基于局部s变换和极限学习机的柱塞泵滑靴磨损故障诊断

针对轴向柱塞泵结构复杂、故障信号微弱且易受噪声干扰难以进行故障模式识别的问题,提出一种基于局部s变换和极限学习机的柱塞泵故障诊断方法,对不同程度滑靴磨损故障进行诊断。采集柱塞泵在正常和不同故障状态下的振动信号进行局部s变换,对不同的特征向量组进行定性和定量比较,选择提取s矩阵最大奇异值、转轴振动基频能量占比和柱塞振动基频能量占比共三维特征向量,将特征向量输入极限学习机完成故障模式的识别,识别精度可达99%以上。最后将极限学习机与支撑向量机分类结果进行对比,证明所提故障诊断方法可以用较少的特征向量获得较高的诊断精度。     

基于VMD-MDE和ELM的柱塞泵微弱故障诊断

针对早期微弱故障信号易受噪声干扰、难以提取和识别的问题,提出一种基于变分模态分解(variational mode decomposition,简称VMD)多尺度散布熵(multiscale dispersion entropy,简称MDE)和极限学习机(extreme learning machine,简称ELM)的柱塞泵微弱故障诊断方法。首先,采集各状态的振动信号进行VMD分解,得到若干模态分量,根据各模态分量Hilbert包络谱中特征频率能量贡献率大小,提出以归一化特征能量占比(feature energy ratio,简称FER)为重构准则的变分模态分解特征能量重构法(variational mode decomposition feature-energyreconsitution,简称VMDF),对各模态分量进行信号重构;其次,计算重构信号的MDE,对各尺度散布熵进行分析,选择有效尺度散布熵作为特征向量;最后,将提取的特征向量输入ELM完成故障模式识别。柱塞泵不同程度滑靴端面磨损故障的实验结果表明,该方法不仅提高了模式识别效率,还可以更好地反映故障程度变化规律,具有较好的应用性。     

基于核超限学习机的轴向柱塞泵故障诊断

由于柱塞泵内部结构复杂且结构之间相互耦合, 致使对其进行故障诊断的难度也随之增加。为了提高算法的可靠性和诊断速度, 将核函数与超限学习机结合的方法用于柱塞泵故障诊断。首先, 通过加速度计和流量计采集到泵在正常和不同故障工况下的振动和流量信号, 同时对其采用小波包分解进行去噪;然后提取了时域无量纲指标和小波包分解的频带能量值中最大频带能量和系统中流量计的流量值, 共8维特征向量;最后用核超限学习机对4种故障(滑靴磨损、配油盘磨损、中心弹簧失效、松靴)进行识别与诊断。结果表明, 将核超限学习机用于故障诊断, 相比于超限学习机和传统的智能诊断算法支持向量机、BP神经网络有明显的优势。     

LMD样本熵与SVM结合的柱塞泵故障诊断研究

针对柱塞泵故障特征难以提取、故障分类困难、故障诊断准确度不高的问题,提出局部均值分解(LMD)样本熵和支持向量机(SVM)结合的柱塞泵故障诊断方法研究.采集柱塞泵四种状态(正常、松靴、配流盘磨损、滑靴磨损)的多测点振动信号,将振动信号进行LMD分解和重构,提取重构信号的样本熵与原始信号标准差作为特征向量,将其输入SVM...     

基于迭代滤波和MOMEDA的滚动轴承故障诊断方法

针对噪声环境下轴承故障微弱特征难以提取的问题,提出了一种基于迭代滤波和多点最优最小熵反褶积相结合的轴承故障特征提取方法。该方法首先运用迭代滤波分解方法将滚动轴承振动信号进行分解,得到多个本征模态分量,然后运用相关系数和峭度确定最能体现轴承故障信息的敏感分量,最后对敏感分量进行多点最优最小熵反褶积消噪处理后进行频谱分析,从而提取轴承故障特征。通过数值仿真信号的分析和内圈故障信号的分析验证了所提出方法的有效性。     

用振动信号检测柱塞泵松靴故障

本文讨论了轴向柱塞泵的振动产生机理,针对该类泵最常见的故障——滑靴松动,提出采用振动信号监测、分析的方法。比较了 FFT 自功谱、最大熵谱和短时最大熵谱三种信号处理方法提取故障特征的能力。认为 FFT 自功谱和最大熵谱只能够检测严重的滑靴松动,而短时最大熵谱对数据敏感,能提取微弱的故障信号,是监测松靴故障的有效手段。     

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。     

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。     

基于能量增强的双斜式轴向柱塞泵滑靴磨损故障诊断方法

针对盾构机等大型设备用双斜式轴向柱塞泵故障诊断中滑靴磨损故障特征信号易被湮没的问题,提出了一种基于能量增强的双斜式轴向柱塞泵滑靴磨损故障诊断方法。首先,考虑到双斜式柱塞泵滑靴磨损会造成轴向、径向两个方向的振动,对发生滑靴磨损故障下的泵的力学特性进行分析,确定了敏感频率范围;其次,考虑到故障信号易被湮没,将轴向和径向的振动信号分别进行小波包分解,进而得到轴向和径向的振动信号的能量谱,并将轴向与径向敏感频率范围内的能量谱进行叠加,增强故障特征;最后基于试验数据进行验证,对比正常状态与滑靴故障状态下的能量谱,可以有效提高故障诊断的准确度。     

全矢样本熵在高速列车故障诊断中的应用

为了有效提取高速列车转向架振动信号的故障特征以及针对单通道采集的信息难以完善地反映出列车运行状态的问题,提出了一种基于全矢样本熵(full vector sample entropy,简称FVSE)算法的故障特征提取方法。首先,使用噪声辅助多元经验模态分解(noise assisted multivariate empirical mode decomposition,简称NAMEMD)方法对振动信号进行分解,得到一系列多元本征模态函数;其次,根据相关系数法选择与原始信号最相关的本征模态函数分别进行样本熵和全矢样本熵特征提取;最后,将得到的特征向量分别作为支持向量机的输入对列车状态进行识别。实验结果表明,采用全矢样本熵算法的故障识别率普遍比采用样本熵算法提高了6个百分点,最高达到了98%以上,验证了噪声辅助多元经验模态分解方法结合全矢样本熵算法对高速列车故障诊断的有效性。     

双树复小波和MED在齿轮箱早期故障诊断中的应用

针对齿轮箱轴承早期故障特征信号微弱且受环境噪声影响严重,故障特征信息难以识别的问题,提出了双树复小波变换(dual-tree complex wavelet transform,DT-CWT)和最小熵反褶积(minimum entropy deconvolution,MED)的故障诊断方法。首先对采集到的振动信号进行双树复小波分解,得到几个不同频段的分量,由于噪声的干扰,从各个分量的频谱中很难对故障做出正确的判断。然后对包含故障特征的分量进行最小熵反褶积滤波处理以消除噪声影响,凸显故障特征信息。最后对滤波后的信号进行Hilbert包络谱分析,即可从中准确地识别出轴承的故障特征频率。通过齿轮箱轴承故障模拟实验和工程应用实例分析验证了该方法的有效性与优越性。     

轴向柱塞泵松靴故障特征信号的分析与选择

对轴向柱塞泵产生松靴故障的机理进行分析.选取振动信号和油液温升信号作为监测参量.分析研究表明,泵壳体振动信号和外泄口油液的温升信号是轴向柱塞泵松靴故障的敏感特征参量.     

轴向柱塞泵松靴故障特征信号的分析与选择

对轴向柱塞泵产生松靴故障的机理进行分析,选取振动信号和油液温升信号作为监测参量,分析研究表明,泵壳体振动信号和外泄口油液的温升信号是轴向柱塞泵松靴故障的敏感特征参量。     

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.     

强噪声背景下基于振动信号分析的齿轮故障诊断

煤矿机械齿轮传动过程中,齿轮振动信号因摩擦力、刚度非线性等因素表现出非平稳特征的同时还受工况现场的强噪声干扰,如何在强噪声背景下,有效提取故障信息、识别故障类型是该类故障诊断的关键。提出一种强噪声背景下基于振动信号分析的齿轮故障诊断方法,该方法包括小波阀值降噪处理、总体经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)熵特征提取、概率神经网络(Probabilistic Neural Network,PNN)识别三个过程。利用小波阀值降噪对采集到的振动信号进行去噪处理;对去噪后信号进行EEMD分解,得到一组消除模态混叠的固有模态函数(Intrinsic Mode Function,IMF)分量,并提取前3个IMF分量的样本熵特征作为故障特征信息;最终结合PNN实现强噪声背景下的齿轮故障诊断。实验结果表明:文中提出的方法可以实现强噪声背景下齿轮故障的准确识别,识别率可以达到90%以上,是一种有效的齿轮故障识别方法。     

EEMD熵特征和t-SNE相结合的滚动轴承故障诊断

针对滚动轴承振动信号的非平稳非线性特性,提出了一种采用集合经验模态分解（EEMD）熵特征提取、t-分布邻域嵌入（t-SNE）和粒子群优化-概率神经网络（PSO-PNN）的滚动轴承故障诊断方法。首先,对振动信号应用EEMD算法实现分解,生成多个固有模态函数（IMFs）,对生成的含有主要故障信息的模态分量进行选择,以进一步实现熵特征提取,然后对高维特征数据应用t-SNE算法进行降维,最后利用PSO-PNN分类器进行故障识别。通过案例1和案例2的分析结果表明：该方法对滚动轴承故障识别率均达到100%,具有较高的故障识别率,能对滚动轴承的故障类型有效的识别。     

基于VMD和最小熵反褶积的齿轮早期故障诊断

针对强噪声环境下齿轮早期故障特征信号微弱,故障特征信息难以提取的问题,提出了变分模态分解(Variational Mode Decomposition,VMD)和最小熵反褶积(Minimum Entropy Deconvolution,MED)的诊断方法。首先,利用VMD对采集到的齿轮故障振动信号进行自适应分解,得到一系列窄带本征模态分量(band-limited intrinsic mode functions,BLIMFS),由于噪声的干扰,从各个模态分量的频谱中很难对故障做出正确的判断;然后依据相关系数准则,选取包含故障特征信息较丰富的分量进行MED滤波处理以消除噪声影响,凸显故障特征信息。最后对降噪后的信号进行Hilbert包络解调分析,即可从包络谱中准确地识别齿轮故障特征频率。通过仿真信号和齿轮箱实验数据对所提方法进行了验证,结果表明,该方法能够有效地降低噪声的影响,准确地提取齿轮早期故障信号中微弱的特征信息。     

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。     

变分模态分解与极限梯度提升树融合的高速轴向柱塞泵空化等级识别

针对高速轴向柱塞泵在不同空化程度下故障特征不明显导致识别准确率低的问题,提出了一种变分模态分解和极限梯度提升树融合的识别方法。在不同空化等级下进行高速轴向柱塞泵空化试验,采集壳体的振动加速度信号,对信号采用变分模态分解方法并从中提取故障特征以构造特征数据集,最后利用极限梯度提升树进行空化等级的识别。为证明所提方法的抗噪性能,在测试集中加入了随机高斯白噪声。结果表明,加入不同信噪比的噪声后,该识别模型仍能准确地识别出高速轴向柱塞泵的空化等级。     

基于多传感器数据融合和深度残差收缩网络的轴向柱塞泵故障诊断

为了解决单传感器振动信息不能全面表达柱塞泵故障特征信息的问题，提出了一种基于多传感器数据融合深度残差收缩网络学习的轴向柱塞泵故障诊断方法。首先，采用多传感器对振动信号进行采集，完善振动信号的故障特征信息。其次，针对振动信号的非平稳、非线性等特征，提出基于多元多尺度散布熵的多通道融合方法，获取一维故障特征向量，从而达到增强故障冲击特征的目的。然后，将故障特征向量输入到深度残差收缩网络模型，通过注意力机制，利用软阈值函数降低样本噪声及无关特征干扰，实现轴向柱塞泵故障特征识别。最后，通过轴向柱塞泵故障诊断试验验证所提方法的有效性。试验结果表明，该方法可有效提取振动信号的故障特征，识别正确率明显高于典型的深度学习方法。