基于VMD-Hilbert相对谱熵的轴承退化状态识别

为提高轴承退化状态识别的精度,文中提出了基于VMD-Hilbert相对谱熵的轴承退化状态识别方法.该方法首先是将变分模态分解(VMD)和Hilbert变换相结合,以此定义出VMD-Hilbert时频谱;其次,利用相对熵可以对信号的概率分布差异进行较好体现的特性,结合VMD-Hilbert时频谱,定义了 VMD-Hilbert相对奇异谱熵、相对频率能谱熵相对瞬时能谱熵、相对频率能谱熵等三个反映退化状态的特征,并通过仿真信号对上述特征的有效性进行了验证;最后,对实测轴承数据进行上述退化状态特征的提取并进行识别,识别结果表明该方法是有效的.     

轴承退化状态的LCD-Hilbert相对谱熵识别

为有效地对轴承退化状态进行识别,结合LCD分解和Hilbert变换定义了LCD-Hilbert时频谱,同时利用相对熵可以较好表征振动信号概率分布差异的特性,提出基于LCD-Hilbert相对谱熵的轴承退化特征提取方法。通过仿真信号对定义的LCD-Hilbert相对频率能谱熵、相对瞬时能谱熵和相对奇异谱熵的合理性和有效性进行了验证。将这3个特征指标组成退化特征,对实测轴承内圈和外圈故障模式下的不同程度故障振动信号进行了进一步分析,并通过支持向量机对轴承退化状态进行了识别,结果验证了所提方法的有效性。     

HHT相对谱熵及其在轴承退化状态识别中的应用

为有效地对轴承退化状态进行识别,对轴承退化特征提取方法进行了研究。基于HHT变换的非平稳信号分析能力和相对熵可以较好表征振动信号概率分布差异的特性,提出基于HHT相对谱熵的轴承退化特征提取方法。通过仿真信号对定义的HHT相对能谱熵(HREE)和HHT相对奇异谱熵(HRQE)的合理性和有效性进行了验证。将这两个特征指标组成退化特征,对实测轴承内圈和外圈故障模式下的不同程度故障振动信号进行了进一步分析,并通过相关向量机对轴承退化状态进行了识别,结果验证了所提方法的有效性。     

基于VMD与增强包络谱的轴承早期故障诊断方法

针对滚动轴承的早期故障信号容易受到噪声的干扰,造成信号的信噪比较低等问题,结合VMD和增强包络谱两种算法的优势,提出了一种基于遗传算法优化VMD与增强包络谱的轴承故障诊断方法。首先,使用包络熵与平方包络谱峭度的组合作为遗传算法的适应度函数,对变分模态分解的参数进行了寻优,得到了最优的模态分量个数和惩罚因子组合;然后,使用最优参数组合对轴承故障信号进行了变分模态分解,得到了若干模态分量,并选择了最小适应度值对应的最优模态分量;最后,为验证该方法的有效性,采用无刷直流电机轴承和全寿命加速退化轴承两种实测信号进行了轴承故障类型识别分析。研究结果表明：相比传统方法,采用基于VMD与增强包络谱的方法,其输出信噪比平均提升了5.94 dB,对于全寿命轴承退化数据可提前600 min识别出轴承的早期故障;该方法具有输出信噪比高、适应性好等优点,在轴承的微弱信号检测和早期故障识别方面具有较好的应用前景。     

基于VMD-SVM的滚动轴承退化状态识别

针对滚动轴承全寿命退化状态难以有效识别的问题,提出了一种基于变分模态分解(VMD)与支持向量机(SVM)相结合的滚动轴承退化状态识别方法。该方法先用包络熵确定VMD的最优分解层数,再根据峭度及相关系数准则选择VMD分解后的敏感本征模态分量(IMF),然后提取敏感IMF分量的时域指标和能量熵构成退化特征向量序列,最后随机抽取不同退化状态下的少量样本输入SVM模型训练,建立退化状态模型库,并用真实数据进行测试。实验结果表明该方法能够准确识别出轴承的退化状态,通过与EMD-SVM、EEMD-SVM模型对比,验证了该方法的优越性。     

基于多尺度形态学分解谱熵的电机轴承性能退化特征提取

结合数学形态学与信息熵理论,提出一种基于多尺度形态分解谱熵的电机轴承退化特征提取方法。对不同损伤程度轴承的振动信号进行多尺度形态分解,分别计算其在不同尺度域内的复杂性度量:能谱熵与奇异谱熵,以其作为预测特征矢量可以对性能退化趋势有很好的线性反映能力。仿真与实例数据验证了此方法的有效性。     

基于谱熵与弯曲时间特征的性能退化GG聚类

针对轴承等机械部件的退化状态识别问题,提出一种多维退化特征的退化状态GG聚类方法。首先分析谱熵参数在复杂性表征以及运算速度方面的优势,提出基于谱熵的性能退化特征。考虑退化状态在时间尺度的连续性,将时间参数映射到指数函数中,形成更符合性能退化规律的"弯曲时间参数",并与谱熵、有效值构成性能退化过程的三维特征向量。最后,采用GG模糊聚类方法对性能退化状态进行阶段划分,识别不同的退化状态。在分类系数和平均模糊熵的基础上,提出并采用序列离散度评估聚类的时间聚集度。采用来自IMS轴承实验中心的全寿命试验数据进行实例分析,结果表明:提出的三维特征向量既能反映性能退化趋势,又能体现同一状态在时间尺度上的连续性,能够较好地识别轴承性能退化过程的不同阶段。     

基于数学形态谱熵的机械部件性能退化特征提取

提出了基于数学形态谱熵的性能退化特征提取方法。首先对机械状态振动信号进行多尺度形态分解,建立数学形态谱,在此基础上,结合信息熵理论,度量振动信号在不同尺度域划分下的形态复杂性。实验结果表明,以数学形态谱熵作为特征参数,可以有效地描述轴承、齿轮等旋转机械部件的性能退化趋势。     

基于变分模态分解和极限学习机轴承寿命预测

提出了一种基于变分模态分解(VariationalModeDecomposition,VMD)谱熵和极限学习机(ExtremeLearningMachine,ELM)的轴承寿命预测方法。首先,对轴承的振动信号提取变分模态分解谱熵特征,组成表征轴承健康因子的时间序列。其次,对健康因子时间序列进行变分模态分解并提取时间序列的趋势项,ELM对趋势项预测实现对轴承剩余寿命的预测。实例验证,VMD-ELM模型的对轴承健康因子时间序列的预测有良好的精度,准确预测了轴承的劣化趋势和轴承的剩余寿命。     

基于熵值比-DTW度量奇异值相似度指标的滚动轴承退化历程辨识

针对滚动轴承健康状态监测现有退化指标单调性及鲁棒性差，且数据波动造成不同退化状态区分度低等问题，提出了一种基于熵值比-动态时间规整(DTW)度量的奇异值相似度指标并用于辨识滚动轴承不同退化历程。首先，利用奇异值分解(SVD)算法对不同时刻采集的轴承信号矩阵进行分解，将奇异值作为轴承退化特征；其次，基于DTW算法计算轴承连续退化奇异值时间序列的相似度，表征轴承的全寿命周期历程；最后，考虑到轴承不同退化状态的差异性，将熵值比作为权值对相似度指标进行优化，提高相似度退化指标的单调性及对早期异常点的敏感性。对IMS轴承全寿命周期数据的研究结果表明：奇异值相似度指标的单调性、鲁棒性及敏感性较好，可有效避免数据波动对轴承健康状态带来的干扰，能更准确地反映轴承全寿命退化历程。     

基于MED和变分模态分解的滚动轴承早期故障诊断方法

针对滚动轴承早期微弱故障特征容易淹没于环境噪声中而难以提取的问题,提出了最小熵解卷积(MED)降噪和变分模态分解(VMD)相结合的滚动轴承早期故障诊断方法。首先以峭度最大为准则利用MED对轴承振动信号进行降噪处理,然后采用新的高精度多分量信号分解方法——VMD将降噪信号分解为若干个分量,最后通过分析最大峭度分量包络谱中故障频率成分诊断轴承故障。轴承实验分析结果表明了该方法的有效性。     

基于二元多尺度熵的滚动轴承退化趋势预测

针对轴承振动信号随机噪声干扰大、多尺度熵表征轴承退化趋势偏差大的问题,提出了一种基于二元多尺度熵的滚动轴承退化趋势预测方法。首先对滚动轴承振动信号进行局部特征尺度分解,采用多元多尺度熵理论对二阶信号进行计算,提取了二元多尺度熵特征。然后采用互信息法和假近邻法对算法中的嵌入维数和延迟向量等参数进行了优化。最后采用极限学习机预测模型对二元多尺度熵退化趋势曲线进行预测,并对比了不同激活函数的预测性能。结果表明,相对于传统多尺度熵,二元多尺度熵偏差较小;激活函数为sigmoid时极限学习机模型预测精确度较高。     

基于EEMD样本熵的电机轴承电流信号复杂性评估

电机轴承损伤会导致电机定子电流产生相应的电流谐波,电流谐波频率包含轴承故障特征频率。为了有效评估定子电流信号的复杂性（即电流谐波出现概率）,采用总体平均经验模态分解（EEMD）结合样本熵来实现。该方法先用EEMD将定子电流信号分解为若干个内禀模态分量,再计算分量的样本熵。通过比较得出在评估损伤轴承定子电流信号复杂性时EEMD样本熵的效果较样本熵更好,并且EEMD样本熵增大一减小一增大的变化趋势与轴承损伤逐渐加大时定子电流的变化趋势一致。根据上述结论该方法可应用于封闭结构中电机轴承运行状态的监测和预判,也可以作为智能故障识别的信号源。     

基于改进VMD算法的液压泵寿命状态检测方法

为掌握液压泵全寿命周期健康状态,提出一种基于改进VMD算法的液压泵寿命状态检测方法。针对变分模态分解中难以确定分解层数和分解带宽的问题,引入萤火虫算法对VMD初始参数组合进行优化,通过仿真分析验证该方法的有效性。开展液压泵加速寿命试验,提取液压泵不同寿命阶段出口压力脉动信号,应用改进VMD算法进行分解,计算各IMF分量的能量占比、IMF重构信号的能量熵及时域指标作为12维状态特征样本库,建立结构为12-20-5的DBN神经网络进行液压泵寿命状态识别。分析结果表明,该方法在泵全部寿命阶段均能保证较高的识别准确率,平均准确率达到97.4%,为液压泵寿命状态检测提供了新的方法。     

基于DE-VMD和GMDE的往复压缩机轴承间隙故障诊断方法

针对往复压缩机轴承间隙故障特征提取困难、识别准确率不高等问题,提出了差分进化算法优化变分模态分解方法和广义多尺度散布熵相结合的往复压缩机间隙故障诊断方法。首先,采用差分进化算法对变分模态分解算法的两个核心参数进行了优化,并利用优化后的变分模态分解方法对轴承间隙振动信号进行了信号分解和重构处理;然后,研究了多尺度散布熵的粗粒化过程,通过将方差粗粒化代替均值粗粒化,进行了多尺度处理,构建了广义多尺度散布熵算法,利用广义多尺度散布熵算法对重构信号进行了故障特征提取分析;最后,设计了核极限学习机模型对故障特征向量集进行了分类识别,完成了往复压缩机轴承间隙不同故障状态的智能诊断研究。研究结果表明,该故障诊断方法的识别准确率高达97%,高效地实现了轴承不同种类故障的智能诊断目的。     

基于AO-VMD的往复压缩机故障特征提取方法

采用原始VMD方法对往复压缩机故障进行诊断时,往复压缩机易损部件的振动信号存在非平稳、非线性这一问题,为此,提出了一种使用天鹰算法(AO),以各分量样本熵的最小值作为适应度函数,对变分模态分解(VMD)进行优化分解的往复压缩机故障特征提取方法。首先,对往复压缩机滑动轴承的故障进行了分析,对其不同状态下的振动信号进行了分析处理;然后,先使用小波消噪对振动信号进行了消噪处理,再分别使用原始VMD和AO-VMD新型分解方法对其进行了处理,并得到了BLIMF分量;最后,计算两种分解方法中各分量的多尺度样本熵(MSE)值,对不同状态的多尺度样本熵值进行了对比分析,从而实现了对往复压缩机各类故障的诊断。研究结果表明：AO-VMD方法利用AO强大的快速搜索和开发能力后,故障分类性能明显优于原始VMD分解方法,各类故障信号多尺度样本熵值区分明显;其省时方面效果显著,基于遗传算法优化VMD方法分解耗时427 s,而AO-VMD方法仅需165 s,满足故障诊断分解方法要求。     

基于VMD-VGG的滚动轴承故障诊断

针对滚动轴承信号重构误差大,信号来源复杂等问题,提出了变分模态分解(VMD)算法与VGG神经网络相结合的滚动轴承故障诊断方法。首先,为避免VMD在工程应用中人为参数设置不合理导致的模态混叠等现象,提出应用中心频率计算分离系数,选取最佳模态个数的策略;然后,对VMD分解后各模态分量的能量熵与频率峰值等进行数值分析,剔除能量熵较小的信号,并将各模态信号依据频率峰值进行重构,得到故障特征向量;最后,构建VGG故障诊断模型,实现滚动轴承的故障分类。轴承振动信号与电动机定子电流信号对所提方法的验证结果表明,VMD-VGG方法可以有效分解这2种故障信号,而且具有较高的故障识别精度。     

基于VMD和自适应谱线增强技术的滚动轴承故障诊断

为了在噪声干扰下准确提取滚动轴承振动信号的故障特征,提出了一种将变分模态分解与自适应谱线增强技术相结合的轴承故障特征频率提取方法。首先采用VMD对原始振动信号进行分解和重构,然后通过自适应谱线增强技术对重构信号进行降噪处理,最后对降噪信号进行包络解调分析得到故障特征频率。利用滚动轴承仿真信号和实测信号检验了所提出的方法,并与VMD及小波分析+ALE方法进行对比分析,结果表明,VMD+ALE方法的滤波效果及检测精度更好,能够更加有效的提取轴承故障特征。     

基于LCD信息熵特征和SVM的机械故障诊断

提出了一种基于局部特征尺度分解(LCD)信息熵特征和支持向量机(SVM)相结合的机械故障诊断方法。首先采用LCD对振动信号进行分解,得到若干个具有物理意义的内禀尺度分量(ISC);结合信息熵理论,从时域、频域和时频域3个角度分别定义了时域奇异谱熵、频域功率谱熵以及时频域的特征空间熵、边际谱熵和瞬时能量熵,并将这些熵值组成特征向量;最后通过SVM对特征向量进行分类识别。轴承故障诊断的实例表明,基于LCD信息熵特征和SVM相结合的方法能够准确地对轴承故障信号进行识别,并且效果要好于EMD信息熵特征和SVM结合的方法。     

ITD-多尺度熵和ELM的风电轴承健康状态识别

对风力发电机机组的运行状况进行实时监测,并识别其健康状态,是保证机组正常运行的关键,为此提出一种固有时间尺度分解(Intrinsic time-scale decomposition,ITD)-多尺度熵(Multiscale entropy,MSE)的振动信号分析方法,对振动信号进行预处理,提取重构信号时域特征,并结合极限学习机(Extreme learning machine,ELM)对风电轴承健康状态进行识别。首先采用ITD方法对风电轴承的振动信号进行分解,得到一系列固有旋转分量,并计算其多尺度熵值,以多尺度熵值大小为依据,选取固有旋转分量并进行信号重构。计算重构信号的均方根值、峭度值、峰值因子与峰峰值,并将其作为特征指标值,建立ELM识别模型,识别风电轴承的健康状态。风电轴承试验结果表明,本文模型可以准确识别风电轴承健康状态。