基于VMD混合域特征和SSA-SVM的滚动轴承故障诊断

滚动轴承早期故障信号易受噪声干扰,故障冲击成分难以提取,故障识别困难。为从多角度提取故障轴承振动信号特征参数,利用变分模态分解(VMD)将振动信号分解为若干本征模态分量(IMFs),基于包络熵、相关系数、峭度筛选IMF分量。提取所选IMF的时域和频域特征、信号VMD能量熵及各IMF能量比组成特征向量,从时域、频域和能量角度反映故障信息。使用麻雀搜索算法(SSA)优化SVM参数,确定最优参数,克服参数选择难题。将样本特征向量输入SSA-SVM中进行故障分类,轴承故障实验数据表明：该方法故障识别平均准确率在98.71%以上;与单一域特征相比,该方法对故障类型和损伤程度识别效果更佳。     

ELMD与排列熵在滚动轴承故障诊断中的应用

针对轴承故障信号往往被强背景噪声淹没,采用传统包络解调方法难以提取故障特征的问题,提出总体局部均值分解(ensemble local mean decomposition,ELMD)与排列熵(permutation entropy,PE)相结合的轴承故障诊断方法。首先,对轴承振动信号进行ELMD分解并得到一系列窄带乘积函数(product function,PF),然后,计算各PF分量排列熵以构造高维特征向量,最后将高维特征向量作为多故障分类器的输入来识别轴承故障类型。实验结果表明ELMD方法可以有效地抑制模态混叠;PF分量的排列熵分布可以反应轴承不同工作状态下的信号特征;基于ELMD与排列熵的智能诊断方法可以准确地识别轴承的工作状态和故障类型。     

基于LMD和RBF结合的齿轮箱故障诊断

局域均值分解(Local Mean Decomposition,LMD)是近年来出现的一种新的时频分析方法,在机械设备故障诊断领域中的应用日益广泛。针对齿轮箱振动故障信号的非平稳性和非线性,提出了一种基于局域均值分解和径向基函数神经网络(Radial Basis Function Neural Network,RBF)相结合的齿轮箱故障诊断方法。该方法利用小波包对原始信号进行消噪;利用LMD对处理后信号进行分解,得到一系列PF分量(Product Function,PF);选取包含主要故障信息的PF分量并从中提取偏度系数等特征参数对RBF神经网络进行训练,并对齿轮箱故障进行识别和分类。通过实例验证了该方法的有效性。     

基于CEEMDAN-MPE的滚动轴承故障识别

针对滚动轴承振动信号的非平稳特性,实际工况下难以采集大量的样本信号分析故障状态,提出基于自适应噪声的完备经验模态分解(CEEMDAN)与多尺度排列熵(MPE)相融合的故障识别方法。首先,对振动信号进行小波阈值去噪,利用CEEMDAN算法对去噪后的非平稳振动信号自适应分解,对分解后的若干个固有模式分量(IMF)计算互相关系数;然后,重构信号,计算其MPE并组成故障特征向量;最后,把特征向量输入到支持向量机(SVM)中,以识别滚动轴承的故障类型。通过对仿真信号以及实际实验数据的对比验证分析,有效证明了该方法的识别准确率比基于EMDMPE的故障识别方法提高5%,结果表明:基于CEEMDAN-MPE的滚动轴承SVM故障识别方法可以更准确地提取轴承的特征,并识别轴承的故障状态,有更强的实用性和有效性。     

基于CEEMD能量熵与SVM的低速轴承故障声发射诊断

针对低速轴承故障诊断难的问题,将互补总体平均经验模态分解(CEEMD)能量熵与支持向量机相结合对低速轴承故障进行了声发射诊断。采集不同缺陷状态的轴承声发射信号进行CEEMD分解,得到自适应的本征模态分量(IMF);结合IMF分量的方差贡献率和互相关系数对虚假分量进行剔除,筛选出有效IMF分量。对提取的有效IMF分量计算能量熵,作为不同故障轴承的特征向量。将该特征向量输入到支持向量机(SVM),对不同故障的低速轴承进行分类识别。试验结果表明,通过方差贡献率和互相关系数能够筛选出含主要故障信息的IMF分量,同时验证了SVM相比BP神经网络对低速轴承不同故障类型的识别效果更好。     

基于SVD-LMD与DHMM在滚动轴承故障诊断中的应用

针对滚动轴承早期故障信号微弱难以提取和故障类型不易判别的缺点,提出了基于奇异值分解(SVD)-局部均值分解(LMD)与离散隐马尔可夫模型(DHMM)的滚动轴承故障类型识别方法。首先,对经过相空间Hankel矩阵重构的原始声学信号进行SVD降噪得到特征信号,再运用LMD对特征信号分解而产生一系列的乘积函数(PF),为去除LMD分解过程中产生的虚假分量,选择与特征信号相关系数值较大的PF并构建特征向量T以完成信号特征提取。最后,将T进行量化后作为特征观测值输入已训练收敛的DHMM模型进行故障状态识别。并与支持向量机(SVM)进行比较研究。实验结果表明,基于SVD-LMD与DHMM的滚动轴承故障诊断模型在声学信号下对早期滚动轴承的故障具有较高的识别率。     

基于GWO-SPA和MSE的往复压缩机气阀故障特征提取方法

针对往复压缩机气阀振动信号非线性及非平稳性特征，提出一种基于灰狼算法优化平滑先验分析（SPA），并结合多尺度样本熵的往复压缩机气阀故障特征提取方法。以多尺度样本熵均值和偏度的平方作为适应度函数，利用灰狼算法对SPA的参数λ进行寻优，将寻优后的参数λ代入SPA中对往复压缩机气阀处振动加速度信号进行自适应分解，得到信号的趋势项和去趋势项；然后分别求取去趋势项数据的多尺度样本熵均值和偏度的平方，以此作为往复压缩机气阀信号的特征向量输入支持向量机中进行训练与测试。实验结果表明，该方法可以有效提取往复压缩机气阀的故障特征。     

基于VMD_IWT近似熵与PSO_SVM的转子故障诊断

针对转子故障振动信号的非平稳性、非线性特征,提出了基于变分模态分解_改进小波阈值(VMD_IWT)近似熵与粒子群优化支持向量机(PSO_SVM)的转子故障诊断方法。首先对振动信号进行VMD分解,对分解后的各分量进行改进小波阈值处理;然后,提取降噪后信号的近似熵作为特征值组成特征向量;最后,将特征向量输入PSO_SVM进行故障分类识别。将该方法用于实际转子实验数据,并通过对比分析,分别证明了VMD、IWT和PSO_SVM方法的有效性,且文中所提方法的故障诊断准确率高达95%,证明该方法具有一定的实际应用价值。     

基于CIELMD与RCMFE的往复压缩机轴承间隙故障特征提取方法

针对往复压缩机轴承间隙故障诊断振动信号强非平稳、非线性与特征耦合特性,提出基于复合插值包络局部均值分解(CIELMD)与精细复合多尺度模糊熵(RCMFE)特征提取方法。使用CIELMD方法分解不同轴承间隙故障信号,利用相关系数筛选包含主要故障信息的PF分量;通过RCMFE方法定量描述PF分量构成状态特征矩阵,为解决信息冗余问题,进一步使用文化基因算法优选矩阵中平均样本距离最大的元素,构成可分性良好的特征向量。往复压缩机轴承间隙故障模拟信号试验结果表明:该方法提取故障特征可分性强,故障识别准确率高。     

基于VMD与分层极限学习机的滚动轴承故障诊断方法研究

针对滚动轴承信号的不规则特性,致使信号故障特征难提取及难以辨识的问题,为实现滚动轴承故障的智能诊断,提出基于VMD排列熵与分层极限学习机的滚动轴承故障诊断方法。首先将测得振动信号进行变分模态分解(Variational Mode Decomposition,VMD),利用排列熵进一步提取各模态特征组成高维特征向量集;其次利用自动编码器(Automatic Encoder,AE)对极限学习机的隐含层进行分层,且使隐含层节点的输入权值和阈值满足正交条件;最后将构建的特征向量作为H-ELM算法的输入,通过训练建立H-ELM滚动轴承故障分类模型。实验结果表明:H-ELM滚动轴承故障分类模型比SVM、ELM故障分类模型具有更高的精度、更强的稳定性。     

基于LMD近似熵和改进PSO-ELM的轴承故障诊断

针对滚动轴承故障特征提取与故障识别困难的问题,提出局部均值分解(LMD)近似熵和改进粒子群优化的极限学习机(PSO-ELM)结合的滚动轴承故障诊断方法。将不同工况信号用LMD分解为一系列乘积分量,不同工况的信号在不同频带的近似熵值会发生改变,结合相关性系数选出前3个分量,计算近似熵定值作为输入的特征向量。针对PSO早熟收敛的缺点,引入自适应权重法与DE算法对PSO进行改进,将特征值输入到改进PSO-ELM网络模型中,对滚动轴承不同工况进行故障识别与分类。结果表明,基于LMD近似熵和改进粒子群优化的ELM不仅能够识别滚动轴承的故障类型,并且有更高的分类正确率,验证了该方法的可行性。     

基于CMCPSO-SVM的轴承微弱故障诊断方法北大核心

针对旋转机械轴承微弱故障振动信号易被强噪声掩盖难以识别的问题,提出一种改进混沌粒子群优化支持向量机的故障诊断方法。将信号通过局部均值分解算法分解处理得到乘积函数(PF)分量,并进行能量归一化处理获得时频域特征集;通过迭代拉普拉斯得分降低时频域特征集的空间维度;以PF分量的排列熵作为混沌粒子群的适应度,并加入交叉和变异新策略,建立一种新的交叉变异混沌粒子群优化方法;利用改进的粒子群算法优化支持向量机的核函数和惩罚因子,并将优化后的分类模型应用于轴承故障诊断。结果表明:该故障分类模型的识别准确率高于其他分类模型。     

基于MIGA-VMD和t-SNE的轴承故障诊断方法

针对从汽轮机轴承的非线性、非平稳振动信号中提取故障特征困难而导致诊断识别率低的问题,提出一种基于MIGA-VMD和排列熵、t-SNE的特征提取方法.变分模态分解(VMD)在轴承故障诊断中的分解效果很大程度上取决于分解个数和惩罚参数的选取.为实现VMD相关参数的最优选择,采用多岛遗传算法(MIGA)对VMD参数进行优化....     

基于RBF神经网络与LMD的滚动轴承故障诊断方法

直升机传动系统故障诊断及预测对提高其运行时的可靠性和安全性具有重要意义。本研究首先采用小波包降噪与局部均值分解相结合的方法提取滚动轴承故障特征,其次用故障样本对设计好的RBF(Radial Basis Function Neural Net-work,简称RBF)诊断网络进行训练,最后利用训练好的RBF网络实现故障的智能诊断。实验结果验证了该方法能够有效地对滚动轴承故障进行分类识别。     

VMD复合熵值法在齿轮故障诊断中的应用

针对齿轮实际工况复杂、故障特征难以提取的问题,提出一种基于变分模态分解(Variational Mode Decomposition,VMD)复合熵值法的故障诊断方法。首先,采用VMD方法对不同工况下齿轮振动信号进行分解,并对分解过程中关键参数的选择进行了研究;其次,根据频域互相关系数准则筛选出可有效表征齿轮状态特征的固有模态函数(Intrinsic Mode Function,IMF)进行信号重构,为反映齿轮信号在不同尺度上的时-频细节复杂度特征,计算重构信号的样本熵、奇异值熵、功率谱熵和能量熵,形成高维状态特征向量;最后,将高维状态特征向量作为最小二乘支持向量机(Least Square Support Vector Machine,LS-SVM)的输入,对齿轮的工作状态和故障类型进行识别分类。通过实测齿轮信号的分析,结果表明,该方法能够有效实现齿轮故障的诊断。     

基于LMD与多重分形寻优的往复压缩机故障特征识别方法

针对往复压缩机振动信号的非平稳和非线性特性,多重分形广义谱是一种简便、快速有效的特征参数提取方法;但其对噪声敏感,使得谱值波动,部分故障类间特征可分性差。利用经小波降噪后的优化LMD算法,并结合相关系数提取PF主分量以突出状态主信息,将多尺度整数寻优观点引入广义维,基于最佳可分性角度计算状态间最大平均距离,构造广义维数特征矩阵;通过SVM与增量学习K邻近(IKNNModel)统计算法训练和识别样本,对比证明该法能提高故障特征类间可分性和识别准确性。     

基于CEEMDAN样本熵与PNN的行星齿轮故障诊断

为对行星齿轮进行故障诊断,采用自适应噪声完备总体经验模态分解（CEEMDAN）方法对采集的信号进行分解。对分解得到的各IMF分量进行相关系数计算,优选出与原始信号相关性较大的前4阶分量进行样本熵计算,得到特征值,构成特征向量。将特征向量输入到概率神经网络系统中进行诊断,且与基于局域均值分解的样本熵特征提取方法的诊断结果进行对比。结果表明：利用CEEMDAN样本熵提取的特征值能更精准地反映系统的故障特性,故障诊断的正确率高。     

基于MFCC特征和GWO-SVM的托辊故障诊断

针对目前带式输送机托辊故障诊断方法存在接触式测量、准确率低、井下大范围检测困难等问题,提出了一种基于MFCC特征和参数优化SVM的托辊故障诊断方法。利用变分模态分解(VMD)将采集到的托辊声音信号分解为若干本征模态分量(IMF),并基于包络熵和峭度组成的复合指标优选IMF分量;提取所选分量的梅尔倒频谱系数（MFCC)作为特征,利用灰狼优化算法（GWO）优化SVM参数;将样本特征向量输入GWO-SVM中进行故障分类。结果表明:对于正常托辊、托辊内圈故障、托辊外圈故障、托辊卡死4种工况,该方法故障识别平均准确率在95%以上。与单一指标相比,复合指标提取的IMF分量故障特性代表性更好;与其他优化算法相比,该方法的识别准确率更高,分类速度更快。     

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。     

非局部均值去噪和LMD综合的滚动轴承故障诊断

局域均值分解(Local Means decomposition,LMD)是一种分解效果明显的时频分析方法,在故障诊断中应用广泛。但噪声对其分解有较大影响。为克服噪声的干扰,提出了一种能够应用于轴承信号处理,由非局部均值去噪算法和LMD相结合的新方法,该方法首先采用NLM对信号进行降噪预处理,然后以去噪信号做为输入进行LMD分解,对分解产生的PF分量与降噪信号做相关度分析,甄选PF分量,然后对有用PF分量进行包络谱分析。并将该方法应用在故障滚动轴承信号的特征提取上,结果表明该方法能有效的提取滚动轴承的故障特征,实现滚动轴承的故障诊断。