突出的频率成分判断故障类型。仿真和实验分析结果表明该方法可成功地提取出故障特征频率,实现风电机组轴承故障的有效诊断。     

基于变分模态分解云模型和优化LSSVM的汽轮机振动故障诊断

针对汽轮机运行过程中的非平稳性和多分量性振动故障信号,提出一种基于变分模态分解相对熵云模型和优化最小二乘支持向量机(LSSVM)的汽轮机振动故障诊断方法。首先,利用变分模态分解按照预设尺度将故障信号分解为K个模态分量,根据各模态分量与原始信号的相对熵大小去除伪分量,提取最佳分量并将其输入云模型,采用逆向云发生器提取特征向量。然后使用改进果蝇优化算法动态调整搜索步长搜寻影响LSSVM识别精度的超参数最佳组合,最后将特征向量输入参数优化后的LSSVM进行故障识别,并与采用经验模态分解相对熵云模型和集合经验模态分解相对熵云模型的LSSVM识别结果进行了对比。结果表明:所提方法优于传统的信号分解方法,对汽轮机振动故障类别具有很高的识别准确率。     

基于多重分形去趋势波动分析的风力机轴承故障诊断

风力机传动轴轴承振动信号具有典型的非平稳和非线性特征,传统状态监测及故障诊断方法难以同时满足故障程度识别及部位诊断的需求。为此,针对定速轴承故障数据及变速的风力机轴承故障数据,采用多重分形去趋势波动分析方法,分析轴承在正常和不同故障状态下振动信号的多重分形特征,采用3种多重分形谱参数以表征振动信号的分形特征,结果表明:多重分形去趋势波动分析方法对于定速轴承和变速轴承均能进行有效的故障状态识别;轴承振动信号具有典型的多重分形特性,且较之正常状态,故障状态下多重分形特性更为明显,多重分形谱函数峰值对应的奇异指数更小,且当轴承处于内环故障时最小时,说明该参数可有效判断轴承运行状态及故障位置。因此,通过多重分形去趋势波动方法可获取故障特征参数,为风力机轴承故障诊断提供理论基础和实现途径。     

基于分形学的轴承故障诊断分析

为识别轴承的工作状态及故障类型,针对非线性振动信号,基于分形盒维数与小波降噪方法,计算了轴承正常状态及不同故障状态的振动信号盒维数。结果表明:轴承的故障类型不同,其振动信号盒维数亦不同,正常状态盒维数最大,内环故障盒维数最小,其值分别为1.6和1.4。因此,根据盒维数能定量识别轴承故障状态与故障位置,本研究可为轴承状态监测和故障诊断提供理论依据。     

基于经验小波变换和关联维数的风力机齿轮箱故障诊断

针对齿轮箱故障信号的非线性和非平稳性特征,提出基于经验小波变换(Empirical Wave-letTransform,EWT)、关联维数(Correlation Dimension,CD)和支持向量机(Support Vector Ma-chine,SVM)的故障诊断方法.首先通过EWT对风力机齿轮箱信号进行分解,得到若干本征模态函数(Intrinsic Mode Function,IMF)分量,再采用G-P算法求取各组IMF分量的关联维数,并将各组关联维数特征集输入SVM中完成故障识别及分类.结果表明:振动信号关联维数与嵌入维数呈正相关,且正常信号与故障信号的关联维数区分度不明显,通过SVM能对其进行精确识别和分类;该方法能有效提取系统故障非线性特征,故障识别准确率高达100％.     

基于阶次解调谱的滚动轴承故障诊断方法

针对变转速工况下滚动轴承的故障诊断问题,提出一种基于阶次解调谱的故障诊断方法。该方法先利用线调频小波路径追踪算法提取转速信号,并根据转速信号对轴承振动信号进行角域重采样,将时域非平稳信号转化为角域平稳信号。然后对角域平稳信号进行变分模态分解(variational mode decomposition,VMD)得到若干本征模态函数分量(intrinsic mode function,IMF),并利用峭度指标筛选出敏感IMF分量,最后对敏感IMF进行Hilbert变换获得其阶次解调谱,通过提取阶次解调谱中的故障特征阶次来识别轴承故障。仿真和实验分析结果表明,该方法成功提取出故障特征阶次,可实现变转速工况下滚动轴承故障的有效诊断。     

基于AVMD和谱相关分析的风电机组轴承故障诊断

针对传统时频分析方法分解不准确、效率低下的问题,提出一种改进的自适应变分模态分解(AVMD)方法,该方法预先使用短时傅里叶变换预估模态数量,并对原始信号频谱与分量叠加频谱进行谱相关分析筛选最优惩罚因子,提高变分模态分解(VMD)的精确性,与经验模态分解(EMD)、聚合经验模态分解(EEMD)、小波变换相比,该方法分解速度快、准确度高。之后,结合AVMD和谱相关分析提出一种新的滚动轴承故障诊断方法,该方法首先采用AVMD将已知故障信号分解成若干本征模态,并使用主要成分分析(PCA)降维去噪后构成故障模型库;然后对新采集的检测信号进行相同处理得到检测特征向量;最后将检测向量和故障库故障库特征向量分别进行频域内谱相关性分析和判别,实现故障诊断。使用西储大学实验台轴承数据和实际风场采集数据对该方法进行验证,诊断结果表明该方法相比于传统方法,识别率有明显提高。