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。     

基于变分模态分解和天牛须搜索的磁瓦内部缺陷声振检测

在磁瓦内部缺陷声振检测中,具备可预设尺度和自适应能力的变分模态分解(Variational Mode Decomposition,VMD)在处理相关声振信号时具有明显优势。然而VMD的参数选择范围广且对分解效果影响大,为解决参数的统一预设问题,提出一种基于天牛须搜索(Beetle Antennae Search,BAS)的VMD参数优化方法,并应用于磁瓦内部缺陷检测。该方法首先根据声振信号特点建立基于模态能量和模态中心频率变化规律的目标函数;再利用BAS在参数空间中搜寻目标函数最大值,所需的VMD统一预设参数即为该最大值所对应的参数组合;最后,在该优化参数下对逐个信号进行VMD处理并提取模态中心频率特征,进而由支持向量机完成特征识别。试验结果表明,所提出的方法能有效优化VMD参数并实现磁瓦内部缺陷的快速精准检测。     

广义变分模态分解方法及其在变工况齿轮故障诊断中的应用

变分模态分解(Variational Mode Decomposition,VMD)是近年来提出的非平稳信号分解方法,通过将信号分解问题转化为变分约束问题,从而实现多变量信号的模态分离。但VMD方法在分析时变多分量信号时存在模态混叠现象。对此,提出了一种适合分析时变模态的信号处理方法——广义变分模态分解(Generalized VMD,GVMD)。通过分析仿真信号,将GVMD与小波变换,原VMD和希尔伯特黄变换等方法进行了对比,结果表明,新提出的GVMD方法分解结果更精确,时频分辨率更高。最后,将GVMD方法应用于变转速齿轮振动信号故障特征的识别,结果表明了论文方法的有效性。     

基于变分模态分解和奇异值分解的频率相近信号分离方法

频率相近信号分离是故障诊断的难点问题。变分模态分解(VMD)作为一种新的信号时频分析方法,对频率相近信号具有较高的分辨率,能够实现频率相近信号的分离。VMD分解时先指定分解层数,层数选取的优劣将直接影响分解效果,过分解时容易产生虚假频率成分,反之,欠分解则容易丢失有用频率成分。基于此,提出一种基于变分模态分解和奇异值分解相结合的相近频率信号分离方法。首先选择适当的分解层数对信号进行VMD过分解,然后对分解得到的分量进行奇异值分解,通过奇异值分解检测并剔除虚假信号成分,从而实现频率相近信号的有效分离。利用仿真信号和滚动轴承故障信号证明了该方法的有效性和可行性。     

变分模态分解在自动机故障诊断中的应用

由于自动机工作环境复杂、各种响应信号相互叠加,为准确、高效地提取自动机信号的故障特征,提出一种应用变分模态分解(VMD)和极限学习机(ELM)的自动机故障诊断方法。首先对自动机信号进行变分模态分解,并与经验模态分解(EMD)结果进行对比;同时提取各模态分量的能量百分比和各工况下不同样本的样本熵作为特征值;将提取到的特征值输入到极限学习机中进行故障诊断,再与传统的双谱分析诊断结果进行比较。最终VMD方法实现信号频域内各分量的自适应剖分,并得出ELM的故障诊断准确率为87.5%。实验结果表明:变分模态分解能够有效避免模态混叠现象,同时验证所提方法的可行性与有效性。     

小波包能量谱和BP神经网络在波纹管压浆超声检测中的应用

针对小波分析在信号处理的局限性,将小波包分析和反向传播(Back Propagation,BP)神经网络相结合,提出一种基于小波包能量谱和BP神经网络的波纹管压浆超声检测方法。采用超声检测方法接收波纹管模型的回波信号,以小波包分解后各子频带的能量作为检测特征,当波纹管内部出现脱落时,检测特征会发生变化,最后将特征输入BP神经网络中进行分类识别。试验结果表明,该方法能够理想地实现波纹管内部缺陷的诊断,可为波纹管超声检测提供一定的技术支持。     

基于VMD和变尺度多稳随机共振的微弱故障信号特征提取方法

针对强噪声背景下旋转机械早期故障诊断的难题,提出一种基于变分模态分解与变尺度多稳随机共振的微弱故障信号特征提取方法。首先应用参数优化的变分模态分解(variational mode decomposition, VMD)算法对微弱故障信号进行分解, 得到若干本征模态分量(intrinsic mode function, IMF);然后通过峭度准则筛选出其中峭度最大的IMF分量;最后对该IMF分量进行变尺度多稳随机共振, 实现微弱故障信号的增强。实例表明:在强噪声背景下,利用参数优化VMD分解与变尺度多稳随机共振相结合的方法,可以有效提取出微弱信号特征频率,实现旋转机械故障状态的准确判断。     

FA-PMA-VMD方法及其在齿根裂纹故障诊断中的应用

针对变分模态分解(VMD)中难以确定分解分量个数k和惩罚参数α的问题。提出一种改进的变分模态分解方法—基于萤火虫算法及主模态分析法的变分模态分解(FA-PMA-VMD)方法。该方法用主模态分析(PMA)对VMD分解的带限内禀模态函数(BIMF)分量进行排序;用萤火虫算法对变分模态分解的最佳影响参数[k,α]组合进行搜索,以新提出的正交低峰值作为萤火虫算法的优化目标,得到的最佳的惩罚参数α和分量个数k组合;根据预先设定的故障特征参数自适应地将信号分解为k个BIMF分量。通过对仿真信号和齿轮齿根裂纹实际故障信号进行分析,分析结果表明FA-PMA-VMD具有良好的分解效果。     

FA-PMA-VMD方法及其在齿根裂纹故障诊断中的应用EI北大核心CSCD

针对变分模态分解(VMD)中难以确定分解分量个数k和惩罚参数α的问题。提出一种改进的变分模态分解方法—基于萤火虫算法及主模态分析法的变分模态分解(FA-PMA-VMD)方法。该方法用主模态分析(PMA)对VMD分解的带限内禀模态函数(BIMF)分量进行排序;用萤火虫算法对变分模态分解的最佳影响参数[k,α]组合进行搜索,以新提出的正交低峰值作为萤火虫算法的优化目标,得到的最佳的惩罚参数α和分量个数k组合;根据预先设定的故障特征参数自适应地将信号分解为k个BIMF分量。通过对仿真信号和齿轮齿根裂纹实际故障信号进行分析,分析结果表明FA-PMA-VMD具有良好的分解效果。     

FA-PMA-VMD方法及其在齿根裂纹故障诊断中的应用EI北大核心CSCD

针对变分模态分解(VMD)中难以确定分解分量个数k和惩罚参数α的问题。提出一种改进的变分模态分解方法—基于萤火虫算法及主模态分析法的变分模态分解(FA-PMA-VMD)方法。该方法用主模态分析(PMA)对VMD分解的带限内禀模态函数(BIMF)分量进行排序;用萤火虫算法对变分模态分解的最佳影响参数[k,α]组合进行搜索,以新提出的正交低峰值作为萤火虫算法的优化目标,得到的最佳的惩罚参数α和分量个数k组合;根据预先设定的故障特征参数自适应地将信号分解为k个BIMF分量。通过对仿真信号和齿轮齿根裂纹实际故障信号进行分析,分析结果表明FA-PMA-VMD具有良好的分解效果。     

基于多尺度排列熵的波纹管压浆超声检测

将多尺度排列熵引入波纹管压浆质量检测中,对不同注浆密实程度的波纹管进行超声检测,对回波信号进行分析。为了检测信号在不同尺度下的动力学特征,提出了一种基于多尺度排列熵偏均值的波纹管压浆质量检测方法,利用有限元进行仿真,仿真结果表明,波纹管压浆质量越差,回波信号对应的排列熵偏均值越小。实际模型的处理结果表明该指标能够有效地判断波纹管压浆质量。     

基于VMD-PNN的砂轮钝化声发射检测

在磨削加工过程中,加工刀具即砂轮会发生钝化现象,砂轮表面磨损影响加工精度和工件质量,需要及时检测并修整。磨粒的塑性变形、破碎、断裂等会产生声发射信号,能够作为精确识别砂轮钝化状态的依据,且不易被噪声干扰,因此提出一种基于变分模态分解（Variational Mode Decomposition,VMD）和概率神经网络（Probabilistic Neural Network,PNN）的砂轮钝化声发射检测方法。VMD可以将原始信号分解为多个本征模态函数（Intrinsic Mode Function,IMF）分量,筛选其中峭度较大的分量重构即得到声发射信号。声发射检测的关键是特征参数的选取,在相关研究基础上本文提出了声发射包络能量占比作为一个重要的特征参数,并选取了共5种特征参数,构建出5维特征向量数据集,输入到PNN中进行训练,经过测试识别准确度达到94.5%。该方法建立了声发射信号特征参数与砂轮不同钝化状态的关系,能够对砂轮严重钝化状态给出准确预警,具有实际应用价值。文章比较了声发射信号不同特征参数用于识别砂轮钝化状态的准确度,对特征参数的选用具有参考意义。     

SCA-VMD在变压器声信号降噪中的应用

针对采集变压器运行声信号时会混入噪声的情况,提出了基于稀疏分量分析-变分模态分解（sparse component analysis-variational modal decomposition,SCA-VMD）分离变压器运行声信号并降噪的方法。基于稀疏特性的欠定盲源分离能够在观测信号数目小于未知源信号数目的情况下实现源信号的有效分离,变分模态分解（VMD）能将一个多分量信号一次性分解为多个单分量信号。以两路观测信号作为输入,利用稀疏分量分析法（SCA）分离得到变压器运行声信号,再利用VMD将分离信号分解为4层本征模态函数（intrinsic mode function,IMF）分量,通过阈值滤波的方法对高频分量和低频分量进行去噪处理,利用新的IMF分量重构得到去噪信号。仿真试验和实际试验结果表明,该方法能实现对变压器运行声信号的有效分离和去噪处理。     

一种基于遗传算法的VMD参数优化轴承故障诊断新方法

为准确提取轴承故障特征信息,提出以峭度指标和包络熵为综合目标函数的变分模态分解(variational mode decomposition,VMD)参数优化方法,并改进了诊断流程实现了无需指定参数优化范围的自适应参数优化算法。通过遗传算法对综合目标函数最小值进行搜索,以确定模态分量个数及惩罚参数的最佳组合。原始故障信号经最佳参数组合下的VMD方法分解为若干个本征模态函数,选择最小综合目标函数值对应的模态分量进行包络解调分析,进而通过模态分量的包络谱判断轴承故障类型。通过实测故障信号分析表明,该方法能够从噪声干扰中有效提取到早期故障信号的微弱故障特征,实现了轴承故障类型的准确判定,验证了该方法的有效性。     

A framework for determining MIMO process parameters by a neuro-DM&ACO approach

A framework combining artificial neural network (ANN) modelling technique, data mining and ant colony optimisation (ACO) algorithm is proposed for determining multiple-input multiple-output (MIMO) process parameters from the initial chemical-mechanical planarisation (CMP) processes used in semiconductor manufacturing. Owing to the invisibility of the ANN in the solution procedures, the decision tree approach of data mining is adopted to provide the necessary information for a real-valued ACO. The simulation result demonstrates that the proposed method can be an efficient tool for selecting properly defined parameter combination with the CMP process.     

Sensor Optimisation using an Ant Colony Metaphor

Abstract:  This paper describes an approach to impact detection and location using neural networks and an ant colony metaphor. Given the existence of an effective fault detection procedure, the problem arises as to how the sensors should be placed for optimal efficiency of the detector. In this paper, a neural network is used to locate and classify impacts on a composite panel and the ant colony metaphor is used to determine an optimal (or near optimal) sensor distribution. The results are compared with those from a previous study which used a genetic algorithm for the optimisation phase.     

参数优化变分模态分解与多域流形学习的行星齿轮箱故障诊断

针对行星齿轮箱特征提取困难的问题,提出一种基于参数优化变分模态分解与多域流形学习的故障诊断方法。首先,利用樽海鞘群优化变分模态分解(SSO-VMD)对信号进行分解与重构,降低噪声干扰;然后,从多域提取故障特征,并采用改进监督型自组织增量学习神经网络界标点等度规映射(ISSL-Isomap)算法进行降维处理,获取低维故障特征;最后,运用人工蜂群优化支持向量机(ABC-SVM)多故障分类器进行诊断识别。将SSO-VMD与经验模态分解进行对比,仿真信号分析结果验证SSO-VMD的优越性。将所提故障诊断方法应用于行星齿轮箱故障诊断实验分析中,结果表明:多域特征提取效果优于时域、频域和尺度域等单域特征提取效果;ISSL-Isomap降维效果优于等度规映射,t-分布邻域嵌入,线性判别分析,加权等度规映射和监督等度规映射等算法;所提方法故障识别率达到100%,能够有效识别出行星齿轮箱各工况类型。     

基于蚁群神经网络的飞灰含碳量测量方法

飞灰含碳量是衡量电站锅炉燃烧效率的重要参数。飞灰含碳量的准确测量有助于调整锅炉燃烧,提高锅炉运行的经济性和安全性。本文采用了蚁群神经网络算法,利用蚁群算法对神经网络进行优化,将优化过后的神经网络用于飞灰含碳量的预测,并分析了经过蚁群神经算法与遗传神经网络的预测效果。