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SVD-EEMD和TEO的滚动轴承弱故障特征提取

将奇异值分解(singular value decomposition,简称SVD)与集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)进行结合,提出一种适用于滚动轴承弱故障状态描述的敏感特征提取方法。为提高信号故障信息的提取质量,对采集信号进行相空间重构得到一种Hankel矩阵。根据该矩阵的奇异值差分谱,确定降噪阶次进行SVD降燥。用EEMD分解降噪后的信号可获得11个本征模态函数(intrinsic mode function,简称IMF)和1个余项。依据建立的峭度-均方差准则,筛选出一个能够有效描述故障状态的敏感IMF分量,计算其相应的Teager能量算子(Teager energy operator,简称TEO),对此TEO进行Fourier变换,实现了对滚动轴承弱故障模式的有效辨识。用美国凯斯西储大学公开的滚动轴承故障信号对所建立的方法与传统EEMD-Hilbert法和EEMD-TEO方法进行对比,结果表明:经本方法提取的敏感特征能准确突显滚动轴承故障频率发生的周期性冲击,可准确识别其故障类型。     

奇异值熵和支持向量机的齿轮故障诊断

提出了一种基于总体平均经验模态分解(ensemble empirical mode decomposition,简称EEMD)奇异值熵和支持向量机的齿轮故障诊断方法.首先,通过EEMD方法将非平稳的原始加速度振动信号分解成若干个平稳的本征模式分量,将得到的若干个本征模式分量自动形成初始特征向量矩阵;然后,对该矩阵进行奇异值分解,提取其奇异值作为故障特征向量,并对其进行归一化,求得奇异值熵,根据奇异值熵值大小可以判断齿轮的故障类型;最后,将奇异值故障特征向量作为支持向量机的输入,判断齿轮的工作状态和故障类型.试验结果表明,即使在小样本情况下,基于EEMD奇异值分解和支持向量机的故障诊断方法仍能有效地识别齿轮的工作状态和故障类型.     

基于改进EMD样本熵和SVM的风机滚动轴承故障诊断

风机齿轮箱振动信号成分复杂,而经验模态分解(EMD)在故障诊断中存在模态混叠和端点效应问题.针对此问题,研究了一种EEMD样本熵和高斯径向基核函数的SVM分类器的滚动轴承故障诊断方法.以风机齿轮箱滚动轴承为研究对象,提取了内圈故障、外圈故障、滚动体故障和正常轴承4种状态振动信号,利用EEMD和小波分别对振动信号分解降噪并筛选主要IMF分量;计算前4阶IMF分量的样本熵作为特征向量;最后将特征向量输入高斯径向基核函数的SVM模型进行故障识别.结果表明:EEMD算法对端点效应和模态混叠都有一定抑制作用,EEMD样本熵和SVM相结合可有效识别滚动轴承故障类型,故障识别率为97.5％,为工程应用中风机齿轮箱滚动轴承故障诊断提供参考.     

基于EEMD分解和奇异值差分谱理论的轴承故障诊断研究

提出一种基于总体平均经验模态分解(ensemble empirical mode decomposition,EEMD)和奇异值差分谱的轴承故障诊断方法。首先将非平稳的原始轴承振动信号通过EEMD方法分解成若干个平稳的本征模函数(intrinsic modefunction,IMF);由于背景噪声的影响,从各个IMF的频谱中难以准确地得到故障频率。对IMF分量构建Hankel矩阵,并进行奇异值分解,进一步找到奇异值差分谱,根据奇异值差分谱理论对某IMF分量进行消噪和重构,然后再求其频谱,便能准确地得到故障频率。实验结果表明,所提出的方法能有效地应用于轴承的故障诊断。     

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QPSO⁃MPE的滚动轴承故障识别方法

为准确辨识滚动轴承故障类型,提出了一种基于量子粒子群优化多尺度排列熵(quantum-behaved particle swarm optimization and multi-scale permutation entropy,简称QPSO-MPE)的滚动轴承故障识别方法。首先,对滚动轴承的原始振动信号进行集成经验模态分解(ensemble empirical mode decomposition,简称EEMD),得到一系列内禀模态分量(intrinsic mode function,简称IMF)和一个趋势项,并以峭度作为度量指标筛选出含有主要故障特征信息的IMF来重构振动信号;然后,利用量子粒子群优化算法对多尺度排列熵的关键参数进行优化,得到其模型计算重构信号的多尺度排列熵,从而构建轴承故障的多尺度排列熵特征集;最后,将故障特征集输入GG(Gath-Geva)模糊聚类算法进行聚类识别。实验结果表明,基于QPSO-MPE的滚动轴承故障识别方法可实现滚动轴承典型故障的准确辨识,证明了QPSO-MPE在故障特征提取方面的有效性。     

基于改进EEMD的滚动轴承故障诊断研究

滚动轴承的故障信号具有非平稳性、非线性等特点,在经验模态分解过程中会出现模式混叠现象。集合经验模态分解算法(EEMD)是在原始信号中引入随机高斯白噪声序列,改变信号的局部时间跨度,可以有效抑制常规经验模态分解过程中产生的模式混叠现象。在研究EEMD原理的基础上,引入白噪声的幅值标准差准则来选择EEMD参数,并且对分解得到的所有的固有模态函数(IMF)分量通过相关系数法提取有效本征模态分量,再对提取的有效本征模态函数分量阀值处理后进行重构。通过Hilbert变换对重构信号进行包络谱分析,提取滚动轴承的故障特征。轴承故障信号实验结果表明,EEMD方法可以有效应用于滚动轴承的故障诊断中。     

基于CEEMDAN奇异值熵和SVM的转子故障诊断

提出一种基于自适应白噪声完整经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)奇异值熵和支持向量机(support vector machine,SVM)的转子故障诊断方法。利用CEEMDAN方法首先对非平稳的转子振动信号分解得到若干个表征信号自身特性的固有模态函数(intrinsic mode function,IMF),并通过虚假IMF分量判别法,剔除对于故障特征不敏感的IMF,以保证故障信息提取的准确性和有效性,在此基础上产生初始特征向量矩阵。并对此矩阵进行奇异值分解得到矩阵奇异值,使其作为故障特征向量,通过归一化处理得到奇异值熵,并以此作为SVM的输入,对转子的工作状态进行识别。研究结果表明:该方法可有效应用于转子故障诊断,实现对转子工作状态和故障类型的有效诊断。     

基于EEMD奇异熵的高速道岔裂纹伤损检测

针对高速道岔裂纹伤损特征提取及状态监测问题,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)奇异熵和最小二乘支持向量机(least square support vector machine,简称LSSVM)的高速道岔裂纹伤损检测方法。首先,通过EEMD方法将非平稳的道岔振动信号自适应地分解为有限个基本模态分量(intrinsic mode function,简称IMF),每个IMF包含了原信号不同的特征尺度;然后,利用相关性分析筛选出与原始信号相关性最大的若干个IMF,计算所筛选IMF分量的奇异熵构成特征向量;最后,将多测点数据融合后的奇异熵特征向量输入LSSVM进行训练与测试,从而判断道岔的工作状态和伤损类型。模拟道岔裂纹伤损实验平台的振动信号分析及实验结果表明,在信噪比高于20dB时,该方法受噪声影响小,算法稳定性好,能有效地用于道岔裂纹伤损检测。     

Application of EEMD and improved frequency band entropy in bearing fault feature extraction

Ensemble empirical mode decomposition (EEMD) is widely used in condition monitoring of modern machine for its unique advantages. However, when the signal-to-noise ratio is low, the de-noising function of it is often not ideal. Thus, a new fault feature extraction method for rolling bearing combining EEMD and improved frequency band entropy (IFBE) is proposed, i.e., EEMD–IFBE. According to the problem of multiple intrinsic mode functions (IMFs) generated by EEMD, how to select the sensitive IMF(s) that can better reflect fault characteristics, a novel method based on FBE for sensitive IMF is proposed. In addition, since the bandwidth parameter is set empirically when the band-pass filter is designed based on the original FBE, a novel bandwidth parameter optimization method based on the principle of maximum envelope kurtosis is proposed. First, the original vibration signal is subjected to EEMD to obtain a series of IMFs; Then, the FBE values are obtained for the original signal and each IMF component, and the bandwidth of the band-pass filter (empirically) is designed as the characteristic frequency band at the minimum entropy value, and the affiliation between the characteristic frequency band of each IMF and the characteristic frequency band of the original signal is compared, and then selecting the sensitive IMF(s) that reflects the characteristics of the fault; Third, due to the influence of background noise, it is difficult to accurately obtain the fault frequency from the selected IMF(s). Therefore, the band-pass filter designed based on FBE is used, and the bandwidth parameter is optimized based on the principle of envelope kurtosis maximum, and then the selected sensitive IMF is band-pass filtered. Finally, the envelope power spectrum analysis is performed on the filtered signal to extract the fault characteristic frequency, and then the fault diagnosis of the bearing is realized. The method is successfully applied to simulated data and actual data of rolling bearing, which can accurately diagnose fault characteristics of bearing and prove the effectiveness and advantages of the method.     

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。     

An improved complementary ensemble empirical mode decomposition with adaptive noise and its application to rolling element bearing fault diagnosis

A novel time–frequency analysis method called complementary complete ensemble empirical mode decomposition (EEMD) with adaptive noise (CCEEMDAN) is proposed to analyze nonstationary vibration signals. CCEEMDAN combines the advantages of improved EEMD with adaptive noise and complementary EEMD, and it improves decomposition performance by reducing reconstruction error and mitigating the effect of mode mixing. However, because white noise mixed in with the raw vibration signal covers the whole frequency bandwidth, each mode inevitably contains some mode noise, which can easily inundate the fault-related information. This paper proposes a time–frequency analysis method based on CCEEMDAN and minimum entropy deconvolution (MED) for fault detection of rolling element bearings. First, a raw signal is decomposed into a series of intrinsic mode functions (IMFs) by using the CCEEMDAN method. Then a sensitive parameter (SP) based on adjusted kurtosis and Pearson’s correlation coefficient is applied to select a sensitive mode that contains the most fault-related information. Finally, the MED is applied to enhance the fault-related impulses in the selected IMF. The fault signals of high-speed train axle-box bearing are applied to verify the effectiveness of the proposed method. Results show that the proposed method can effectively reveal axle-bearing defects’ fault information. The comparisons illustrate the superiority of SP over kurtosis for selecting the sensitive mode from the resulted signal of CCEEMEDAN. Further, we conducted comparisons that highlight the superiority of our proposed method over individual CCEEMDAN and MED methods and over two other popular signal-processing methods, variational mode decomposition and fast kurtogram.     

基于多元经验模态分解的旋转机械早期故障诊断方法*

针对旋转机械早期微弱故障诊断问题,提出了基于多元经验模态分解的旋转机械早期故障诊断新方法。首先将多个加速度传感器合理布置在轴承座的关键位置,同步采集多通道振动信息;再利用多元经验模态分解同时对多通道振动信号进行自适应分解,得到一系列多元IMF分量;最后,依据峭度准则和相关系数从中选取包含故障主要信息的IMF分量进行信号重构,提取故障特征。多元经验模态分解方法克服了EMD等方法在进行多通道数据融合时缺乏理论依据的局限性。仿真信号和旋转机械故障信号的实验结果表明,该方法明显优于EEMD方法,对齿轮和滚动轴承故障的检测精度更高,可以在强背景噪声情况下更好地提取出故障冲击特征。     

基于加权排列熵和DE-ELM的滚动轴承故障诊断

针对滚动轴承振动信号非平稳非线性的特征,提出一种基于加权排列熵和差分进化算法优化极限学习机(DE-ELM)的滚动轴承故障诊断方法。首先利用自适应噪声的完全集合经验模态分解处理轴承振动信号得到固有模态函数(IMF),然后计算主要IMF分量的加权排列熵组成故障特征向量,最后利用差分优化算法(DE)优化极限学习机隐含层输入权值和偏置,并将故障特征向量作为DE-ELM的输入。实验证明,加权排列熵能够精确提取故障特征,DE-ELM算法能有效提高故障分类精度。与多种方法相比,该方法更加准确可靠。     

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。     

基于EMD和峭度的Hilbert包络解调在滚动轴承故障诊断中的应用分析

针对直接运用快速傅里叶变换（FFT）无法有效提取具有非线性非平稳特性的滚动轴承振动信号故障特征频率的问题,提出了一种基于经验模式分解和峭度指标的Hilbert包络解调方法.首先对滚动轴承的振动信号进行了经验模式分解（EMD）,得到了包含轴承故障特征信息的各阶本征模态函数（IMF）,再计算各阶IMF的峭度值,选取了峭度值较大的几阶IMF分量重构信号,并对重构信号进行了Hilbert包络解调分析,从而获得了滚动轴承的准确故障特征信息.分别对仿真模拟信号和实际滚动轴承发生内圈故障的振动信号进行了分析,清晰地得到了故障特征频率.研究结果表明,利用融合EMD、峭度系数和Hilbert包络解调的诊断方法能够快速、准确地提取滚动轴承的故障特征频率,从而可以对滚动轴承进行有效地故障诊断.     

基于LCD和排列熵的滚动轴承故障诊断

排列熵（permutation entropy,简称PE）是最近提出的一种检测时间序列随机性和动力学突变行为的方法,可以考虑将其应用于故障诊断。由于机械系统的复杂性,振动信号的随机性和动力学突变行为表现在不同尺度上,因此需要对振动信号进行多尺度的排列熵分析。基于此,提出了基于局部特征尺度分解（local characteristic scale decomposition, 简称LCD）和排列熵的滚动轴承故障诊断方法。首先,采用LCD方法对振动信号进行自适应分解,得到不同尺度的的本征尺度分量（intrinsic scale component,简称ISC）;其次,计算前几个包含主要故障信息的ISC分量的排列熵;最后,将熵值作为特征向量,输入基于神经网络集成建立的分类器。将该方法应用于滚动轴承实验数据,分析结果表明,此方法可有效实现滚动轴承的故障诊断。