基于时频奇异谱的柴油机缸盖振动信号特征提取研究

针对柴油机故障特征提取问题,提出了一种基于连续小波变换时频分布奇异谱的缸盖振动信号特征提取方法。复Morlet小波变换的时频分布矩阵能从时频两域表征缸盖振动信号的局部特征和能量分布,结合奇异值分解理论将时频分布矩阵分解成能够简捷反映时频分布基本特征的奇异值序列,并运用类内类间可分离性判据对奇异值特征子集进行优选和分析,解决时频分布信息的降维和有效特征参数的提取,试验分析验证了该方法提取的特征具有较好的抗噪声干扰能力和可区分度。     

基于小波包变换和奇异值分解的柴油机振动信号特征提取研究

为通过振动信号识别柴油机的工作状态,提出利用小波包变换和奇异值分解提取振动信号特征的新方法。给出了小波包变换算法及奇异值分解算法,依据矩阵奇异值特征向量,定义了振动信号特征参数,并探讨了特征参数与柴油机运行状态之间的内在联系。结果表明：特征参数能够敏感地反映柴油机工作性能的变化。随着柴油机工作性能的恶化,振动强度的增加,特征参数变大。特征参数可作为柴油机状态监测和故障诊断的特征量。     

基于SVD优化LMD的电梯导靴振动信号故障特征提取EI北大核心CSCD

针对局部均值分解(Local Mean Decomposition,LMD)方法提取电梯导靴振动信号的故障特征分量时存在的模态混淆现象,本文提出了一种基于奇异值分解(Singular Value Decomposition,SVD)优化局部均值分解(Local Mean Decomposition,LMD)的电梯导靴振动信号故障特征提取方法。该方法以奇异值贡献率原则构造原始信号的Hankel矩阵,采用SVD对Hankel矩阵进行分解;将曲率谱原则与奇异值贡献率原则相结合对奇异值进行选择,将包含主要故障信息的奇异值进行逆重构,得到剔除噪声信号与光滑信号的突变信号;并利用LMD方法对突变信号进行故障特征提取,得到能够突出原始信号振动特征的故障特征分量。实例结果表明该方法有效改善了LMD的模态混淆现象,更准确地提取了振动信号的故障特征分量,为电梯导靴的故障诊断提供了一条有效的途径。     

基于KVMD-PWVD与LNMF的内燃机振动谱图像识别诊断方法

为了直接对内燃机振动谱图像进行诊断识别,提出一种基于改进变分模态分解(VMD)、伪魏格纳时频分析(PWVD)与局部非负矩阵分解(LNMF)的内燃机振动谱图像识别诊断方法。该方法首先针对VMD分解过程中的层数选取问题,提出了一种中心频率筛选的VMD分解层数改进方法(KVMD),然后将内燃机振动信号利用KVMD分解成一组单分量模态信号,并对生成的各个单分量信号进行伪魏格纳分析处理后表征成振动谱图像;在此基础上,对生成的内燃机KVMD-PWVD振动谱图像分别采用非负矩阵分解(NMF)和LNMF形成编码矩阵,并采用最近邻分类器、朴素贝叶斯分类器和支持向量机对上述编码矩阵直接进行模式识别,以实现内燃机振动谱图像的自动诊断。最后,将该方法应用在内燃机故障诊断实例中,结果表明:该方法改进了传统图像模式识别中的特征参数方法,能有效诊断出内燃机气门间隙故障,三种分类器识别精度均大于93%,其中支持向量机的分类精度最高,达到99.8%,且采用LNMF形成的编码矩阵识别精度整体高于NMF,为内燃机振动诊断探索了一条新途径。     

基于拟合误差最小化原则的奇异值分解降噪有效秩阶次确定方法

为了最大限度地提高旋转机械设备故障振动信号的信噪比,研究了奇异值分解降噪的原理,提出了一种新的奇异值分解降噪有效秩阶次的确定方法。首先,对振动信号进行相空间重构,对吸引子轨迹矩阵进行奇异值分解;然后,按不同的阶数,将奇异值分成信号组和噪声组,对每次分组的结果,以阶数为自变量、以奇异值为因变量,拟合成信号特征奇异值曲线和噪声特征奇异值曲线,并求拟合误差;最后,将拟合误差最小值对应的奇异值阶数确定为有效秩阶次,并进行奇异值分解降噪。通过数值仿真和实际齿轮故障数据分析,表明该方法可以有效地提高信号的信噪比,为后期的故障特征提取创造有利条件。     

基于SVD优化LMD的电梯导靴振动信号故障特征提取

针对局部均值分解(Local Mean Decomposition,LMD)方法提取电梯导靴振动信号的故障特征分量时存在的模态混淆现象,本文提出了一种基于奇异值分解(Singular Value Decomposition,SVD)优化局部均值分解(Local Mean Decomposition,LMD)的电梯导靴振动信号故障特征提取方法。该方法以奇异值贡献率原则构造原始信号的Hankel矩阵,采用SVD对Hankel矩阵进行分解;将曲率谱原则与奇异值贡献率原则相结合对奇异值进行选择,将包含主要故障信息的奇异值进行逆重构,得到剔除噪声信号与光滑信号的突变信号;并利用LMD方法对突变信号进行故障特征提取,得到能够突出原始信号振动特征的故障特征分量。实例结果表明该方法有效改善了LMD的模态混淆现象,更准确地提取了振动信号的故障特征分量,为电梯导靴的故障诊断提供了一条有效的途径。     

机械振动信号自适应多尺度非线性动力学特征提取方法研究

针对机械振动信号的故障特征提取问题,提出了基于独立变分模态分解与多尺度非线性动力学参数的特征提取方法。①提出频谱循环相干系数选取匹配波形对机械振动信号进行端点延拓后再进行VMD分解得到不同频率尺度的IMF分量;②根据互相关准则选取有效的IMF分量进行核独立成分分析,分离出相互独立的有效故障特征频带分量;③计算各独立分量的复合多尺度模糊熵偏均值,并利用正交变换将独立分量正交化后构造多维超体,进而利用多维超体体积定义并计算信号的双测度分形维数,从而获得多尺度非线性动力学特征参数,实现机械故障诊断。仿真和实验结果表明:所提方法可有效抑制VMD分解的端点效应和模态混叠,信号分解效果好,特征参数分类精度高,极大地提高了机械故障诊断准确率。     

柴油机缸盖噪声信号处理方法及故障诊断研究

柴油机的缸盖噪声信号含有很多能诊断柴油机故障的有用信息,如燃爆、气门开启和关闭信息.但是提取的缸盖噪声信号中也含有柴油机工作时产生的排气噪声和机体其它部位辐射噪声等干扰信号,且干扰信号与有用信号的频率成分在20kHz以下的频带内重叠在一起.因此如何能有效的提取有用信号十分关键.通过实验选取气门室罩距气门较近一侧的侧表面1CM外作为测点.分析了小波分解、FIR滤波、小波降噪和FIR分频带阈值处理降噪四种方法的优缺点后,发现小波降噪既能保留有用信息,又能有效将不需要的噪声信号去除,在提取缸盖噪声中的有用信息时具有明显的优势.将缸盖噪声信号降噪后发现,各种气门间隙和失火故障均可通过缸盖噪声判断出.     

基于VMD-SVD联合降噪和频率切片小波变换的滚动轴承故障特征提取

针对滚动轴承早期故障信息微弱,频率切片小波变换(FSWT)在强背景噪声中提取故障特征的不足,提出变分模态分解(VMD)奇异值分解(SVD)联合降噪与FSWT相结合的故障特征提取方法,首先利用VMD故障信号自适应分解为若干本征模态分量(IMF),通过峭度准则选择包含故障信息最丰富的IMF进行信号重构,其次利用SVD对重构信号进行再次降噪,提高信噪比。最后对降噪信号进行FSWT,凸显故障信号的时频分布信息提取故障特征。仿真信号和实际数据分析结果表明,该方法有效消除了噪声的影响,能够清晰提取故障信号的特征频率,实现滚动轴承故障的精准识别。     

基于变分模态分解与深度卷积神经网络的滚动轴承故障诊断

针对滚动轴承振动信号非平稳、非线性特点以及特征提取困难问题,提出一种基于变分模态分解(VMD)与深度卷积神经网络相结合的特征提取方法并应用于滚动轴承故障诊断。利用VMD将原始振动信号分解得到若干不同频率的限带本征模态分量,通过卷积网络中的多组卷积核自动学习各模态数据的不同特征,保证了特征提取的自适应性、全面性和多样性。在特征提取的基础上,使用全连接神经网络进行故障分类与诊断。将所提方法应用于滚动轴承故障诊断,结果表明,该方法在变工况情况下能够实现滚动轴承故障类别以及损伤程度的精确判定。     

基于改进VMD的风电齿轮箱不平衡故障特征提取

变分模态分解(Variational Mode Decomposition,VMD)是一种不同于递归式模态分解新方法,具有优良的频率剖分特性,但其在处理信号时受分量个数影响严重,通过主观经验难以合理设置该参数。针对该问题,利用奇异值分解清晰的信噪分辨能力,根据奇异值最佳有效秩阶次自动搜寻VMD的分量个数,提出了一种改进变分模态分解的风电齿轮箱不平衡故障特征提取方法。通过仿真信号及轴不平衡实验信号对该方法进行了验证,并将其应用于风电齿轮箱稳定工况下的现场故障诊断中,均成功提取出微弱特征频率信息,实现对齿轮箱不平衡故障的有效判别,具有一定可靠性。     

结合VMD和Volterra预测模型的轴承振动信号特征提取

针对滚动轴承振动信号的非线性和非平稳性特点,提出了一种结合变分模式分解(VMD)和Volterra预测模型的轴承振动信号特征提取方法。利用VMD良好的非平稳信号分解能力将轴承振动信号分解成有限个平稳的本征模式函数(IMF)分量,然后对各IMF分量进行相空间重构,在重构的相空间内建立Volterra自适应预测模型,根据类内类间距准则对模型参数进行优选,用于描述轴承振动信号。对4种状态的滚动轴承振动信号进行了分析,优选的特征参数表现出较好的分类性能。实验结果表明,该方法能有效提取振动信号中的非线性和非平稳特征,从而提高滚动轴承故障诊断精度。     

传感器优化布置的齿轮箱轴承故障特征提取

为诊断齿轮箱轴承故障,构建一种传感器优化布置的齿轮箱轴承故障特征提取方法。提取齿轮箱上箱体模态振型,运用K-medoids算法对节点振型进行聚类,用有效独立法初选测点,以模态置信准则(MAC)为适应度函数,运用遗传算法(GA)寻优,实现传感器位置优化,以构建的综合评价指标对传感器数量进行评价,以此得到齿轮箱传感器优化布置方案;将传感器布置在上箱体采集齿轮箱振动信号,对各路信号进行奇异值(SVD)降噪,对降噪后信号进行基于方差贡献率的信息融合;对融合信号进行变分模态分解(VMD),以信息熵最小为原则对VMD参数优化,选取信息熵最小本征模态分量(IMF)进行Teager能量谱分析,提取滚动轴承故障特征;采用ZDH10型齿轮箱故障试验台进行试验验证,证明所构建方法的可行性。     

基于VMD的自适应形态学在轴承故障诊断中的应用

为有效提取滚动轴承信号的特征频率,提出了基于变分模态分解(VMD)的自适应形态学的特征提取方法。首先利用VMD将目标信号分解为有限个模态信号,依据互信息法提取与原始信号相关的模态信号,将其进行求和重构;然后利用形态学对重构信号进行降噪处理,提取出滚动轴承的特征频率。针对形态学固有统计偏移和结构元素的选择问题,利用粒子群算法来优化改进的广义形态学滤波器,实现自适应滤波。通过数字仿真实验与滚动轴承故障试验分析,将其与基于经验模式分解(EMD)的自适应形态学、包络解调方法进行比较,结果表明该方法可以有效提取故障信号的特征频率。     

强背景噪声振动信号中滚动轴承故障冲击特征提取

针对机械早期故障引起的冲击特征微弱,易受强背景信号和噪声的干扰而难以提取的问题,提出一种奇异值分解(Singular Value Decomposition,SVD)差分谱与S变换相结合的微弱冲击特征提取方法。将原始信号构造成Hankel矩阵,采用SVD对重构矩阵进行分解;利用奇异值差分谱确定降噪阶次进行降噪;采用S变换对降噪后的信号进行时频分析,提取信号中的微弱冲击特征信息。通过数值仿真和实际轴承故障数据的对比,表明该方法可有效辨别轴承振动信号中故障引起的早期微弱冲击特征,为轴承故障诊断提供先验信息。     

基于改进SVD及参数优化VMD的轴承故障诊断

为解决轴承早期故障特征难以提取的问题,提出一种基于改进奇异值分解(SVD)及参数优化变分模态分解(VMD)的轴承故障诊断方法。首先,对原始故障信号进行SVD降噪、微弱故障信号的分离,通过包络熵最小、峭度最大原则对其重构矩阵的秩进行优化。其次,对改进SVD降噪后所得信号进行VMD分解,将包络谱幅值峭度和峭度构成新的指标(合成峭度),通过所有本征模态分量(Intrinsic Mode Function,IMF)的合成峭度均值最大原则对VMD的参数进行优化,获得若干的IMFs。最后,根据峭度-欧氏距离指标筛选出含故障信息丰富的IMF,进行包络解调运算,分析信号的包络谱判断轴承故障类型。通过对仿真信号和实测信号进行分析,可成功提取出微弱特征频率信息。由此表明,基于改进SVD及参数优化VMD的轴承故障诊断方法可有效地实现轴承早期故障诊断,具有一定的可靠性和实用性。     

麻雀算法参数优化VMD联合K-SVD的滚动轴承故障诊断

针对经典K-均值奇异值分解(K-means Singular Value Decomposition,K-SVD)易受噪声干扰产生虚假原子,导致信号稀疏不彻底、故障特征识别困难的问题,提出基于麻雀算法优化变分模态分解(Variational Modal Decomposition,VMD) 参数联合K-SVD的滚动轴承故障诊断方法。首先引入包络熵适应度函数指标并基于麻雀算法优化VMD的模态层数k 和平衡因子α。其次利用平方包络谱峭度指标遴选最优模态,以所选模态分量相空间构造Hankel 矩阵进行K-SVD字典学习。最后对恢复至时间序列的稀疏重构信号进行包络解调,提取轴承故障特征频率。通过轴承故障仿真信号和全寿命实验信号进行验证,证明相较于经典K-SVD算法,所提方法在低信噪比条件下在轴承故障特征提取方面具有优势,有一定的工程应用价值。     

基于EMD-WVD与LNMF的内燃机故障诊断

内燃机的振动信号是复杂非平稳信号,准确提取内燃机振动信号中的特征信息进行模式识别,是对振动信号进行故障诊断的关键。基于经验模态分解的维格纳时频分析方法,不但保留了维格纳分布的所有优良特,而且还避免了交叉项的干扰,能够有效地提取内燃机振动信号的特征信息;在此基础之上,针对传统非负矩阵分解非正交的基矩阵导致数据冗余性较大、影响后续故障分类准确率提高的问题,提出采用局部非负矩阵分解的方法,直接对EMD-WVD时频图像的矩阵进行分解,计算用于内燃机故障诊断的特征参数,并利用特征参数进行故障分类。对内燃机4种不同工况的振动信号进行实验,证明基于EMD-WVD与局部非负矩阵分解的方法对内燃机气门间隙的故障诊断的有效性。     

S变换时频谱SVD降噪的冲击特征提取方法

为了从滚动轴承故障振动信号中提取出冲击特征,以进行轴承故障诊断,提出基于S变换时频谱奇异值分解(SVD)的信号降噪方法。S变换是一种信号时频表示方法,适合于处理与分析非平稳的冲击特征信号。在SVD降噪过程中,数据矩阵由信号的S变换谱系数构成;奇异值序列的置零阈值位置坐标可由奇异值差分谱最前面部分峰值群的最后一个峰值点序号来确定。最后对降噪的数据矩阵进行S逆变换,获得信号的时域冲击特征。仿真研究表明,基于S变换时频谱的SVD降噪方法可以成功地从低信噪比信号中提取出周期性的冲击特征。将本方法用于处理与分析滚动轴承故障振动信号,根据所提取出的冲击特征出现频率,能够方便有效地实现轴承相关故障的诊断。     

基于多尺度高阶奇异谱熵的信号特征提取方法

提出了基于变分模态分解(VMD)的高阶奇异谱熵的特征提取方法,并应用在滚动轴承故障诊断中。首先,使用4阶累积量切片代替奇异谱熵分析(SSEA)的协方差矩阵,引入VMD分解实现方法多尺度化,提出信号多分辨高阶奇异谱熵分析(M-HSSEA)方法;通过信号分析,VMD解决了模态混叠的问题,且能够实现信号滤波,同时该方法提取的熵特征向量增强了相空间重构参数鲁棒性;通过和小波奇异谱提取特征的方法对比,结果表明所提出的方法在克服频率混叠现象,提取的特征点总体离散度小等方面更具优势;最后,结合深度信念网络分类器实现了对故障的分类,实验结果验证了所提方法的有效性和可行性。