EWT-多尺度模糊熵-VPMCD融合算法的轴承故障识别分类应用

针对振动信号提取轴承故障特征及识别分类的研究方式,提出了一种结合EWT-多尺度模糊熵-VPMCD的方法.首先,运用经验小波变换提取振动信号的模态分量.其次,引入信息论中的模糊熵算法,并加以多尺度粗粒度划分得到多尺度模糊熵特征描述.然后,用VPMCD对特征向量进行自适应选择预测模型训练.最终通过实验表明:模态分量多尺度模糊熵能够有效描述故障特征;VPMCD在少训练样本情况下获得了最低90％的分类准确率,相较一些常用的分类方法有着更好的性能表现.     

基于多尺度本征模态排列熵和SA-SVM的轴承故障诊断研究

针对轴承振动信号的非线性、非平稳性,提出一种基于多尺度本征模态排列熵和模拟退火优化支持向量机(Simulated annealing-support vector machine,SA-SVM)的列车轴承故障诊断方法。该方法首先对获取的轴承振动信息进行小波降噪处理,接着通过集合经验模态分解(Ensemble empirical mode decompose,EEMD)将去噪信号分解成若干个平稳的本征模态函数(Intrinsic mode function,IMF),并提取多尺度本征模态排列熵作为SVM输入,在用样本训练SVM时,用SA对SVM的核函数进行优化,提高其分类准确率,最终实现智能化故障诊断。试验结果表明,基于多尺度本征模态排列熵和SA-SVM的列车轴承故障诊断方法能准确识别列车轴承故障类型,具有重要的实际工程应用价值。     

基于变分模态分解和多尺度排列熵的故障诊断

为稳定提取滚动轴承故障特征,提出一种基于变分模态分解和多尺度排列熵的故障特征提取方法,并采用GK模糊聚类对轴承故障进行识别分类。首先对滚动轴承振动信号进行变分模态分解,得到包含故障特征信息的模态分量;进而利用多尺度排列熵量化各模态分量的故障特征,取各模态分量多尺度排列熵的平均值作为特征向量;最后通过GK模糊聚类分析获得故障样本的标准聚类中心,采用欧式贴近度进行故障识别分类。将所提方法应用于滚动轴承实验数据,通过分类系数与平均模糊熵对分类效果进行检验,并与经验模态分解多尺度排列熵结合GK模糊聚类的方法进行对比,结果表明,所提方法具有更好的分类性能,其故障诊断精度更高。     

基于DE-VMD和GMDE的往复压缩机轴承间隙故障诊断方法

针对往复压缩机轴承间隙故障特征提取困难、识别准确率不高等问题,提出了差分进化算法优化变分模态分解方法和广义多尺度散布熵相结合的往复压缩机间隙故障诊断方法。首先,采用差分进化算法对变分模态分解算法的两个核心参数进行了优化,并利用优化后的变分模态分解方法对轴承间隙振动信号进行了信号分解和重构处理;然后,研究了多尺度散布熵的粗粒化过程,通过将方差粗粒化代替均值粗粒化,进行了多尺度处理,构建了广义多尺度散布熵算法,利用广义多尺度散布熵算法对重构信号进行了故障特征提取分析;最后,设计了核极限学习机模型对故障特征向量集进行了分类识别,完成了往复压缩机轴承间隙不同故障状态的智能诊断研究。研究结果表明,该故障诊断方法的识别准确率高达97%,高效地实现了轴承不同种类故障的智能诊断目的。     

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EWT和多尺度熵的高压断路器故障诊断

提出了一种以经验小波变换(empirical wavelet transform,简称EWT)和多尺度熵相结合的高压断路器振动信号的特征向量提取和故障诊断的分析方法。首先,将高压断路器的振动信号进行经验小波变换,得到内禀模态函数(intrinsic mode function,简称IMF),选择相关系数较大的IMF进行重构;其次,提取重构信号的多尺度熵作为表征断路器状态的特征向量,采用归一化的方法对特征向量进行预处理并以此作为支持向量机(support vector machine,简称SVM)的输入向量进行分类训练;最后,将测试样本信号故障特征输入训练好的SVM,在SVM核函数参数进行网格算法优化的基础上进行状态识别及分类。实验结果表明,该方法可快速准确地检测高压断路器故障,实现了断路器故障的状态识别。     

基于局部特征尺度分解与基本尺度熵的轴承故障诊断

为了准确进行轴承故障诊断,提出了基于局部特征尺度分解与基本尺度熵的故障特征提取及诊断方法。首先,分析了基本尺度熵提取轴承振动信号蕴涵的故障信息的合理性,针对基本尺度熵的参数选择问题,提出了基于相空间重构理论的延迟时间和嵌入维数选择方法;然后,运用局部特征尺度分解对基本尺度熵进行自适应多尺度化,充分提取了故障特征;最后,将原始信号的降噪数据及有用分量的基本尺度熵作为特征向量,通过支持向量机进行故障诊断。以轴承振动试验信号为例进行了验证,结果表明,所提方法能有效识别正常、内圈故障、外圈故障及滚动体故障等4种状态。     

EEMD样本熵在轴承故障SVM识别中的研究

滚动轴承故障支持向量机(SVM)智能识别的关键技术是故障信息的提取。由于小波变换和经验模态分解分别存在非自适应和模态混叠的缺陷,采用总体平均经验模态分解(EEMD)和样本熵来提取滚动轴承故障信息。实验中采集了3种工况和3种点蚀直径下的滚动轴承振动信号并进行小波降噪,降噪后信号用EEMD分解为若干个IMF分量,用样本熵表征主要分量的复杂性,同时设计了以EEMD样本熵作为训练和识别样本的SVM滚动轴承故障分类识别器。实验结果表明该方法在小样本的情况下能准确识别轴承正常和内圈、外圈、滚动体故障,并且随着样本数量增加识别准确性提高。     

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ICEEMDAN与支持向量机的轴承故障诊断方法

针对DF4型机车轮对轴承不同健康状态的辨识问题，提出改进的自适应噪声完备集合经验模态分解(ICEEMDAN)与灰狼寻优算法优化支持向量机(GWO-SVM)结合的故障识别方法。对机车轮对轴承不同故障信号利用ICEEMDAN方法分解为若干模态分量(IMF);根据相关系数准则将IMFs重构出典型的特征信号，并计算不同状态的特征信号在多尺度上的样本熵值，构成多尺度样本熵MSE特征向量；通过灰狼算法对SVM的核参数c和g进行全局寻优，增强SVM模型的分类性能，实现对轴承故障状态的准确识别。采用某局机务段JL-501机车轴承试验台数据验证所提模型的有效性，结果表明：ICEEMDAN-MSE与GWO-SVM结合的机车轮对轴承故障诊断方法能够准确地对轴承健康状态进行识别，准确率达96.86%;与参数自选的SVM模型和CEEMDAN-MSE+GWO-SVM等模型相比，文中所提方法的故障识别率分别提高了23.57%和3.48%。     

基于CEEMDAN多尺度熵和SSA-SVM的滚动轴承故障诊断研究

针对支持向量机(SVM)应用在轴承故障分类时,传统的智能算法优化SVM的参数容易存在寻优速度慢、调节参数多,以及容易陷入局部最优值等问题,提出了一种基于CEEMDAN多尺度熵与SSA-SVM相结合的故障诊断方法。对滚动轴承的故障特征提取和SVM参数优化进行了研究,引入了一种新的群智能优化算法,用麻雀搜索算法(SSA)对SVM参数进行了优化,提高了寻优速度以及轴承的故障分类准确率;该方法先采用自适应白噪声完整经验模态分解(CEEMDAN)算法分解信号,获得了若干个固有模态函数(IMF);再采用相关系数方法选择有用IMF分量,并进行了重新组合;最后,计算重构信号的多尺度熵作为特征向量,输入SSA优化的SVM进行了故障分类。研究结果表明:采用该方法能够准确地获得故障信息,且识别准确率高;与PSO、GA优化的SVM相比,该方法的故障诊断分类性能更好。     

应用多参量和高斯过程分类的故障诊断方法

由于齿轮箱振动信号的非平稳非线性等问题加大了故障诊断的难度,本文提出了一种基于互补集合经验模态分解(CEEMD)和多尺度排列熵(MPE)、样本熵(SE)相结合的故障特征提取方法。首先对齿轮箱振动信号进行互补集合经验模态分解,并根据相关系数原则对各模态分量进行筛选和重构,再利用多尺度排列熵对筛选出的模态分量进行特征提取,同时对重构后的信号提取其样本熵作为特征值;最后将提取出的多种故障特征融合输入到高斯过程分类器中进行实验验证,实验结果表明该方法提取齿轮箱振动信号的故障特征是有效的,高斯过程分类能快速准确地分辨出故障结果。     

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。     

基于自适应RCGmvMFE和流行学习的滚动轴承故障诊断

多尺度模糊熵能够较好的量化振动信号的复杂程度,但缺乏对其他信道信息的有效利用,为了充分利用其他信道的振动信息,将表征同步多通道数据多变量复杂度的多变量熵理论应用到轴承故障诊断中.为了准确提取轴承信号中的故障特征,提出了基于自适应噪声完备集成经验模态分解(Complete Ensemble Empirical Mode ...     

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。     

基于多小波包样本熵的轴承损伤程度识别方法

为了自动辨识不同尺度下的轴承故障,建立了一种基于多小波包系数样本熵和BP神经网络的模式判别方法。针对5种尺度下的轴承外圈故障信号,分别采用GHM多小波包完成三层分解。为了充分利用多小波包的分析优势,将分解后的16个频段信号分别求系数样本熵,并将其作为神经网络的输入向量。通过三层BP神经网络的训练、学习,并与dB10小波包神经网络做了对比研究。结果表明,多小波包样本熵可以区别不同损伤程度的故障信号,且多小波包样本熵与神经网络结合,其辨识精度更高,分类效果明显优于传统单小波,便于轴承损伤程度的自动识别。     

基于多小波包样本熵的轴承损伤程度识别方法

为了自动辨识不同尺度下的轴承故障,建立了一种基于多小波包系数样本熵和BP神经网络的模式判别方法。针对5种尺度下的轴承外圈故障信号,分别采用GHM多小波包完成三层分解。为了充分利用多小波包的分析优势,将分解后的16个频段信号分别求系数样本熵,并将其作为神经网络的输入向量。通过三层BP神经网络的训练、学习,并与dB10小波包神经网络做了对比研究。结果表明,多小波包样本熵可以区别不同损伤程度的故障信号,且多小波包样本熵与神经网络结合,其辨识精度更高,分类效果明显优于传统单小波,便于轴承损伤程度的自动识别。     

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。     

小波包和模糊熵特征融合的轴承故障诊断

进行轴承多种类型裂纹故障诊断时,为解决单一特征量诊断效率低的问题,提出了基于信号小波包分解的精细时频域分析和模糊熵的特征融合方法。首先对轴承振动信号进行小波包4层分解重构,确定小波包系数模糊熵和频带能量,精细提取振动信号的高低频故障信息特征;然后基于权重指标对模糊熵和频带能量进行融合,构造多种故障状态下轴承信号的特征向量;最后选择适合小样本分类的支持向量机对轴承裂纹故障进行诊断。试验数据处理结果表明,轴承不同裂纹故障状态下,融合特征的方法诊断效率更高,相较于单一特征量识别准确率提高5.0%以上,对10种裂纹故障诊断正确率达到98.0%。     

改进蝙蝠算法优化支持向量机的故障诊断方法

提出了一种基于变分模态分解（VMD）和时移多尺度散布熵（TSMDE）的故障特征提取结合改进的蝙蝠算法（IBA）来优化支持向量机（SVM）的滚动轴承故障诊断方法。通过变分模态分解,避免了模式混叠问题,提取各模态分量的散布熵构造故障特征向量,作为故障诊断模型的输入;提出了一种新的自适应速度权重因子用于构建改进的蝙蝠算法以优化支持向量机（IBA-SVM）,实现了对不同故障类型的轴承进行分类;利用实验数据对提出的诊断方法进行验证,并与用粒子群算法（PSO）优化支持向量机（PSO-SVM）的诊断方法进行对比。结果表明所提出的方法分类准确率更高,用时更少。