基于变分模态分解云模型和优化LSSVM的汽轮机振动故障诊断

针对汽轮机运行过程中的非平稳性和多分量性振动故障信号,提出一种基于变分模态分解相对熵云模型和优化最小二乘支持向量机(LSSVM)的汽轮机振动故障诊断方法。首先,利用变分模态分解按照预设尺度将故障信号分解为K个模态分量,根据各模态分量与原始信号的相对熵大小去除伪分量,提取最佳分量并将其输入云模型,采用逆向云发生器提取特征向量。然后使用改进果蝇优化算法动态调整搜索步长搜寻影响LSSVM识别精度的超参数最佳组合,最后将特征向量输入参数优化后的LSSVM进行故障识别,并与采用经验模态分解相对熵云模型和集合经验模态分解相对熵云模型的LSSVM识别结果进行了对比。结果表明:所提方法优于传统的信号分解方法,对汽轮机振动故障类别具有很高的识别准确率。     

基于AVMD和WDK的风电齿轮箱轴承复合故障诊断方法研究

针对强背景噪声下轴承微弱复合故障特征提取困难的问题,提出一种基于自适应变分模态分解（AVMD）和优化的Wasserstein距离指标（WDK）的风电齿轮箱轴承复合故障诊断方法。首先,引入自适应学习粒子群优化算法（ALPSO）,以平均包络熵作为ALPSO的适应度函数来搜索变分模态分解的最佳影响参数,从而构造AVMD;其次,结合Wasserstein距离（WD）和峭度优点,提出WDK指标筛选有效模态分量,并对筛选的有效模态分量进行重构;然后,通过对重构信号进行包络谱分析实现轴承复合故障的诊断;最后,将所提AVMD-WDK方法应用于某风场2 MW风电齿轮箱轴承振动信号的故障诊断。结果表明,该方法能有效提取轴承的微弱故障特征,实现轴承复合故障的精确诊断。     

基于参数优化VMD和散布熵的高压油泵故障诊断

针对现有基于时域特征的高压油泵故障诊断准确率低的问题,笔者提出一种参数优化变分模态分解(VMD)算法和散布熵的特征提取方法,并采用支持向量机(SVM)进行故障诊断．首先,基于对高压油泵工作原理及典型故障的分析,利用AMESim平台搭建高压油泵仿真模型进行故障模拟和信号采集．然后,针对VMD效果受限于分解个数和惩罚因子选取的问题,采用改进灰狼优化(IGWO)算法对VMD进行参数寻优．通过计算各模态的散布熵值形成故障特征向量,最后,采用SVM对故障特征向量进行训练和诊断,实现高压油泵的故障诊断．该方法的故障诊断准确率可达到95%以上,能有效地实现高压油泵故障诊断．     

基于阶次解调谱的滚动轴承故障诊断方法

针对变转速工况下滚动轴承的故障诊断问题,提出一种基于阶次解调谱的故障诊断方法。该方法先利用线调频小波路径追踪算法提取转速信号,并根据转速信号对轴承振动信号进行角域重采样,将时域非平稳信号转化为角域平稳信号。然后对角域平稳信号进行变分模态分解(variational mode decomposition,VMD)得到若干本征模态函数分量(intrinsic mode function,IMF),并利用峭度指标筛选出敏感IMF分量,最后对敏感IMF进行Hilbert变换获得其阶次解调谱,通过提取阶次解调谱中的故障特征阶次来识别轴承故障。仿真和实验分析结果表明,该方法成功提取出故障特征阶次,可实现变转速工况下滚动轴承故障的有效诊断。     

基于MEEMD和KFCM的风机齿轮箱故障诊断

针对风机齿轮箱振动信号的故障特征提取与故障诊断问题,文章提出了一种基于MEEMD信号分解、样本熵和KFCM的齿轮箱故障诊断方法。首先,采用一种改进的集合经验模态分解方法(MEEMD)对采集的齿轮箱振动信号进行分解,得到了多个本征模态函数(IMF)分量;然后,计算每个IMF分量的样本熵作为齿轮箱故障诊断的特征向量;最后,使用核化的模糊聚类算法(KFCM)对齿轮箱故障样本进行聚类。通过实验数据对比表明:基于MEEMD-KFCM算法的风机齿轮箱故障诊断方法可以更加有效地识别齿轮箱故障。     

基于EWT-MDS的风力机轴承劣化趋势识别及故障诊断

为解决风力机轴承劣化趋势识别精度低与早期故障诊断困难问题,提出一种基于经验小波分解和多维尺度变换的EWT-MDS方法。该方法首先将轴承全生命周期振动信号进行经验小波自适应分解,以信息熵为指标定量分析各模态分量的变化特点,然后结合多维尺度变换算法获取高维空间中各劣化表征分量的协同变化规律,与常规方法相比在检测效率和精度上有较大提升。仿真和实验结果表明该方法可提前检测轴承异常状态节点,通过轴承劣化表征模态分量时域重构,结合频谱和包络谱可准确判别轴承早期故障类型。     

基于VMD-CNN的水电机组故障诊断

为提高水电机组故障诊断精度,减少在振动信号特征选取过程中对专业经验的依赖,提出了一种融合变分模态分解和卷积神经网络的故障诊断方法。首先对水电机组振动信号进行变分模态分解得到若干分量,并利用这些分量构造时间图,然后搭建深度卷积神经网络对时间图进行特征提取和故障识别,建立分量和故障状态的映射关系。以实测水电机组轴向振动信号进行应用检验,并采用多组对比试验,结果表明该方法与其他方法相比故障识别准确率更高。研究成果为水电机组智能故障诊断提供了新思路。     

基于优化VMD复合多尺度散布熵及LSTM的风力发电机齿轮箱故障诊断方法研究

以风力发电机齿轮箱加速度信号为研究对象,提出一种数据驱动的风力发电机齿轮箱故障诊断方法,该方法以灰狼优化的变分模态分解方法（AGWO-VMD）、复合多尺度规范化散布熵（NCMDE）及长短期记忆网络（LSTM）为基础,实现齿轮箱故障的快速诊断。首先将时域信号转换至角域;然后通过AGWO-VMD方法对角域信号进行自适应分解,并采用NCMDE算法提取分解后及原始信号中的故障特征构成特征向量;最后利用LSTM模型对特征向量进行智能识别与分类。对实际采集的6种故障齿轮信号进行测试与验证,试验结果表明该方法能快速有效区分齿轮故障类型。     

基于IMF-MFDE和GRU的水电机组故障诊断

针对水电机组振动信号非平稳、非线性及强噪声的特点,提出了一种IMF多尺度波动散布熵(MFDE)结合门控循环单元(GRU)的故障诊断方法。首先,采用跳蛛优化算法(JSOA)寻找变分模态分解(VMD)最优参数,达到振动信号最佳分解降噪效果;其次,对分解得到的本征模态函数(IMF)进行重构,计算有效IMF的多尺度波动散布熵(MFDE)作为故障特征向量;最后,将特征向量输入GRU构建水电机组故障识别器。所提方法对实际水电站机组故障样本数据的故障识别率达97.83%,验证了该方法的有效性。     

互补集合经验模式分解与奇异值能量谱在风电齿轮故障识别中的应用

针对风电机组齿轮系统故障模式的有效识别问题,提出一种互补集合经验模式分解(CEEMD)与奇异值能量谱相结合的故障识别方法。利用CEEMD将齿轮非平稳信号分解为有限个平稳的本征模态函数,并将其组成初始特征向量矩阵,对矩阵进行奇异值分解并求出风电齿轮不同工况下的奇异值能量谱分布,以奇异值能量谱为元素构造特征向量,通过计算不同工况振动信号的灰色关联度来判断齿轮的故障类型。实例表明,该方法能有效应用于风电机组齿轮系统的故障诊断。     

HHT与RBF神经网络在离心泵故障振动信号处理中的应用

根据离心泵故障振动信号的特点,提出了一种Hilbert-Huang变换(HHT)和径向基(RBF)神经网络相结合的离心泵振动信号故障诊断新方法。首先,将离心泵振动信号时间序列数据经验模态分解(Empirical Mode Decomposition,简称EMD),然后经过Hilbert-Huang变换获得各模态(Intrinsic Mode Functions,简称IMF)的能量,并以“能量比”为元素,利用能量比构造离心泵振动信号的特征向量可以很好刻画不同振动故障信息;应用RBF神经网络建立了从特征向量到故障模式之间的映射实现故障的诊断,对于离心泵的正常状态、质量不平衡、转子不对中和基础松动故障具有很高的诊断率。实验研究结果表明,该方法可以有效地对离心泵振动信号进行诊断。     

风力机齿轮箱振动信号分解方法研究

基于风力机齿轮箱振动信号显著的非线性及非平稳性,分别采用集合经验模态分解(EE-MD)、固有时间尺度分解(ITD)和经验小波变换(EWT)分解方法对齿轮箱振动信号进行处理,求取各分解方法分量信息熵并构成特征向量,然后作为支持向量机(SVM)模型的输入进行故障识别及分类.结果表明:EWT能较好地提取振动信号中的冲击成分;ITD在3种分解方法中诊断准确率最高且最稳定,最利于风力机齿轮箱故障诊断.     

基于VMD-SVM的小电流接地系统故障选线方法

针对现有小电流系统发生单相接地故障时的选线问题,提出基于变分模态分解与鲸鱼群算法优化支持向量机（VMD-WOA-SVM）的选线方法。首先获取各出线故障前后的零序电流,利用变分模态分解得到包含不同分量的3种IMFs,并对其进行hilbert变换得到能量频谱分析;然后通过计算能量熵得到特征向量;最后建立SVM分类器,输入特征向量,得到训练、测试选线结果。仿真结果表明该文所提选线模型的准确率达到98.889%。     

海鸥算法优化DBN的光伏逆变器故障诊断方法北大核心CSCD

光伏逆变器开路故障种类较多且特征相似,因此故障诊断准确率不高。文章将自适应噪声完备经验模态分解和改进深度置信网络相结合,提出一种新型的故障诊断方法。该方法首先分析光伏逆变器的拓扑结构和工作原理,定义不同的开路故障类型;其次,采用自适应噪声完备经验模态分解和相关系数-能量值准则,筛选敏感本征模态函数(Intrinsic Mode Functions,IMF)分量,并通过希尔伯特变换求取各IMF分量包络谱,构造IMF分量、包络谱的能量和能量熵作为高维故障特征向量;最后,以训练集预测误差为适应度函数,采用海鸥算法(Seagull Optimization Algorithm,SOA)优化改进深度置信网络中的隐含层神经元数量和反向微调学习率两个重要参数,将多特征融合向量输入到SOA-DBN模型中,完成逆变器开关器件故障辨识。仿真和实验表明,与传统模型相比,文章所提的方法具有更好的诊断效果。     

基于变分模态分解和交叉小波变换的柴油机失火故障诊断

针对强噪声干扰下柴油机失火故障难以诊断的问题,提出一种基于变分模态分解(variational mode decomposition,VMD)与交叉小波变换(cross wavelet transform,XWT)的柴油机失火故障诊断方法。该方法首先通过VMD将缸盖振动信号进行分解、自适应消噪及信号重构,再利用XWT对任意两个连续工作循环信号进行时频相关分析,进一步消除振动信号中的干扰噪声以提取柴油机燃烧特征,最后通过计算时频空间各缸能量占比进行柴油机失火故障诊断。通过对仿真信号分析及柴油机失火故障诊断,结果表明:该方法可以消除强噪声干扰,提取柴油机燃烧周期瞬态振动冲击特征,有效地识别柴油机失火故障。     

基于SVD和SSA-VMD降噪的轴承故障特征提取

针对强噪声背景下轴承故障特征提取困难的问题，提出一种基于奇异值分解和参数优化变分模态分解联合降噪的轴承故障特征提取方法(SSVMD)：首先，对原始信号进行奇异值分解(Singular Value Decomposition，SVD)处理，运用奇异值差分谱法选取有效奇异值并将原始信号重构得到初步降噪信号；其次，为防止故障信息丢失，将残余信号进行麻雀算法(Sparrow Search Algorithm，SSA)优化的变分模态分解(Variational Mode Decomposition，VMD）算法处理，得到最佳的模态个数K和惩罚参数α，选取峭度值最大、包络熵最小的IMF分量与初步降噪信号叠加得到最终降噪信号，并对信号进行包络分析；最后，通过仿真和试验数据分析得出，该方法能在信噪比很低的情况下降低噪声含量并提取轴承故障特征，为设备的状态监测和故障诊断提供理论依据。     

基于最大相关峭度解卷积和变分模态分解的风电机组轴承故障诊断方法

针对风电机组轴承故障特征难以提取的问题,提出一种基于最大相关峭度解卷积(maximum correlatedkurtosis deconvolution,MCKD)和变分模态分解(variational mode decomposition,VMD)的轴承故障诊断方法。首先利用MCKD算法对轴承振动信号进行降噪,然后对降噪后的信号进行VMD分解,并利用峭度指标筛选出敏感本征模态函数(intrinsic mode function,IMF),最后通过分析敏感IMF包络谱中幅值突出的频率成分判断故障类型。仿真和实验分析结果表明该方法可成功地提取出故障特征频率,实现风电机组轴承故障的有效诊断。     

汽轮机动静碰磨振动信号去噪方法分析研究

为确保汽轮机组故障诊断特征提取的准确性,由于现场实际振动信号掺有大量不确定噪声信号,针对现场采集的实际振动信号,进行分析去噪研究.采用小波分析、经验模态分解等方法进行分解去噪,并进行去噪对比.最后分析结果显示,基于集合经验模态分解(EEMD)的去噪方法,在对有突变故障的诊断信号自适应分解去噪弥补了经验模态分解和小波分解的缺陷,有较好的效果.     

大型机电设备故障信号实时采集方法研究仿真

大型机电设备工作环境复杂,故障频发,需要对故障信号进行实时采集和有效检测。传统方法采用时频分析的统计信号处理进行故障信号采集,对低信噪比的故障信号检测性能不好。提出一种基于非线性时间序列分析和相空间重构的大型机电设备故障信号实时采集方法,实现故障的检测和诊断。构建大型机电设备的故障数据检测模型,基于相空间重构分析的故障诊断方法,通过经验模态分解方法提取故障信号的特征信息,以此为数据基础建立智能专家系统,实现大型机电设备的故障诊断。在大型机电设备3种工况模式下测试大型机电设备的性能,得到信号采集时域波形,并进行相空间重构分析,实现故障分类诊断仿真,仿真实验表明,采用该方法进行故障信号的实时采集和故障诊断,故障分类性好,故障检测和诊断的效率较高。     

基于工况辨识和变分模态分解的风电机组滚动轴承故障诊断

针对风电机组运行工况变化导致滚动轴承故障分类性能降低的问题,采用模糊C均值聚类进行运行工况识别,在子工况下进行相应的滚动轴承故障诊断.提出了基于变分模态分解(VMD)、AR模型以及奇异值分解的特征提取方法,将滚动轴承振动信号分解成若干个模态,采用每个模态AR模型参数、模型方差以及模态矩阵的奇异值作为特征向量,建立欧氏距离判别函数,来识别滚动轴承状态和故障类型.结果表明:该方法可以成功提取滚动轴承故障特征信息并正确判断出滚动轴承故障类型,对工况变化有更强的适应能力.