滚动轴承VMD能量熵与PNN故障模式识别研究

针对研究振动信号分析识别轴承状态的方法,在实践应用中受到各种噪声的影响很难达到准确识别预期目标的效果,提出了基于VMD能量熵特征与PNN神经网络结合的分类滚动轴承故障状态的方法。首先,通过运用变分模态分解(VMD)的信号预处理方法,实现振动信号的VMD降噪,同时利用集合经验模态分解(EEMD)对仿真信号进行对比两种方法的分解效果;然后,通过VMD能量熵和时域特征组成特征向量。最后,特征向量导入概率神经网络模型中准确识别滚动轴承故障状态。结果表明,该方法能将非平稳振动信号分解有效降噪且抑制模态混叠现象,同时能有效识别故障状态,对于在线监测机床健康状态领域的发展有重大的意义。     

基于VMD和排列熵的滚动轴承故障诊断研究

针对难以识别的轴承运行振动信号中的状态特征,提出变分模态分解(VMD)和基于峭度准则排列熵结合的滚动轴承故障诊断方法。VMD分解算法受限于分解参数,分析参数对结果的影响,并通过定一求二的方法确定VMD的参数,使用设置好参数的VMD算法分解4种滚动轴承状态内圈故障、外圈故障、滚动体故障以及正常状态下的振动信号,由于滚动轴承的特殊运行特性,分析滚动轴承故障运行机理,得出基于峭度准则的排列熵(PE)特征向量构建方法,并使用支持向量机来对4种状态进行分类,最终实现故障诊断。     

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EMD-MPE与HMM的滚动轴承故障诊断

针对故障轴承的特征难以提取以及状态识别困难的问题,提出了基于经验模态分解(EMD)-多尺度排列熵(MPE)与隐马尔科夫模型(HMM)的滚动轴承故障识别方法。首先,运用EMD滤波降噪原理对滚动轴承振动信号进行降噪,而后将已降噪的信号进行多尺度排列熵分析并提取不同尺度下排列熵的较大值作为信号特征。最后,将特征信号向量输入已训练好的HMM模型进行故障类型判别。并与支持向量机(SVM)进行比较研究。实验结果表明,基于EMD-MPE与HMM的滚动轴承故障诊断方法对滚动轴承的故障状态能够进行有效地识别。     

EEMD能量熵与优化LS-SVM的滚动轴承故障诊断

针对滚动轴承振动故障信号非平稳、非线性难以有效诊断的问题,提出基于集成经验模式分解(ensemble empirical mode decomposition,EEMD)能量熵与优化最小二乘支持向量机(least square support vector machine,LS-SVM)的滚动轴承故障诊断方法。首先利用EEMD对滚动轴承的振动故障信号进行分解,得到各阶的内禀模态函数分量(IMF)并计算其能量构造成特征向量矩阵,随后将该特征向量矩阵输入给优化的LS-SVM进行故障模式的分类辨识。通过实验验证了该方法的有效性和可行性,结果表明,基于EEMD能量熵特征与优化LS-SVM的滚动轴承故障诊断方法能够有效的诊断滚动轴承的实际运行工况。     

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。     

滚动轴承故障信号处理方法与诊断试验研究

分析了滚动轴承故障振动信号的非线性、非平稳性特征,基于经验模态分解法（EMD）在处理此类信号中的优势,研究了滚动轴承故障信号的时频分析处理方法。通过EMD法将滚动轴承故障原始振动信号分解为多个平稳的IMF分量之和;选取前8个IMF能量值作为频域特征并结合时域特征构成故障振动信号特征集合,作为BP神经网络的输入;建立了滚动轴承故障诊断的BP神经网络模型,利用BP网络的自学习机制进行网络训练,得到了输入特征与故障模式之间的映射关系;通过对滚动轴承不同类别的故障诊断试验,验证了该方法的可行性。     

基于SSD和MPE的滚动轴承故障诊断方法

为了解决滚动轴承故障特征难以提取的问题,提出了一种奇异谱分解(SSD)和多尺度排列熵(MPE)的故障特征提取方法,结合K近邻(KNN)算法识别滚动轴承故障类型。首先对滚动轴承振动信号用SSD进行分解,得到3个奇异谱分量(SSC),根据峭度最大原则选择主分析分量;然后用MPE计算主分析分量的熵值,实现滚动轴承的故障特征进行提取;最后将熵值作为特征向量输入KNN分类器中,完成滚动轴承的状态识别。将该方法应用于实验数据分析,并与VMD和MPE相结合的故障诊断方法做比较,结果证明,该方法能够有效地提取故障特征,实现故障诊断。     

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EEMD的滚动轴承故障特征主元分析和PNN建模

利用滚动轴承各种工作状态下测量得到的声发射信号,建立了一种基于总体平均经验模态分解(EEMD)与概率神经网络(PNN)的滚动轴承故障特征提取和诊断方法。通过EEMD对信号进行自适应时频分解,在不同频段上分析本征模态函数(IMF)分量;计算IMF的能量值并做能量贡献分析,确定主元分量以组成故障特征向量;利用PNN网络实现故障特征向量与故障模式之间的函数映射,进行故障诊断。仿真结果和试验数据的对比证明了提出方法的有效性。     

EMD分解与多特征融合的齿轮故障诊断方法

为解决齿轮振动信号在现实中难以获取大量典型故障样本和分类的精确度低的问题,提出基于EMD分解与多特征融合的齿轮故障诊断方法。首先,提取反映信号特征的各项参数指标作为特征向量;其次,利用经验模式分解(EMD)对原始信号进行分解,进而提取分解后各本征模式分量(IMF)的能量指标组成特征向量;然后,将其与信号特征各项参数融合成特征向量组合,并将其作为SVM多故障分类器的训练样本进行训练,实现齿轮的智能诊断。通过实验室轴承的故障诊断研究表明:该方法对于齿轮的各种状态具有很好的分类精确度,更加有效地识别齿轮故障类型。     

基于MFCC与PCA的滚动轴承故障诊断

针对振动传感器不易安装、传统分类算法训练时间较长等问题,提出了基于美尔倒谱系数(MFCC)与主成分分析(PCA)的滚动轴承故障诊断方法。首先利用声音传感器采集滚动轴承声音信号,而后提取声音信号的MFCC特征,最后将MFCC特征作为PCA分类器的输入进行故障分类,并与反向传播神经网络(BPNN)、支持向量机(SVM)进行比较研究。实验结果表明:MFCC系数可以有效反应轴承不同工作状态下的信号特征;基于MFCC与PCA的轴承故障诊断方法能够准确、有效地识别轴承故障类型。     

基于奇异值差分谱降噪与经验模式分解的滚动轴承故障特征提取方法

针对滚动轴承振动信号含有大量噪声且具有非线性、非平稳特性致使故障特征难提取的问题,提出一种基于奇异值差分谱降噪与经验模式分解(EMD)相结合的滚动轴承故障特征提取方法。首先,将滚动轴承振动信号在相空间重构的基础上利用奇异值差分谱完成降噪;其次,将降噪后的信号经EMD筛分为多个含有信号局部特征的本征模式分量(IMF);最后对与原信号相关度最大的IMF进行Hilbert包络解调,进而提取故障特征频率。实验结果表明:该方法不仅有效去除信号噪声,而且准确提取滚动轴承的故障特征。     

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。     

基于CEEMDAN样本熵与SVM的滚动轴承故障诊断

提出一种基于自适应噪声的完备经验模态分解(CEEMDAN)与IMF样本熵结合的滚动轴承故障特征提取方法。利用CEEMDAN算法对振动信号进行了自适应分解,将非稳定的振动信号分解成了若干个固有模态函数(IMF)分量。计算了包含主要故障特征信息的IMF分量样本熵,实现了故障特征量化。在此基础上利用SVM在少量数据样本的情况下具有较强的学习和分类能力,通过样本数据学习与待测样本的模式识别实现滚动轴承智能诊断。通过仿真与实验数据分析,证明该方法能够改善信号特征提取的效果,对故障类型的判断表现出较高的识别率。     

基于ALIFD模糊熵和GK聚类的滚动轴承故障诊断

针对滚动轴承故障振动信号具有非平稳性及非线性的特点，提出一种基于自适应局部迭代滤波分解（ALIFD）模糊熵和GK聚类的滚动轴承故障诊断方法。首先对滚动轴承故障振动信号进行ALIFD分解，得到若干个本征模态函数（IMF）分量，然后通过相关性分析筛选出前3个包含主要特征信息的IMF分量，并将筛选的IMF分量的模糊熵作为特征向量，最后利用GK聚类对所得的特征向量进行识别分类。将该方法应用于滚动轴承实验数据分析，并使用分类系数和平均模糊熵对分类性能进行评价，结果表明，与基于经验模态分解模糊熵和GK聚类的故障诊断方法进行对比，该方法具有更好的分类性能。     

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SGMD敏感参数和KFCMC的滚动轴承故障诊断方法

针对滚动轴承的内圈和外圈故障诊断问题,提出了一种基于辛几何模态分解(SGMD)、敏感参数和核模糊C均值聚类(KFCMC)相结合的方法。基于SGMD研究了实际测量的液压泵多模态故障振动信号;基于所提出的相似性分析法,将含有丰富运行特征信息的模态分量进行重构,并将其作为数据源;基于数据源提取时域和频域参数,并利用流行学习法筛选出峭度、裕度指标和峰值指标等敏感参数作为特征向量;利用KFCMC实现对内圈和外圈不同故障的诊断。通过对滚动轴承内、外圈故障振动信号的仿真和实测,验证了该方法可以有效地诊断滚动轴承不同故障。     

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...