基于IMF特征提取的滚动轴承故障诊断

滚动轴承故障诊断的关键是敏感故障特征的提取。模糊熵(Fuzzy Entropy,FE)是一种检测时间序列复杂程度的方法,已广泛应用于故障诊断。由于机械系统的复杂性,振动信号的随机性表现在不同尺度上,因此需要对振动信号进行多尺度的模糊熵分析。在此基础上,提出了基于经验模态分解(Empirical Mode Decompose,EMD)和模糊熵的滚动轴承故障诊断方法。首先,采用EMD方法对振动信号进行分解,得到不同尺度的内禀模态函数(Intrinsic Mode Function,IMF)并计算包含主要故障信息的IMF分量的模糊熵;其次,对IMF分量的模糊熵值进行基于样本分位数的特征提取;最后,将分位数值作为特征向量,输入基于优化算法的支持向量机。将该方法应用于滚动轴承实验数据,分析结果表明,此方法可有效实现滚动轴承的故障诊断。     

基于EMD的奇异值熵在转子系统故障诊断中的应用

提出了一种基于EMD（Empirlcal Mode Decomposition）和奇异值熵的转子系统故障诊断方法。该方法首先用EMD方法分解转子系统的振动信号，得到若干个基本内禀模式函数（Intrinsic Mode Function，简称IMF），然后利用IMF分量形成初始特征向量矩阵，并对初始特征向量矩阵求奇异值熵，奇异值熵的大小反映了转子系统运行状态的差别，从而可以通过奇异值熵的大小判断转子系统的工作状态和故障类型。对实验数据的分析结果证明了该方法的有效性。     

双螺母预紧滚珠丝杠副摩擦力矩与接触刚度波动关系研究

目前,滚珠丝杠副刚性的一次测量只能测得一个位置处刚度,需进行多次测量才能获得有效行程内的刚度波动情况,且每次测量需要拆卸和调整测量装置,耗时耗力。由于滚珠丝杠副摩擦力矩测量是空载扭矩,在测量行程中,螺旋升角和接触角是基本没有什么变化,同时在刚性测量中,轴向载荷的加载对螺旋升角和接触角的影响非常小,可以简单、快速获得双螺母预紧滚珠丝杠副不同位置处接触刚度值波动情况,对双螺母预紧滚珠丝杠副的滚珠进行动力学分析,建立预紧力与接触刚度的关系式,结合滚珠丝杠副预紧力与摩擦力矩平衡方程,建立关于摩擦力矩的接触刚度数学模型;使用滚珠丝杠副摩擦力矩试验台对两种不同型号的双螺母预紧滚珠丝杠副进行摩擦力矩测量;在滚珠丝杠副静刚度试验台上对以上两件滚珠丝杠副进行静刚度测量。试验结果表明:当双螺母预紧滚珠丝杠副的轴向载荷23/2倍预紧力时,双螺母预紧滚珠丝杠副的接触刚度与摩擦力矩的1/3次方成正比;可通过测量双螺母预紧滚珠丝杠副行程内的摩擦力矩来反映不同位置处接触刚度的波动情况。     

基于EMD和AR模型的滚动轴承故障诊断方法

提出了基于EMD(Empirical Mode Decomposition)和AR模型的滚动轴承故障诊断方法。该方法用EMD将滚动轴承振动信号分解成若干个平稳的IMF(Intrinsic Mode Function)分量，对每一个IMF分量建立AR模型，以模型的自回归参数和残差的方差作为特征向量建立Mahalanobis距离判别函数，进而判断滚动轴承的工作状态和故障类型。实验结果分析表明，该方法能有效地应用于滚动轴承的故障诊断。     

基于EMD与神经网络的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的非平稳特征，提出了一种基于经验模态分解(Empirical Mode Decomposition，简称EMD)和神经网络的滚动轴承故障诊断方法。该方法首先对原始信号进行了经验模态分解，将其分解为多个平稳的固有模态函数(Intrinsic Mode function，简称IMF)之和，再选取若干个包含主要故障信息的IMF分量进行进一步分析，由于滚动轴承发生故障时，加速度振动信号各频带的能量会发生变化，因而可从各IMF分量中提取能量特征参数作为神经网络的输入参数来识别滚动轴承的故障类型。对滚动轴承的正常状态、内圈故障和外圈故障信号的分析结果表明，以EMD为预处理器提取各频带能量作为特征参数的神经网络诊断方法比以小波包分析为预处理器的神经网络诊断方法有更高的故障识别率，可以准确、有效地识别滚动轴承的工作状态和故障类型。     

基于EMD和神经网络的轮轨故障噪声诊断识别方法研究

针对轮轨故障噪声信号非平稳性特征,提出一种基于经验模式分解(Empirical Mode Decomposition,EMD)与神经网络的轮轨故障诊断方法。该方法首先对轮轨噪声信号进行经验模式分解,信号分解为若干个基本模式分量(Intrinsic Mode Function,IMF)之和,再选取若干个包含主要故障信息的IMF分量,提取各分量的能量与峭度特征,对各分量的峭度特征综合得到多尺度峭度特征,然后将各分量能量特征与多尺度峭度特征作为神经网络的输入来识别轮轨故障的类型。对车轮扁疤、钢轨波浪磨耗和正常状态的分析结果表明,以EMD方法提取特征参数的神经网络诊断方法比以小波包方法提取特征参数的神经网络诊断方法具有更高的故障识别率。该方法能够对轮轨故障类型进行准确、有效地分类识别。     

基于EMD的奇异值分解技术在滚动轴承故障诊断中的应用

针对滚动轴承故障振动信号的非平稳特征,提出了一种基于经验模态分解(EmpiricalModeDecomposition,简称EMD)和奇异值分解技术的滚动轴承故障诊断方法。该方法首先采用EMD方法将滚动轴承振动信号分解为多个平稳的内禀分量(IntrinsicModefunction,简称IMF)之和,并形成初始特征向量矩阵。然后对初始特征向量矩阵进行奇异值分解得到矩阵的奇异值,将其作为滚动轴承振动信号的故障特征向量,并输入神经网络来识别滚动轴承的工作状态和故障类型。实验分析结果表明,本文方法能有效地应用于滚动轴承故障诊断。     

基于EMD与GA-PLS的特征选择算法及应用

针对振动信号非平稳性和特征优化选择的问题,提出一种基于EMD和GA-PLS的特征选择算法。在该算法中,首先,采用EMD方法将振动信号分解成多个固有模态函数(Intrinsic Mode Function, IMF),对IMF分量建立自回归（AR）模型,以AR模型系数和残差作为初始特征向量,然后,遗传算法与偏最小二乘法相结合(GA-PLS)的算法对初始特征向量进行筛选得到新的特征向量,最后,以新的特征向量为输入,建立分类器,用来识别手动换向阀的工作状态和判断故障类型。实验结果表明,采用该特征选择算法能准确地选择出特征,并能应用于手动换向阀的故障诊断     

基于EMD和分形盒维数的旋转机械耦合故障诊断方法研究

针对旋转机械耦合故障的诊断问题,提出一种基于EMD（Empirical Mode Decomposition）和分形盒维数的诊断方法。该方法结合EMD对非线性信号处理的自适应性和分形盒维数能对非线性行为定量描述的特点,先对故障信号进行EMD处理,得到含有故障特征的本征模式函数(Intrinsic Mode Function,简称IMF),然后求出各IMF的盒维数,通过盒维数的比较分析进行故障诊断。构造了含有裂纹-碰摩-松动耦合故障的转子-轴承系统动力学模型,用龙格库塔法求出故障模型振动信号。通过对耦合故障信号进行分析,得到耦合故障特征向量,并与传统的边界谱诊断方法比较,证明该方法对旋转机械耦合故障诊断的有效性和优越性。     

EMD近似熵结合支持向量机的心音信号识别研究

针对心音信号的非线性、非平稳特征和心音识别准确率不高且分类速度较慢的实际情况,提出一种经验模式分解(Empirical Mode Decomposition,EMD)近似熵(Approximate Entropy,ApEn)结合支持向量机(Support Vector Machine,SVM)的心音分类识别方法。首先通过EMD方法将非平稳的心音振动信号分解成若干个平稳的固有模态函数(Intrinsic Mode Function,IMF);然后利用互相关系数准则对IMF进行筛选,计算所筛选IMF的近似熵构成特征向量;最后将特征向量输入SVM分类器进行分类识别。对临床采集的心音样本按本文提出的方法进行测试,结果表明,该方法能有效地用于心音识别。     

基于EMD的多尺度形态学解调方法及其在机械故障诊断中的应用

为从机械故障信号中提取包含故障信息的特征频率,提出了基于EMD的多尺度形态学解调方法,该方法首先采用EMD方法将故障信号分解为有限个IMF分量,从中选取包含故障主要信息的IMF分量求和重构信号,再进行多尺度形态学解调,从而提取机械故障特征频率信息。将该方法用于滚动轴承、齿轮的故障诊断中,并与Hilbert包络方法比较,结果表明该方法能更好地提取故障特征频率,且对含噪故障信号也有较好的分析效果。     

电机转子振动信号故障特征提取方法

电机振动信号具有非平稳、非线性特性,在进行时频域特征提取时需要人工确定时间窗口和基函数。针对该问题,提出一种基于EEMD(Ensemble Empirical Mode Decomposition)分解和权重熵变换的特征提取方法。该方法应用EEMD进行自适应分解,同时提取IMF(Intrinsic Mode Function)方差作为初始特征值,并提出将权重熵作为衡量特征值重要性的标准,通过权重熵对原始特征值进行空间变换,扩大特征向量间的差异。为验证该方法的有效性和优越性,对4 种状态下的电机转子进行振动信号采集,用于制作转子故障数据集,并运用EEMD进行特征提取。实验结果表明,基于EEMD分解和权重熵变换的特征提取方法能够更好地从振动信号中提取特征向量,在对电机进行故障诊断时具有更高的准确性。     

基于峭度与IMF能量融合特征和LS-SVM的齿轮故障诊断研究

针对齿轮振动信号非线性非平稳特性,为避免传统时频方法在表征设备状态时的不足,提出一种基于融合峭度与IMF能量特征和LS-SVM的齿轮故障诊断方法。首先,对齿轮振动信号在EMD分解;然后,提取包含主要故障信息的IMF分量的峭度特征和能量特征,组成融合特征向量;最后,将齿轮正常、齿根裂纹、断齿3种状态下的融合特征向量输入到LS-SVM,通过训练好的LS-SVM对齿轮状态进行分类识别。仿真实验结果表明:该方法能准确识别齿轮的工作状态,且与BP神经网络、SVM相比,有着更高的故障识别效率,可用于齿轮信号的故障诊断。     

基于多重调谐质量阻尼器的滚珠丝杠副横向振动控制

为克服滚珠丝杠副动态特性随螺母沿丝杠运动不断变化,导致丝杠振动难以控制问题,提出采用多重调谐质量阻尼器对滚珠丝杠副横向振动进行控制。建立含多重调谐质量阻尼器的滚珠丝杠副在螺母及两端轴承处弹性支撑条件的动力学模型,获得不同螺母运动、受动态工作负载激励时丝杠横向振动频率响应函数。以不同螺母位置丝杠横向振动频率响应函数幅值最大值最小化为优化目标,获得多重调谐质量阻尼器最佳动力参数。仿真计算结果表明,采用多重调谐质量阻尼器进行丝杠横向振动控制,其效果及鲁棒性显著。     

基于变分模态分解和多尺度排列熵的滚动轴承故障诊断

针对滚动轴承故障振动信号非平稳性、故障特征提取效果不理想以及故障诊断准确性低等问题,提出基于变分模态分解和多尺度排列熵的滚动轴承故障特征提取方法,并采用经粒子群算法优化的概率神经网络(PSO-PNN)故障诊断模型进行故障类型识别。通过变分模态分解方法将提取的振动信号分解成K个模态分量,进一步计算K个分量的多尺度排列熵,组成多尺度的特征向量,将特征向量输入到PSO-PNN故障诊断模型中识别故障类型。MATLAB仿真结果表明,该方法使故障类型识别准确率有所提高。     

基于变分模态分解奇异值熵的滚动轴承微弱故障辨识方法

针对滚动轴承微弱故障难以识别的问题,提出一种基于变分模态分解(Variational Mode Decomposition,VMD)与奇异值熵融合的滚动轴承微弱故障辨识方法。该方法对滚动轴承的振动信号进行VMD分解获得4个本征模态函数(Intrinsic Mode Function,IMF),并根据一种均方差-欧氏距离指标选择出含丰富故障信息的IMF分量进行信号重构;对重构信号进行奇异值分解获得奇异值对角阵,进而结合信息熵理论求取对角阵的奇异值熵;利用奇异值熵的大小区分滚动轴承的工作状态和故障类型。用美国西储大学的滚动轴承振动信号对所述方法进行验证的结果表明:相比传统EMD奇异值熵故障诊断方法,该方法能够更清晰地划分出滚动轴承微弱故障的类别区间,有助于实现微弱故障类型的准确辨识,为滚动轴承微弱故障诊断提供了一种可靠的评估依据。     

基于参数优化VMD和增强多尺度排列熵的单向阀故障诊断

针对高压隔膜泵机械结构复杂,单向阀故障特征信息分布在多尺度上,单一尺度难以全面提取特征的问题,提出了一种基于参数优化变分模态分解(Variational Mode Decomposition,VMD)和增强多尺度排列熵(Enhanced Multi-scale Permutation Entropy,EMPE)的单向阀故障诊断方法。对单向阀振动信号进行VMD分解,以包络熵最小原则对其进行参数优化,获得既定的若干本征模态函数(Intrinsic Mode Function,IMF)分量;计算IMF分量的增强多尺度排列熵,构建故障特征值向量;利用基于变量预测模型的模式识别(Variable Predictive Model Based Class Discriminate,VPMCD)方法对故障特征值向量进行训练和识别,进而实现单向阀的故障诊断。仿真信号和工程实验分析表明,该方法可以准确地识别单向阀的故障类型,具有一定的可靠性和工程应用价值。     

特征模态函数双谱分析在叶片裂纹识别中的应用

针对叶片裂纹故障振动信号特征,提出特征模态函数的双谱分析法,首先利用经验模态分解(Empirical Mode Decomposition,EMD)对振动信号进行自适应滤波分解,产生一系列不同时间尺度的特征模态函数(Intrinsic Mode Function,IMF),然后对含有高频信号的高阶IMF分量进行重构,利用双谱提取叶片裂纹的振动信号特征。通过仿真信号和实验分析,验证叶片裂纹产生的高频冲击对叶片振动信号高频部分双谱的影响,证明IMF分量双谱分析的有效性,为风电叶片正常状态监测提供依据。     

基于变分模态分解和排列熵的滚动轴承故障诊断EI北大核心CSCD

滚动轴承早期故障信号特征微弱且难以提取,为了从轴承振动信号中提取特征参数用于轴承故障诊断和识别,提出基于变分模态分解(Variational Mode Decomposition,VMD)和排列熵(Permutation Entropy,PE)的信号特征提取方法,并采用支持向量机(Support Vector Machine,SVM)进行故障识别。对轴承振动信号进行变分模态分解,得到不同尺度的本征模态函数;计算各本征模态函数的排列熵,组成多尺度的复杂性度量特征向量;将高维特征向量输入基于支持向量基建立的分类器进行故障识别分类。通过滚动轴承实验数据分析了算法中参数选取问题,将该方法应用于滚动轴承实验数据,并与集合经验模态分解和小波包分解进行对比,分析结果表明,基于变分模态分解和排列熵的诊断方法有更高的诊断准确率,能够有效实现滚动轴承的故障诊断。     

基于变分模态分解和排列熵的滚动轴承故障诊断

滚动轴承早期故障信号特征微弱且难以提取,为了从轴承振动信号中提取特征参数用于轴承故障诊断和识别,提出基于变分模态分解(Variational Mode Decomposition,VMD)和排列熵(Permutation Entropy,PE)的信号特征提取方法,并采用支持向量机(Support Vector Machine,SVM)进行故障识别。对轴承振动信号进行变分模态分解,得到不同尺度的本征模态函数;计算各本征模态函数的排列熵,组成多尺度的复杂性度量特征向量;将高维特征向量输入基于支持向量基建立的分类器进行故障识别分类。通过滚动轴承实验数据分析了算法中参数选取问题,将该方法应用于滚动轴承实验数据,并与集合经验模态分解和小波包分解进行对比,分析结果表明,基于变分模态分解和排列熵的诊断方法有更高的诊断准确率,能够有效实现滚动轴承的故障诊断。