基于EEMD排列组合熵的SVM转子振动故障诊断研究

对汽轮机转子故障状态进行准确判别一直是工程领域研究的重点。在使用支持向量机作为模式识别方法进行故障诊断的过程中,提取能明显区别不同故障的信号特征参数,构建高质量的样本可以较大提高支持向量机（support vector machine,SVM）模型的分类正确率。针对此问题,提出一种总体平均经验模态分解(ensemble empirical mode decomposition, EEMD)、排列组合熵和SVM相结合的汽轮机转子振动多故障诊断方法。方法首先引入有向无环图建立了多故障诊断模型,利用EEMD将振动信号分解成单一无混叠的内禀模态函数（intrinsic mode function,IMF）分量,然后计算对振动信号变化非常敏感的IMF排列组合熵作为特征向量,并应用到有向无环图SVM进行多故障状态识别。实验结果表明,该方法实现了汽轮机转子的振动多故障诊断,同时与基于EEMD能量法提取的特征向量进行对比,通过实验证明,该方法具有更加准确的识别率。     

基于EEMD模糊熵和支持向量机的轴承故障诊断方法

电动机轴承的振动信号具有不平稳、非线性和高噪声等特点.在轴承故障的情况下,通过原始信号或部分时域特征参数不易准确判断故障位置.为解决此问题,在考虑时域特征的基础上,进一步通过集成经验模态分解(EEMD)和模糊熵进行特征参数提取.将轴承在正常、内滚道故障、滚动体故障以及外滚道的三个方向故障状态下的振动信号通过集成经验模态分解和计算模糊熵的方法提取信号特征,并与时域特征相结合得到10维特征向量.使用支持向量机(SVM)分类方法对所提取特征进行训练,最终得到可用于电动机轴承故障诊断的模型.比对发现,经特征提取后的模型训练速度和准确率均有较大提升,表明此方法对电动机轴承故障诊断是有效的,并为电气设备的故障诊断提供一种新思路.     

基于小波分解和SVM的滚动轴承故障程度研究

提出一种采用小波分解和支持向量机(Support Vector Machine,简称SVM)提取故障特征的滚动轴承故障诊断方法。首先对原始振动信号进行小波降噪处理,以减小误差,然后进行小波分解,并利用分解得到的小波重构系数计算其能量特征,归一化后作为特征向量,输入SVM中进行故障诊断。实验结果表明,所提出的方法能有效地提取出故障特征,并且具有较高的故障诊断准确率,能准确地区分出滚动轴承不同故障的严重程度。     

基于随机共振和多维度排列熵的水电机组振动故障诊断

针对强噪声背景下难以提取水电机组振动故障特征的问题,提出了一种基于随机共振(SR)去噪和多维度排列熵(MPE)提取振动信号特征向量的故障诊断方法。首先,采用随机共振对振动信号进行去噪,增强信号的信噪比;继而利用多维度排列熵提取去噪信号的特征向量,最后将其输入所建立的改进粒子群算法优化支持向量机(PSO-SVM)模型,实现故障的识别与诊断。仿真结果表明,该方法具有较高的诊断精度。     

基于CMFDE的单向阀早期微弱故障诊断方法

对单向阀早期微弱故障进行诊断可预防高压隔膜泵因单向阀磨损击穿无法正常工作而造成经济损失及安全事故。针对往复式高压隔膜泵单向阀早期微弱故障特征不明显且受大量噪声干扰的问题,提出基于复合多尺度波动散布熵(composite multiscale fluctuation dispersion entropy, CMFDE)的单向阀早期微弱故障诊断方法。首先,用正切S型替换CMFDE方法中的正态分布函数映射,提高CMFDE的抗噪性;其次,计算振动信号的复合多尺度波动散布熵值,构建特征矩阵,并将其输入支持向量机(support vector machine, SVM)分类器中进行故障诊断;最后,利用单向阀实际工程数据验证该方法的有效性,并进行对比实验。实验结果与对比分析表明,不需对单向阀原始信号进行降噪,简化了诊断过程。复合多尺度波动散布熵可精确反映单向阀不同信号特征,提高了单向阀早期微弱故障诊断的识别率,且故障诊断结果受分类器影响小,识别准确率达到96.667%。     

基于EMD-PNN网络的刚性罐道故障诊断方法

针对刚性罐道故障种类识别困难,提出了一种基于经验模态分解-概率神经网络(EMD-PNN)的刚性罐道故障诊断方法。首先,搭建立井提升实验平台,使用北京东方振动和噪声技术研究所的INV3062T0设备采集罐道的振动信号,然后对含噪的振动信号进行EMD降噪;其次,提取降噪后振动信号的能量参数、偏度参数、峰度参数、波形参数、峰值参数、峭度参数、脉冲参数、裕度参数构成特征向量,作为PNN网络输入层的训练样本和测试样本;最后,利用训练样本建立PNN网络模型,选取测试样本检测概率神经网络的模式识别效果。实验证明,本方法对台阶凸起故障、接头错位故障和正常状态3种模式的识别率达到100%,为立井提升等非线性非平稳复杂系统的故障诊断提供一种通用可行的解决方案。     

基于经验小波变换和相关向量机的断路器机械故障诊断

为了更准确的提取断路器故障特性,得到更可靠的故障诊断结果,在振动信号的基础上,提出了一种基于经验小波变换(Empirical Wavelet Transform,EWT)和相关向量机(Relevance Vector Machine,RVM)的断路器机械故障诊断方式。首先提取不同故障振动信号,设置阈值来初始化信号傅里叶频域分解区间,利用EWT分解得到有限带宽的多个模态。然后计算样本熵参数,计算并作为特征向量。最后,将特征向量输入相关向量机(RVM),建立不同故障的模型,对测试样本进行诊断。通过与其他方法实验对比,文中方法具有更高的故障诊断识别率,更快的识别速度。     

基于Inception-DLSTM双通道的滚动轴承故障诊断方法

卷积神经网络(CNN)对空间特征具有敏感性，而Inception相比CNN具备多尺度提取特征优势；长短时记忆网络(LSTM)对时间特征具有敏感性，而深层长短时记忆网络(DLSTM)比LSTM具备更深层次提取特征优势。为了多尺度充分提取滚动轴承振动信号在空间和时间上的特征，实现滚动轴承故障诊断，提出了一种Inception通道和DLSTM通道结合的Inception DLSTM双通道滚动轴承故障诊断模型。对于Inception通道，把轴承振动信号经过小波变换生成的时频图作为输入，利用Inception网络多尺度提取时频图的空间特征信息；对于DLSTM通道，直接把轴承振动信号作为输入，利用DLSTM网络充分提取信号的时间特征信息。然后把两个通道输出的特征信息连接成一个时空特征向量，最后利用分类器进行轴承故障诊断识别。对轴承故障数据进行对比实验可得，Inception DLSTM双通道的故障识别准确率可达100%，具备良好的故障诊断和特征提取能力。     

基于EEMD和SOM神经网络的水电机组故障诊断

针对水电机组振动信号的非平稳性和特殊性,提出一种基于集合经验模态分解(EEMD)的奇异谱熵和自组织特征映射网络(SOM)相结合的故障诊断方法。首先采用EEMD对振动信号进行分解,得到本征模态函数(IMF);随后进行奇异谱分解,得到反映振动信号的动态特征向量——奇异谱熵;最后将得到的特征向量输入经过训练的SOM神经网络中进行故障自动识别。结果表明:该方法可以准确地提取机组故障特征,具有更高的识别精度和更快的计算速度。     

基于自适应神经网络—小波包熵的轴承故障诊断

针对轴承故障诊断时振动信号呈现复杂性和混沌特性,故障特征分量容易淹没在噪声之中。引用自适应线性神经网络(Adaptive Linear Neuron,ADALINE)降噪和小波包Shannon熵(Wavelet Packet Analysis Shannon Entropy,WPASE)相结合的方法诊断轴承故障。首先利用ADALINE对不同故障模式的振动信号进行降噪处理,引用小波包理论对降噪后的信号进行小波包分解,计算各层细节信号的Shannon熵值,以此作为不同故障模式的故障特征量。仿真实验表明ADALINE降噪效果明显,Shannon熵能够清楚区别不同的故障模式。该方法简单可靠,为轴承故障诊断提供了新的思路和方法。     

小波降噪及Hilbert变换在电机轴承故障诊断中的应用

针对振动信号降噪处理及故障特征提取是机械故障诊断的重点问题,为了有效消除高频信号的影响,并充分提取出电机轴承的低频故障特征。提出利用小波降噪及Hilbert变换的方法对采集的电机轴承振动数据进行处理并提取其故障特征信息。首先,运用小波降噪对采集到的振动数据进行降噪处理,抑制噪声干扰,然后对其进行Hilbert变换解调出故障特征频率。通过对现场测取的轴承振动数据进行信号处理可以达到理想的诊断效果,由此得知,该方法能通过电机轴承振动信号进行故障特征信息处理,有效地进行轴承故障分析及诊断。     

基于多源信号的单向阀内泄漏预测研究

单向阀作为液压系统重要元件,发生内泄漏故障时影响液压系统的工作效率和设备的安全稳定运行。针对单向阀内泄漏预测,提出了一种基于多源信号和布谷鸟搜索支持向量回归(CS-SVR)的单向阀内泄漏无损预测方法。首先建立单向阀内泄漏检测实验平台,获得不同工况不同故障特征下单向阀内泄漏的振动信号和声发射信号。然后利用小波包能量分析方法,提取两种信号最优频带重构信号的均方根值作为预测变量,并结合阀前压力建立基于布谷鸟算法优化的支持向量机回归(CS-SVR)的多源信号预测模型。最后,将模型进行对比分析。结果表明,布谷鸟搜索算法相对于网格搜索法(GS)和粒子群算法(PSO)对SVR模型参数寻优优势更大;基于多源信号输入的预测方法相对于单源输入的预测方法精确程度更高,同时该方法能实现不同压力、不同故障类别、不同故障程度的单向阀内泄率预测,平均相对误差为8.97%鲁棒性较高,为阀内泄漏无损检测应用技术的开发奠定了基础。     

一种滚动轴承故障状态诊断方法

针对滚动轴承故障受噪声污染大，故障特征不明显，导致的故障诊断困难问题，提出了一种新的滚动轴承故障诊断方法。首先利用基尼指数对滚动轴承进行健康状态评估，并对状态异常的振动信号采用最优参数最大相关峭度解卷积进行降噪预处理以突出冲击成分，计算预处理信号的层次熵组成特征矩阵，最后采用布谷鸟算法优化支持向量机相关参数，并完成滚动轴承故障状态的智能诊断。通过实验分析验证了所提方法的可行性，且具有较高的准确率。     

基于小波分析的汽轮发电机组振动信号消噪和特征提取

小波分析技术由于其良好的时频局部化性质,对突变和非平稳信号的分析具有良好的效果,已经成为信号消噪、特征提取和故障诊断的重要方法之一.针对汽轮发电机组的振动特征,采用基于最优小波包基的方法对汽轮发电机组的振动信号进行消噪处理,有效地剔除了汽轮发电机组表面振动信号的噪声干扰,提高了信号的信噪比;对消噪后的信号进行小波包分解,并将各相关频带进行能量特征提取,从而为汽轮发电机组振动信号的故障诊断提供了有力依据.     

基于格拉姆角场和深度残差网络的变压器绕组松动故障诊断模型

针对变压器绕组松动故障诊断中特征量难以选取,依赖人工经验的问题,提出了一种基于自动编码器降噪,格拉姆角场(GAF)和深度残差网络(ResNet)进行识别的变压器绕组松动诊断方法。该方法直接从GAF图像中自动学习有效的故障特征,不需要手动提取特征量。首先,将振动信号经过自动编码器进行降噪,获得信噪比更高的振动信号。然后,采用GAF方法将振动信号转化为二维图像,生成图像数据集,在此基础上训练ResNet,构建适用于变压器绕组松动故障分类识别的网络模型。最后,搭建变压器绕组松动故障试验平台,采集绕组在不同松动和试验电流下的振动信号并进行分析。试验结果表明,所提诊断方法对变压器绕组松动识别准确率达95%以上,能够有效识别松动相和松动程度,适用于变压器绕组松动故障的识别和诊断。     

基于小波分析和神经网络的电机故障诊断方法研究

在电机故障诊断技术中,电机振动信号最能全面反映电机的运行状态.由于电机振动信号属于非平稳随机信号,传统的傅里叶变换从频域角度进行信号分析,只能说明信号中某频率成分幅值的大小和频率密度,不能检测奇异信号点的时域信息,而且还可能将含有丰富故障信息的微弱信号作为噪声滤去.因此,不能完全满足故障信号特征提取的要求.为解决这一问题,提出一种基于小波分析和神经网络的电机故障诊断方法,该方法采用小波时频分析技术对电机故障振动信号进行消噪滤波,通过小波包分解系数求取频带能量,根据各个频带能量的变化提取故障特征,应用BP神经网络进行故障识别,并采用Matlab仿真软件予以实现.结果表明,该方法不需要建立电机的故障诊断模型,能有效提高电机故障诊断的准确性.     

基于深度学习的电力变压器智能故障诊断方法

针对电力变压器的故障诊断问题,提出了一种可用于海量监测数据的智能故障诊断方法。首先设计了无源射频识别(radio frequency identification, RFID)传感器标签用于测量变压器的振动信号,该设计具有结构简单、便利性强和功耗低等优点。针对于测量的变压器振动信号数量大、维度高、成分复杂、信噪比低等特点,利用深度学习技术中堆叠自编码器对测量的信号进行特征提取,提取的特征具有相同状态高度聚集,不同状态明显分离的优点。随后,基于提取的海量特征数据,应用加权贝叶斯分类模型进行故障诊断。为进一步提高故障诊断方法的性能,提出了混沌量子粒子群算法分别对堆叠自编码器和加权贝叶斯分类模型的参数进行优化。通过一个10 kV变压器的故障诊断实验表明,设计的无源RFID传感器标签能可靠地获取变压器振动信号,提出的故障诊断方法具有较高的故障诊断正确率。     

基于交叉小波变换的高压并联电抗器故障诊断方法

为了实现高压并联电抗器智能化诊断,提出一种基于交叉小波变换的电抗器故障诊断方法.搭建振动信号测试平台,采集不同条件下的电抗器振动信号,对比分析了电抗器三种状态下的交叉小波功率谱,通过图谱中颜色、显著性水平曲线与相角变化对电抗器故障进行定性分析;确定了信号的特征频段,提取特征频段中RGB参数与相角信息构造特征矩阵;采用矩阵相识度量化不同特征矩阵间的差异.实验分析结果表明,随着压紧力减弱,D2、D3、D4频段间相关性下降,D6频段间相关性上升.此外,电抗器不同状态下的特征矩阵有明显区别,矩阵相似度指标可准确量化松动前后交叉小波功率谱中的差异.     

电机轴承故障监测系统设计

针对电机轴承监测系统中高频信号接收存储功能容易丢失数据的问题以及如何实现轴承故障精确诊断的问题，利用LabVIEW、Access和MATLAB混合编程，设计开发了一种电机轴承故障监测系统。本系统通过LabVIEW的生产者和消费者结构，以TCP/IP的通信方式实现振动信号的高速接收和实时保存；通过LabVIEW的UDL实现Access数据库的增、删、改、查操作；针对轴承状态模式识别问题，提出了一种基于变分模态分解结合排列熵与自组织特征映射神经网络的轴承故障诊断方法。经过实验验证，电机轴承故障监测系统的高频信号的接收速度达到了12.577 KSps，可以实现数据的实时存取，在信号分析功能中所提出的基于VMD-PE-SOM神经网络的轴承故障诊断方法的平均识别准备率达到了99.06%，本系统将振动信号采集功能与故障诊断功能整合在了一起，具有接收速度快、不丢包、交互性好、故障识别率高等优点。