基于EEMD多维特征的旋转机械故障识别方法研究

为有效诊断旋转机械故障,提出基于集合经验模态分解（EEMD）的多维特征提取故障诊断识别方法。利用EEMD将原始振动信号分解为若干个本征模态函数（IMF）,分别计算原始信号和IMF分量的时域指标;将时域指标进行奇异值分解,得到奇异值特征向量,计算原始信号频率带能量比和IMF分量能量比;将IMF分量能量比、奇异值特征向量、频率带能量比组合为故障特征向量,作为神经网络的输入,对转子的工作状态进行诊断识别。结果表明：多维特征向量的识别效果优于EEMD能量特征,能更充分反映出转子的故障特征。     

基于多尺度解调谱熵的轴承故障特征提取方法

为了解决直驱风力发电机主轴轴承故障诊断问题,针对实际工程中振动信号的复杂特性,提出了一种基于改进经验模态分解(EMD)的多尺度解调谱熵的特征提取算法。多尺度解调谱熵利用EMD自适应分解特性与信息熵融合,首先对轴承振动信号进行EMD分解,将得到的各阶固有模态函数(IMF)分量进行Teager能量算子解调,获得不同频段的解调信号;其次,对各解调信号构造能量矩阵,并进行奇异值分解求取解调谱熵作为特征向量,从而实现对信号的多分辨率分析;最后,通过支持向量机(SVM)对实例数据进行故障分类实验,实现了较高的分类准确率,证明了该方法对于轴承故障诊断的有效性。     

基于改进HFHA EMD和双相关系数准则的液压泵特征提取方法研究

为了更有效地提取液压泵振动信号的特征,提出基于改进高频谐波加入-经验模态分解(High Frequency Harmonic Added-Empirical Mode Decomposition,HFHA-EMD)和双相关系数准则的液压泵特征提取方法。该方法首先采用幅值更大的高频谐波加入到振动信号进行EMD分解,得到一组本征模函数(Intrinsic Mode Function,IMF);然后计算各IMF分别与高频谐波和振动信号的相关系数,选取符合条件的IMF重构振动信号;再对重构信号进行包络解调,得到包络谱;最后,以包络谱各频带能量占总能量的百分比构造液压泵振动信号的特征向量,结合支持向量机判断液压泵的运行状态.实验结果表明,改进HFHA-EMD有效抑制了模态混叠现象;同时,双相关系数准则准确去除了与故障无关而保留了与故障相关的IMF,为液压泵特征提取打下坚实的基础。     

基于PSO优化SVM数控机床主轴系统故障诊断的研究

通过分析主轴系统的故障特征和产生机理,提出了一种基于变分模态分解(VMD)与多尺度加权排列熵(MWPE)的故障特征提取方法和粒子群(PSO)优化支持向量机(SVM)的数控机床主轴系统故障分析诊断模型。首先,利用变分模态分解方法对所采集的主轴系统振动信号进行分解,得到若干有效本征模态分量(IMFs);其次,通过多尺度加权排列熵提取故障特征信息,利用SVM模型对故障特征信息进行分类与识别;为了提高模型的识别准确率,将引入粒子群优化算法(PSO)对SVM模型参数进行优化。实验验证表明,所提出的信号特征提取方法和状态识别模型在数控机床主轴系统的故障诊断方面取得了很好的成效,其故障识别准确率最高达99.56%。     

基于EMD-AR谱分析的数控机床主轴故障诊断方法研究

针对数控机床主轴系统经常出现的声音异响等故障,提出了一种基于经验模态分解(EMD)和AR(auto regressive)谱分析相结合的诊断方法。对主轴箱部位使用亿恒数据采集仪进行数据采集,将测量数据进行经验模态分解,提取几个各阶本征模态函数分量(IMF)最大幅值并求平均,选取平均后的幅值占总幅值中比例较大的几阶IMF,并进行自回归谱分析,通过试验测得测试机床主轴箱的主要频率值,并与希尔伯特边际谱及FFT进行对比。结果表明测试机床故障频率与电机轴频率吻合,是由于电机轴装配偏心造成;同时通过对比分析表明EMD-AR谱估计更能有效地提取故障频率。     

基于改进VMD形态谱和FCM的滚动轴承故障诊断方法

针对滚动轴承故障信号的非线性特性及不同故障类型信号具有不同形态特征的特点,提出一种基于改进变分模态分解（VMD）形态谱和模糊C均值聚类（FCM）算法相结合的故障诊断方法。采用VMD方法对滚动轴承振动信号进行分解,针对分解过程中关键参数的选取,提出相关参数选择方法,并计算各固有模态函数(IMF)的能量波动系数,以获得对信号特征信息敏感的模态分量进行重构。计算重构信号的形态谱以反映信号的形态特征。通过FCM算法实现滚动轴承工作状态和故障类型的诊断。运用该方法对实测滚动轴承振动信号进行分析,并将所提方法同基于原始振动信号、经验模态分解、总体经验模态分解形态谱的故障特征提取方法进行对比。结果表明：所提方法能够更加有效提取滚动轴承信号的故障特征,实现故障类型的准确诊断。     

基于EEMD-FSK的滚动轴承故障诊断

为了解决轴承故障特征提取中经验模态分解(EMD)出现的模态混叠现象,提出一种集合经验模态分解(EEMD)、快速谱峭度选频和共振解调技术相结合的滚动轴承故障诊断方法。对原始振动信号进行EEMD处理,分解为多个本征模态函数(IMF);将符合峭度准则的IMF分量筛选出来,对其进行信号重构,对重构信号进行快速谱峭度计算得出快速谱峭度图,从图中选出最优频带中心和带宽,确定FIR带通滤波器设计参数;最后通过共振解调技术对滤波信号进行包络分析,得出包络谱确定滚动轴承故障特征信息。通过滚动轴承实验分析,验证了此方法的可行性。     

基于经验小波变换和流形学习的滚动轴承故障诊断研究

针对振动信号的非线性、非平稳性和早期故障特征信号难以提取的特点,提出一种基于经验小波变换(EWT)和流形学习约简的故障特征提取方法。首先利用EWT将振动信号分解成不同特征时间尺度的单分量固有模态函数(IMF),然后从包含故障信息的IMFs中提取滚动轴承的时域统计特征、频域统计特征、AR模型自回归系数和功率谱熵,构造高维特征集;再利用线性局部切空间排列(LLTSA)流形学习算法将构造的高维特征集约简为故障区分度更好的低维特征集;最后利用支持向量机(SVM)对提取特征进行故障识别。实验结果表明该特征提取方法对滚动轴承故障诊断准确率更高。     

小波变换及Hilbert-Huang变换在转子系统故障诊断中的应用

在故障诊断中,通常由于背景噪声较大,故障特征值常常淹没在噪声中不易识别.采用小波变换实现振动信号的信噪分离,提取淹没在噪声中的早期故障特征信息,并对提纯的信号进行经验模态分解(EMD)而得到若干个固有模态函数(IMF),同时求得相应的Hilbert时频谱及边际谱,从中可以判断非平稳信号的故障类型.理论分析及试验结果表明,按此方法得到的各固有模态函数突显了转子的故障特征信息,能有效诊断出转子的早期故障.     

基于CEEMDAN和RCMDE的往复压缩机轴承故障诊断方法

针对往复压缩机振动加速度信号的非线性、非平稳等特性,提出一种基于自适应噪声完备集合经验模态分解(CEEMDAN)和精细复合多尺度散布熵(RCMDE)的往复压缩机轴承故障特征提取方法。采用CEEMDAN方法对信号进行分解时,通过不同的参数组合,可得到不同的IMF分量;计算不同参数条件下重构后的信号的峭度值,选用峭度值最大的一组参数重新对信号进行CEEMDAN分解,并进行信号重构。对重构后的信号进行RCMDE分析,提取故障特征向量,并利用支持向量机(SVM)进行分类识别。将优选参数的CEEMDAN分解方法和原CEEMDAN分解方法进行对比,结果表明:优选参数的CEEMDAN分解方法能更好地提取往复压缩机周期冲击性信号,有利于提高故障诊断的精确度。     

基于CEEMDAN能量熵和SVM的风电叶片缺陷检测

针对目前风电叶片缺陷特征提取的问题,提出了一种基于完全噪声辅助集总经验模态分解(CEEMDAN)和支持向量机(SVM)相结合的叶片缺陷诊断识别方法。通过对采集的声发射信号进行CEEMDAN,借助互相关系数筛选叶片缺陷的主要模态分量,然后构造主要模态分量的能量熵向量。为验证能量熵向量构造的可靠性,对叶片不同缺陷进行能量熵向量的支持向量机模式识别。结果表明,SVM模式识别准确率高达96.7%,说明基于CEEMDAN结合SVM的叶片缺陷识别方法能够实现叶片模拟缺陷的识别,为在役叶片缺陷的识别提供了一定的参考。     

基于CEEMD-MPE和ELM的齿轮箱故障诊断研究

考虑到齿轮箱振动信号存在非平稳性和非线性等特点导致故障特征提取困难的问题,提出了一种基于互补集合经验模态分解(CEEMD)和多尺度排列熵(MPE)相结合的故障特征提取方法。首先对齿轮箱振动信号进行互补集合经验模态分解,并根据相关系数原则对各模态分量进行筛选,再利用多尺度排列熵对筛选出的模态分量进行特征提取;最后将提取出的故障特征输入到极限学习机(ELM)中进行分类识别,并与传统的径向基(RBF)神经网络进行对比,实验结果表明:采用CEEMD和MPE相结合的办法能够有效提取齿轮箱振动信号的故障特征,极限学习机能够准确、快速地进行齿轮箱故障识别。     

基于EMD-HMM的机床刀具磨损故障诊断

针对机床刀具磨损故障诊断,提出基于经验模态分解（EMD）进行信号处理和基于隐马尔科夫模型（HMM）进行模式识别的刀具故障诊断方法。在信号处理阶段,对机加工过程中的振动信号进行经验模态分解,得到若干固有模态函数（IMF）,计算IMF的能量值并选用前几阶高能量的IMF作为识别参数。在模式识别阶段,先将训练样本使用HMM的基本方法进行模型训练获得HMMs,再使用测试样本进行模型准确性验证。完成验证的模型就可以表示该机床刀具磨损和机加工刀具信号的对应关系,可以应用到刀具磨损的监测识别中。     

基于VMD与发育网络的滚动轴承故障检测

针对传统的轴承故障诊断过于依赖专家经验和故障特征提取困难的现状,同时为了适应故障诊断的大数据处理及实时监测的需求,提出了一种基于变分模态分解(variational mode decomposition, VMD)与发育神经网络(developmental neural network, DNN)相结合的故障诊断方法。先将原始信号分组处理,再对分组后的信号进行VMD分解,得到若干个模态分量(IMF),根据相关系数对信号进行重构,随后提取重构信号的各个模态分量(IMF)的能量占比组成特征向量组,输入发育神经网络中进行训练和测试,进而对故障类型进行识别与分类,并与支持向量机(SVM)进行了对比。实验表明该方法的识别准确率可高达98.3%。     

基于EMD-HMM的机床刀具磨损故障诊断

针对机床刀具磨损故障诊断,提出基于经验模态分解(EMD)进行信号处理和基于隐马尔科夫模型(HMM)进行模式识别的刀具故障诊断方法。在信号处理阶段,对机加工过程中的振动信号进行经验模态分解,得到若干固有模态函数(IMF),计算IMF的能量值并选用前几阶高能量的IMF作为识别参数。在模式识别阶段,先将训练样本使用HMM的基本方法进行模型训练获得HMMs,再使用测试样本进行模型准确性验证。完成验证的模型就可以表示该机床刀具磨损和机加工刀具信号的对应关系,可以应用到刀具磨损的监测识别中。     

基于共振解调和小波包能量谱的声发射信号特征提取

将小波包能量谱分析和共振解调法相结合,应用于声发射信号的特征提取中。首先,将声发射信号进行小波包分解,得到若干个子频带;然后计算各个子频带所包含的能量,描述出各子频带能量占信号总能量百分比;再将其与正常声发射信号能量谱对比,分析出变化较为明显的子频带;最后运用共振解调技术,对该频带做Hilbert包络谱分析,得出信号特征。结果表明:该方法可以有效提取出声发射信号的特征,是声发射信号特征提取的一种新方法。     

基于自适应经验小波分解和深层Wasserstein网络的轴承工况识别

传统滚动轴承工况识别方法需要对采集到的轴承振动信号进行人工特征提取,提出一种基于自适应经验小波分解(adaptive empirical wavelet decomposition, AEWD)和深层Wasserstein网络(deep Wasserstein network, DWN)的工况识别方法。首先,改进经验小波分解频谱的分割方法,进而将滚动轴承振动信号自适应分解为本征模态分量;其次,筛选出最能反映轴承运行工况特征的分量并进行信号重构;最后,构造深层Wasserstein网络,将重构后的轴承振动信号输入DWN进行自动特征提取与工况识别。实验结果表明:AEWD结合DWN方法相比于其它深度学习方法在工况识别准确率方面更具优势。     

基于EMD和DHMM的刀具故障诊断

为了有效监测刀具的磨损状态,提出了一种基于经验模态分解(EMD)和离散隐马尔科夫模型(DHMM)的刀具故障诊断方法。首先对振动信号进行EMD分解,得到若干固有模态函数(IMF),选取前几个能量较大的IMF进行标量量化处理得到特征向量后,作为观测值序列输入已训练好的DHMM模型进行故障状态识别。此外,通过与支持向量机(SVM)故障诊断方法进行比较,结果表明,EMD-DHMM刀具故障方法能够更有效地识别刀具的故障状态。     

基于EMD和SVM的齿轮裂纹故障诊断研究

为了识别不同裂纹深度的故障齿轮，以齿轮传动系统中的直齿圆柱齿轮为研究对象，采集3个已预设不同裂纹深度的齿轮和1个无裂纹齿轮的振动信号。对采集到的振动信号先进行时频域分析和EMD分解，再提取不同维数的能量故障特征向量，采用基于径向基核函数的算法分别建立SVM模型并进行不同裂纹深度齿轮的识别和识别率比对。结果表明：选择合适维数的能量故障特征向量，结合EMD信号分解和SVM模式识别方法能准确识别不同裂纹深度齿轮的类型，为齿轮裂纹故障的早期诊断提供参考。     

数控机床刀具磨损状态特征参数提取

基于振动信号小波包分解理论对不平稳信号特征提取的优势,提出了一种利用振动信号的能量变化来监测刀具磨损状态的方法.该方法利用db4小波基对振动信号进行4层小波包分解,并将分解后的各频带能量值作为刀具磨损状态判断的特征参数.在新刀和刀具磨损的状态下提取特征向量,并根据频段能量的变化判断刀具磨损程度.试验结果证明该方法在刀具磨损状态判断中的可行性.