基于EEMD与模糊核聚类的供输弹系统早期故障识别

对于供输弹系统早期故障中信号成分复杂,潜在故障征兆难以识别的问题,本文提出了基于EEMD-KFCM的早期故障识别方法。首先用EEMD方法对供输弹系统振动信号进行分解,对分解的分量进行相关系数运算,选取与原始信号相关系数大的前4层分量对信号进行重构;接着提取前4层分量的能量百分比作为特征;最后基于核的模糊C均值聚类方法,对供输弹系统三种不同状态振动信号EEMD分解后的能量特征进行分类识别,并与模糊C均值聚类方法进行了对比。实验结果表明,该方法能有效地对自动供输弹系统早期故障进行识别,正确率达88.89%。     

基于MRSVD与Elman神经网络的供输弹系统早期故障识别

对于供输弹系统早期故障信息易湮没在强噪声中,潜在故障特征难以提取的问题,提出1种基于MRSVD与Elman神经网络的早期故障识别方法。供输弹系统振动信号经过预处理后采用双树复小波进行降噪,之后利用多分辨奇异值分解对降噪信号有效分解为若干分量,提取各分量的能量,归一化后将其作为特征值,运用Elman神经网络对供输弹系统早期故障有效识别。结果表明,该方法能有效识别供输弹系统早期故障,识别率为94.44%,证明该方法对自动供输弹系统早期故障识别的有效性。     

基于优化k值的VMD和矩阵分形的供输弹系统早期故障诊断

对于供输弹系统早期故障信号非线性、非平稳、故障信息易被湮没难以识别的问题,提出了基于优化k值的变分模态分解(VMD)和矩阵分形的早期故障识别方法。首先计算不同k值下相对能量比值μ的大小,选择与较小μ值对应的k作为分解层数并对分解结果进行检验;然后通过计算VMD分解后得到的各工况信号IMF的广义维数,构建每种工况的分形矩阵;最后计算样本信号与待测信号分形矩阵的相关系数,确定待测信号的工况。结果表明该方法能对供输弹系统早期故障进行有效识别。     

基于PCA-KLD的供输弹系统早期故障识别

对于供输弹系统早期故障中信号成分复杂,潜在故障征兆难以识别的问题,提出了1种基于PCA-KLD的早期故障识别方法。首先对正常工况构建PCA模型,将未知工况下所测得的数据代入到所构建的PCA模型中,得到各测点主成分数目,然后利用核密度估计可得概率密度函数,最后对每一主成分分别计算不同实验数据与参照工况(正常工况)间的KLD值,KLD值之间差异便可判断是否存在早期故障。实验结果表明,该方法能有效地对供输弹系统早期故障进行识别。     

基于信息熵与神经网络的供输弹系统早期故障诊断

对于供输弹系统早期故障信息微弱,难以识别诊断的问题,提出一种基于信息熵与Elman神经网络相结合的供输弹系统早期故障诊断的方法。通过合理布置测点采集供输弹系统振动信号,经自适应广义形态滤波后提取近似熵、样本熵为特征参量,分别运用Elman神经网络和BP神经网络对其识别。结果显示:该方法能有效对供输弹系统早期故障进行诊断,诊断正确率高达92.13%,且优于BP神经网络的诊断结果。文中所运用的方法在供输弹系统早期故障诊断中有良好的应用。     

基于ITD与PSO-SVM的供输弹系统故障诊断

针对采集的供输弹系统测试信号成分复杂,故障难以识别问题,提出一种基于固有时间尺度分解(ITD)与粒子群优化支持向量机(PSO-SVM)的供输弹系统故障诊断方法。首先在时域内使用ITD方法对信号进行分解,对分解产生的分量进行相关系数计算,然后选取与原始信号相关系数大的前5层分量进一步验证在频域内ITD方法的有效性,在频域内提取前5层分量的样本熵值,最后将提取的样本熵值用PSO-SVM对供输弹系统故障进行故障诊断,并与支持向量机(SVM)的诊断结果进行对比,结果表明:PSO-SVM相对于SVM可以提高故障诊断的正确率,正确率高达92.31%。     

基于EEMD与随机森林的的供输弹系统早期故障识别

对于供输弹系统早期采集的信号中成分复杂,故障特征难以识别及提取,提出了基于EEMD和随机森林相结合的的故障识别方法.首先对经过预处理的信号进行EEMD分解,对分解后的各个本征模态分量(IMF)求相关系数,选出与原信号较大的5个.结合信息熵和均方根构建每个IMF的混合特征向量,然后运用RF实现了故障的诊断识别,总体识别率达到94.57％,并与决策树的诊断结果进行了对比,证明了该方法的有效性.     

基于信息熵与信息融合的供输弹系统故障诊断研究

针对供输弹系统早期故障微弱特征难以提取等问题,提出了信息熵与信息融合的故障诊断方法。将经过降噪预处理后的信号提取样本熵作为特征参量,经Elman神经网络初步诊断,将其输出值归一化后作为证据体的基本概率分配,采用一种基于证据关联系数加权平均融合模型,最终得到决策级融合的诊断结果。结果表明:该方法能有效对供输弹系统故障进行诊断,诊断正确率高达93.71%。     

基于VMD多特征融合与PSO-SVM的滚动轴承故障诊断

滚动轴承处于早期故障阶段时,故障冲击特征成分难以提取,为了从轴承故障振动信号中提取特征参数,对轴承故障振动信号进行变分模态分解(Variational Mode Decomposition,VMD),得到若干个本征模态分量(IMFs),计算各个IMF的能量熵与样本熵,并利用主成分分析方法(PCA)对其进行特征融合。最后利用粒子群算法(PSO)优化的支持向量机(SVM)对融合特征进行故障模式识别。轴承故障实验分析结果表明,所提方法能够有效实现滚动轴承故障诊断。     

基于特征评估与核主分量分析的齿轮故障分类方法

针对无先验知识模式下机械故障特征的选择、融合存在盲目性、片面性,提出了一种基于特征评估与核主分量分析的齿轮故障特征提取与分类方法。该方法采用小波包分解对原始信号进行分解,分别提取原始信号和各分解信号的时域指标组成联合特征,然后确定了稳定性门限值与敏感性筛选比例因子,采用稳定性与敏感性联合评估方法对特征进行评估,并利用核主分量分析方法提取剩余联合特征中的非线性特征,实现不同齿轮故障状态的分类。实验结果表明,这种集成了小波包分解、特征联合评估方法和核主分量分析的齿轮故障分类方法能够更好地提取齿轮故障的特征信息,从大量的故障特征中剔除不稳定与不敏感的劣质特征,明显改善了核主分量分析提取齿轮故障非线性特征的效果。     

基于LMD谱分析的压气机转静子碰摩故障诊断

为了提取压气机转静子的碰摩故障特征,提出一种基于弹性支承振动应变信号的局部均值分解(LMD)谱分析方法。该方法通过在转子系统弹性支承垂直和水平方向的弹条上粘贴应变片,获取转子系统在工作过程中的振动应变信号,通过对振动应变信号进行LMD分解,并对LMD分解所得信号进行循环频率谱和切片谱分析,从而获得碰摩故障特征。分析结果表明:LMD可以对弹性支承振动应变信号进行有效分解;弹性支承振动应变信号经LMD分解得到第1个PF (Production function)分量的循环频率谱和各PF分量的切片谱均可提取转静子的碰摩故障特征频率。叶轮叶片的分解检查结果验证了该方法对转静子碰摩故障识别与诊断的有效性。     

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。     

基于MVMD-FRFT的滚动轴承早期故障特征提取研究

滚动轴承的振动信号具有非平稳、非线性的特点,造成其早期故障信号的特征提取困难,针对这一问题,对滚动轴承状态监测中常用的特征提取方法进行了研究,提出了一种基于多元变分模态分解(MVMD)和分数阶傅里叶变换(FRFT)的特征提取方法,并将其应用于滚动轴承的故障诊断中。利用MVMD算法将多传感器同时采集的多通道振动信号进行了同步分解,有效地提高了多通道数据融合处理能力,同时得到了若干个固有模态函数(IMF)分量;依据相关系数法从分解后得到的IMF分量中选取了包含故障信息最多的分量作为最优分量,利用FRFT对最优分量进行了滤波,降低了噪声对微弱故障信号的干扰;对滤波后的信号进行了1.5维包络谱解调,通过分析滤波后信号的包络谱,提取了滚动轴承的故障特征。研究结果表明:应用MVMD和FRFT相结合的方法能够有效地避免模态混叠现象,充分地利用故障特征信息,削弱低频信号与噪声的干扰,从而有效地提取出了滚动轴承的故障特征信息。     

基于变分模态分解的风机滚动轴承早期故障诊断

针对海上风电机组滚动轴承故障多且早期故障特征难以提取的问题,提出了一种基于变分模态分解的滚动轴承故障诊断方法。从频率方面研究了模态分量个数对信号特征信息的影响,提出故障特征信息提取时确定分解个数的一般原则,据此确定滚动轴承早期故障振动信号的分解个数并得到若干模态分量,从中筛选出最佳模态分量进行包络解调分析,最终通过对比包络谱特征频率对滚动轴承进行早期故障诊断。     

基于自适应TQWT和样本熵的供输弹系统故障诊断识别

为解决复杂供输弹系统早期微弱特征提取的问题,提出将自适应可调品质因子小波变换(TQWT)和样本熵相结合的供输弹故障诊断方法.基于能量加权归一化小波熵对TQWT的必要参数进行自适应选取,运用样本熵特征指标选出5个最优的特征子带,将样本熵组成的特征向量作为Elman神经网络的输入,对供输弹系统早期故障进行识别,输出结果显示,将TQWT和样本熵相结合的诊断方法可用于供输弹系统故障识别,准确率高达92.24％.     

多共振分量融合CNN的行星齿轮箱故障诊断

针对行星齿轮箱中各部件所激起的振动成分混叠、早期故障特征经常被较强的各级齿轮谐波成分以及环境噪声所湮没的问题,提出一种多共振分量融合卷积神经网络(multi-resonance component fusion based convolutional neural network,简称MRCF-CNN)的行星齿轮箱故障诊断方法。首先,对振动信号进行共振稀疏分解,得到包含齿轮谐波成分的高共振分量和可能包含轴承故障冲击成分的低共振分量;其次,构建多共振分量融合卷积神经网络,将得到的高、低共振分量和原始振动信号进行自适应的特征级融合,通过有监督的方式训练模型并进行行星齿轮箱故障诊断。对行星齿轮箱实验数据的分析结果表明,该方法能够有效分类行星齿轮箱中滚动轴承和齿轮的故障,成功对行星齿轮箱故障进行诊断,同时能够进一步增强卷积神经网络对振动信号所蕴含的故障信息的辨识能力。     

全矢局部特征尺度分解及其在转子碰摩故障特征提取中的应用

为了更完整的提取转子碰摩故障特征,提出了一种新的转子碰摩故障特征提取方法——全矢局部特征尺度分解(Full vector local characteristic decomposition,FVLCD)。FVLCD将局部特征尺度分解(Local characteristic decomposition,LCD)和全矢谱(Full vector spectrum,FVS)相结合,通过LCD将互相垂直通道的振动信号分解成系列内禀模态分量并用Hilbert变换对其进行解调得到包络信号;然后通过FVS融合包络信号得到相应的全矢谱,在此基础上进行机械故障诊断。转子松动-碰摩故障分析结果表明该方法有效融合两个通道的振动信号信息,获取的故障特征更全面、准确。     

基于EMD与KPCA的滚动轴承故障特征提取及诊断方法研究

针对滚动轴承故障种类识别与程度判断问题,提出了一种融合经验模式分解与核主元分析的故障诊断方法:首先,运用经验模式分解将滚动轴承故障信号分解成不同特征尺度下的本征模式分量,采用Hilbert-Huang变换对信号进行相应的时频分析,从本征模式分量函数和瞬时频率中分别提取时域和频域的统计特征集与无量纲特征集;其次,引入非线性核主元分析方法,对故障特征集进行处理,从而消除特征集中的冗余特征,并大幅度降低特征向量维数,得到能够反映故障本质的主元特征集;最后,构造支持向量机多类分类网络,实现了对不同故障模式与不同损伤程度滚动轴承的故障诊断。     

基于小波降噪与RSSD的滚动轴承故障特征提取技术研究

滚动轴承故障振动信号呈现出非线性、非平稳性及噪声背景较强等特点,为了有效提取故障特征,提出了一种小波降噪与共振稀疏分解(Resonance-based sparse signal decomposition,RSSD)相结合的振动信号特征提取技术。共振稀疏分解是基于品质因子可调小波变换与形态分量分析的一种新的信号分解方法,与常规的基于频带划分的信号分解方法不同,它依据信号各分量的振荡形态不同对信号进行分解。先通过小波阈值降噪方法明显减小信号中的噪声,随后对降噪后的信号进行共振稀疏分解,将信号分为不同共振特性的分量,即具有持续振荡特性的高共振分量和具有瞬态冲击特性的低共振分量。最后通过对分解所得到的低共振分量采用Hilbert包络解调方法提取冲击故障特征。将该方法分别应用于仿真信号和轴承实验台故障冲击性实例,验证了该方法的有效性。     

自适应随机共振和DEMD的单向阀早期故障诊断

针对高压隔膜泵单向阀的早期故障振动信号信噪比(SNR)低,故障特征提取困难的问题,本文提出一种自适应随机共振和微分经验模态分解(DEMD)的早期故障诊断方法。首先对原信号进行预处理,设置压缩比进行变尺度处理;然后将SNR作为自适应度函数,利用粒子群(PSO)算法优化随机共振(SR)系统参数,将优化后参数及处理后的信号输入SR系统中;最后对系统输出的信号进行DEMD算法分解,对各分量进行频谱分析,选取含特征频率的分量合成进行包络分析,以提取故障特征信息。经仿真分析与工程实验表明,该方法能够较好地提取出单向阀的早期故障特征信息。