变分模态分解消噪与核模糊C均值聚类相结合的滚动轴承故障识别方法

提出了一种变分模态分解消噪与核模糊C均值聚类相结合的滚动轴承故障识别方法。首先,对实测振动信号进行处理,得到VMD的参数;然后,对信号进行VMD分解,得到一系列限带内禀模态函数(BIMF)分量,筛选并叠加组成重构信号;第三步,计算重构信号的样本熵和均方根值作为特征向量,从而得到训练样本和测试样本的特征向量集;第四步,通过KFCM聚类方法对训练样本特征向量集进行聚类分析,得到四种类型信号的聚类中心;最后根据测试样本特征向量与训练样本聚类中心欧式距离最小的原则识别故障类型。此外,将振动信号用经验模态分解(EMD)方法进行消噪,再用KFCM聚类进行分类识别,将两种方法的识别效果进行对比,结果表明所提方法的故障识别效果要优于EMD消噪和KFCM聚类相结合方法的识别效果。     

基于经验模态分解、多尺度熵算法和支持向量机的滚动轴承故障诊断方法

针对滚动轴承振动信号的低信噪比、高复杂性及非平稳特性,提出基于经验模态分解、多尺度熵算法与支持向量机的故障诊断方法。对振动信号通过小波包降噪提高信噪比,然后利用经验模态分解得到多个本征模态函数分量,选择与降噪信号强相关的本征模态函数分量计算其多尺度样本熵,确认能区分故障类型的最佳尺度。将这一尺度下相应分量的样本熵作为特征向量,经过归一化处理后输入支持向量机进行故障分类。试验结果表明在小样本条件下可以准确识别滚动轴承故障类型,为滚动轴承的故障识别提供了一种高效诊断方法。     

基于HMM和CS-VMD的滚动轴承故障诊断

针对滚动轴承故障信号非线性和非平稳的特点,为准确识别滚动轴承的故障类型,提出了一种基于隐马尔可夫模型(HMM)并利用布谷鸟搜索(CS)优化变分模态分解(VMD)的滚动轴承故障诊断新方法。首先,利用CS分别优化VMD的模态分解个数K和二次惩罚因子α;然后,设置寻优得到的最佳参数组合,将故障信号经VMD分解为一系列本征模态函数分量(IMFs);最后,依据相关系数重构信号,并从重构信号中提取特征向量输入HMM模型中训练及识别。通过对实验采集的轴承故障振动信号的分析,验证了此方法的有效性和准确性。     

变分模态分解和相关系数联合算法在管道泄漏检测中的应用

针对变分模态分解(Variational Mode Decomposition)算法存在难以选取预设尺度K和分解后的有效IMF分量的问题,提出了一种VMD和相关系数联合准则的方法,并将其用于检测管道泄漏信号。首先,通过VMD算法将原始信号分解成具有不同特征时间尺度的固有模态函数(Intrinsic Mode Function),然后利用相关系数法选取预设尺度K和包含故障信息最丰富的IMF分量,最后,对选取的有效IMF分量进行信号重构。试验结果表明,通过VMD和相关系数联合算法可以准确选取出预设尺度K并能得到有效的IMF分量,从而提高了管道泄漏检测的精度。     

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-MDE和ELM的柱塞泵微弱故障诊断

针对早期微弱故障信号易受噪声干扰、难以提取和识别的问题,提出一种基于变分模态分解(variational mode decomposition,简称VMD)多尺度散布熵(multiscale dispersion entropy,简称MDE)和极限学习机(extreme learning machine,简称ELM)的柱塞泵微弱故障诊断方法。首先,采集各状态的振动信号进行VMD分解,得到若干模态分量,根据各模态分量Hilbert包络谱中特征频率能量贡献率大小,提出以归一化特征能量占比(feature energy ratio,简称FER)为重构准则的变分模态分解特征能量重构法(variational mode decomposition feature-energyreconsitution,简称VMDF),对各模态分量进行信号重构;其次,计算重构信号的MDE,对各尺度散布熵进行分析,选择有效尺度散布熵作为特征向量;最后,将提取的特征向量输入ELM完成故障模式识别。柱塞泵不同程度滑靴端面磨损故障的实验结果表明,该方法不仅提高了模式识别效率,还可以更好地反映故障程度变化规律,具有较好的应用性。     

变分模态分解与神经网络结合的轴承故障诊断

故障信号特征提取的准确性是保证故障智能诊断识别率的关键因素。低信噪比情况下,故障诊断效果下降。变分模态分解方法(VMD)在信号分解精度和抗噪方面具有明显优势。在分析VMD抗噪性能的基础上,提出以VMD分解的各模态能量作为智能诊断特征信息,并与小波包的特征信息进行对比研究。将滚动轴承两种故障特征信息通过BP神经网络识别,用不同信噪比的加噪故障信号进行测试,结果表明,在低信噪比情况下基于VMD模态能量的故障特征更具有可识别性。     

基于VMD和MED的滚动轴承微弱故障特征提取

针对强噪声环境下滚动轴承故障特征信息非常微弱且难以提取的问题,提出基于变分模态分解(Variational Mode Decomposition,VMD)和最小熵解卷积(Minimum Entropy Deconvolution,MED)的滚动轴承微弱故障特征提取方法。基于VMD和MED的滚动轴承微弱故障特征提取方法首先采用VMD对滚动轴承故障信号进行分解,得到多个模态分量,由于噪声的干扰,很难从各个模态分量中提取有效的故障特征信息;然后根据相关系数准则,选取与原始信号相关系数较大的模态分量进行重构,再对重构后的信号进行MED降噪处理;最后对降噪处理后的信号进行Hilbert包络解调,从得出的包络谱中即可准确地提取到故障特征信息。轴承故障实验信号处理结果表明,该方法可以有效地降低噪声的影响,精确地提取滚动轴承微弱的故障特征信息。     

基于自适应局部迭代滤波和模糊C均值聚类的滚动轴承故障诊断方法

为准确提取滚动轴承振动信号的故障特征,并对不同状态信号进行划分,提出了一种基于自适应局部迭代滤波(ALIF)和模糊C均值(KFCM)聚类的滚动轴承故障诊断方法。首先,将多模态信号自适应分解为多阶单一模态分量;然后,结合相关系数提取出含有最多故障特征信息的最优分量,计算其近似熵值并构建特征向量矩阵;最后,将得到的特征向量输入KFCM得到聚类结果。试验结果表明,与基于EMD,EEMD和KFCM聚类,以及ALIF和FCM聚类的方法相比,ALIF和KFCM方法的分类系数更接近1,平均模糊熵更接近0,聚类效果更好,对滚动轴承各类故障信号具有很高的识别度和良好的分类效果。     

基于VMD和对称差分能量算子解调的滚动轴承故障诊断方法

针对滚动轴承早期故障振动信号非平稳、强噪声,故障频率难提取的问题,提出了基于变分模态分解(Variational Mode Decomposition,VMD)和对称差分能量算子解调的滚动轴承故障诊断方法。首先,利用VMD方法将滚动轴承待分析信号分解成若干个模态分量;其次,根据峭度最大准则来选取被对称差分能量算子解调的模态分量,解调后获取待分析信号的幅值、频率信息并计算包络谱。实验结果表明:与传统能量算子相比,所提方法能突显故障特征频率并有效抑制虚假干扰频率,更有利于滚动轴承故障诊断。     

基于k值优化VMD的滚动轴承故障诊断方法

针对旋转机械中滚动轴承早期信噪比较低的故障特征提取困难问题,提出了一种基于能量的变分模式分解(variational mode decomposition,简称VMD)模态数k优化选取方法,用以提取滚动轴承早期故障特征,同时避免了信号分解过分或不足。首先,对振动信号进行VMD预分解,分别在不同k值条件下计算分量信号能量与原始信号总能量;其次,根据基于能量的模态数k选取准则,确定最佳模态数值对信号进行VMD分解;最后,通过峭度准则选择分量进行信号重构,对其进行包络分析,提取故障特征频率。将该方法运用到实际故障信号中,有效提取出滚动轴承内圈微弱故障特征,实现了早期故障特征判别,具有一定的应用价值和实际意义。     

盲VMD-Cepstral在轴承故障诊断中的应用

针对滚动轴承早期故障诊断困难的问题,从经验模态分解(empirical mode decomposition,简称EMD)以及包络谱出发,为解决EMD抗噪效果较差、具有端点效应等局限性,提出了盲变分模态分解(variational modal decomposition,简称VMD)-主成分分析(principal component analysis,简称PCA)-包络谱熵结合倒谱包络的轴承故障诊断方法。首先,对滚动轴承的振动信号进行了变分模态分解;其次,对分解得到的分量进行PCA去相关处理;然后,对分量计算包络谱熵,选择熵值小于其平均值的分量进行信号重构;最后,对重构的信号进行倒谱包络分析。实验结果表明,该方法能有效地提取出滚动轴承的故障频率,从而判断出滚动轴承的损伤位置,并且具有良好的抗噪能力。     

基于小波改进阈值去噪与EMD的滚动轴承故障诊断研究

针对传统阈值去噪方法在处理轴承故障信号时存在的不足,提出了基于小波改进阈值去噪与经验模态分解(Empirical Mode Decomposition,EMD)的滚动轴承故障信号的分析方法。为改善小波去噪产生的信号振荡和失真问题,构造了适用于滚动轴承振动信号的非线性阈值函数,并将其用为滚动轴承故障信号的噪声过滤器。采用经验模态分解将去噪后的信号分解成若干固有模态函数(Intrinsic Mode Function,IMF),并用统计分析的方法提取出谱峭度值、各固有模态函数与去噪信号之间的互相关系数最大的分量。最后,为了在频域内提取到故障特征频率,对抽取到的固有模态分量进行包络分析。仿真数据分析和模拟实验数据分析表明,所提方法可有效地提取轴承故障特征频率,实现轴承的故障诊断。     

基于CEEMDAN-DRT的滚动轴承故障诊断方法研究

针对滚动轴承故障信息不易提取的特性,提出了完全集合经验模态分解(CEEMDAN)自适应消噪和共振解调技术(DRT)相结合的故障诊断方法。首先,利用CEEMDAN自适应地将信号分解成多个分量,通过互相关系数方法进行重构以达到消噪的目的;然后,对重构的信号进行谱峭度分析,得到冲击成分所在的频带,并据此设计带通滤波器对重构信号进行滤波处理;最后,对滤波后的信号进行Hilbert包络谱分析,提取冲击成分的频率,并与滚动轴承故障特征频率对比,进行故障模式识别。通过动力学仿真和滚动轴承实验对该方法进行了有效性论证。结果表明,该方法可以有效识别滚动轴承的故障信息。     

基于EMD复杂度特征和SVM的轴承故障诊断研究

针对滚动轴承振动信号的非平稳特性和在现实条件下难以获取大量故障样本的实际情况,提出一种经验模态分解、复杂度测量分析和支持向量机相结合的故障诊断方法.运用经验模态分解方法对其去噪信号进行分析,利用互相关系数准则对固有模式分量进行筛选,再计算所选分量的复杂度以组成故障特征向量,并将其作为支持向量机的输入以识别滚动轴承的故障...     

基于变分模态分解和多尺度排列熵的故障诊断

为稳定提取滚动轴承故障特征,提出一种基于变分模态分解和多尺度排列熵的故障特征提取方法,并采用GK模糊聚类对轴承故障进行识别分类。首先对滚动轴承振动信号进行变分模态分解,得到包含故障特征信息的模态分量;进而利用多尺度排列熵量化各模态分量的故障特征,取各模态分量多尺度排列熵的平均值作为特征向量;最后通过GK模糊聚类分析获得故障样本的标准聚类中心,采用欧式贴近度进行故障识别分类。将所提方法应用于滚动轴承实验数据,通过分类系数与平均模糊熵对分类效果进行检验,并与经验模态分解多尺度排列熵结合GK模糊聚类的方法进行对比,结果表明,所提方法具有更好的分类性能,其故障诊断精度更高。     

最大相关峭度反褶积与傅里叶分解方法相结合的滚动轴承故障诊断

针对强背景噪声环境下滚动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反褶积(MCKD)与傅里叶分解方法(FDM)相结合的滚动轴承故障诊断方法。首先采用MCKD对振动信号去噪、提取与故障相关的冲击成分;其次,采用FDM对去噪信号进行分解,得到若干个瞬时频率具有物理意义的傅里叶固有频带函数和一个残余分量之和;第三,依据各个模态与去噪信号的相关性提取包含故障信息的最优模态分量,并对它们进行重构;最后,计算重构信号的包络谱,从谱图中读取故障信息。将所提故障诊断方法应用于滚动轴承故障仿真和实验数据分析,并通过与现有方法进行对比,结果表明,该方法优于所对比的方法。     

基于MRSVD能量特征和KFCM的齿轮箱复合故障诊断

针对齿轮箱复合故障信号成分复杂和故障特征难以识别的问题,提出基于多分辨奇异值分解(MRSVD)能量特征和模糊核聚类(KFCM)的齿轮箱复合故障诊断方法。首先,采集齿轮箱不同工况下的振动信号,通过进行MRSVD分解得到1个相似信号和5个细节信号;然后,提取6个分量信号的能量特征并进行归一化处理,得其能量相对值;最后,使用KFCM进行故障诊断。实验结果表明,MRSVD能量特征提取方法可有效提取齿轮箱复合故障特征,且KFCM可准确诊断齿轮箱复合故障。     

基于ISSA-VMD的滚动轴承早期故障诊断方法

针对滚动轴承早期信号微弱导致故障特征难以提取和故障诊断准确率不高的问题,提出了一种基于改进麻雀搜索算法-变分模态分解(ISSA-VMD)和样本熵(SE)的滚动轴承早期故障特征提取方法。首先,在轴承早期故障诊断过程中,模态分解个数和惩罚因子的选择对变分模态分解(VMD)的分解效果有着很大的影响,为消除人为选择参数的影响,将麻雀搜索算法(SSA)优化为改进麻雀搜索算法(ISSA),利用ISSA参数优化后的VMD方法对信号进行了分解;然后,计算了敏感固有模态函数(IMF)分量的样本熵,构成了特征向量;最后,将特征向量作为支持向量机(SVM)的输入,进行了滚动轴承早期故障类型的识别。研究结果表明：ISSA-VMD+样本熵特征提取模型的故障诊断准确率为98.3%,与SSA-VMD+样本熵、灰狼优化算法(GWO)-VMD+样本熵、鲸鱼优化算法(WOA)-VMD+样本熵、传统VMD+样本熵、经验模态分解(EMD)+样本熵等特征提取模型相比,故障诊断准确率分别提高了3.3%、6.6%、5%、3.3%、5%;该模型可以准确地提取故障特征,提高故障诊断准确率。