全矢IMF信息熵用于高速列车转向架故障诊断

针对高速列车转向架振动信号具有非线性、非平稳的特征,以及单通道故障诊断带来的信息不完整问题,提出了一种多元经验模态分解（multivariate empirical mode decomposition ,简称MEMD）和全矢本征模态函数（intrinsic mode function,简称IMF）信息熵相结合的高速列车故障特征提取方法。首先,使用MEMD方法对同源双通道的振动信号进行分解,得到一系列的2元本征模态函数;其次,分别计算前6个IMF的全矢IMF信息熵,通过特征评价方法进行特征维数约简;最后,将得到的特征向量作为支持向量机的输入来识别转向架的故障类型。实验结果表明,该方法能有效提高转向架的故障识别率,最高可达到100%,验证了全矢IMF信息熵在高速列车故障诊断中的可行性。     

ALIF-MMPE结合DAG-SVM的滚动轴承故障诊断

针对滚动轴承故障诊断中非平稳振动信号下的有效故障特征提取问题,提出一种基于自适应局部迭代滤波、多元多尺度排列熵和有向无环图算法支持向量机的滚动轴承故障诊断方法。自适应局部迭代滤波通过构建自适应滤波函数,能够有效抑制噪声和模态混叠,经自适应分解后得到若干本征模态函数。仿真结果表明其效果优于经验模态分解。然后利用多元多尺度排列熵对包含显著故障信息的本征模态函数进行信息融合和特征提取,组成故障状态特征集。采用主成分分析对故障状态特征集进行降维,随机抽取部分样本带入有向无环图算法支持向量机中进行训练,其它则作为测试样本进行故障识别和诊断。试验故障诊断结果表明:自适应局部迭代滤波下多元多尺度排列熵优于多个本征模态函数下的多尺度排列熵和经验模态分解下的多元多尺度排列熵;本文方法能准确地识别滚动轴承不同的故障类型及故障程度。     

基于MEEMD排列熵的高速列车轮对轴承故障诊断

针对目前应用原始振动信号的排列熵单一尺度域分析对高速列车轮对轴承故障在特征提取研究方面的局限,提出了基于改进聚合经验模态分解排列熵的特征分析方法。该方法首先对原始信号进行改进聚合经验模态分解,得到一系列窄带本征模态函数;然后对原信号和本征模态函数分别计算排列熵,组成高维特征向量;最后,将高维特征向量输入最小二乘支持向量机状态识别分类。台架试验数据分析结果表明:该方法针对高速列车轮对轴承故障实现了较高的识别率,验证了通过改进聚合经验模态分解排列熵对高速列车轮对轴承故障诊断的有效性。     

基于EEMD排列熵的高速列车转向架故障特征分析

高速列车转向架关键部件发生机械故障会体现在车体和转向架的振动信号中,为了从监测数据中提取非线性特征参数用于转向架故障状态的反演识别,提出基于聚合经验模态分解排列熵的特征分析方法。首先,对振动信号进行聚合经验模态分解,得到一系列窄带本征模态函数;然后,对原信号和本征模态函数分别计算排列熵值,组成多尺度的复杂性度量特征向量;最后,将高维特征向量输入最小二乘支持向量机分类识别出转向架的工作状态。仿真实验结果表明,该方法在运行速度为200km/h时,多个通道达到95%以上的识别率,验证了通过聚合经验模态分解排列熵对高速列车转向架机械故障诊断的可行性。     

基于CCWEEMDAN和包络谱熵的轴承故障诊断研究

完全互补小波噪声辅助集总经验模态分解(CCWEEMDAN)是经验模态分解(EMD)的改进算法,是一种噪声辅助的自适应非线性非平稳数据处理方法。噪声辅助能克服EMD方法处理间歇信号出现的"模态混叠"问题。而相比较互补集总经验模态分解(CEEMD),完全互补小波噪声辅助集总经验模态分解能实现更优的性能。在轴承故障诊断的应用中,这里的方法利用小波分解高频段噪声细节成分,添加到原始轴承故障信号中,提取出本征模态信号。利用包络谱熵判断轴承故障导致的冲击响应特征所在本征模态信号,通过对轴承外圈、内圈局部故障状态下的特征提取进行故障诊断,结果表明该方法能有效提取故障冲击响应特征。     

基于MED-EEMD和ELM的轴向柱塞泵松靴故障诊断研究

针对轴向柱塞泵松靴故障在强噪声干扰下故障信号微弱、故障特征提取困难和故障诊断识别精度低等一系列问题,提出了基于最小熵反褶积、集合经验模态分解和超限学习机相结合的轴向柱塞泵松靴故障诊断的方法。首先采集了轴向柱塞泵在正常和松靴故障两种状态下的振动信号;然后对振动信号进行了最小熵反褶积降噪,排除了噪声干扰,增强了冲击特性;之后利用集合经验模态分解将去噪后的信号分解成了若干个本征模态函数分量,并通过奇异值分解获得了特征矩阵;最后将得到的特征矩阵输入超限学习机、反向传播神经网络和支持向量机等3类分类器,并将识别结果与集合经验模态分解特征提取方法的识别结果进行了对比。研究结果表明:最小熵反褶积和集合经验模态分解结合的方法弥补了最小熵反褶积在强背景噪声下提取特征的局限性,克服了经验模态分解对微弱故障特征不敏感的缺陷;以最小熵反褶积-集合经验模态分解特征提取方法为输入的超限学习机分类模型,在少量样本的情况下可以有效地对轴向柱塞泵松靴故障进行检测与诊断。     

基于EEMD与奇异熵增量谱的齿轮故障特征提取

针对齿轮振动信号非线性、非平稳的特点,提出一种基于集合经验模态分解(EEMD)与奇异熵增量谱的齿轮故障特征提取方法。首先,利用EEMD方法将齿轮振动信号分解为若干个平稳的本征模态函数(IMF)分量。EEMD方法利用正态分布白噪声的二进尺度分解特性,能够有效抑制经验模态分解(EMD)中的模态混叠现象。但由于背景噪声和残余辅助白噪声的影响,EEMD分解得到的IMF分量难以准确提取齿轮故障特征。利用奇异值分解(SVD)对IMF分量进行消噪和重构,根据奇异熵增量谱确定重构阶次,准确地提取齿轮的故障特征频率。仿真信号分析和齿轮箱齿轮故障实验验证了该方法的准确性和有效性。     

基于经验模态分解、多尺度熵算法和支持向量机的滚动轴承故障诊断方法

针对滚动轴承振动信号的低信噪比、高复杂性及非平稳特性,提出基于经验模态分解、多尺度熵算法与支持向量机的故障诊断方法。对振动信号通过小波包降噪提高信噪比,然后利用经验模态分解得到多个本征模态函数分量,选择与降噪信号强相关的本征模态函数分量计算其多尺度样本熵,确认能区分故障类型的最佳尺度。将这一尺度下相应分量的样本熵作为特征向量,经过归一化处理后输入支持向量机进行故障分类。试验结果表明在小样本条件下可以准确识别滚动轴承故障类型,为滚动轴承的故障识别提供了一种高效诊断方法。     

基于改进MOMEDA的齿轮箱复合故障诊断

总体经验模态分解(ensemble empirical mode decomposition,简称EEMD)对信号分解时由于白噪声选取不当,常造成能量泄露;通过计算多点峭度可以提取冲击性故障周期,但在强噪声环境下其追踪效果并不理想;考虑到多点最优最小熵反褶积(multipoint optimal minimum entropy deconvolution adjuste,简称MOMEDA)提取故障时准确度受到故障周期区间范围的影响,提出了基于组合模态函数-多点最优最小熵反褶积(combined mode function-multipoint optimal minimum entropy deconvolution adjuste,简称CMF-MOMEDA)的自适应齿轮箱复合故障特征提取方法。首先,通过EEMD对信号分解,将信号按高低频依次分开;其次,取与原信号相关性强的本征模态函数,通过组合模态函数(combined mode function,简称CMF)将原信号分解为高低两个频带C_h和C_L,分别求其多点峭度谱图,提取故障周期成分;然后,设定合适的周期范围,通过MOMEDA提取故障特征;最后,将该方法应用于齿轮箱故障特征提取,以验证其可行性。     

基于流行-IMF奇异值熵的转子故障特征提取方法

针对转子振动信号的非平稳性以及微弱故障特征难以提取的问题,提出一种基于集合经验模式分解(ensemble empirical mode decomposition,简称EEMD)的奇异值熵和流形学习算法相结合的故障特征提取方法。首先,对原始振动信号进行EEMD分解,得到若干本征模态函数(intrinsic mode function,简称IMF)分量,根据峭度 欧式距离评价指标选取故障信息丰富的敏感分量,组成初始特征向量,求其奇异值熵;其次,利用近邻概率距离拉普拉斯特征映射算法（nearby probability distance Laplacian eigenmap,简称NPDLE）对奇异值熵组成的特征矩阵进行降维处理;最后,将得到的低维特征子集输入到K-近邻(K-nearest neighbor,简称KNN)中进行模式辨识。用一个双跨度转子实验台数据集和Iris仿真数据集对所提方法进行了验证,结果表明,IMF奇异值熵和NPDLE相结合的方法可以有效地实现转子故障特征提取,提高了故障辨识的准确性。     

基于加权排列熵和DE-ELM的滚动轴承故障诊断

针对滚动轴承振动信号非平稳非线性的特征,提出一种基于加权排列熵和差分进化算法优化极限学习机(DE-ELM)的滚动轴承故障诊断方法。首先利用自适应噪声的完全集合经验模态分解处理轴承振动信号得到固有模态函数(IMF),然后计算主要IMF分量的加权排列熵组成故障特征向量,最后利用差分优化算法(DE)优化极限学习机隐含层输入权值和偏置,并将故障特征向量作为DE-ELM的输入。实验证明,加权排列熵能够精确提取故障特征,DE-ELM算法能有效提高故障分类精度。与多种方法相比,该方法更加准确可靠。     

基于MCKD和改进HHT多尺度模糊熵的齿轮故障诊断方法

针对齿轮故障信号常伴有大量噪声,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(MCKD)和改进希尔伯特-黄变换(HHT)多尺度模糊熵的故障诊断方法。首先采用MCKD算法对采集到的齿轮振动信号进行降噪处理,以提高信号的信噪比;然后利用自适应白噪声完备经验模态分解(CEEMDAN)对降噪后信号进行分解,获得一系列不同尺度的固有模态函数(IMF),并通过相关系数-能量的虚假IMF评价方法选取对故障敏感的模态分量;最后计算敏感IMF分量的模糊熵,将获得的原信号多尺度的模糊熵作为状态特征参数输入最小二乘支持向量机(LS-SVM)中,对齿轮的故障类型进行诊断。实测信号的诊断结果表明,该方法可实现齿轮故障的有效诊断。     

VMD多尺度熵用于高速列车横向减振器故障诊断

针对高速列车横向减振器故障振动信号具有非线性和非平稳特征、特征信号提取相对困难问题,提出了变分模态分解和多尺度熵结合的特征提取方法。原始信号经变分模态分解方法处理后,被分解为若干本征模态,利用互信息指标筛选有效模态,求多尺度熵组成特征向量,通过特征评价方法去除冗余特征,最终将最优特征子集输入支持向量机识别横向减振器的故障类型。实验结果表明,该方法能有效提取振动信号的特征,实现横向减振器故障的有效判别,验证了该方法在高速列车横向减振器故障诊断的可行性。     

An improved complementary ensemble empirical mode decomposition with adaptive noise and its application to rolling element bearing fault diagnosis

A novel time–frequency analysis method called complementary complete ensemble empirical mode decomposition (EEMD) with adaptive noise (CCEEMDAN) is proposed to analyze nonstationary vibration signals. CCEEMDAN combines the advantages of improved EEMD with adaptive noise and complementary EEMD, and it improves decomposition performance by reducing reconstruction error and mitigating the effect of mode mixing. However, because white noise mixed in with the raw vibration signal covers the whole frequency bandwidth, each mode inevitably contains some mode noise, which can easily inundate the fault-related information. This paper proposes a time–frequency analysis method based on CCEEMDAN and minimum entropy deconvolution (MED) for fault detection of rolling element bearings. First, a raw signal is decomposed into a series of intrinsic mode functions (IMFs) by using the CCEEMDAN method. Then a sensitive parameter (SP) based on adjusted kurtosis and Pearson’s correlation coefficient is applied to select a sensitive mode that contains the most fault-related information. Finally, the MED is applied to enhance the fault-related impulses in the selected IMF. The fault signals of high-speed train axle-box bearing are applied to verify the effectiveness of the proposed method. Results show that the proposed method can effectively reveal axle-bearing defects’ fault information. The comparisons illustrate the superiority of SP over kurtosis for selecting the sensitive mode from the resulted signal of CCEEMEDAN. Further, we conducted comparisons that highlight the superiority of our proposed method over individual CCEEMDAN and MED methods and over two other popular signal-processing methods, variational mode decomposition and fast kurtogram.     

奇异值熵和支持向量机的齿轮故障诊断

提出了一种基于总体平均经验模态分解(ensemble empirical mode decomposition,简称EEMD)奇异值熵和支持向量机的齿轮故障诊断方法.首先,通过EEMD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式分量,将得到的若干个本征模式分量自动形成初始特征向量矩阵;然后,对该矩阵进行奇异值分解,提取其奇异值作为故障特征向量,并对其进行归一化,求得奇异值熵,根据奇异值熵值大小可以判断齿轮的故障类型;最后,将奇异值故障特征向量作为支持向量机的输入,判断齿轮的工作状态和故障类型.试验结果表明,即使在小样本情况下,基于EEMD奇异值分解和支持向量机的故障诊断方法仍能有效地识别齿轮的工作状态和故障类型.     

基于EEMD奇异值熵的滚动轴承故障诊断方法

为充分利用振动信号进行故障辨识,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)奇异值熵判据的滚动轴承故障诊断方法。首先,对滚动轴承的振动信号进行EEMD分解获得若干个本征模态函数(intrinsic mode function,简称IMF),并根据一种IMF分量故障信息含量的评价指标(即峭度、均方差和欧氏距离)选出能够表征原始信号状态的分量进行信号重构;其次,利用奇异值分解技术对重构信号进行处理,结合信息熵算法求取其奇异值熵;最后,利用奇异值熵的大小判断滚动轴承的故障类别。用美国西储大学滚动轴承振动信号对所述方法进行验证的结果表明,相比传统的EMD奇异值熵故障诊断方法,本方法能够清晰的划分出滚动轴承不同工作状态的类别特征区间,而且具有更高的故障诊断精度。     

基于EEMD奇异熵的高速道岔裂纹伤损检测

针对高速道岔裂纹伤损特征提取及状态监测问题,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)奇异熵和最小二乘支持向量机(least square support vector machine,简称LSSVM)的高速道岔裂纹伤损检测方法。首先,通过EEMD方法将非平稳的道岔振动信号自适应地分解为有限个基本模态分量(intrinsic mode function,简称IMF),每个IMF包含了原信号不同的特征尺度;然后,利用相关性分析筛选出与原始信号相关性最大的若干个IMF,计算所筛选IMF分量的奇异熵构成特征向量;最后,将多测点数据融合后的奇异熵特征向量输入LSSVM进行训练与测试,从而判断道岔的工作状态和伤损类型。模拟道岔裂纹伤损实验平台的振动信号分析及实验结果表明,在信噪比高于20dB时,该方法受噪声影响小,算法稳定性好,能有效地用于道岔裂纹伤损检测。     

运用EMD和GA SVM的齿轮故障特征提取与选择

针对齿轮故障特征提取,首先将齿轮箱振动信号进行经验模态分解,得到一组固有模态函数.计算各固有模态函数的能量和矩阵的奇异值,采用Shannon熵和Renyi熵度量能量和奇异值分布,构成原始特征子集.再采用遗传算法和最小二乘支持向量机的Wrapper方法选择最优特征子集.该方法能够利用较少的特征参数集准确判别齿轮故障,提高了齿轮故障诊断的精度与效率.     

基于改进多元多尺度色散熵的齿轮箱多通道振动信号故障诊断

齿轮箱发生故障时,其振动信号具有不平稳和非线性等特征,而常用的齿轮箱故障诊断方法大多是建立在单通道振动信号分析基础上,容易造成故障信息丢失,故而在工业生产中实用性受限。为了克服此缺陷,将多元多尺度色散熵引入到齿轮箱故障诊断当中,并改进其粗粒化方式,提出了改进多元多尺度色散熵,用以提取齿轮箱多通道振动信号的故障信息。在此基础上,提出一种基于集合经验模态分解,改进多元多尺度色散熵和遗传算法优化支持向量机的齿轮箱故障诊断方法。通过实验数据分析,并与多元多尺度样本熵、多元多尺度模糊熵等现有方法相比较,证明该方法具有更高的准确率和稳定性,且在处理短时间序列时具有明显优势。     

基于LMD信号重构和支持向量机的柱塞泵故障诊断分析

为了提高基于机器学习的柱塞泵故障诊断效率,在柱塞泵故障5种状态振动信号基础上,提出基于局部均值分解(Local Mean Decomposition,LMD)信号重构和支持向量机(Support Vector Machine, SVM)的柱塞泵故障诊断方法。对消噪信号进行LMD分解,将重构信号与原始信号的样本熵进行对比。通过相关系数法处理分解后的PF分量和原始振动信号,以低相关性的分量作为噪声信号,同时重构高相关性的分量。结果表明:每种状态重构信号和原始信号之间的相关系数都达到0.9以上,说明重构信号内已经含有原始信号主要信息。各状态重构信号样本熵形成了比原始信号样本熵更优的分布状态,说明LMD重构信号可以减弱噪声对故障特征提取造成的影响。200组样本中识别准确率高达99%,表明以SVM多类分类器可以获得较高的故障识别诊断准确率。相对于原始信号,LMD重构信号达到了更高的训练准确度与测试准确性,表现出很好的计算精度。