基于IMF特征提取的滚动轴承故障诊断

滚动轴承故障诊断的关键是敏感故障特征的提取。模糊熵(Fuzzy Entropy,FE)是一种检测时间序列复杂程度的方法,已广泛应用于故障诊断。由于机械系统的复杂性,振动信号的随机性表现在不同尺度上,因此需要对振动信号进行多尺度的模糊熵分析。在此基础上,提出了基于经验模态分解(Empirical Mode Decompose,EMD)和模糊熵的滚动轴承故障诊断方法。首先,采用EMD方法对振动信号进行分解,得到不同尺度的内禀模态函数(Intrinsic Mode Function,IMF)并计算包含主要故障信息的IMF分量的模糊熵;其次,对IMF分量的模糊熵值进行基于样本分位数的特征提取;最后,将分位数值作为特征向量,输入基于优化算法的支持向量机。将该方法应用于滚动轴承实验数据,分析结果表明,此方法可有效实现滚动轴承的故障诊断。     

基于EEMD能量熵及LS-SVM滚动轴承故障诊断

针对滚动轴承振动信号的非平稳特性和现实中难以获得大量典型故障样本的实际情况,提出基于集合经验模态分解（EEMD）能量熵和最小二乘支持向量机（LS-SVM）的滚动轴承故障诊断方法。首先通过EEMD分解将非平稳的原始振动信号分解成若干个平稳的固有模态函数（IMF）;滚动轴承同一部位发生不同严重程度的故障时,在不同频带内的信号能量值会发生改变,因此可通过计算振动信号的EEMD能量熵判断发生故障的严重程度;从包含主要故障信息的IMF分量中提取的能量特征作为输入来建立支持向量机,判断滚动轴承的技术状态和故障严重程度,并选用不同核函数对诊断效果进行分析比较。实验结果表明,该方法能有效地应用于滚动轴承的故障诊断。     

基于变分模态分解和多尺度排列熵的滚动轴承故障诊断

针对滚动轴承故障振动信号非平稳性、故障特征提取效果不理想以及故障诊断准确性低等问题,提出基于变分模态分解和多尺度排列熵的滚动轴承故障特征提取方法,并采用经粒子群算法优化的概率神经网络(PSO-PNN)故障诊断模型进行故障类型识别。通过变分模态分解方法将提取的振动信号分解成K个模态分量,进一步计算K个分量的多尺度排列熵,组成多尺度的特征向量,将特征向量输入到PSO-PNN故障诊断模型中识别故障类型。MATLAB仿真结果表明,该方法使故障类型识别准确率有所提高。     

基于EEMD模糊熵和GK聚类的信号特征提取方法及应用

提出了一种基于集合经验模态分解模糊熵和GK聚类相结合的方法,应用于滚动轴承的故障诊断中。首先,利用EEMD方法将故障信号分解成多个本征模态分量来消除模态混叠影响;其次,通过相关性对IMF分量进行筛选,并求取其模糊熵作为特征向量进行GK聚类分析进行模式识别。在实验分析中,通过模糊熵、样本熵、近似熵3种特征参数的对比,和GK聚类与FCM聚类的对比,证明了该方法的有效性和优越性。     

基于ASTFA和PMMFE的齿轮故障诊断方法

提出一种新的反映信号复杂度或非线性度的方法——多尺度模糊熵偏均值(PMMFE),PMMFE是在多尺度模糊熵的基础上提出的。多尺度模糊熵虽然包含不同尺度上的时间模式信息,反映了信号的内在特征,但是对于特征相近的信号,其在绝大部分尺度上的表征并不理想。PMMFE综合考虑多个尺度的模糊熵值,利用不同尺度上模糊熵值的偏态分布特性来定量表征信号的复杂度或非线性度,更加准确地反映信号的特征。但是齿轮箱中的齿轮故障振动信号是多源振动信号,需将齿轮振动本源信号分离出来才能进行特征提取。自适应最稀疏时频分析方法(ASTFA)根据齿轮啮合频率确定初始相位函数就可以有效分离齿轮故障振动本源信号。将ASTFA和PMMFE相结合用于齿轮故障诊断,首先采用ASTFA分离齿轮箱中的齿轮故障振动信号,其次计算该信号的多尺度模糊熵,再根据多尺度模糊熵计算PMMFE。实验分析结果表明该方法能够有效判别齿轮箱中的齿轮故障及其类型。     

机械振动信号自适应多尺度非线性动力学特征提取方法研究

针对机械振动信号的故障特征提取问题,提出了基于独立变分模态分解与多尺度非线性动力学参数的特征提取方法。①提出频谱循环相干系数选取匹配波形对机械振动信号进行端点延拓后再进行VMD分解得到不同频率尺度的IMF分量;②根据互相关准则选取有效的IMF分量进行核独立成分分析,分离出相互独立的有效故障特征频带分量;③计算各独立分量的复合多尺度模糊熵偏均值,并利用正交变换将独立分量正交化后构造多维超体,进而利用多维超体体积定义并计算信号的双测度分形维数,从而获得多尺度非线性动力学特征参数,实现机械故障诊断。仿真和实验结果表明:所提方法可有效抑制VMD分解的端点效应和模态混叠,信号分解效果好,特征参数分类精度高,极大地提高了机械故障诊断准确率。     

基于变分模态分解和排列熵的滚动轴承故障诊断EI北大核心CSCD

滚动轴承早期故障信号特征微弱且难以提取,为了从轴承振动信号中提取特征参数用于轴承故障诊断和识别,提出基于变分模态分解(Variational Mode Decomposition,VMD)和排列熵(Permutation Entropy,PE)的信号特征提取方法,并采用支持向量机(Support Vector Machine,SVM)进行故障识别。对轴承振动信号进行变分模态分解,得到不同尺度的本征模态函数;计算各本征模态函数的排列熵,组成多尺度的复杂性度量特征向量;将高维特征向量输入基于支持向量基建立的分类器进行故障识别分类。通过滚动轴承实验数据分析了算法中参数选取问题,将该方法应用于滚动轴承实验数据,并与集合经验模态分解和小波包分解进行对比,分析结果表明,基于变分模态分解和排列熵的诊断方法有更高的诊断准确率,能够有效实现滚动轴承的故障诊断。     

基于变分模态分解和排列熵的滚动轴承故障诊断

滚动轴承早期故障信号特征微弱且难以提取,为了从轴承振动信号中提取特征参数用于轴承故障诊断和识别,提出基于变分模态分解(Variational Mode Decomposition,VMD)和排列熵(Permutation Entropy,PE)的信号特征提取方法,并采用支持向量机(Support Vector Machine,SVM)进行故障识别。对轴承振动信号进行变分模态分解,得到不同尺度的本征模态函数;计算各本征模态函数的排列熵,组成多尺度的复杂性度量特征向量;将高维特征向量输入基于支持向量基建立的分类器进行故障识别分类。通过滚动轴承实验数据分析了算法中参数选取问题,将该方法应用于滚动轴承实验数据,并与集合经验模态分解和小波包分解进行对比,分析结果表明,基于变分模态分解和排列熵的诊断方法有更高的诊断准确率,能够有效实现滚动轴承的故障诊断。     

基于参数优化VMD和增强多尺度排列熵的单向阀故障诊断

针对高压隔膜泵机械结构复杂,单向阀故障特征信息分布在多尺度上,单一尺度难以全面提取特征的问题,提出了一种基于参数优化变分模态分解(Variational Mode Decomposition,VMD)和增强多尺度排列熵(Enhanced Multi-scale Permutation Entropy,EMPE)的单向阀故障诊断方法。对单向阀振动信号进行VMD分解,以包络熵最小原则对其进行参数优化,获得既定的若干本征模态函数(Intrinsic Mode Function,IMF)分量;计算IMF分量的增强多尺度排列熵,构建故障特征值向量;利用基于变量预测模型的模式识别(Variable Predictive Model Based Class Discriminate,VPMCD)方法对故障特征值向量进行训练和识别,进而实现单向阀的故障诊断。仿真信号和工程实验分析表明,该方法可以准确地识别单向阀的故障类型,具有一定的可靠性和工程应用价值。     

基于EEMD和Teager能量算子的行星齿轮箱故障特征提取研究

针对行星齿轮箱振动信号故障特征提取困难、幅值和频率调制明显等问题,提出一种基于集合经验模态分解(EEMD)和Teager能量算子的行星齿轮箱故障特征提取方法。新方法首先利用EEMD分解样本信号得到若干本证模量函数(IMF),计算各IMF与原始信号的相关系数和欧式距离,筛选出能够表征原始信号特征的分量。其次,计算筛选后各IMF分量的Teager能量算子,将计算结果进行信号重构。最后,提取重构信号模糊熵及其对应概率密度函数的波形指标,作为基本特征参数进行故障诊断。将所提方法应用于行星齿轮箱实验数据分析,并与常用特征提取方法对比,结果表明:所提出的新方法不仅能有效区分行星齿轮箱故障类型和程度,且识别率优于所对比的方法。     

基于VMD-DE的坦克行星变速箱故障诊断方法研究

为了提高坦克行星变速箱齿轮故障模式识别准确率,将变分模态分解(VMD)与散布熵(DE)结合提出故障特征提取新方法。利用波形法确定VMD分解层数,VMD分解振动信号得到一组固有模态分量(IMF);根据归一化互信息准则筛选若干IMF重构信号,计算重构信号的散布熵;将重构信号散布熵作为特征值输入到粒子群优化(PSO)的多分类支持向量机(SVM)中实现故障模式识别。通过对坦克行星变速箱的正常、行星轮故障和太阳轮故障三种状态进行模式识别,分类准确率达到100%,且计算时间较短。与基于原始振动信号DE、VMD-SE(样本熵)、VMD-PE(排列熵)及EMD-DE(经验模态分解与DE结合)等方法比较,综合考虑准确率和计算时间两个因素,基于VMD-DE的方法故障诊断性能最佳。     

改进AMD广义形态分形维数和KFCMC的液压泵故障诊断方法

针对液压泵故障诊断问题,提出了一种基于改进解析模态分解(AMD)、广义形态分形维数(GMFD)和核模糊C均值聚类(KFCMC)相结合的新方法。根据故障特征频率先验知识,在有效二分频范围内对实测液压泵多模态故障振动信号进行AMD分解,并基于欧氏距离法选定实现最优分解的二分频;将基于最优二分频所提取含有丰富运行特征信息的故障分量信号作为数据源,并提取GMFD作为特征向量;利用KFCMC实现对液压泵不同故障的诊断。此外,还利用原始AMD、经验模态分解(EMD)、集总经验模态分解(EEMD)、局部均值分解(LMD)、变分模态分解(VMD)和模糊C均值聚类(FCMC)方法对上述信号进行分析,结果表明所提方法效果要优于上述传统分解和诊断方法。通过对仿真和实测液压泵故障振动信号的实验验证,表明该方法可以有效地诊断液压泵不同故障。     

一种基于样本熵的轴承故障诊断方法

运用非线性动力学参数样本熵作为特征,对轴承正常、内圈故障、滚动体故障、外圈故障四种工况的振动信号进行分析识别。针对利用原始振动信号的样本熵只能在一个尺度域进行分析,无法准确区分轴承运行状况的问题,提出一种基于集成经验模式分解与样本熵的轴承故障诊断方法。首先利用集成经验模式分解方法将原始振动信号分解为有限个内蕴模式分量,从中选取包含故障主要信息的前几个内蕴模式分量的样本熵作为特征,然后利用支持向量机进行轴承故障诊断,这样可以在多个尺度对轴承信号进行分析,提高了轴承故障诊断的准确率。通过轴承故障实测信号的诊断实验,证明了该方法的可行性和有效性。     

基于EEMD与FCM聚类的自动机故障诊断

针对自动机使用中常见的故障检测与识别问题,考虑到自动机振动响应信号非线性、短时、瞬态和冲击特性,提出基于聚合经验模态分解(EEMD)和模糊C均值(FCM)聚类结合的自动机故障诊断方法。首先,使用EEMD分解方法对自动机的振动信号进行分解,结合相关系数提取前5个固有模态函数(IMF)分量的能量百分比作为特征值,再用模糊C均值聚类对特征值进行聚类分析。通过对自动机不同工况分别用EEMD和EMD方法进行故障分类识别对比,结果表明:所有样本的诊断结果与实际情况基本符合,证明EEMD法有更好的分类效果,分类正确率达93.75%。从而验证该方法能有效应用在自动机故障诊断中。     

基于VMD的行星齿轮箱故障特征提取新方法

针对行星齿轮箱振动信号故障特征提取困难的问题,提出一种基于变分模态分解的行星齿轮箱故障特征提取方法。首先利用变分模态分解(VMD)算法对样本信号进行分解,得到若干本征模态函数(imf)。然后,计算各分量与样本信号之间的相关系数和欧氏距离,筛选出表征样本信号特征的有效分量,并计算其Teager能量算子,将计算结果进行重构。最后,针对多尺度模糊熵对信号局部差异不够敏感,提取重构信号的多尺度模糊熵和多尺度能量作为基本参数,进行参数融合构成新指标。将其应用于行星齿轮箱太阳轮和行星轴承故障分析,结果表明:新方法既可以区分行星齿轮箱太阳轮不同故障类型,又能有效识别行星轴承不同位置故障。另外,与现有方法对比,新方法区分效果更好。     

基于EEMD降噪和FFT的转子故障振动分析

针对转子产生故障时的振动信号受噪声干扰大、故障特征不明显这一难题,提出基于集合经验模式分解(EEMD)降噪和傅里叶变换(FFT)的转子振动信号分析方法。首先利用EEMD方法将原始故障信号分解成若干本征模态分量(IMF),然后计算各分量与原始信号之间的相关系数,筛选出有用分量并进行信号重构。最后对重构信号进行傅里叶变换(FFT)得到振动信号的特征频率。数值模拟和实验结果证明该方法的有效性和实用性。     

基于EMD的时频熵在齿轮故障诊断中的应用

提出了一种基于EMD(EmpiricalModeDecomposition)方法的时频熵齿轮故障诊断方法。首先利用EMD方法分解齿轮振动信号,然后将得到的内禀模态分量进行Hilbert变换,以得到振动信号的时频分布,将信息熵理论引入时频分布,定量描述时频平面上不同时频段的能量分布,各时频段能量分布的均匀性可以反应齿轮的运行状态的差别,从而可以通过时频熵的大小判断齿轮的工作状态和故障类型。实验证明该方法能有效的判断齿轮故障特征,为齿轮故障诊断提供了新的思路。     

基于CEEMDAN多尺度排列熵和SO-RELM的高压隔膜泵单向阀故障诊断

高压隔膜泵单向阀受负载、摩擦和冲击等因素的影响,运行产生的振动信号具有非平稳、非线性的特点,为了从振动信号中提取设备的非线性动力学特征,将多尺度排列熵(multi-scale permutation entropy, MPE)引入高压隔膜泵单向阀故障诊断研究。提取振动信号多尺度排列熵特征,用于建立结构优化正则化极限学习机(structure optimization regularized extreme learning machine, SO-RELM)故障诊断模型,模型利用K-means优化RELM结构,提高模型识别精确度及稳定性。首先采用自适应噪声完备经验模态分解(complementary ensemble empirical mode decomposition with adaptive noise, CEEMDAN)将高压隔膜泵单向阀振动信号自适应分解为多个固有模态分量(intrinsic mode function, IMF),以相关系数为指标,优选包含故障特征信息丰富的分量;然后,计算IMFs的多尺度排列熵值,提取信号的非线性动力学特征;最后,基于多尺度排列熵,建立...     

EEMD和优化的频带熵应用于轴承故障特征提取

针对滚动轴承早期故障特征提取困难的问题,提出了将集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)和优化的频带熵(OFBE)相结合的轴承故障特征提取方法。针对EEMD的多个本征模态分量(Intrinsic Mode Function,IMF),如何选出更能反映故障特征的敏感IMF的问题,提出一种基于频带熵的敏感IMF的选取方法。首先,对原始振动信号进行EEMD分解,获得一系列IMFs;然后,对原信号和各个IMF分量求频带熵,在熵值最小处设计带通滤波器带宽作为特征频带,比较各个IMF的特征频带与原信号熵最小值所处频带之间的从属关系,进而选出反映故障特征的敏感IMF。由于背景噪声的影响,从选取的IMF中难以准确地得到故障频率。因此,利用FBE在选取IMF的基础上设计的带通滤波器,并提出利用包络峭度最大值原则优化带宽,然后对其进行带通滤波,并进行包络功率谱分析以提取故障特征频率。将该方法应用到轴承仿真数据和实际数据中,能够实现轴承故障特征的精确诊断,证明了该方法的有效性和优势。     

基于EMD能量熵和支持向量机的齿轮故障诊断方法

针对齿轮振动信号的非平稳特征和现实中难以获得大量典型故障样本的实际情况,提出了基于经验模态分解（empirical mode decomposition,EMD)和支持向量机的齿轮故障诊断方法。首先通过EMD方法将非平稳的原始加速度振动信号分解成若干个平稳的本征模函数(intrinsic mode function, IMF);齿轮发生不同的故障时,在不同频带内的信号能量值会发生改变,故可以通过计算不同振动信号的EMD能量熵判断是否发生故障;从包含有主要故障信息的IMF分量中提取出来的能量特征作为输入建立支持向量机（support vector machine,SVM）,判断齿轮的工作状态和故障类型。实验结果表明,文中提出的方法能有效地应用于齿轮的故障诊断。