基于粒子群优化的共振稀疏分解在轴承故障诊断中的应用

共振稀疏分解是振动信号中脉冲成分提取的方法。与基于频率的信号处理方法不同,该方法同时参考频率和带宽两个因素,从而在分离信号不同成分的过程中能够很好处理信号不同成分的重叠问题。然而共振稀疏分解的分解效果受到品质因子Q、权重系数A以及拉格朗日乘子u的主观选择影响,针对此问题,将粒子群优化算法(Particle Swarm Optimization,PSO)应用到参数的选取中,通过粒子群优化算法的全局优化特点对实验参数进行自适应选取,进而实现振动信号的有效分解。将基于粒子群优化算法的共振稀疏分解应用到轴承故障信号的诊断中,证实了该方法的有效性。     

基于自适应字典压缩感知的欠定工作模态参数识别

针对基于稀疏成分分析和正交基压缩感知的欠定工作模态参数识别方法准确率低、鲁棒性差的问题,提出一种基于自适应字典压缩感知的欠定工作模态参数识别方法。所提方法在模态振型估计的基础上利用自适应字典压缩感知重构模态坐标响应。在压缩感知框架下,首先,所提方法利用滤波分离的方法构造字典学习的训练样本;然后,使用基于K均值奇异值分解的字典学习方法和层次耦合字典训练策略生成自适应字典,实现了无监督的字典学习;最后,利用正交匹配追踪算法得到稀疏系数分量,进而恢复源信号重构模态坐标响应。在压缩感知框架下,所提方法利用K均值奇异值分解算法学习得到的自适应字典,对于信号的分解比傅里叶基或离散余弦基等正交基具有更强的稀疏表示能力。在5自由度的仿真数据集下的欠定工作模态参数识别的结果表明,所提方法比稀疏成分分析、正交基压缩感知等方法具有更好的识别精度和鲁棒性。     

基于短时信号重构与K-SVD特征提取算法

以故障信号局部包含信息的差异性为基础,通过短时奇异值分解算法来提取淹没与背景噪声中的故障冲击成分。再结合K-SVD稀疏分解训练算法,提出1种自适应学习字典构建方法,可以有效的自适应表征滚动轴承的故障信号。仿真和试验结果分析论证表明,该故障特征提取技术较常规稀疏匹配算法具更好的识别和提取冲击故障特征能力,有助于实现滚动轴承故障智能诊断。     

基于PSO-VMD-MCKD方法的风机轴承微弱故障诊断

针对风机滚动轴承微弱故障信号所具有的非线性和非平稳特征及易被强背景噪声掩盖的特点,提出了一种变分模态分解(variational modal decomposition,简称VMD)和最大相关峭度解卷积(maximum correlated kurtosis deconvolution,简称MCKD)相结合的滚动轴承微弱故障诊断方法。为实现VMD和MCKD的参数自适应选择,采用粒子群优化算法(particle swarm optimization,简称PSO),对两种算法中的参数进行优化。首先,利用PSO优化VMD算法中的α和K,再基于VMD对微弱故障信号分解后的结果,选取最优模态分量;其次,利用PSO优化MCKD算法中的L和T,再基于MCKD算法加强最优分量信号中的故障冲击成分;最后,通过包络谱提取出轴承微弱故障特征。仿真和试验均表明,此方法能够自适应增强轴承微弱故障中的冲击成分,有效提取出被强噪声淹没的轴承微弱故障特征。     

可变负载的准零刚度隔振器特性

针对风机滚动轴承微弱故障信号所具有的非线性和非平稳特征及易被强背景噪声掩盖的特点，提出了一种变分模态分解(variational modal decomposition, 简称VMD)和最大相关峭度解卷积(maximum correlated kurtosis deconvolution, 简称MCKD)相结合的滚动轴承微弱故障诊断方法。为实现VMD和MCKD的参数自适应选择，采用粒子群优化算法(particle swarm optimization, 简称PSO)，对两种算法中的参数进行优化。首先，利用PSO优化VMD算法中的α和K，再基于VMD对微弱故障信号分解后的结果，选取最优模态分量；其次，利用PSO优化MCKD算法中的L和T，再基于MCKD算法加强最优分量信号中的故障冲击成分；最后，通过包络谱提取出轴承微弱故障特征。仿真和试验均表明，此方法能够自适应增强轴承微弱故障中的冲击成分，有效提取出被强噪声淹没的轴承微弱故障特征。     

滚动轴承自适应特征提取的包络谱多点峭度多级降噪方法

滚动轴承故障信号主要包含高品质因子振动分量和低品质因子瞬态冲击分量。采用多点最优最小熵解卷积方法初步削弱传输路径等干扰影响,使微弱瞬态冲击成分得到初步增强,然后针对共振稀疏分解(RSSD)方法存在的品质因子选择困难问题,同时考虑包络谱中故障频率成分的严格周期性,提出包络谱多点峭度(ESMK)概念并将其作为优化指标,采用粒子群优化算法(PSO)对品质因子进行选择,得到一种自适应稀疏分解方法（PSO-RSSD）用于瞬态冲击信号的提取,以消除信号中高幅值干扰冲击和背景噪声的影响。轴承仿真与实测信号分析结果表明,与最小熵解卷积信号共振稀疏分解方法相比,在强冲击干扰下ESMK能够有效度量周期性瞬态冲击,PSO-RSSD方法能自适应分离最优低品质共振分量,验证了该方法的有效性和优越性。     

一种用于磨粒识别的基于改进PSO 算法的支持向量机模型

为提高磨粒智能识别的准确率,以传统支持向量机和粒子群优化(PSO)算法为基础,提出一种基于改进PSO算法的支持向量机(SVM)识别模型。该识别模型的惩罚参数和核函数参数可同时得到最佳优化,从而可建立模型参数最优的自适应SVM识别模型。采用该识别模型对油液中的磨粒进行智能识别,结果表明该模型识别准确率高达98%,明显优于BP神经网络模型。     

参数自适应TVF-EMD的滚动轴承故障诊断

针对目前出现的时变滤波经验模式分解(TVF-EMD)在滚动轴承故障特征提取中参数选择难的问题,提出了一种参数自适应TVF-EMD方法。首先利用粒子群优化(PSO)算法对TVF-EMD影响最大的参数组合进行优化,获得最佳的参数组合,并对故障信号进行TVF-EMD分解。然后筛选经分解故障信号获得的敏感固有模态函数(IMF),并进行包络解调运算。最后根据包络谱判断滚动轴承的故障。分别利用TVF-EMD、集合经验模式分解(EEMD)和变分模态分解(VMD)方法对仿真信号进行分析,表明TVF-EMD方法具有更优越的分解性能。利用参数自适应TVF-EMD方法对滚动轴承故障信号进行分析,表明参数自适应TVF-EMD方法可有效识别滚动轴承故障。     

基于总体局域均值分解及稀疏表示分类的天然气管道泄漏孔径识别

针对天然气管道泄漏受孔径、传感器距离、管道内压力等多种因素影响,特征提取及识别算法较为复杂的问题,提出了基于总体局域均值分解-相对熵的特征提取算法并结合稀疏表示分类的泄漏孔径识别新方法。该方法采用总体局域均值分解方法对泄漏信号进行自适应分解,得到不同孔径泄漏信号的特征信息,并根据KL散度选择包含主要泄漏信息的PF分量,在此基础上提取多种时频特征参数,获取全面准确表征泄漏信号的特征向量;针对小样本复杂信号的分类,提出稀疏表示分类器实现泄漏孔径准确分类。该分类器采用过完备字典求得测试信号的最稀疏解,并以此解作为测试信号的稀疏重构系数,以获取测试信号在不同类别中的重构信号,最终通过判断测试信号与重构信号的残差值大小完成泄漏孔径分类。实验结果表明,所提出的算法比传统的SVM及BP分类算法识别准确率高。     

基于稀疏分解的轴承声阵列信号特征提取

利用滚动轴承运行时的异常声响来识别轴承故障,搭建了轴承声阵列信号故障诊断实验平台。针对轴承声信号信噪比差、成分复杂、故障特征不明显的特点,提出一种基于稀疏分解的轴承传声器阵列信号特征提取方法。利用全息面有效声压场及其投影图对实验设备进行噪声源识别与定位,通过coif4小波字典和局部余弦字典构建冗余字典,采用稀疏分解提取热点噪声源声信号的冲击特征。仿真和实际声信号的处理结果表明,该方法准确提取了不同转速下声信号中的故障特征频率,证明了利用声阵列信号对轴承进行故障识别的有效性和可靠性。     

基于自适应优化变分模态分解的起重机故障诊断

变分模态分解方法是近年来常用于起重机声发射信号故障识别的一种信号处理技术。然而,变分模态分解参数即模数k和二次惩罚因子α的选择仍具挑战,即如何获得最相关、包含降噪后的故障信息合适的分解模态。因此,文中提出了一种以旗鱼优化算法和基尼系数为准则的框架,对每个故障信号自适应地选择最优的变分模态分解参数。利用实际工程中起重机重要部件采集的声发射信号对所提方法的有效性进行验证,并根据最大基尼系数自动提取了包含故障信息的最合适模式。结果表明,与传统的局部均值分解和集成经验模态分解相比,所提方法在提取故障特征和排除噪声影响方面具有较高的精度和效率。     

基于最优 IMF 分量和 K-SVD 的滚动轴承故障声音信号特征提取

针对滚动轴承声音信号中周期性冲击故障特征难提取的问题,提出了基于最优 IMF 分量与 K-SVD 字典学习相结合的轴承故障特征提取方法。首先,利用 VMD 分解原始信号获得一系列 IMF 分量;其次,利用 SAF 指标自适应选取最优 IMF 分量,并作为训练信号;最后,利用 K-SVD 字典学习方法训练出字典库,通过正交匹配追踪算法( OMP )对原始信号处理得到稀疏信号,并对稀疏信号进行包络谱分析。仿真及实验结果表明,对比传统 K-SVD 字典学习方法,该方法得到的稀疏信号信噪比( SNR )更高,能更准确地提取滚动轴承周期性冲击,增强了轴承故障特征。     

手指肌电信号稀疏分解重构与活动段特征提取研究

针对传统信号处理方法在非平稳信号处理中的局限性问题,对稀疏分解思想和自适应过完备原子库进行了研究,提出了将稀疏分解思想应用到表面肌电信号处理中的方法。采用数据分割的方式,对原始信号进行了预处理。在正交匹配追踪算法的基础上,利用K均值-奇异值分解(K-SVD)算法构造了自适应过完备原子库,对分割后的各个样本块分别进行了稀疏分解,将其多维特征重构为一维稀疏系数。同时,以便于实际应用与连续控制为原则,对每个样本块的稀疏系数进行了重组,用单个特征值表征了样本块的多维特征。数据分析结果表明,重构后的一维稀疏系数可以保留四维原始信号的绝大部分能量,而重组后的特征值可以准确反映原始信号活动段的变化。     

非平稳背景噪声下声音信号增强技术

在电力电缆故障精确定位中声磁同步法由于具有精度高与抗干扰能力强的优点而得到广泛的应用,但放电声音信号的有效检测是其难点。由于小波包变换在检测正常信号中是否含有瞬态异常现象方面具有独特的优势,自适应滤波器具有对信号和噪声的先验知识需求少的特性以及遗传算法具有不依赖于具体问题的优点,提出了一种基于小波包变换分解信号、自适应滤波估计噪声与遗传算法寻优重构相结合的声音信号增强算法。实验研究表明,该算法精确性高、鲁棒性强,尤其适用于电缆故障点放电声不明显时声音信号提取的情况,从而解决了电缆故障精确定位中对背景噪声要求高、识别范围小的问题。     

阔叶材原木声信号特征提取及内部缺陷检测

阔叶材原木质量精准检测可实现木材的高效利用和利润最大化,然而因声信号特征参数提取原理及参数与木材性 质对应机理不同,致使分析结果存在差异。 基于此,提出一种改进型粒子群优化-变分模态分解( IPSO-VMD) 的特征参数提 取及缺陷检测方法。 通过对缺陷信号稀疏特征分析,将最小平均包络熵确定为 PSO 优化 VMD 的适应度函数,实现对最优参 数(K,α)的搜索,并通过改进惯性权值及学习因子,加快 PSO 搜索速度并实现全局最优解。 基于边际谱及频带能量率实现 对 IPSO-VMD 有效子模的选取,并将其频带分布及能量率作为表征缺陷信号的特征参数,实现对阔叶材原木内部质量的精准 检测。 实际锯切结果表明,IPSO-VMD 方法对原木主要缺陷类型和主次的预测准确率分别达 88. 6% 和 72. 7% ,且对全局参数 无法识别的缺陷同样有效。 新特征参数的有效性可为后续融合多参数特征,构建人工智能识别系统,实现原木质量精准检 测提供可靠依据。     

基于改进多元经验模态分解的多通道振动信号融合分析

振动信号是机械故障诊断的主要信号之一,单一信号获取信息量有限,抗干扰能力较差,多通道数据比单通道数据获得了更完善的机械健康状态。本文提出了一种自适应噪声辅助多元经验模态分解方法实现多通道振动信号的同步分析。在多通道信号的基础上添加两个噪声辅助通道,以原始信号多通道加权正交指数最小为目标,通过自适应权重粒子群算法搜索最优K(投影向量个数),α_1,α_2(两个辅助噪声通道的噪声强度)最优参数组合,实现多通道自适应同步分析。改进的方法提高了分解精度,有效抑制模态混叠。仿真实验和工程案例验证了该方法的有效性,与经验模态分解和多元经验模态分解相比,自适应噪声辅助多元经验模态分解方法提高了分解精度,能准确地提取旋转机械故障频率。     

最优品质因子信号共振稀疏分解的往复压缩机故障诊断

针对往复压缩机振动信息干扰耦合,振动信号非平稳、非线性的特性,提出了最优品质因子信号共振稀疏分解的往复压缩机故障诊断方法。该方法以信号共振稀疏分解得到的低共振分量峭度最大为目标,利用遗传算法与粒子群算法结合的混合算法对品质因子进行优化,得到最优品质因子;然后利用最优品质因子对往复压缩机振动信号进行信号共振稀疏分解,提取故障信息。实验及结果表明,该方法在往复压缩机轴承故障诊断方面效果显著。     

基于字典学习和稀疏编码的振动信号去噪技术

针对现有机械振动信号去噪算法需要一定先验知识的问题,提出了一种基于字典学习和稀疏编码的自适应去噪滤波方法。根据信号的本质特性,应用在线字典学习方法对原始数据进行学习和训练,寻求数据驱动的最优字典空间。引入正交匹配追踪算法,确定原始信号在最优字典空间上的稀疏表示。基于稀疏编码和优化字典,重构原始信号,实现信号去噪。仿真和试验结果表明,相对于现有去噪方法,基于字典学习和稀疏编码的方法自适应能力强,去噪效果好。     

CEEMDAN与参数优化多尺度排列熵结合的滚动轴承早期故障诊断

针对滚动轴承的早期故障特征微弱的特点，提出了自适应噪声完备集合经验模态分解（CEEMDAN）与多尺度排列熵（MPE）结合提取故障特征，采用支持向量机（SVM）进行故障状态判别的滚动轴承早期故障诊断方法。利用CEEMDAN将信号分解为若干分量，计算各分量与原信号的相关系数，将大于相关系数阈值的分量重构，对MPE的参数运用PSO算法寻优，计算重构后的信号的MPE值并作为故障特征向量，使用SVM对故障状态进行识别。将该方法运用于XJTU-SY滚动轴承加速寿命试验数据集，并与MPE参数未优化以及未CEEMDAN分解且MPE参数未优化得到的MPE值作为特征向量SVM进行识别的结果进行对比，结果表明本文所提方法的故障识别率分别提高了10.71%和14.28%。     

改进的共振稀疏分解方法及其在滚动轴承复合故障诊断中的应用

滚动轴承复合故障信号中各故障特征受到传输路径和其他干扰源的影响,在多缺陷共存条件下提取单个缺陷诱发的故障特征存在困难。提出一种基于双参数优化、子带重构改进的共振稀疏分解(RSSD)滚动轴承复合故障诊断方法：首先利用人工鱼群算法自适应选择RSSD的品质因子和分解层数以构造与故障特征匹配的最优小波基,获得包含瞬态冲击的低共振分量;然后依据提出的子带筛选准则选择并重构低共振分量中包含瞬态冲击成分的最佳子带;最后通过多点最优最小熵反卷积（MOMEDA）方法识别并提取重构信号中周期性故障冲击。仿真信号和轴承全寿命周期复合故障信号分析结果表明,与RSSD-MCKD方法相比,所提出方法能有效提取复合故障信号中各故障特征,精确实现轴承复合故障诊断。