应用多参量和高斯过程分类的故障诊断方法

由于齿轮箱振动信号的非平稳非线性等问题加大了故障诊断的难度,本文提出了一种基于互补集合经验模态分解(CEEMD)和多尺度排列熵(MPE)、样本熵(SE)相结合的故障特征提取方法。首先对齿轮箱振动信号进行互补集合经验模态分解,并根据相关系数原则对各模态分量进行筛选和重构,再利用多尺度排列熵对筛选出的模态分量进行特征提取,同时对重构后的信号提取其样本熵作为特征值;最后将提取出的多种故障特征融合输入到高斯过程分类器中进行实验验证,实验结果表明该方法提取齿轮箱振动信号的故障特征是有效的,高斯过程分类能快速准确地分辨出故障结果。     

基于EEMD排列熵的高速列车转向架故障特征分析

高速列车转向架关键部件发生机械故障会体现在车体和转向架的振动信号中,为了从监测数据中提取非线性特征参数用于转向架故障状态的反演识别,提出基于聚合经验模态分解排列熵的特征分析方法。首先,对振动信号进行聚合经验模态分解,得到一系列窄带本征模态函数;然后,对原信号和本征模态函数分别计算排列熵值,组成多尺度的复杂性度量特征向量;最后,将高维特征向量输入最小二乘支持向量机分类识别出转向架的工作状态。仿真实验结果表明,该方法在运行速度为200km/h时,多个通道达到95%以上的识别率,验证了通过聚合经验模态分解排列熵对高速列车转向架机械故障诊断的可行性。     

基于MEEMD排列熵的高速列车轮对轴承故障诊断

针对目前应用原始振动信号的排列熵单一尺度域分析对高速列车轮对轴承故障在特征提取研究方面的局限,提出了基于改进聚合经验模态分解排列熵的特征分析方法。该方法首先对原始信号进行改进聚合经验模态分解,得到一系列窄带本征模态函数;然后对原信号和本征模态函数分别计算排列熵,组成高维特征向量;最后,将高维特征向量输入最小二乘支持向量机状态识别分类。台架试验数据分析结果表明:该方法针对高速列车轮对轴承故障实现了较高的识别率,验证了通过改进聚合经验模态分解排列熵对高速列车轮对轴承故障诊断的有效性。     

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。     

全矢样本熵在高速列车故障诊断中的应用

为了有效提取高速列车转向架振动信号的故障特征以及针对单通道采集的信息难以完善地反映出列车运行状态的问题,提出了一种基于全矢样本熵(full vector sample entropy,简称FVSE)算法的故障特征提取方法。首先,使用噪声辅助多元经验模态分解(noise assisted multivariate empirical mode decomposition,简称NAMEMD)方法对振动信号进行分解,得到一系列多元本征模态函数;其次,根据相关系数法选择与原始信号最相关的本征模态函数分别进行样本熵和全矢样本熵特征提取;最后,将得到的特征向量分别作为支持向量机的输入对列车状态进行识别。实验结果表明,采用全矢样本熵算法的故障识别率普遍比采用样本熵算法提高了6个百分点,最高达到了98%以上,验证了噪声辅助多元经验模态分解方法结合全矢样本熵算法对高速列车故障诊断的有效性。     

基于FVMD多尺度排列熵和GK模糊聚类的故障诊断

针对设备故障信号的非线性、非平稳特征,提出了基于快速变分模态分解、参数优化多尺度排列熵和特征加权GK模糊聚类的故障诊断方法。首先,在变分模态分解的基础上,引入快速迭代的思想,提出快速变分模态分解方法,以减少算法运行时间与迭代次数;其次,针对多尺度排列熵算法的参数确定问题,综合考虑参数之间的交互影响,提出一种基于多作用力微粒群算法的参数优化方法,并通过快速变分模态分解和参数优化多尺度排列熵算法提取故障特征;之后,考虑到样本特征矢量中各维特征在聚类过程中的贡献不同,提出基于ReliefF特征加权的GK模糊聚类方法,由特征加权GK模糊聚类确定标准聚类中心,通过择近原则实现故障模式的分类识别;最后,以在机械故障试验平台上采集到的轴承不同故障类型的振动信号为研究对象,应用所提方法进行分析。结果表明,相对于改进前的变分模态分解、多尺度排列熵和GK模糊聚类方法,本文所提方法不仅能够有效提取故障特征,还能准确实现故障模式的分类识别,而且故障识别率得到提高。     

基于VMD和改进多尺度熵的往复压缩机气阀故障诊断方法

针对往复压缩机气阀振动信号具有非平稳性、非线性和多分量耦合特性,提出了基于变分模态分解(Variational Mode Decomposition,VMD)和改进多尺度熵的往复压缩机气阀故障诊断方法。利用VMD方法分解振动信号,并根据互相关系数法选取主要模态分量进行信号重构,可有效的消除噪声干扰;应用改进多尺度熵对重构信号进行量化分析,获得各振动信号的特征向量,并以极限学习机(Extreme Learning Machine,ELM)为故障分类器对往复压缩机气阀的4种状态实测信号进行分类识别。研究结果表明:该方法能够比较准确地提取出往复压缩机气阀故障信息,可实现往复压缩机气阀故障的正确识别。     

基于EEMD与奇异熵增量谱的齿轮故障特征提取

针对齿轮振动信号非线性、非平稳的特点,提出一种基于集合经验模态分解(EEMD)与奇异熵增量谱的齿轮故障特征提取方法。首先,利用EEMD方法将齿轮振动信号分解为若干个平稳的本征模态函数(IMF)分量。EEMD方法利用正态分布白噪声的二进尺度分解特性,能够有效抑制经验模态分解(EMD)中的模态混叠现象。但由于背景噪声和残余辅助白噪声的影响,EEMD分解得到的IMF分量难以准确提取齿轮故障特征。利用奇异值分解(SVD)对IMF分量进行消噪和重构,根据奇异熵增量谱确定重构阶次,准确地提取齿轮的故障特征频率。仿真信号分析和齿轮箱齿轮故障实验验证了该方法的准确性和有效性。     

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。     

VMD改进多尺度排列熵和LLTSA的列车车轮损伤诊断

针对列车车轮损伤振动信号特征难以提取的问题,本文提出基于变分模态分解(VMD)改进多尺度排列熵和线性局部切空间排列算法(LLTSA)的车轮损伤诊断方法.首先利用VMD方法分解原始振动信号得到若干个模态分量,计算各模态分量的改进多尺度排列熵,然后采用LLTSA方法进行特征维数约简,并与等距映射流形算法(ISOMAP)降维结果对比,获得最优的低维特征向量,最后将低维特征向量作为核极限学习机(KELM)的输入进行分类辨识.实验分析结果表明,该方法能够成功识别出车轮损伤状态.     

基于短时滑移模糊熵和LPP的轴承故障诊断

针对旋转机械设备的故障特征微弱和环境噪声强等问题,提出了一种基于短时滑移模糊熵和局部保留投影法(locality preserving projection,简称LPP)的故障特征提取方法。首先,通过对滑移截断短时序列的架构分析,引入多尺度复合模糊熵,获得信号在不同复合尺度下的特征信息和故障潜在特征,能准确反应信号复杂度和不确定性;其次,应用LPP流形降维并保留信号的局部数据特征,设计最优带通滤波器,对轴承振动信号进行故障冲击特征提取。仿真分析和实验数据结果验证了该方法在强背景噪声情况下降噪抑制方面的有效性,具有快速识别和提取滚动轴承的微弱冲击特征的能力。     

基于MCKD和改进HHT多尺度模糊熵的齿轮故障诊断方法

针对齿轮故障信号常伴有大量噪声,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(MCKD)和改进希尔伯特-黄变换(HHT)多尺度模糊熵的故障诊断方法。首先采用MCKD算法对采集到的齿轮振动信号进行降噪处理,以提高信号的信噪比;然后利用自适应白噪声完备经验模态分解(CEEMDAN)对降噪后信号进行分解,获得一系列不同尺度的固有模态函数(IMF),并通过相关系数-能量的虚假IMF评价方法选取对故障敏感的模态分量;最后计算敏感IMF分量的模糊熵,将获得的原信号多尺度的模糊熵作为状态特征参数输入最小二乘支持向量机(LS-SVM)中,对齿轮的故障类型进行诊断。实测信号的诊断结果表明,该方法可实现齿轮故障的有效诊断。     

改进蝙蝠算法优化支持向量机的故障诊断方法

提出了一种基于变分模态分解（VMD）和时移多尺度散布熵（TSMDE）的故障特征提取结合改进的蝙蝠算法（IBA）来优化支持向量机（SVM）的滚动轴承故障诊断方法。通过变分模态分解,避免了模式混叠问题,提取各模态分量的散布熵构造故障特征向量,作为故障诊断模型的输入;提出了一种新的自适应速度权重因子用于构建改进的蝙蝠算法以优化支持向量机（IBA-SVM）,实现了对不同故障类型的轴承进行分类;利用实验数据对提出的诊断方法进行验证,并与用粒子群算法（PSO）优化支持向量机（PSO-SVM）的诊断方法进行对比。结果表明所提出的方法分类准确率更高,用时更少。     

基于VMD的Volterra模型奇异值熵的转子故障诊断方法

针对转子故障信号的非平稳性以及敏感故障特征无法有效提取的问题,将变分模态分解(variational mode decomposition,VMD)的Volterra模型和奇异值熵相结合,提出一种故障诊断方法。对影响VMD分解准确性的参数选取方法进行了深入研究,给出了相关问题的解决策略。首先,对不同工况下转子实测信号进行VMD分解,利用能量熵增量选取对故障特征敏感的固有模态函数(intrinsic mode function,IMF)进行相空间重构,以建立Volterra自适应预测模型,将模型参数作为初始特征向量矩阵。然后,对初始特征向量进行奇异值分解以获取奇异值熵和奇异值特征向量矩阵,用于描述转子的故障特征。最后,采用模糊C均值(fuzzy c-means,FCM)算法对转子工作状态和故障类型进行识别。试验结果表明,所提方法可有效实现转子故障的特征提取及类型识别。通过同经集合经验模态分解(ensemble empirical mode decomposition,EEMD)相比,证明了该方法具有更有效的故障特征提取性能,是一种可行的方法。     

IVMD融合奇异值差分谱的滚动轴承早期故障诊断

针对滚动轴承早期故障阶段存在特征信号微弱、故障识别相对困难的问题,提出了融合改进变分模态分解和奇异值差分谱的诊断方法。原始信号经改进变分模态分解方法处理后,被分解为若干本征模态函数分量,利用包络谱稀疏度指标筛选出最佳分量构造Hankel矩阵并进行奇异值分解,求取奇异值差分谱后,根据差分谱中的突变点重构信号,最终通过分析信号的包络谱可判断轴承的故障类型。利用改进变分模态分解融合奇异值差分谱的方法对轴承故障模拟及实测信号进行分析,均成功提取出微弱特征信息,能够实现滚动轴承早期故障的有效判别,具有一定的可靠性和应用价值。     

基于流行-IMF奇异值熵的转子故障特征提取方法

针对转子振动信号的非平稳性以及微弱故障特征难以提取的问题，提出一种基于集合经验模式分解(ensemble empirical mode decomposition，简称EEMD)的奇异值熵和流形学习算法相结合的故障特征提取方法。首先，对原始振动信号进行EEMD分解，得到若干本征模态函数(intrinsic mode function，简称IMF)分量，根据峭度 欧式距离评价指标选取故障信息丰富的敏感分量，组成初始特征向量，求其奇异值熵；其次，利用近邻概率距离拉普拉斯特征映射算法（nearby probability distance Laplacian eigenmap,简称NPDLE）对奇异值熵组成的特征矩阵进行降维处理；最后，将得到的低维特征子集输入到K-近邻(K-nearest neighbor，简称KNN)中进行模式辨识。用一个双跨度转子实验台数据集和Iris仿真数据集对所提方法进行了验证，结果表明，IMF奇异值熵和NPDLE相结合的方法可以有效地实现转子故障特征提取，提高了故障辨识的准确性。     

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。     

VMD的AR模型和关联维数在齿轮故障特征提取中的应用

针对齿轮故障信号的非线性及常伴有大量噪声干扰的问题,提出一种基于变分模态分解(VMD)的自回归(AR)模型和关联维数相结合的故障特征提取方法。该方法采用VMD将齿轮振动信号分解为一系列固有模态函数(IMF),通过频域互相关系数准则选取对信号特征敏感的IMF分量进行信号重构,对重构信号建立AR模型,并以AR模型自回归参数的关联维数作为特征量对齿轮的工作状态和故障类型进行识别。通过实测齿轮振动信号的分析,证明了所提方法的有效性。     

Rolling bearing composite fault diagnosis method based on EEMD fusion feature

Aiming at the problem that the composite fault vibration signal of rolling bearing is complex and it is difficult to effectively extract the impact characteristics of the composite fault, a composite fault diagnosis method of rolling bearing based on multi-scale fuzzy entropy feature fusion is proposed. Compared with traditional fault feature extraction methods that can only extract single fault feature information, this method can increase the discrimination of composite fault features, effectively separate multiple composite fault features, and more comprehensively characterize composite fault feature information. First, the signal is processed by EEMD, getting a series of IMF components. Secondly, the energy and kurtosis index of the IMF component are calculated, the appropriate IMF component is selected through the correlation coefficient to obtain a new time series, the multi-scale fuzzy entropy is calculated, and feature fusion performed. Finally, the least square support vector machine is used to diagnose the fault of the fusion feature. The method is verified by a mechanical failure simulation test bench. The experimental results show that this method can quantitatively characterize the data information of fault signal, improve the anti-interference ability, have good feature extraction ability of composite fault of rolling bearings, and can effectively identify the type of composite fault. Compared with the method using multi-scale fuzzy entropy, energy and kurtosis index alone, the accuracy of fault diagnosis increases by 8.12 % and 11.65 %, respectively.