基于优化VMD的齿轮箱轴承保持架故障特征提取

针对炼铁厂复杂生产环境,齿轮箱轴承保持架故障特征信息提取困难的问题,提出了一种基于优化变分模态分解参数的故障特征提取方法。首先,采用改进的遗传算法(GA)对变分模态分解(VMD)算法的模态分量个数K与惩罚因子α两个参数进行优化选取,提高分解效果;其次,利用参数优化后的变分模态分解处理信号数据,获得K个模态分量,依据最大相关系数值作为判定模态分量品质指标,选取模态分量中与原信号之间相关系数最大的模态分量作为最佳分量;最后,对最佳分量进行包络谱分析,提取故障特征。通过对仿真故障信号以及采集自某炼铁厂高炉上料传动系统,稳定工况下的齿轮箱轴承保持架故障的现场数据进行分析,二者均成功提取出故障特征信息,验证了该方法的有效性,以及对齿轮箱轴承保持架故障的特征提取具有一定的可靠性。     

基于改进HHT和形态学分形维数的齿轮箱轴承故障特征提取方法

针对齿轮箱轴承特征难以提取的问题,提出一种基于改进希尔伯特-黄变换(HHT)和形态学分形维数的故障特征提取方法。首先采用自适应白噪声总体经验模态分解(CEEMDAN)方法将轴承振动信号分解为若干个固有模态函数(IMF),然后分别计算各IMF分量的相关系数和峭度值以滤除对信号特征不敏感的分量,最后计算包含敏感故障特征分量所组成的重构信号的形态学分形维数,以此作为特征参数对轴承的工作状态进行识别。通过对实测轴承信号的分析,结果表明,文章所提方法可有效识别轴承的工作状态和故障类型。     

基于CF特征提取与MBA-SVDD的滚动轴承故障诊断

针对滚动轴承振动信号呈现出的非平稳特性以及早期故障特征难以提取的问题,提出一种基于变分模态分解与时域、频域值混合的特征提取方法,并利用改进蝙蝠算法(MBA)优化支持向量数据描述(SVDD)的参数,实现对滚动轴承的故障诊断.采用该方法对正常振动信号进行变分模态分解,得到模态函数;利用奇异值分解进一步提取模态函数的模态特征...     

基于改进CEEMDAN和t-SNE的故障特征提取方法

针对非线性、非稳定振动信号难以提取有效故障特征的问题,提出一种基于改进自适应噪声完备集合经验模态分解（CEEMDAN）和t-分布随机邻域嵌入（t-SNE）算法相结合的故障特征提取方法。利用三次Hermite插值代替三次样条插值构造包络线,提高传统CEEMDAN对非平稳信号的分解精度;利用改进后的CEEMDAN对原始信号分解并通过相关系数筛选出有效固有模态分量（IMF）,提取有效IMF分量的时频特征、奇异值和能量值构建高维混合域特征集;最后,通过t-SNE算法挖掘高维混合域特征信息得到低维敏感特征,并将其输入到支持向量机中进行分类,以分类准确率作为特征提取效果评价指标。在齿轮箱故障模拟实验台进行实验验证,结果表明该方法能够准确地提取故障特征,为故障特征提取提供新思路。     

快速路径优化引导ACMD的变转速轴承故障诊断北大核心

针对变转速工况下滚动轴承故障特征识别困难的问题,提出了一种快速路径优化算法(FPO)引导自适应线性调频模态分解(ACMD)的变转速轴承故障诊断方法。首先,对轴承故障信号进行希尔伯特变换解调提取隐藏在高频信号中的故障信息;其次,采用FPO算法从信号的时频分布中对信号分量的瞬时频率进行初始估计;将预估的各分量初始频率作为ACMD的初始参数对原始包络信号进行分解;最后,根据分解得到各个信号分量的瞬时频率和瞬时幅值等信息构建出高分辨率的时频表示。通过分析实测信号表明,所述方法能够展示出各个信号分量的幅值和频率变化趋势,剔除了无关成分的干扰,清晰地演示变转速工况下轴承故障信号的时变特征。     

基于改进AFSA的参数优化VMD和ELM的轴承故障诊断

针对滚动轴承早期故障信号微弱、故障特征难以提取,导致故障分类效果差的问题,提出了一种基于改进人工鱼群(AFSA)进行参数优化的变分模态分解(VMD)和多特征向量融合的极限学习机(ELM)的滚动轴承故障诊断方法。首先,将改进后的AFSA对VMD算法的重要参数(分解个数K和惩罚因子α)进行自动寻优,适用度函数采用最小包络谱熵;其次,提取经AFSA-VMD分解后的包络谱熵最小的内蕴模态函数(IMF)分量作为最优分量,通过计算最优IMF分量的均方根值和峰值构造第一层特征值向量,计算最优IMF分量的样本熵、峭度和均方根构造第二层特征值向量;最后,将特征值向量送入极限学习机ELM进行滚动轴承故障的训练分类。试验结果表明本文算法具有良好的故障诊断效果且最终可实现98.25%的分类准确率和93.36%的实际诊断精度。     

基于改进VMD形态谱和FCM的滚动轴承故障诊断方法

针对滚动轴承故障信号的非线性特性及不同故障类型信号具有不同形态特征的特点,提出一种基于改进变分模态分解（VMD）形态谱和模糊C均值聚类（FCM）算法相结合的故障诊断方法。采用VMD方法对滚动轴承振动信号进行分解,针对分解过程中关键参数的选取,提出相关参数选择方法,并计算各固有模态函数(IMF)的能量波动系数,以获得对信号特征信息敏感的模态分量进行重构。计算重构信号的形态谱以反映信号的形态特征。通过FCM算法实现滚动轴承工作状态和故障类型的诊断。运用该方法对实测滚动轴承振动信号进行分析,并将所提方法同基于原始振动信号、经验模态分解、总体经验模态分解形态谱的故障特征提取方法进行对比。结果表明：所提方法能够更加有效提取滚动轴承信号的故障特征,实现故障类型的准确诊断。     

基于MRSVD与LMD的工业机器人交叉滚子轴承故障特征提取

针对奇异值分解(SVD)优化局部均值分解(LMD)方法提取工业机器人交叉滚子轴承振动信号微弱故障特征分量时出现的模态混淆现象,提出一种基于最大分辨率SVD与LMD的工业机器人交叉滚子轴承故障特征提取方法。以最大奇异值分辨率原则将一维振动信号构造成Hankel矩阵,采用SVD对Hankel矩阵进行分解得到奇异值序列;按照奇异值曲率谱原则及非目标值抑制原则对奇异值序列进行重构,将包含故障突变信息的重构奇异值序列进行SVD逆运算得到重构振动信号;最后利用LMD方法对重构振动信号进行故障特征提取,得到能够表征原始振动信号振动特征的故障特征分量。通过与SVD优化LMD方法对比可知,该方法完整地提取了工业机器人交叉滚子轴承振动信号的微弱故障特征分量,改善了模态混淆现象。     

基于参数优化变分模态分解的滚动轴承微弱故障诊断研究

为了提高变分模态分解(VMD)对滚动轴承微弱故障特征提取的准确性,提出了一种基于参数优化VMD与奇异值分量及其熵相结合的滚动轴承故障诊断方法。该方法通过寻优算法确定VMD的模态数K和二次惩罚因子α;根据余弦-标准差指标提取VMD典型本征模态分量(IMF);计算IMF奇异值及其熵,并利用计算结果分别判断滚动轴承的不同故障状态。结合美国西储大学轴承振动信号数据,实验结果表明:相比经验模态分解奇异值故障诊断方法,基于参数优化VMD奇异值故障诊断方法能更明显地识别滚动轴承的不同故障类型,为区分滚动轴承微弱故障提供了一种可行的诊断思路。     

基于改进VMD-EWT联合降噪的滚动轴承早期故障检测

针对采集到的滚动轴承早期故障振动信号因故障特征微弱而导致难以检测的问题，提出一种基于改进的变分模态分解(VMD)和经验小波变换(EWT)联合降噪的滚动轴承早期故障检测方法。首先，利用改进包络谱有效边界划分方法(IEPEFP)确定VMD和EWT的分解分量个数，利用改进分解模态数目选择方法(IDMNS)对VMD的主要分量进行叠加从而完成初次降噪；其次，对初次降噪后的信号进行EWT分解，利用IDMNS对主要分量进行叠加进而完成二次降噪；最后，对降噪后的信号进行包络谱分析，从而实现滚动轴承早期故障检测。通过轴承加速寿命试验数据集进行试验验证，结果表明提出方法可有效提取滚动轴承早期微弱故障特征，准确检测轴承早期故障，具有一定的工程参考价值。     

基于Cubic Hermite的改进EMD算法

传统经验模态分解（EMD）算法求取IMF分量是依据信号极值点通过三次样条插值拟合上下包络线,然后求其局部均值,存在端点效应问题,严重影响部分特征信号的提取。针对此类问题,提出一种利用Cubic Hermite插值改进EMD过程的方法,并通过LabVIEW平台实现改进后的经验模态分解。采用频率和幅值不同的2种叠加正弦信号进行算法验证,结果表明：该算法能有效缓解包络线过冲、欠冲现象,抑制低频信号的端点效应和端点附近局部失真问题。     

基于VMD与时间序列分析的滚动轴承故障特征提取方法

为了在非线性、非平稳的滚动轴承故障振动信号中有效提取出敏感的故障特征,提出了基于变分模态分解(VMD)与时间序列分析相结合的特征提取方法。首先通过VMD将原始信号分解为不同预设尺度的本征模态分量(IMF),对各个IMF分量建立时间序列预测模型,通过叠加重构得到最终的预测模型,比较评价指标确定最优参数的选取。最后,通过仿真信号与滚动轴承实际故障数据分析,并与经验模式分解(EMD)进行对比,结果表明该方法能够有效的提取到故障特征频率。     

抽油机悬点位移间接测量方法研究

针对利用抽油机悬点加速度信号计算位移精度较差的问题,提出自适应噪声的完备集合经验模态分解(CEEMDAN)自适应降噪和极点对称模态分解(ESMD)去趋势项相结合的求解方法。首先使用CEEMDAN分解加速度信号,然后根据模态分量自相关函数与原始信号自相关函数的相关系数,确定噪声分量和有效分量的分界点;进一步采用小波阈值法提取噪声分量中有用信号,并基于排列熵的性质自适应确定小波分解的层数;重构所有模态分量实现降噪;再对消噪的加速度信号进行积分变换得到位移,最后使用ESMD剔除趋势项。仿真分析和实测数据结果表明,该方法比现有方法精度更高、自适应性更好。     

基于IVMD的单通道盲源分离方法及其应用

针对机械振动信号单通道盲源分离问题,提出了一种融合改进变分模态分解与时频分析的单通道信号盲源分离方法,并将其应用于滚动轴承复合故障的诊断中。该方法首先针对变分模态分解(Variational Mode Decomposition)过程中的层数选取问题,提出了一种根据谱相关系数确定分解层数的改进变分模态分解方法(Improved Variational Mode Decomposition,IVMD)。其次,采用改进变分模态分解对观测的单通道机械振动信号进行处理,得到一系列有限带宽固有模态函数(Band-limited Intrinsic Mode Functions,BLIMFs);然后,将原信号与得到的固有模态分量及其残余项组成虚拟多维观测信号,以突破传统盲源分离方法要求传感器数目必须大于或等于分离出的分量数目限制,并利用奇异值分解估计振源的数目。最后,根据振源数目选择与原信号谱相关系数较大的BLIMFs分量,并将分解残余项作为单独分量,重组虚拟多通道观测信号。采用基于时频分析的盲源分离算法实现非平稳信号的盲源分离;仿真和实验结果表明,该方法能够有效提高非平稳振动信号的分离精度,实现滚动轴承复合故障的诊断。     

基于CEEMDAN与VNWOA-LSSVM的供输弹系统早期故障诊断研究

由于供输弹系统早期故障信号成分复杂,故障特征微弱,故提出一种基于自适应噪声完备经验模态分解(CEEMDAN)与以冯诺依曼拓扑结构(VN)改进鲸鱼算法(WOA)优化下的最小二乘支持向量机（LSSVM）的故障诊断方法。在对所测信号进行预处理即去趋势项和零点漂移后,通过CEEMDAN对供输弹信号进行分解,得出模态分量(IMF); 然后依据相关系数和峭度准则这两个标准来选取符合标准的IMF分量,提取这些分量的分布熵(DE)作为特征; 最后用VNWOA-LSSVM诊断模型,输入供输弹系统3种不同工况下的振动信号特征进行故障诊断,并且还对比了LSSVM、PSO-LSSVM、GA-LSSVM和WOA-LSSVM等方法对故障的识别率。实验结果表明：这些方法中经VNWOA优化后的LSSVM的识别率最高,高达94.03%。     

基于VMD和拉普拉斯分值的柴油机故障诊断

针对柴油机声信号非平稳非线性的特性,提出了一种基于变分模态分解(VMD)和拉普拉斯分值(LS)的柴油机故障诊断方法。首先对柴油机声信号进行变分模态分解,从分解得到的各模态函数中进行统计特征提取,组成初始特征集;然后利用改进的拉普拉斯分值算法进行特征排序,以支持向量机(SVM)为故障分类器,实现柴油机的故障诊断;最后通过设计接受者操作特性(ROC)指示器,确定故障诊断的最优维。将该方法应用到6135D型柴油机四种常见故障的诊断中,实验结果表明该方法能有效提取柴油机声信号特征并具有较高的诊断精度。     

基于多域空间状态矩阵奇异值与局部保持投影的滚动轴承故障特征提取方法

针对滚动轴承振动信号复杂且难以从中提取有效故障特征的问题,提出了一种总体经验模态分解(EEMD)、奇异值分解(SVD)和局部保持投影(LPP)相结合的故障特征提取方法。首先,对振动信号进行EEMD分解,利用EEMD分解后的固有模态分量(IMF)分别构造时域、频域和时频域空间状态矩阵;其次,利用SVD提炼时域、频域和时频域空间状态矩阵中的故障信息,筛选其中累加百分比大于90%的奇异值组成多域有效奇异值数组,构造多域奇异值特征矩阵;然后,利用LPP约简多域奇异值特征矩阵,提取低维、高区分度的故障特征;最后,利用支持向量机(SVM)对提出的故障特征提取方法进行评估。实验结果证明了该方法提取的故障特征可有效反映滚动轴承的故障状态。     

基于SSA-VMD和BiLSTM的刀具磨损状态识别北大核心

针对变分模态分解(VMD)参数选取和刀具磨损特征提取困难等问题,提出了基于松鼠觅食算法(SSA)、VMD和双向长短期记忆网络(BiLSTM)的刀具磨损状态识别模型。首先,以包络熵为适应度函数,使用SSA优化VMD的参数,利用优化后的VMD分解刀具振动信号得到4组模态分量,并进行信号重构;其次,构建BiLSTM网络模型,并把信号模态分量、原始信号和重构信号一起构成特征矩阵输入模型当中,利用BiLSTM提取信号特征;最后,通过全连接层和Softmax层对刀具磨损状态进行识别。实验结果表明,SSA能够找到VMD最优参数组合,降低信号噪声,提出的SSA-VMD-BiLSTM模型在准确率和适应性方面优于传统的LSTM模型。     

改进的傅里叶分解算法及其在滚动轴承故障诊断的应用

针对滚动轴承早期微弱故障在噪声背景下难以提取的问题,提出一种改进的傅里叶分解(IFDM)与快速谱峭度相结合的新方法,用以准确、快速地识别故障特征成分。傅里叶分解法能将故障信号自适应地分解为一系列瞬时频率具有明确物理意义的固有频带函数(FIBFs),类似于经验模态分解产生的本征模态函数,但其缺点在于无法控制所生成的FIBFs数量,如信号本身调制成分太多或受噪声影响太大,则直接运用傅里叶分解算法(FDM)会产生大量无意义的FIBFs,造成大量计算时间浪费,增加数据处理难度。为此,提出一种改进的FDM方法,该方法使用快速谱峭度法对故障信号进行预处理,自适应地确定滤波器的最佳参数及故障所在频带,然后仅在该频带上使用改进的FDM分解,因此在准确提取出故障频率成分的同时极大地减少计算量。对仿真及轴承实际故障信号的分析结果表明,该方法能更准确识别故障特征。     

基于VMD-SPWVD-CNN的滚动轴承故障智能诊断

针对传统的故障诊断方法依赖经验进行人工提取特征的问题,基于变分模态分解(VMD)和平滑伪魏格纳分布(SPWVD)并结合卷积神经网络(CNN)提出了VMD-SPWVD-CNN模型用于滚动轴承故障诊断.首先,利用VMD对轴承振动信号进行处理,分解为多个具有不同中心频率的模态分量;其次,对信号的每个模态分量分别进行SPWVD...