基于改进局部均值分解和流形学习的齿轮故障诊断研究

为更有效地利用齿轮振动信号进行故障诊断,提出基于改进局部均值分解(Local Mean Decomposition,LMD)和流形学习(ISOMAP)的齿轮故障特征提取方法。该方法将局部均值分解、模糊熵(Fuzzy Entropy,FE)和流形学习相结合。首先,利用LMD对原始振动信号进行多尺度分解,并在原LMD方法上添加自适应匹配波形以缓解端点效应对分解结果的影响;然后,对LMD分解后得到的乘积函数(Product Function,PF)进行模糊熵计算,获得原始信号不同尺度下的模糊熵数值,组成高维特征向量;最后,利用ISOMAP对高维特征向量进行二次特征提取,得到低维向量,进行故障识别。实际齿轮实验数据的处理结果表明该方法可以有效的诊断辨别齿轮故障,具有一定的优势。     

全矢LMD能量熵在齿轮故障特征提取中的应用

齿轮故障信号具有非线性、非平稳特征,齿轮发生故障时,信号的能量结构随之改变,在不同的频带内能量不同。传统方法采用局部均值分解(LMD)提取振动信号的能量熵,将能量熵指标作为故障评判标准进行故障分类,依靠单一传感器信息源进行故障诊断,因而容易造成误诊、漏诊。全矢LMD能量熵法融合了双通道同源信息的回转能量,可降低故障误判率。通过实验模拟齿轮正常、齿根裂纹、断齿、缺齿等4种状态,验证了全矢LMD能量熵作为故障特征能达到很好的故障分类效果。     

基于对称差分能量算子解调的局部均值分解端点效应抑制方法

局部均值分解(Local mean decomposition,LMD)在分析非线性、非平稳信号时表现出特有的分析能力,能够有效获得非平稳信号的时频特征,但是局部均值分解过程中的端点效应会导致分解结果失真,针对这一问题,从振动信号解调分析角度出发,提出基于对称差分能量算子解调的局部均值分解端点效应抑制方法,采用局部均值分解方法将原信号分解为一系列单分量信号,然后对每一个单分量信号进行三点对称差分能量算子解调,得到各单分量信号的瞬时幅值和瞬时频率,从而获得原信号的时频分布。为评价该端点效应抑制方法的抑制效果,定义一种评价标准,通过与其他两种端点效应抑制方法进行比较,验证该方法的优越性。仿真和试验结果表明该方法能够有效抑制LMD端点效应,实现旋转机械故障的有效诊断。     

改进的LMD及在齿轮故障诊断的应用

作为机械传动系统的关键部件之一,齿轮的工作状态直接影响设备的性能,其故障在传动系统故障中占有很大的比例。针对齿轮故障信号大多为非平稳调制信号的特点,提出一种基于样条和边界特征延拓的改进LMD算法,通过采用三次样条插值,对信号的上下极值点进行插值以获得上下包络线,并采用边界局部特征尺度延拓的方法以减少端点效应问题,提高了分解精度和计算效率。仿真信号和实验平台故障数据的仿真研究表明,改进LMD算法分解后的PF分量与理想值相比误差更小,分解时间更短,能准确地分析出齿轮的故障特征。     

波形曲率延拓在局域均值分解中的应用

局域均值分解（LMD）是一种能够将复杂的调幅调频信号自适应地分解为一系列单分量的调幅调频信号的处理方法,其分解过程存在端点效应,分解结果有一定程度的失真。针对此问题,提出根据波形曲率特征对信号端点进行极值延拓,通过特征波的曲率波动来筛选与边界波形最为相似的数据段,在此基础上将波形匹配曲率估计应用于LMD分解过程中, 并与镜像延拓及自适应波形匹配延拓方法相比较,验证了所提方法的优点。使用仿真信号与实际的齿轮故障数据进行试验与检测,结果表明,所提方法可以有效改善LMD分解过程的端点效应,提高分解精度。     

改进LMD和排列熵的滚动轴承故障诊断

针对滚动轴承故障振动信号的复杂特性和局部均值分解(Local Mean Decomposition,LMD)方法存在的端点效应问题,提出了基于振动信号自相似性对左右端点两侧延拓来抑制端点效应问题的改进LMD、排列熵(Permutation Entropy,PE)及优化K-均值聚类算法相结合的轴承故障诊断方法。首先通过改进LMD将非线性、非平稳的原始故障振动信号分解出一系列的乘积函数(Production Function,PF)分量,对包含主要故障信息的PF分量提取PE值作为故障特征分量,在提取特征量的基础上,最后采用优化后的K-均值聚类算法对故障类型进行识别分类。将该方法应用在滚动轴承实验数据,实验结果表明该方法可以准确、有效的实现滚动轴承的故障诊断。     

基于LMD能量熵的滚动轴承故障特征提取

为了对滚动轴承运行状态进行有效的判断,利用局部均值分解(LMD)对滚动轴承振动信号进行分解,将复杂的多分量信号分解成多个单分量信号;针对分解后的单分量信号在各频域范围分布不均匀特点,利用LMD能量熵提取出滚动轴承振动信号的故障特征。实验结果表明,LMD能量熵具有较强的信号表征能力,可以有效提取出滚动轴承故障特征。     

LMD时频分析方法的端点效应在旋转机械故障诊断中的影响

为评估局域均值分解(LMD)受端点效应影响的程度,提出了一种基于能量的端点效应评价指标,并将LMD的端点效应与经验模态分解(EMD)的端点效应进行了比较。因包络线的定义方法不同,LMD在端点附近未定义的包络线较短,端点效应的程度也较轻。提出的端点效应镜像延拓抑制方法经仿真证明效果良好。将LMD应用于提取转子裂纹的故障特征,可获得满意的实验结果。     

局部均值分解和经验模态分解的性能对比研究

利用具体的非平稳齿轮箱振动信号,分别应用局域均值分解方法(Local Mean Decomposition,LMD)和经验模态分解方法(Empirical Mode Decomposition,EMD)进行了模态分解,并计算得出能量熵。物理意义明确且非常直观,用LMD方法分解齿轮箱振动信号模态混叠程度要轻于EMD方法分解所得模态混叠程度。同时,从端点效应和分解速度两方面将两种分解方法做了对比,LMD方法抑制端点效应的能力强于EMD方法,且分解速度较EMD方法快。     

LMD能量熵和SVM相结合的滚动轴承故障诊断

为实现小样本情况下对滚动轴承进行故障检测和分析,提出了基于局部均值分解(LMD)的能量熵和支持向量机(SVM)相结合的滚动轴承故障诊断方法。利用LMD信号处理方法将滚动轴承振动信号分解成有限个乘积函数(PF)分量,通过计算PF分量的能量熵进行故障特征提取,然后将提取的特征输入到SVM分类器中进行训练及测试,最终实现对滚动轴承的故障诊断。实验数据显示,在仅有少量样本条件下,LMD能量熵和SVM相结合的方法能够精确地对滚动轴承的故障类型进行识别和分类,这表明该方法对滚动轴承故障诊断的有效性。     

基于LMD信号重构和支持向量机的柱塞泵故障诊断分析

为了提高基于机器学习的柱塞泵故障诊断效率,在柱塞泵故障5种状态振动信号基础上,提出基于局部均值分解(Local Mean Decomposition,LMD)信号重构和支持向量机(Support Vector Machine, SVM)的柱塞泵故障诊断方法。对消噪信号进行LMD分解,将重构信号与原始信号的样本熵进行对比。通过相关系数法处理分解后的PF分量和原始振动信号,以低相关性的分量作为噪声信号,同时重构高相关性的分量。结果表明:每种状态重构信号和原始信号之间的相关系数都达到0.9以上,说明重构信号内已经含有原始信号主要信息。各状态重构信号样本熵形成了比原始信号样本熵更优的分布状态,说明LMD重构信号可以减弱噪声对故障特征提取造成的影响。200组样本中识别准确率高达99%,表明以SVM多类分类器可以获得较高的故障识别诊断准确率。相对于原始信号,LMD重构信号达到了更高的训练准确度与测试准确性,表现出很好的计算精度。     

变速器齿轮故障特征模糊熵提取方法研究

针对样本熵相似性度量函数的突变问题,提出了一种变速器齿轮故障特征模糊熵提取方法。模糊熵通过引入模糊隶属度函数代替样本熵中的硬阈值判据,可以减小模糊熵对参数的敏感度和依赖性。利用模糊熵作为变速器齿轮故障的特征值进行提取包括变速器齿轮正常、齿面轻度磨损、齿面中度磨损和断齿等4种工况的振动信号,依据不同的故障对应不同的模糊熵分布,对各种故障状态进行分类。变速器齿轮故障识别的实例验证了模糊熵较样本熵具有较好的故障分类能力。     

基于LMD和HMM的旋转机械故障诊断

提出了基于局部均值分解（LMD）和隐马尔科夫模型(HMM)的旋转机械故障诊断方法。首先,对故障信号进行局部均值分解,提取瞬时能量作为故障特征向量;然后将故障特征向量输入HMM分类器进行模式识别,输出各状态的似然概率;以最大似然概率所对应的故障状态为诊断结果。通过滚动轴承点蚀故障诊断试验验证了该方法的有效性,并将其与基于EMD-HMM的故障诊断方法进行了比较。结果表明,基于LMD-HMM的故障诊断方法更适用于旋转机械的故障诊断。     

局部特征尺度分解方法及其在齿轮故障诊断中的应用

在定义瞬时频率具有物理意义的单分量信号——内禀尺度分量(Intrinsic scale component,ISC)的基础上,提出一种新的自适应信号分解方法——局部特征尺度分解(Local characteristic-scale decomposition,LCD)。LCD方法可以自适应地将任何一个复杂信号分解为若干个瞬时频率具有物理意义的ISC分量之和,非常适合于处理多分量的调幅—调频信号。当齿轮发生故障时,其振动信号一般为多分量的调幅—调频信号,因此局部特征尺度分解方法可以有效地应用于齿轮故障诊断。对LCD和经验模态分解(Empirical mode decomposition,EMD)、局部均值分解(Local mean decomposition,LMD)方法进行对比,结果表明了LCD方法的优越性。同时,针对齿轮故障振动信号的调制特征,将LCD方法和包络分析法相结合应用于齿轮故障诊断,对实际的齿轮故障振动信号进行分析,结果表明LCD方法可以有效地应用于齿轮故障诊断。     

Diagnosing planetary gear faults using the fuzzy entropy of LMD and ANFIS

The small size, low weight, and large transmission ratio of planetary gear have resulted in large-scale use, low speed, and heavy-duty mechanical systems. Poor working conditions of planetary gear lead to frequent occurrence of faults. A method is proposed for diagnosing faults in planetary gear based on fuzzy entropy of Local mean decomposition (LMD) and Adaptive neuro-fuzzy inference system (ANFIS). The original vibration signal is decomposed into six Product function (PF) components and a residual using LMD. Given that decomposed PF components contain the main fault feature information, fuzzy entropy is used to reflect the complexity and irregularity of each PF component. The fuzzy entropies of each PF component are defined as the input of the ANFIS model, and its parameters and membership functions are adaptively adjusted based on training samples. Finally, fuzzy inference rules are determined, and the optimal ANFIS model is obtained. Testing samples are used to verity the trained ANFIS model. The overall fault recognition rate reaches 88.8%, and the fault recognition rate for gear with wear reaches 96%. Therefore, the proposed method is effective at diagnosing planetary gear faults.     

基于LCD的自适应小波脊线解调及齿轮故障诊断

针对最佳小波参数的设定和齿轮裂纹故障振动信号频率成分复杂、信噪比低等问题,将遗传优化算法、小波脊线解调与局部特征尺度分解(local characteristic-scale decomposition,简称LCD)相结合,提出了基于LCD的自适应小波脊线解调方法。首先,采用LCD方法将原始信号分解为若干个内禀尺度分量(intrinsic scale component,简称ISC),并通过选择蕴含特征信息的ISC来实现信号降噪;然后,以小波能量熵为目标函数,采用遗传算法优化小波参数,得到自适应小波;最后,通过自适应小波分析提取ISC的小波脊线,从而实现对原始信号的解调分析。通过齿轮裂纹故障诊断实例验证了该方法的有效性和优越性。     

基于LMD和主分量分析的齿轮损伤识别方法

针对齿轮故障振动信号的非平稳特征,提出了基于局部均值分解(Local mean decompos ition,简称LMD)和主分量分析的齿轮损伤识别方法。该方法首先对齿轮振动信号进行局部均 值分解,将其分解成为若干个PF分量(Product function,简称PF),然后选取包含主要损伤信息的PF分量。从PF分量中提取能量和时域统计量等特征参数,组合成初始特征参数向量矩阵, 并进一步对初始特征参数向量矩阵进行主分量分析,得到齿轮振动信号的主特征分量,建立距 离判别函数,从而对齿轮工作状态进行识别。实验数据分析结果表明,本方法能有效地识别齿 轮损伤类型。     

基于LMD多尺度熵和概率神经网络的滚动轴承故障诊断方法

研究了一种基于LMD多尺度熵和概率神经网络的滚动轴承故障诊断方法。该方法将故障信号自适应地分解为若干乘积函数分量,然后将各分量的多尺度熵作为故障特征向量输入概率神经网络进行模式识别,实现了对损伤位置和损伤程度的诊断。将该方法与基于LMD时域统计量和神经网络的滚动轴承故障诊断方法进行了对比。实验结果表明,基于LMD多尺度熵和概率神经网络的方法能对滚动轴承故障进行有效的识别与诊断。     

基于电信号的改进VMD和DBN-DNN液压齿轮泵轮齿故障监测方法研究

液压系统电机电信号中包含丰富的系统运行状态信息,如何准确对电信号中的运行信息进行提取和分类是实现液压系统状态监测的关键。电机电流信号中蕴含的液压齿轮泵早期故障特征微弱,提取困难,用传统时频分析方法难以实现故障特征分离。本文提出基于相关系数和人工蜂群算法(Artificial bee colony,ABC)实现了对变分模态分解(Variational mode decomposition,VMD)参数的优化,同时以信号相关系数和峭度值最大为选取原则,确定有效的本征模态函数(Intrinsic mode function,IMF),并将IMF有效分量的排列熵和均方根值作为高维特征向量输入深度信念网络(Deep belief network,DBN-DNN),实现了对齿轮泵运行状态进行监测。结果表明,该方法能准确稳定地提取电流信号中携带的齿轮泵故障的微弱特征,进行齿轮泵运行状态监测,提高了齿轮故障诊断的准确性。