VMD奇异值和FCM的转子故障特征提取与识别

为了准确、有效地提取转子故障特征,提出了变分模态分解(VMD)和奇异值特征提取的方法,并采用模糊C均值聚类(FCM)进行转子故障识别。首先,利用分解精度高、模态混叠问题少的VMD算法进行振动信号分解,形成初始特征向量矩阵,然后对该向量矩阵进行奇异值分解,将求得奇异值作为故障特征向量,最后通过模糊C均值聚类形成聚类中心,并计算海明贴近度以实现不同工况下的转子故障分类。将此方法进行转子实验台振动数据验证,实验结果表明:该方法能够有效实现不同工况下转子故障信号的区分,取得了理想的故障诊断结果。     

基于VMD与KFCM的柴油机故障诊断算法

针对柴油机的故障诊断问题,提出了一种基于变分模态分解（variational mode decomposition,简称VMD）与核模糊C均值聚类算法（kernel fuzzy C-means clustering,简称KFCM）联合的故障诊断方法。首先,针对VMD算法中分解层数K的选择问题进行了自适应优化;然后,从优化VMD算法的分解结果中选取3个关键分量计算最大奇异值,并将其作为3维的特征向量输入KFCM算法中进行分类识别;最后,对仿真信号以及某型柴油机的模拟故障实验信号使用优化VMD、传统VMD和经验模态分解（empirical mode decomposition,简称EMD）方法分别进行分解与识别。结果表明,笔者提出的方法明显改善了模态混叠现象,提高了模式识别的诊断正确率,提出的联合算法具有更好的应用前景。     

基于平均自相关和优化VMD的轴箱轴承故障诊断

针对动车组运行过程中轴箱轴承振动加速度信号非平稳特性以及较大的背景噪声导致故障特征难以提取的问题,提出一种平均自相关结合参数优化变分模态分解（variational mode decomposition,简称VMD）的轴箱轴承故障诊断方法。首先,利用平均自相关对原始信号进行降噪,增强故障周期性冲击信息;其次,以故障特征频率能量比相反数为适应度函数,利用哈里斯鹰优化算法（Harris hawks optimization,简称HHO）优化VMD的模态分量数和二次惩罚系数,实现对降噪信号的自适应分解并提取出最佳模态分量;最后,计算其平方包络谱进行故障诊断分析。仿真和试验结果表明：该方法能够有效地降低背景噪声的影响,稳定地提取出周期性故障冲击成分,实现轴箱轴承故障的准确诊断。     

基于IVMD与改进KELM的发动机故障诊断

为从含有较强噪声的缸盖振动信号中提取有效的故障特征并进行故障分类,提出了采用独立变分模态分解(independent variational mode decomposition,简称IVMD)与改进核极限学习机(improved kernel extreme learning machine,简称IKELM)的发动机故障诊断方法。首先,根据频谱循环相干系数选取匹配波形对信号进行端点延拓,并利用变分模态分解(variational mode decomposition,简称VMD)将延拓后信号分解为一系列固有模态分量,有效抑制了VMD中的端点效应;其次,选取有效分量作为输入观测信号,进行核独立成分分析,进一步分离干扰噪声与有效信号,并消除模态混叠,得到相互独立的有效故障特征频带,进而提取各频带的自回归模型参数、多尺度模糊熵和标准化能量矩构建故障特征向量集;最后,建立基于社会情感优化算法的IKELM分类模型,对故障特征进行分类,实现发动机故障诊断。仿真和实验结果表明,所提出的方法可有效抑制VMD的端点效应,提高信号分解精度,消除噪声干扰并分离出相互独立的有效故障特征频带,增强特征参数辨识度,最终提高发动机故障诊断速度与精度,发动机故障诊断平均准确率达到99.85%。     

自适应MCKD和VMD在行星齿轮箱早期故障诊断中的应用

针对行星齿轮箱早期故障信号微弱且受强背景噪声影响,致使故障信号特征频率难提取,通过自适应最大峭度解卷积（MCKD）和变分模态分解（VMD）进行早期故障特征提取。首先,利用变步长搜索,以峭度值为评判标准,搜索最优滤波器长度L;然后,将信号通过优化后的自适应MCKD算法降噪;最后,利用VMD分解降噪信号,通过包络谱进行分析,寻找故障特征频率。经仿真信号和实验信号验证,这里所提方法能够有效地提取出强噪声背景下的行星齿轮箱故障特征。     

可变负载的准零刚度隔振器特性

针对风机滚动轴承微弱故障信号所具有的非线性和非平稳特征及易被强背景噪声掩盖的特点,提出了一种变分模态分解(variational modal decomposition, 简称VMD)和最大相关峭度解卷积(maximum correlated kurtosis deconvolution, 简称MCKD)相结合的滚动轴承微弱故障诊断方法。为实现VMD和MCKD的参数自适应选择,采用粒子群优化算法(particle swarm optimization, 简称PSO),对两种算法中的参数进行优化。首先,利用PSO优化VMD算法中的α和K,再基于VMD对微弱故障信号分解后的结果,选取最优模态分量;其次,利用PSO优化MCKD算法中的L和T,再基于MCKD算法加强最优分量信号中的故障冲击成分;最后,通过包络谱提取出轴承微弱故障特征。仿真和试验均表明,此方法能够自适应增强轴承微弱故障中的冲击成分,有效提取出被强噪声淹没的轴承微弱故障特征。     

基于PSO-VMD-MCKD方法的风机轴承微弱故障诊断

针对风机滚动轴承微弱故障信号所具有的非线性和非平稳特征及易被强背景噪声掩盖的特点,提出了一种变分模态分解(variational modal decomposition,简称VMD)和最大相关峭度解卷积(maximum correlated kurtosis deconvolution,简称MCKD)相结合的滚动轴承微弱故障诊断方法。为实现VMD和MCKD的参数自适应选择,采用粒子群优化算法(particle swarm optimization,简称PSO),对两种算法中的参数进行优化。首先,利用PSO优化VMD算法中的α和K,再基于VMD对微弱故障信号分解后的结果,选取最优模态分量;其次,利用PSO优化MCKD算法中的L和T,再基于MCKD算法加强最优分量信号中的故障冲击成分;最后,通过包络谱提取出轴承微弱故障特征。仿真和试验均表明,此方法能够自适应增强轴承微弱故障中的冲击成分,有效提取出被强噪声淹没的轴承微弱故障特征。     

基于广义变分模式分解的滚动轴承故障微弱特征提取

针对变分模式分解（Variational Mode Decomposition,VMD）算法在微弱特征分量按需提取方面存在的不足，提出采用广义变分模式分解（Generalized Variational Mode Decomposition,GVMD）算法提取滚动轴承故障微弱特征。GVMD算法具有优良的频域多尺度定频分解性能，算法频谱分解位置和频域分解尺度可由先验中心频率和尺度参数灵活控制，实现按需分解。仿真和实验分析结果表明，与VMD算法相比，GVMD算法能够充分利用轴承故障频率信息和带宽信息，按需准确提取轴承故障微弱特征分量；且具有较强的噪声鲁棒性。     

基于变模式分解的爆震特征识别方法

基于经验模态分解(empirical mode decomposition,简称EMD)算法因递归分解模式所造成的固有缺陷,将使用变分原理进行分解的变模式分解(variational mode decomposition,简称VMD)算法引入到爆震识别领域,发现VMD算法对比EMD算法有较高的计算效率与准确性,而且表现出了较好的鲁棒性,更加适合于在混有强烈背景噪声的缸盖振动信号中提取爆震特征。在此基础上,针对VMD算法分解层数需要手动选择的缺点,利用各阶分量的中心频率之差,提出了一种可以自适应选择VMD分解层数的方法。这种方法的思路为利用VMD算法对信号从一个较小的层数开始进行分解,逐个增加分解层数,直至各阶分量中心频率差值满足预先设定的阈值为止,即可得到最佳分解结果。经实验数据验证与对比,结果显示了这种方法的优越性。     

基于AVMD和二阶FWEO的滚动轴承故障诊断

针对滚动轴承振动信号中常包含有谐波、高斯白噪声和非周期性瞬态冲击成分,导致故障特征提取困难的问题,提出一种基于自适应的变分模态分解（adaptive variational mode decomposition,简称AVMD）和二阶频率加权能量算子（second-order frequency weighted energy operator,简称SFWEO）的滚动轴承故障诊断方法。首先,根据不同的信号自适应地确定模式数和惩罚因子,利用参数优化的变分模态分解（variational mode decomposition,简称VMD）对原始信号进行分解,得到多个本征模式函数（instrinsic mode function,简称IMF）;其次,计算每个IMF的时频加权峭度,根据时频加权峭度最大化准则选择最佳IMF;最后,采用二阶频率加权能量算子对最佳IMF进行解调。仿真和试验结果表明,所提方法克服了传统VMD算法分解精度受参数影响较大导致信号出现过分解或欠分解的问题,同时二阶频率加权能量算子对信号中的干扰成分具有很好的抑制作用,有效提高了诊断正确率。     

Compound fault diagnosis of bearings using improved fast spectral kurtosis with VMD

The fast spectrum kurtosis (FSK) algorithm can adaptively identify resonance bands of a signal, and fault characteristics can be extracted by analyzing the selected frequency bands. However, in practical applications, the bearing failure may be composed of various faults (inner ring/outer ring/rolling element) and the faults may be located in different resonant bands. Due to the interference between different fault components and noise, the weak components may be submerged when FSK is used to deal with compound fault signals. To improve the accuracy of an FSK processing compound fault located in different resonance bands, an improved FSK method combined with the variational mode decomposition (VMD) is proposed. First, the parameters (number of components K / penalty factor α ) in the VMD decomposition are selected, and the original compound fault signal is preprocessed by VMD decomposition, so that the original signal is decomposed into K variational intrinsic mode function (VIMF) components. The resonance center bands of these signals are different from each other, so the different fault information is located in different VIMF. Finally, each VIMF component is calculated by FSK. Through the simulated and experimental analysis, the method can accurately identify the resonance bands, and identify the weak fault characteristics of compound bearing fault.     

变分模态分解在转子故障诊断中的应用

针对转子故障诊断问题,提出一种基于变分模态分解(variational mode decomposition,简称VMD)的信号处理方法。该方法在获取分解分量的过程中通过迭代搜寻变分模型最优解来确定每个分量的频率中心及带宽,从而能够自适应地实现信号的频域剖分及各分量的有效分离,对各单分量信号进行希尔伯特变换,即可得到瞬时的频率和幅值信息。对仿真信号和典型转子故障信号进行VMD方法和经验模态分解(empirical mode decomposition,简称EMD)方法的分析比较,以验证所提方法的有效性。仿真信号的分解结果表明,变分模态能够准确分离出信号中的固有模态分量且不存在模态混叠;转子故障实验信号的分析结果表明,所提方法能够有效提取出明显的故障特征,从而准确诊断出转子存在的故障。     

基于变分模态分解和PSO-SVM的起重机齿轮箱故障诊断

起重机齿轮箱的振动信号具有信噪比低、非线性的特点,需要一定的专业知识和经验才能实现故障诊断。为了实现起重机齿轮箱的智能故障诊断,提出了一种基于变分模态分解(Variation?al modal decomposition,VMD)改进小波降噪和粒子群算法(Particle swarm optimization,PSO)优化支持向量机(Support vector machine,SVM)的智能故障诊断方法。首先,利用VMD将振动信号分解,得到不同尺度的本征模态函数(Intrinsic mode function,IMF),将分解的高频分量进行改进小波降噪后和低频分量完成信号重构;然后,提取重构信号的特征参数构建特征向量,使用核主分量分析(Ker?nel principal component analysis,KPCA)对向量降维处理实现特征信息融合;最后,利用PSO优化后的SVM进行故障识别分类。实验验证表明,基于VMD改进小波信号预处理和PSO算法优化SVM的模型具有很高的识别准确率,能够有效、准确地对起重机齿轮箱的故障类型进行识别和分类。     

基于小波包的碰摩信号能量特征辨识

基于小波包分解结果,针对信号在不同频段内能量的变化,进行故障辨识。信号发生故障一般都伴随着能量的变化,而小波包提供了一种将信号划分到不同频段的方法,借助小波包将信号细分到各个频段,分别求出频段内信号的能量,观察能量的变化就可以判断出是否发生了故障以及故障的程度。以一组转子系统正常与故障时的实验数据为例,详细地说明了该方法的可行性,取得了准确的结果。该方法可以被广泛应用于各种平稳信号或非平稳信号的故障监测。     

基于最小熵解卷积-变分模态分解和优化支持向量机的滚动轴承故障诊断方法

提出了一种基于最小熵解卷积和变分模态分解以及模糊近似熵的故障特征提取方法,并采用优化支持向量机对故障进行识别分类。首先利用最小熵解卷积方法降低噪声干扰并增强故障信号中故障特征信息,进而对降噪后的信号进行变分模态分解,并利用模糊近似熵量化变分模态分解后包含故障特征信息的模态分量以构建特征向量,之后通过采用扩展粒子群算法优化惩罚因子和核函数参数的支持向量机,对故障样本训练并完成故障识别分类。将所提方法应用于滚动轴承不同损伤程度、不同故障部位的实验数据,验证了该方法的有效性。与基于局部均值分解的特征提取方法相对比,结果表明所提方法可以更精确地提取出滚动轴承故障特征,并能够更准确地完成不同故障的识别;通过与基于网格寻优算法优化的支持向量机方法和基于扩展粒子群优化的最小二乘支持向量机方法相对比,结果表明所提方法具有更好的分类性能,能达到更好的诊断效果。     

基于MSD-ICA-EA的轴承故障诊断方法

轴承故障诊断时,传感器采集的故障声音信号一般含有多个故障源,且源信号之间统计相关,应用传统的独立分量分析受到限制,本文应用多分辨率子带分解的独立分量分析方法(MSD-ICA),针对小波变换快速独立分量分析分离出的高频子带信号常呈现调制特性,提出进一步结合包络分析(EA)方法分析该子带信号,来判定故障的类型与部位.试验表明,多分辨率子带分解的独立分量分析结合包络分析的分析方法能有效地解决该类问题.     

转子启动信号处理中的低频分量提取研究

针对传统滤波方法处理非平稳信号的不足,提出利用经验模态分解法来处理转子启动信号,通过此方法的自适应滤波特性来提取这类信号中的低频分量。首先,用模拟信号对此方法进行验证。然后,应用于实际转子启动信号的处理中。结果表明,隐含在信号中的低频分量被成功地提取出来。根据转子系统的特性进行分析,指出此低频分量实质上是转子公转时所围绕中心点的漂移轨迹,其幅值必须在一定的范围内,否则转子系统可能存在故障。因此,该物理量的提取对转子系统的故障诊断有重要作用。     

基于解析模态分解的机械故障诊断方法

针对旋转机械故障诊断问题,提出了一种基于解析模态分解(AMD)的旋转机械故障诊断方法。只要知道信号的频率成分,AMD方法就可以将含不同频率成分的信号分解为单频率信号,尤其能够分解有紧密间隔频率成分的信号。对于可预知故障特征频率的旋转机械的故障诊断,可利用AMD方法提取机械振动信号中故障特征频率所在频段的信号,并求该段信号的频谱,若频谱中含有故障特征频率,则说明机械振动信号中存在该故障。通过对滚动轴承故障信号和转子不对中故障信号的分析以及和经验模态分解(EMD)方法的对比,证明了AMD方法的有效性,且AMD方法比EMD方法更快速、准确。     

基于VMD和LSTM模型的航空液压管路卡箍故障诊断

航空发动机液压管路-卡箍系统中卡箍振动信号具有非线性和非平稳性的特点,难以从卡箍故障信号中准确识别出其故障类型。针对该问题,提出了一种基于变分模态分解(Variational Mode Decomposition,VMD)-长短时记忆(Long Short-Term Memory,LSTM)神经网络模型的智能故障诊断方法。首先,利用遗传算法对VMD的模态分量k值和惩罚因子α进行参数优化;然后,将优化后的VMD对卡箍故障振动信号进行分解处理;最后,将分解后的模态分量输入LSTM网络中进行特征学习,从而实现卡箍故障的识别。实验表明:该方法实现了对卡箍螺栓松动状态、根部断裂状态、衬垫磨损等3种典型故障的精准识别,故障总体识别准确率能够达到98.5%以上,有效地提高了航空液压管路卡箍故障识别的准确率。