应用多分辨SVD和ICA的轴承复合故障诊断研究

针对滚动轴承复合故障信号中故障特征难以分离的问题,提出了基于多分辨奇异值分解(SVD)和独立分量分析(ICA)的复合故障诊断方法。首先利用多分辨SVD将复合故障振动信号分解为几个分量实现维数的增加;然后将分解得到的分量组合为混合信号,并利用ICA进行欠定盲分离;最后对分离后的独立分量进行Hilbert包络解调,由此实现对复合故障特征信息的分离和故障识别。通过对滚动轴承内外圈复合故障的试验信号分析表明,该方法可以有效地分离和提取轴承复合故障的特征信息。     

IVMD融合奇异值差分谱的滚动轴承早期故障诊断

针对滚动轴承早期故障阶段存在特征信号微弱、故障识别相对困难的问题,提出了融合改进变分模态分解和奇异值差分谱的诊断方法。原始信号经改进变分模态分解方法处理后,被分解为若干本征模态函数分量,利用包络谱稀疏度指标筛选出最佳分量构造Hankel矩阵并进行奇异值分解,求取奇异值差分谱后,根据差分谱中的突变点重构信号,最终通过分析信号的包络谱可判断轴承的故障类型。利用改进变分模态分解融合奇异值差分谱的方法对轴承故障模拟及实测信号进行分析,均成功提取出微弱特征信息,能够实现滚动轴承早期故障的有效判别,具有一定的可靠性和应用价值。     

基于奇异值差分谱与改进包络分析的轴承故障特征提取

针对滚动轴承振动信号故障特征难以提取的问题,提出了一种基于奇异值差分谱与改进包络分析的轴承故障特征提取方法。首先,通过奇异值分解将原始轴承振动信号分解为一系列能够线性叠加的分量信号,利用故障特征分量和噪声分量在奇异值上的差异,根据奇异值差分谱的性质筛选出有效奇异值,选择包含故障特征的分量重构信号。针对奇异值分解去噪后仍存在残余噪声,采用改进包络分析,在频域中进一步去除重构信号中的残余噪声。最后对实测轴承信号进行分析,准确地提取到故障特征明显、故障频率突出的轴承故障信号,完成故障诊断。     

基于双树复小波包变换的钢丝绳断丝损伤信号特征信息提取研究北大核心CSCD

针对钢丝绳断丝损伤信号特征信息难以有效提取的问题,提出一种基于双树复小波包变换与奇异值分解相结合的时频域特征信息提取方法。首先将钢丝绳断丝损伤信号采用双树复小波包变换为等长的频带子信号,构造时频域空间状态矩阵,然后采用奇异值方法提取各频带子信号的奇异值,组成表征各类损伤状态的特征向量,得到钢丝绳断丝损伤信号的特征信息矩阵。采用距离可分离性判据与传统时域特征信息提取方法相比较,结果表明双数复小波包变换与奇异值分解相结合的特征信息提取方法具有更强的分类能力。     

基于VMD和奇异差分谱的滚动轴承早期故障诊断

针对强噪声环境下滚动轴承早期故障特征信息非常微弱且难以提取的问题,提出了基于变分模态分解(Variational Mode Decomposition,VMD)和奇异值差分谱的故障诊断方法。首先对轴承故障振动信号进行VMD分解得到一系列本征模态分量(Intrinsic Mode Functions,IMFS),由于噪声的干扰,很难从各个模态分量中提取有效的故障特征信息;然后根据相关系数准则,对相关系数较大的分量构建Hanke矩阵进行奇异值分解,求取奇异值差分谱,从差分谱中确定重构信号的有效阶次对信号进行降噪处理;最后对降噪处理后的信号进行Hilbert包络处理,从包络谱中即可准确地提取到故障特征频率。仿真信号和工程数据处理结果表明,该方法能够有效地降低噪声的影响,精确地提取到轴承微弱的故障特征频率信息。     

基于局部特征尺度分解和奇异值差分谱的滚动轴承故障诊断方法

为有效消除滚动轴承故障振动信号中噪声,更好提取故障特征频率,提出了基于局部特征尺度分解和奇异值差分谱的故障诊断方法。该方法首先利用局部特征尺度分解将非平稳信号分解成若干个不同频带的内禀尺度分量;然后对包含故障特征的分量构造Hankel矩阵并进行奇异值分解并求得奇异值差分谱曲线,利用差分谱最大突变点确定重构信号的阶数并重构信号;最后再求重构信号的包络谱,便可准确获得相应故障特征频率。滚动轴承故障诊断的试验结果证明,该方法能快速准确地提取出故障信息,具有一定的优势。     

基于SVD降噪和谱峭度的滚动轴承故障诊断

提出将奇异值分解(SVD)和谱峭度结合的滚动轴承故障诊断方法.首先,将原始振动信号构造为Hankel矩阵,进行奇异值分解,并利用奇异值差分谱进行有效的消噪;然后,利用谱峭度所得的峭度图选择最佳的带宽和中心频率对降噪后的信号进行带通滤波;最后,对滤波后的信号进行平方包络和Fourier变换得到包络解调谱,即可实现故障特征的提取.对滚动轴承故障试验信号的分析表明,该方法可以有效地提取故障特征频率,实现故障诊断.     

BSS与Morlet小波变换在轴承声学故障诊断中的研究

声音信号的测试与分析是滚动轴承故障检测与诊断的一种新方法,但其信噪比较低,因此提出了基于盲源分离技术和自适应Morlet小波变换诊断轴承声学信号故障的新方法。首先利用小波包将单通道的声音信号分离成2个虚拟通道的声音信号,再用盲源分离技术将信号进行源信号的提取,然后利用最小Shannon熵对Morlet小波的形状参数进行优化,找到与所测声音信号特征成份最匹配的小波,再对小波系数矩阵进行奇异值分解,通过奇异值与变化尺度的关系曲线得到最佳小波变换尺度,最后对滚动轴承故障信号进行Morlet小波变换进行故障特征提取。结果表明:该方法能有效地从强噪声背景下提取出轴承声学信号的故障。     

综合改进奇异谱分解和奇异值分解的齿轮故障特征提取方法

针对齿轮故障特征微弱，在强背景噪声下难以有效提取的问题，提出了一种改进奇异谱分解（ISSD）结合奇异值分解（SVD）的齿轮故障特征提取方法。针对奇异谱分解（SSD）算法中模态参数需凭经验选取的缺陷，基于散布熵优化算法对SSD算法进行了改进，在得到既定的一组奇异谱分量的基础上，根据峭度值最大准则筛选出了最佳奇异谱分量并进行了SVD处理，采用奇异值能量标准谱自适应地确定了信号重构阶数以还原信号和提高降噪效果。最后对信号进行包络解调以提取齿轮故障特征，将所提方法运用到仿真信号和齿轮实测信号中，并同传统包络谱、SSD包络谱以及经验模态分解结合SVD(EMD-SVD)方法进行了对比分析，结果表明，所提方法的降噪和特征提取效果更佳，能够更加有效地实现齿轮故障的判别。     

优化参数的变分模态分解在滚动轴承故障诊断中的应用

首先利用蛙跳算法对最佳影响参数组合进行搜索,搜索结束后选择最优的参数,利用优化参数的变分模态分解对故障信号处理,得到本征模态函数;为了验证蛙跳算法得到的参数是否为最优参数,选择最佳的本征模态函数进行包络分析,将包络谱的特征频率与实际故障频率相比较;以得到的模态函数构成矩阵,进行奇异值分解,得到信号的奇异值,以奇异值作为极限学习机的输入,对故障类型进行分类。利用优化参数的变分模态分解对仿真信号和实测信号进行分析,均能提取特征信息,对故障类型进行识别,表明该方法有一定的实际意义和实用价值。     

无线传感器网络多级融合的机械故障诊断方法

针对无线传感器网络(wireless sensor networks,简称WSNs)在机械故障诊断应用中大量振动信号不能实时传输的问题,提出基于无线传感器网络多级分层信息融合的机械故障诊断方法。采用簇树网络结构扩大网络监测覆盖范围,将WSNs信息融合分为数据级融合、特征级融合及决策级融合3个级别,终端节点对原始振动信息进行数据级融合以提取特征信息,簇头节点对特征信息进行特征级融合得到模式识别结果,网关节点对识别结果进行决策级融合以评估机械设备运行状态。实验表明,该方法能有效应用于机械故障诊断。     

基于小波—奇异值分解差分谱的弱故障特征提取方法

对于一些复杂信号中的弱故障特征信息,以往的两种小波—奇异值分解(Singular value decompositiom,SVD)组合模式的特征提取效果不佳,从小波的频率窗特性出发分析了出现这种问题的原因,进而对复杂信号的奇异值分布规律进行研究,据此提出一种新的小波-SVD差分谱组合模式。对原始信号做小波分解得到一系列细节信号后,不再将这些信号简单地排列成矩阵,而是利用每个细节信号构造特定结构的Hankel矩阵,再通过SVD对每个矩阵做正交化分解,并利用奇异值差分谱来选择特征奇异值进行SVD重构,由此实现对弱故障特征信息的提取。对一个轴承振动信号的处理结果证实该方法对复杂信号中的弱故障特征信息具有优良的提取效果,其获得的故障特征波形非常清晰,克服了以往小波-SVD组合模式对弱故障特征提取效果不佳的缺陷。     

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.     

基于有效信息重构的故障旋转机械振动加速度信号积分方法

提出一种基于有效信息重构的故障旋转机械振动加速度信号积分方法。该方法首先利用集总经验模态分解(EEMD)对积分信号进行分解,然后将峭度指标、均方差值和奇异值组合成特征向量对分解信号进行有效特征提取,并通过欧氏距离搜索提取分解信号中隐含的有效特征分量,最后通过阈值限定将有效特征分量进行叠加重构得到所需有效积分信号。仿真分析和实测数据结果表明,该方法在去除噪声和保留有效特征信息方面,比传统积分方法具有更高的精度和优越性。     

基于小波包变换的局部放电包络信号模式识别

为实现GIS故障检测和缺陷的模式识别,针对GIS出现的典型绝缘缺陷及其放电特点,设计了4种常见的GIS绝缘缺陷模型并进行放电试验。对获取的大量超高频包络信号,提出了一种基于小波包变换奇异值分解的时域特征提取方法。该方法首先对包络信号进行小波包变换,构建各尺度的小波包分解系数矩阵,然后对其进行奇异值分解,提取特征向量,在此基础上,采用BP神经网络进行模式识别,结果表明采用此方法获得了良好的识别效果。     

基于多特征融合的APF中IGBT开路故障特征提取

为可靠地进行有源电力滤波器中IGBT开路故障诊断,提出一种基于多特征融合的有源电力滤波器IGBT故障特征提取方法。该方法采集三电平APF主电路中钳位二极管桥臂电压作为测试信号,对其进行小波分解,提取各频段的能量系数、功率谱熵、奇异谱熵以组成多特征参数矩阵,然后进行特征降维构成特征向量矩阵。在理论分析的基础上,进行了相应的实验分析,首先基于该测试信号得到不同工作状态下测量波形,并与其他测试信号波形进行比较;既而,利用核模糊C均值聚类方法对所提取特征对故障类型的区分性能进行分析,并对三相整流桥谐波源在负载突变和触发角变化时做了特征提取适应性实验;最后,搭建APF实验平台进行测试。实验结果表明,基于二极管端电压的测量方法可以有效区分不同工作状态,所采用的多特征融合提取方法克服了单特征的片面性,各种工况下的区分性能良好。     

基于SVR和粗集的装备现场信息预处理研究

进行了用于远程协同故障诊断异地信息传输的装备现场信息预处理研究,介绍了在线SVR预测方法在装备健康状况预测中的应用,从而为现场信息预处理调用深层、浅层信息处理的执行策略提供参考依据。深层信息处理则将粗集用于装备现场诊断规则整理。给出了现场信息预处理的硬件实现和其在混凝土运输车上的应用实例,证明了研究内容的有效性。     

基于RSGWPT-LCD的轴承信号故障特征提取及模式识别

为了有效提取滚动轴承振动信号的故障特征和提高分类识别精度,提出了一种基于冗余二代小波包变换-局部特征尺度分解(redundant second generation wavelet packet transform-local characteristic scale decomposition,简称RSGWPT-LCD)和极限学习机(extreme learning machine,简称ELM)相结合的故障特征提取和分类识别方法。首先,利用希尔伯特变换对原始振动信号进行处理,得到包络信号;其次,基于双层筛选机制,结合冗余二代小波包变换(redundant second generation wavelet packet transform,简称RSGWPT)和局部特征尺度分解(local characteristic-scale decomposition,简称LCD)方法对包络信号进行分解,筛选出包含主要信息的内禀尺度分量(intrinsic scale components,简称ISCs);然后,对提取的各ISCs分量构建初始特征矩阵并进行奇异值分解(singular value decomposition,简称SVD),将得到的奇异值作为表征各损伤信号的特征向量;最后,以提取的特征向量为输入样本,建立ELM模式分类器对滚动轴承损伤信号进行识别。信号仿真和实测数据表明,该方法可有效提取振动信号故障特征,提高分类识别精度,实现滚动轴承故障诊断。