结合经验模态分解能量总量法的断路器振动信号特征向量提取

为了检测出断路器的机械结构故障类型,本文分析了断路器机械振动信号的特性,提出基于经验模态分解(EMD)能量总量法与支持向量机(SVM)理论相结合的中压断路器振动信号的特征向量提取和故障分类的分析方法。首先将断路器的振动信号进行经验模态分解,得到所需要的内禀模态函数(IMF),通过离散采样点求能量总量的方法求出包含主要故障特征信息的各个内禀模态函数分量的能量总量。利用IMF分量能量总量作为特征向量,并以此作为支持向量机输入,将测试样本信号的故障特征向量输入训练好的SVM,并对SVM及核函数参数进行遗传算法优化,采用"二叉树分类"支持向量机分类机制进行故障分类。经实验分析该方法能很好地识别出振动信号的差别及故障类型。     

基于VMD和WOA-SVM的变压器绕组松动故障诊断

为了更加准确有效地诊断变压器绕组松动故障,提出了一种基于变分模态分解(VMD)和鲸鱼优化支持向量机(WOA-SVM)的变压器绕组松动故障诊断方法。首先,对某10 kV变压器进行模拟故障试验,测量其振动信号;随后,采用VMD将非平稳的振动信号分解成多个本征模态函数(IMF),并计算各层IMF的能量熵,构成特征向量;最后,将特征向量输入鲸鱼算法(WOA)优化的支持向量机(SVM)中训练出分类模型,实现变压器绕组松动故障诊断。结果表明,所提方法适用于变压器绕组松动故障诊断,并且相较于传统的改进SVM分类模型,所提方法的故障识别准确率更高。     

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VMD分解和支持向量机的水电机组振动故障诊断

针对传统方法难以精确提取水电机组非平稳振动信号的故障特征,首先引入变分模态分解(variational modal decomposition,VMD)将水电机组非平稳振动信号分解为一系列中心频段互不重叠的IMF分量,进而采取能量法提取各IMF分量的故障特征,最后将提取的故障特征向量输入到本文建立的基于遗传算法优化支持向量机的故障诊断模型中,实现故障模式的识别与诊断。将该方法应用于实际水电机组故障振动信号的处理中,仿真结果表明,该方法能够有效识别机组的异常状况,具有较高的故障诊断正确率。     

基于经验模态分解和超球多类支持向量机的滚动轴承故障诊断方法

滚动轴承故障定位,特别是对其性能退化程度的诊断可以更有效地进行设备维护以降低停机率.提出了对滚动轴承不同故障位置及性能退化程度的非平稳振动信号进行特征提取和智能分类的故障诊断方法.该方法对各状态振动信号进行经验模态分解,得到一系列固有模态函数和一个残余分量.经验模态分解方法具有分解自适应性和分解唯一性.对每个固有模态函数建立自回归模型,分别采用Yule Walker和Ulrych-Clayton两种方法求得模型参数和残差方差,并以此作为各类状态信号的特征矩阵,输入到改进的超球多类支持向量机分类器,判断滚动轴承故障位置及性能退化程度.实验结果表明,提出的方法可同时实现滚动轴承故障位置及性能退化程度的智能诊断,且基于经验模态分解结合自回归模型的Ulrych-Clayton参数估计进行特征提取的诊断方法识别率更高.     

基于VMD-Hilbert边际谱能量熵和SVM的高压断路器机械故障诊断

针对高压断路器分、合闸动作过程中产生的振动信号持续时间短暂及强烈的非线性非平稳性,导致的特征提取困难问题,提出一种变分模态分解(VMD)-希尔伯特(Hilbert)边际谱能量熵,及支持向量机(SVM)的高压断路器振动信号组合特征提取和机械故障诊断方法。采用VMD对高压断路器振动信号进行分解,得到一系列反映振动信号局部特性的本征模态函数(IMF);对IMF进行Hilbert变换,并求取对高压断路器机械状态变化敏感的Hilbert边际谱能量熵作为特征向量;将特征向量输入到SVM分类器,实现高压断路器机械故障的智能诊断。试验结果表明:该方法能够准确识别高压断路器的常见机械故障类型,具有一定的工程应用价值。     

基于改进Hilbert-Huang变换和支持向量机的高压断路器触头超程状态识别

引入集合经验模态分解(EEMD)对Hilbert-Huang变换(HHT)方法进行改进,并将改进的HHT方法结合支持向量机(SVM)应用于高压断路器振动信号特征提取和触头超程状态识别中。采用EEMD提取反映振动信号局部特性的本征模态函数(IMF)分量,并计算IMF分量的Hilbert边际谱能量值,由此构造高压断路器触头超程状态特征量,利用得到的特征向量对SVM进行训练,实现高压断路器触头超程状态的自动识别。试验提取了高压断路器在不同触头超程下的振动信号并进行分析,结果表明所提方法能够有效识别高压断路器触头超程状态。     

基于时变自回归模型阶次判定值的滚动轴承特征提取

针对滚动轴承振动信号的非平稳性,提出了一种基于时变自回归模型阶数判定值的特征提取方法。通过用时变自回归模型定阶过程中的判定值构建特征量,并以支持向量机的分类识别率为依据选择最佳的特征向量维数,输入支持向量机进行滚动轴承运行状态的识别。仿真实验表明,所提方法能够有效地提取滚动轴承的故障信息进而实现其故障诊断。     

基于EEMD云模型与SVM的汽轮机转子故障诊断方法

提出了一种基于集合经验模态分解(EEMD)、云模型与支持向量机(SVM)相结合的汽轮机转子多故障诊断方法。该方法首先采用EEMD将振动信号分解成若干个IMF分量,利用相关系数法对IMF分量进行筛选,然后对筛选后的IMF分量进行逆向云发生器计算,得到云模型的数字特征并构建为特征向量,将其应用到有向无环图SVM中进行转子多故障状态识别,并与传统的EEMD能量法进行对比。结果表明,该方法能够准确地完成转子多故障诊断,具有更高的识别率。     

基于EMD和AR模型的水轮机尾水管动态特征信息提取

提出一种基于经验模态分解(EMD)和自回归(AR)模型的水轮机尾水管动态特征信息提取方法.对经过预处理的信号进行EMD分解,得到包含特征频率的本征模态函数(IMF),对每个IMF建立AR模型,取模型参数作为故障模式识别的特征矢量.以水轮机尾水管压力脉动信号为例,运用此方法进行了尾水管动态特征信息的提取.试验表明,基于EMD和AR模型的特征提取法是故障特征提取的有效方法.     

基于瞬时能量熵和SVM的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳特性和难以获得大量实际故障样本的情况,提出了一种基于经验模式（EMD）分解的新型故障特征撮方法,并与支持向量机（SVM）相结合实现滚动轴承的故障诊断.该方法首先将振动信号进行小波包降噪,再对去噪信号进行EMD分解,求解分解后各单元的瞬时能量变化,取瞬时能量变化的熵值组成特征向量,最后将其作为支持向量机的输入实现滚动轴承故障分类.经过实验验证,该方法能够有效的识别轴承正常状态、内圈故障、外圈故障以及滚珠故障.     

Fault classification in SEIG system using Hilbert-Huang transform and least square support vector machine

This paper presents the transient performance analysis of self excited induction generator (SEIG) during both balanced and unbalanced faults using stationary frame d–q axis. Significance of fault detection and fault classification is also investigated in this study. Current signal of SEIG is extracted. Non stationary distorted current waveforms of SEIG during fault condition are considered as superimposition of various oscillating modes. To separate out these oscillating components known as intrinsic mode functions (IMFs), empirical-mode decomposition (EMD) is used. Hilbert transform (HT) is applied on the first four IMFs to extract instantaneous amplitude and frequency. Combination of EMD and HT is known as Hilbert-Huang transform. To classify different faults of SEIG system, least square support vector machine (LSSVM) is used. Finally the superiority of the proposed SVM is established through comparison with support vector machine and probabilistic neural network.     

基于经验模态分解的高压断路器机械故障诊断方法

分析高压断路器机械振动信号的特性,提出一种以改进的经验模态分解(empirical mode decomposition,EMD)能量熵和支持向量机(support vector machine,SVM)相结合的诊断高压断路器机械故障的方法,并给出了可行的诊断步骤和分析.首先利用经验模态分解方法将高压断路器的振动信号分解成一些相互独立的内禀模态函数"(intrinsic mode function,IMF),然后利用正常状态标准信号所得各固有内禀模态函数包络信号的等能量分段方式,实现对待测状态信号各IMF包络的时间轴分段,计算各待测信号IMF包络的能量熵向量,以此构造的经验模态分解能量熵向量作为支持向量机的输入向量.采用"次序二叉树"向量机分类,利用梯度法和交叉检验优化支持向量机模型参数.实验结果表明,该方法诊断高压断路器机械故障能取得良好的效果.     

基于感应电机启动电磁转矩Hilbert-Huang变换的转子断条故障诊断

该文提出了一种感应电机转子故障诊断新方法。当感应电机转子出现断条故障时，转子绕组的不对称将会使电磁转矩谱中引入2sfs(s为转差率，fs为电网频率)谐波分量。利用砌bert-Huang变换中经验模态分解(EMD)方法对启动电磁转矩信号进行了分解，得到若干本征模态函数(IMF)。通过计算包含故障信息的IMF分量的瞬时频率，可以检测出转子断条故障。同时，根据包含故障信息的IMF的幅值可以进一步判断出转子断条根数。实验结果证明该方法是可行的。     

基于小波包去噪与EMD的故障电弧检测算法研究

经验模态分解(Empirical Mode Decomposition,简称EMD)方法是一种被广泛应用于故障诊断领域的信号处理方法,但是分解的结果容易受到高频噪声的干扰。因此本文提出利用小波包去除噪声,同时利用EMD分解进行故障电弧信号处理的研究方法。首先根据国标GB/T 31143-2014搭建故障电弧实验平台,采集故障电弧信号,利用小波包去除信号中的噪声,然后利用EMD方法对正常电弧和故障电弧进行分解得到一系列本征模态分量,通过计算求出这些分量的能量熵并进行归一化处理得到特征向量,最后进行支持向量机(SVM)训练,进而诊断得出故障电弧的故障类型。实验结果表明该方法可以有效准确地对故障电弧进行判断。     

基于EMD-神经网络的电动机转子故障诊断方法研究

在电动机运行过程中,转子断条故障将导致电动机出力降低,性能恶化。因此研究更高效的电动机故障诊断方法来对其进行检测迫在眉睫。针对电动机转子出现断条故障时定子电流信号的非平稳特征,提出了一种基于经验模态分解(EMD)和神经网络相结合的转子故障诊断方法。该方法首先将原始信号分解为突出了原信号不同时间尺度的局部特征信息的内在模函数(IMF)分量,然后将各IMF分量输入到BP网络中进行训练学习和故障诊断。将此方法应用于电动机转子断条故障的识别,实验结果表明,该方法能快速准确地识别转子断条故障。     

基于多维特征和多分类器的水电机组故障诊断

提出了一种基于多维特征和多分类器的水电机组故障诊断方法。通过提取水电机组不同状态下振动信号的时域特征、频域特征和集合经验模态分解-样本熵,构建多维特征,实现特征信息的多维互补,并利用遗传算法对构建的多维特征进行降维处理。以此多维特征作为分类器的输入,分别通过支持向量机、反向传播神经网络和朴素贝叶斯分类器进行故障诊断,将三种分类器的初步诊断结果进行融合得到最终诊断结论,从而提高水电机组故障诊断的准确率。为验证该方法的有效性,将转子不平衡、转子不对中、转子碰磨等故障在转子试验台上进行模拟,并用上述方法进行诊断,结果表明,较单维特征和单分类器,多维特征输入和多分类器融合的故障诊断准确率更高。     

基于经验模态分解和支持向量机的水电机组振动故障诊断

水电机组的振动信号为典型的非平稳、非线性信号。为了通过振动信号正确判断水电机组的运行状态,本文提出运用经验模态分解处理原始信号,并对获得的基本模式分量计算其复杂度特征,最后运用最小二乘支持向量机进行故障诊断。选取径向基函数作为核函数,并通过网格搜索和交叉验证确定相关参数。结果表明,经验模态分解复杂度特征和支持向量机结合,能够准确地实现故障诊断,确定故障类型,为机组运行维护人员提供参考依据。     

基于EMD和SPS的容差模拟电路故障诊断

针对具有容差的模拟电路故障诊断难题,提出了结合经验模态分解(EMD)和子带多态谱(SPS)的提取模拟电路故障特征新方法。首先计算出待测试电路的二阶Volterra核序列,然后用EMD对Volterra序列进行分解,获得本征模态函数(IMFs),最后通过计算IMFs的倒谱(CS)和Hiltert谱(HS),对时频域的多态数字故障特征进行提取,从而将容差模拟电路中的软故障和非线性故障进行分离,完成模拟电路故障诊断。实验结果表明,该方法能够有效地解决故障混叠难题,提升故障元件定位和分离的能力。     

基于小波包和AFSA-SVM的电机故障诊断

针对电机滚动轴承故障诊断准确率问题,提出基于小波包分析结合人工鱼(AFSA)优化支持向量机(SVM)的电机故障诊断方法。利用小波包多分辨率分析法对电机的震动信号进行多层分解及重构,得到不同频段的信号时频图;然后采用AFSA算法对支持向量机中的参数惩罚参数(C)和核参数(σ)进行寻优选择,并最终建立AFSA-SVM故障诊断模型,提取信号时频图中频带能量值作为AFSA-SVM的输入特征向量进行学习、测试。最后通过仿真实验验证,故障诊断准确率达98.7%,并与粒子群算法优化支持向量机(PSO-SVM)和未经优化的支持向量机对比分析,结果表明该方法具有更高的故障诊断识别效果。