基于MEMD与MMSE的滚动轴承退化特征提取方法

针对滚动轴承故障信号的非平稳性特征以及其退化状态难以识别的问题,提出了基于多维经验模态分解(MEMD)与多元多尺度熵(MMSE)的退化特征提取方法.该方法利用多维经验模态算法在多尺度化过程中能够有效地捕获信号不同尺度的成分的特性,更好地区分了不同退化状态的复杂度.首先,利用MEMD算法对滚动轴承不同退化状态对应的多通道信号进行同步自适应分解;然后,对多尺度IMF分量重构的信号进行多元多尺度熵分析.对试验信号进行处理,结果表明,该方法能有效反映滚动轴承退化趋势.     

基于自适应变分模态分解和集成极限学习机的滚动轴承多故障诊断

针对滚动轴承多故障诊断中特征提取困难和分类准确性低的问题,从有效特征提取和故障分类准确性两方面出发,将变分模态分解(VMD)和极限学习机(ELM)方法结合,提出了一种自适应滚动轴承多故障诊断方法.针对VMD参数需人为事先设定导致信号分解效果差的情况,提出了灰狼算法(GWO)优化VMD实现自适应地获取最佳分解参数k和α....     

基于VMD的滚动轴承早期故障诊断方法

滚动轴承是旋转机械的重要零部件,当发生早期故障时,难以有效地提取其微弱的故障特征.针对这一问题,提出了优化参数K取值的变分模态分解(variational mode decomposition,VMD)早期故障诊断方法.首先,通过瞬时频率均值判断法确定模态数K的取值,然后用VMD方法对采集的轴承故障信号进行处理.通过筛选轴承故障信号分解得到本征模态函数分量,对其中的敏感分量进行包络谱分析,从而判断轴承的故障类型与严重程度.最后,分别比较EMD和原VMD算法得到的结果.结果表明:优化后的VMD算法能成功地提取滚动轴承早期故障特征,实现轴承早期故障诊断.     

基于变分模态分解与多尺度熵的滚动轴承故障诊断方法

针对滚动轴承故障振动信号具有非平稳、非线性特征以及提取特征困难等问题,提出一种基于变分模态分解(Variational Mode Decomposition,VMD)的多尺度熵(Multi-scale entropy,MSE)的特征向量提取方法,并输入拉普拉斯支持向量机(Laplacian support vector machines,LapSVM)中进行滚动轴承故障识别。该方法首先利用VMD分解的多尺度熵对原始振动信号进行特征向量的提取,然后与基于VMD样本熵以及VMD时域统计量(峭度、歪度)对比说明该方法的优势,最后将上述特征向量输入到LapSVM分类器中进行识别对比。试验数据分析结果表明,所提方法在诊断精度、计算速度上大大提高。     

基于SAE-VMD的锂离子电池健康因子提取方法

电池退化信号具有非平稳、非线性特性,为自适应提取能准确表达电池退化特性的健康因子(HI),提高锂离子电池剩余寿命(RUL)的预测精度,提出一种基于堆叠稀疏自编码(SAE)和变分模态分解(VMD)的HI构建方法。首先利用SAE深度神经网络对多个电池参数去噪、降维,提取出一个集中包含电池退化特性的融合HI;然后利用VMD将融合HI的全局衰减、局部再生和其他噪声3种模态进行有效分离,将被分离的3个分量作为电池HI,以此消除HI不同尺度上波动之间的相互干扰,提高RUL预测精度。锂离子电池RUL的预测结果表明,使用该方法所提HI得到的RUL预测精度最高,说明所提HI品质最高。     

基于云平台下的并行VMD算法

电力设备监测数据中的时序波形信号对评估设备运行状态具有重要作用,当数据量很大时,采用传统方法处理时序波形信号往往效率低下。VMD算法是一种完全非递归的变分模态分解方法,适用于对非线性、非平稳信号的分析,但其复杂性和大量的计算限制了其应用范围。提出了一种基于Storm/Spark平台的并行VMD算法。为确保子段数据模态分量在窗口截断处连续,提出了一种基于矩形窗分段的变分模态分解(Variational Mode Decomposition,VMD)VMD-RWS和基于自适应分段和外推延拓(the adaptive subsection based on local flatness and extrapolation,ASLF-E)ASLF-E的信号处理方法进行信号分段以及子段数据处理。通过仿真实验对提出的VMD-RWS和ASLF-E方法进行验证,实验结果表明该方法可以确保各子段数据模态分量在窗口截断处的连续性,保持了VMD算法原有的性能,为云平台下局部放电信号应用VMD算法进行分析提供了一种切实可行的方案。此外,设计了基于Storm和Spark平台的并行VMD算法处理流程及架构,为基于云平台的并行VMD算法的实现提供了依据。     

基于EMD重构和SVM的滚动轴承故障诊断方法研究

针对滚动轴承振动信号非平稳性和故障特征难以提取的问题,提出一种基于经验模态分解重构和支持向量机相结合的故障诊断方法。首先,采用经验模态分解,将滚动轴承振动信号分解成一系列固有模态函数;其次,根据伪固有模态函数剔除法选取对故障特征敏感的模态函数进行信号重构;最后,以重构信号的有效值和峭度值作为支持向量机分类器的输入来识别滚动轴承的工作状态和故障类型。试验结果表明,该方法能有效地识别和诊断出滚动轴承的运行状态和故障类型,具有很高的工程实用价值。     

基于VMD与SET的滚动轴承故障诊断

在滚动轴承故障诊断研究中,同步提取变换(SET)在分析单分量信号时能显著提高时频可读性,但在分析多分量信号时存在时频模糊问题.为解决这一问题,首先通过变分模态分解(VMD)解调分离出信号的固有模态函数(IMF)分量;再对IMF分量进行希尔伯特变换,凸显故障特征频率;然后对变换后的IMF分量进行SET处理,实现时频聚焦提高时频分辨率,获得信号的时频解调谱,从而识别故障.经试验验证,该方法能准确提取信号的时频解调谱,识别故障频率及其倍频,诊断轴承故障.     

基于变分模态分解的轴承振动特征提取方法

设备运转的状态信息能够通过振动信号实时反映出来,然而由于信号中混杂了大量背景噪声等干扰信息,使得信号分解技术成为关注的重点之一。变分模态分解(variational mode decomposition,VMD)克服了传统自适应信号分解方法的不足,分解出的信号消除了端点效应和模态混叠等失真现象,具有抗噪干扰能力强、计算速度快等优点。针对VMD模态K数难以选取的问题,以信号主频率个数作为K的选择依据,然后结合信息熵测度,提出了一种的新的振动信号提取方法,剔除干扰信息,便于故障类型的查找。仿真和轴承实验表明了该方法的有效性和可行性。     

基于VMD的APF谐波检测算法

提出基于变分模态分解(VMD)的谐波检测算法,并将其运用于有源电力滤波器。首先,VMD将畸变电力信号分解成一系列固有模态函数(IMF),不同的IMF分量代表不同频段信号,可提取其中基波IMF分量;然后,将原畸变信号减去提取的基波分量,即可检测出谐波分量。为验证VMD算法对于谐波检测的有效性,对VMD算法进行仿真分析,仿真结果表明:VMD算法不仅对稳定信号具有很好的谐波检测效果,而且对非稳定信号也有较好的谐波检测效果。     

经验模态分解和神经网络在滚动轴承故障诊断中应用研究

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的滚动轴承故障诊断方法,对采集的信号范围进行了筛选。利用经验模态分解将振动信号分解为多个平稳的固有模态函数。选取包含主要故障信息的IMF分量分析其时域和频域特征。将时域信号特征量和频谱图峰值对应的频率归一化处理,输入Elman神经网络进行工作状态的自动判断。     

基于EMD时频分解与包络解调的滚动轴承故障诊断

滚动轴承是机械设备里的关键部件,它的工作状态直接影响设备的正常运行和人身安全,对滚动轴承进行故障监测和故障诊断是一件很有必要的事。运用振动加速度传感器监测滚动轴承的振动信号,采用EMD(经验模态分解)方法和共振解调相结合的方法,分析故障信号,从实验结果看出该方法提高了信噪比,有效地获取了故障特征。     

EEMD-PE与M-RVM相结合的轴承故障诊断方法

滚动轴承振动信号中包含了大量轴承运行状态信息,但是由于振动信号具有非线性和非平稳性的特点,难以充分提取振动信号中的故障特征,导致现有基于模式识别的轴承故障诊断方法的故障识别准确率较低.为了提高滚动轴承故障识别的准确率,提出了一种基于集合经验模态分解-排列熵(EEMD-PE)特征提取与多分类相关向量机(M-RVM)相结合的轴承故障诊断方法.首先,该方法利用EEMD对非线性和非平稳信号的自适应分解能力,将轴承故障信号分解为一组包含故障特征的本征模态函数(IMFs).然后,利用排列熵提取由EEMD分解得到的IMFs中的故障特征,并组成特征向量.最后,采用EEMD-PE对不同故障状态下的训练样本集进行特征提取,组成特征向量集对M-RVM分类器进行建模,以概率输出的形式实现对滚动轴承的故障诊断.实验结果表明:EEMD-PE特征提取方法能够对滚动轴承振动信号的故障特征进行有效提取,M-RVM能够对故障滚动轴承振动信号包含的故障特征进行识别.与现有轴承故障诊断方法相比较,所提出的方法能够提高故障识别准确率,达到99.58%.     

基于小波-VMD-Teager能量算子的滚动轴承微弱故障诊断

针对滚动轴承的单一故障进行诊断,提出了将小波VMD-Teager能量算子相结合和小波CEEMD-Teager能量算子相结合的诊断方法。对于滚动轴承的故障信号首先是进行小波降噪,使用VMD分解得到IMF分量,利用峭度和相关系数的大小选择合适的IMF分量,进行重构。通过对重构的IMF进行Teager能量算子包络解调处理,最后可以得到不同故障程度的轴承故障的特征频率。对比VMD处理和CEEMD处理得到的故障信号包络图,利用实验数据验证表明, VMD处理能更有效提取滚动轴承的单一故障微弱特征。     

VMD与PSO的乐器声音识别

针对乐器音频信号的识别率低的问题,提出了一种变分模态分解(VMD)和被粒子群算法(PSO)优化的支持向量机(SVM)的乐器音频信号识别的方法。采用VMD将乐器音频信号分解成一系列平稳的窄带分量(IMF),并根据相关系数重构信号,采用小波去除残余的噪声。最后,在分析传统的声音特征提取方法基础上,提取梅尔频率倒谱系数(MFCC),用经PSO寻优参数的SVM进行音频信号的分类。实验结果表明,本文算法的去噪效果明显优于经验模态分解(EMD)和集合经验模态分解(EEMD)的分析结果;PSO优化后的SVM有效的提高了噪声环境下音频信号分类的正确率。     

参数优化VMD在爆破振动信号分析中的应用

针对经验模态分解(Empirical Mode Decomposition, EMD)方法在爆破振动信号应用中模态混叠的问题,提出了一种改进的变分模态分解(Variational Mode Decomposition, VMD)方法.首先,使用任意给定的模态分解个数与惩罚因子变分模态分解将爆破振动信号分解为K个模态;然后计算分量的幅值谱熵的局部最小值;其次采用混合GA-PSO算法对任意模态分解个数与惩罚因子进行全局搜索来不断优化参数并更新幅值谱熵的局部最小值,最终最小幅值谱熵与平均幅值谱趋于一致,得出全局最小的局部最小值的幅值谱熵相应的模态分解个数与惩罚因子.仿真结果表明:模态分解个数与惩罚因子作为全局最优输入交叉优化能够准确地确定模态分解个数与惩罚因子,与经验模态分解相比,改进的变分模态分解方法具有很强的鲁棒性和抗噪声干扰能力以及分解与去噪重构精度.最后利用参数优化后的VMD进行爆破振动信号的实测,通过相关系数法检验,各分量相关系数均在一个数量级上,解决了模态混叠问题并且无虚假分量,证明参数优化的VMD在爆破振动信号应用上具有很好的适应性.     

基于优化变分模态分解的磁瓦内部缺陷检测

针对磁瓦内部缺陷声振检测存在的信号处理和特征识别问题,提出结合变分模态分解（VMD）、粒子群优化（PSO）和随机森林（RF）的信号分析方法. 该方法以模态能量和相邻模态中心频率差值构建代表VMD处理性能的适应度函数,其中以VMD的分解层数和惩罚因子2个参数作为该适应度函数的变量;通过PSO在VMD参数选择空间中搜索该函数的最小值以执行VMD的参数优化,最小值所对应的参数设置即为VMD的最优参数;利用得到的参数实现信号的最优VMD分解并通过计算模态分量的能量来筛选特征模态,从中提取过零率、谱质心和最大峰值频点以联合反映磁瓦内部缺陷的特征信息;经RF分类器对这些特征进行识别进而对内部缺陷的存在情况做出判断. 实验证明所提出的方法能够准确、高效地实现不同类型磁瓦的内部缺陷检测.     

基于PCA-SVDD的滚动轴承性能退化评估

针对滚动轴承早期微弱故障难以及时发现的问题,提出一种基于主成分分析(PCA)和支持向量数据描述(SVDD)的滚动轴承性能退化评估模型. 使用主成分分析法对滚动轴承振动信号时域和频域的特征指标进行加权融合,构建一个可以有效全面描述滚动轴承运行状况的综合特征指标,将正常状态样本的综合特征指标输入SVDD模型完成评估模型的构建,通过设置健康报警阈值判定轻微故障出现时间,并采用滚动轴承全寿命试验数据进行验证. 结果表明,与以峭度指标、均方根值作为SVDD模型的特征指标输入相比,该评估模型可以更早检测到滚动轴承早期微弱故障的发生,也能更准确地描述滚动轴承整体退化程度.     

结合狄利克雷过程和连续隐马尔科夫模型的滚动轴承性能退化评估

针对隐马尔科夫模型(Hidden Markov model,HMM)定义中状态数必须预先设定的不足,提出了一种基于狄利克雷过程(Dirichlet process,DP)和连续隐马尔科夫模型(Continuous hidden Markov model,CHMM)的滚动轴承性能退化评估方法。该方法基于DP扩展混合模型(Dirichlet process mixture model,DPMM)良好的聚类特性和分层狄利克雷过程(Hierarchical Dirichlet process,HDP)的分层共享原理,利用多组状态特征值,获得了轴承的运行状态数,解决了CHMM模型结构设置的问题,实现了滚动轴承运行中的退化状态识别和性能评估。利用美国USFI/UCR智能维护中心轴承全寿命试验进行了应用研究,并与基于Kolmogorov-Smirnov(K-S)检验的滚动轴承性能退化评估进行了对比。结果表明,结合狄利克雷过程和连续隐马尔科夫模型的算法能有效地监测滚动轴承运行中的不同退化状态,为基于状态的设备维修提供了参考。     

基于改进HHT的奇异值分解和马氏距离的滚动轴承故障诊断

针对滚动轴承振动信号的非平稳性以及故障诊断样本总量少的特点,提出一种基于改进希尔伯特-黄变换的奇异值分解和马氏距离相结合的故障诊断方法。首先,采用改进经验模态分解方法将所测不同工况下的滚动轴承信号分解成多阶固有模态函数,并根据各模态函数的特性选取对各工况信号敏感的模态分量;其次,对敏感模态函数分量组成的特征向量进行奇异值分解,并以分解结果的期望值作为诊断的特征值;最后,将马氏距离判别算法应用于滚动轴承的工况和类型判别。试验结果表明,本文所提方法能有效识别出滚动轴承的工作状态,具有一定的应用价值。