信息熵融合的PSO‑SVC涡旋压缩机故障诊断

针对涡旋压缩机振动信号的不稳定性及难以获取大量故障样本的问题,提出了一种信息熵融合与粒子群优化（particle swarm optimization,简称PSO）的支持向量回归（support vector classification,简称SVC ）涡旋压缩机故障诊断方法。通过奇异谱熵和功率谱熵分析,分别提取振动信号时域与频域特征,采用变分模态分解（variational mode decomposition,简称VMD ）能量熵衡量故障振动信号时?频域特征,利用因子分析融合奇异谱熵、功率谱熵和能量熵值得到单一评价指标特征向量。将评价指标作为PSO-SVC模型的输入,通过训练建立PSO-SVC涡旋压缩机故障分类模型。实验结果表明,该方法在小样本情况下,仍能有效地对涡旋压缩机4种典型故障类型进行分类,准确率达到94.5%。     

基于奇异值谱与SVM的涡旋压缩机故障诊断方法研究

针对涡旋压缩机振动信号的非平稳性和难以获得大量实际故障样本的情况,提出一种奇异值谱和支持向量机(Support Vector Machine,SVM)的故障诊断新方法。该方法首先通过对涡旋压缩机信号进行小波包分解,构建时频系数矩阵;然后对该矩阵进行奇异值分解(Singular Value Decomposition,SVD),获得信号的奇异值谱,并计算奇异谱的分布参数作为故障识别的特征向量;最后将特征向量作为SVM的输入,实现涡旋压缩机故障类型的辨识。试验结果表明:即使在小样本情况下,该方法仍能有效识别涡旋压缩机故障类型。     

综合改进奇异谱分解和奇异值分解的齿轮故障特征提取方法

针对齿轮故障特征微弱，在强背景噪声下难以有效提取的问题，提出了一种改进奇异谱分解（ISSD）结合奇异值分解（SVD）的齿轮故障特征提取方法。针对奇异谱分解（SSD）算法中模态参数需凭经验选取的缺陷，基于散布熵优化算法对SSD算法进行了改进，在得到既定的一组奇异谱分量的基础上，根据峭度值最大准则筛选出了最佳奇异谱分量并进行了SVD处理，采用奇异值能量标准谱自适应地确定了信号重构阶数以还原信号和提高降噪效果。最后对信号进行包络解调以提取齿轮故障特征，将所提方法运用到仿真信号和齿轮实测信号中，并同传统包络谱、SSD包络谱以及经验模态分解结合SVD(EMD-SVD)方法进行了对比分析，结果表明，所提方法的降噪和特征提取效果更佳，能够更加有效地实现齿轮故障的判别。     

基于信息熵的涡旋压缩机故障诊断研究

为了定量描述涡旋压缩机运行状态,在状态特征提取的基础上,从振动信号分析的思路出发,结合信息论中熵和灰关联度的理论,建立了一种基于时域的奇异谱熵、频域的功率谱熵、时-频域小波能量谱熵和小波空间特征谱熵的故障诊断方法,并作为综合评价涡旋压缩机振动状态的定量特征指标,可实现对涡旋压缩机几种故障的较好识别,证明了该故障诊断方法的有效性。     

基于奇异值融合的机械设备盲信息提取

针对机械设备的故障特征信息提取问题,提出了基于奇异值融合的机械盲信息提取方法。首先,由机械振动测量信号分离振动源信号,并进行包络解调组成包络信号矩阵,进而进行奇异值分解,提取矩阵的奇异值均值和奇异值熵作为故障特征信息;然后,针对分离矩阵直接进行奇异值分解,提取奇异值作为故障特征信息;最后,将包络信号矩阵奇异值均值、奇异值熵和分离矩阵奇异值进行特征层信息融合作为机械设备的故障特征信息。将该方法应用于液压齿轮泵可以有效地提取机械设备盲特征信息。     

基于SVD-LCD与1.5维谱的滚动轴承故障诊断

为了准确地进行滚动轴承故障诊断,针对故障振动信号的低信噪比、非线性、非平稳的特征,提出了奇异值分解降噪、局部特征尺度分解和1.5维谱相结合的故障诊断方法。该方法首先运用奇异值分解降噪技术降低信号中的噪声,然后对降噪信号进行局部特征尺度分解,得到若干个内禀尺度分量,并进行Hilbert变换求取包络信号,最后求取包络信号的1.5维谱提取故障特征。通过轴承内圈故障数据分析,验证了该方法的有效性。     

基于MRSVD-SVD与VPMCD的交叉滚子轴承故障诊断研究

针对奇异值分解(SVD)提取工业机器人交叉滚子轴承振动信号微弱故障特征分量时,出现奇异值分辨率不足的问题,提出了一种基于最大分辨率奇异值分解(MRSVD)-奇异值分解(SVD)与变量预测模型模式识别(VPMCD)的工业机器人交叉滚子轴承的故障诊断方法。首先,以最大奇异值分辨率原则将一维振动信号构造成了Hankel矩阵,采用奇异值分解方法对Hankel矩阵进行了分解,得到了其奇异值序列,根据奇异值曲率谱理论选择有效奇异值,并进行了重构,得到了经降噪后的高信噪比信号,以重构信号构建了相空间矩阵,进行了二次奇异值分解,得到了其故障特征分量;然后,计算了故障特征分量的特征参数,构建了其特征向量;最后,采用了VPMCD分析了特征向量,完成了对交叉滚子轴承故障类型的识别,并与其它方法进行了识别准确率对比。研究结果表明：采用该方法对工业机器人交叉滚子轴承进行故障诊断,得到的故障类型识别准确率为98.66%,比SVD与共振解调相结合方法提高了9%;该方法通过构建最大奇异值分辨率矩阵提高了奇异值分辨率,可完整提取出工业机器人交叉滚子轴承振动信号的微弱故障特征分量,获得了更高的故障类型识别准确率。     

自适应Morlet小波降噪方法及在轴承故障特征提取中的应用

分析了Morlet小波变换的滤波特性及其时频分辨率,利用Morlet小波良好的时域和频域特性及奇异值分解技术,提出了一种基于自适应Morlet小波和SVD的降噪方法。针对滚动轴承故障在振动信号中表现为冲击衰减波形的特点,采用修正的Shannon熵方法同时优化Morlet小波的中心频率与带宽参数,实现其与冲击特征成分的最优匹配;针对根据小波系数矩阵奇异值曲线的过渡阶段求取最佳变换尺度的方法存在着不够快捷方便的不足,将其与小波系数奇异值比方法相结合来快速方便地求得最佳变换尺度;最后对信号进行降噪处理提取故障特征。对仿真信号和实际轴承内外圈故障信号的应用分析表明,该方法具有良好的降噪性能,能有效地提取出滚动轴承的微弱故障特征。     

基于SVD-SGWT和IMF能量熵增量的液压故障特征提取

针对随机噪声和虚假分量影响总体平均经验模态分解(EEMD)分解质量问题,提出基于奇异值分解(SVD)和第二代小波变换(SGWT)联合降噪预处理和本征模态分量(IMF)能量熵增量剔除虚假分量的改进EEMD方法。该方法首先对原始信号进行第二代小波变换,利用SVD对SGWT得到的高频系数进行降噪处理,克服了软、硬阈值法降噪的缺陷。然后对消噪处理的信号进行EEMD分解,通过IMF能量熵增量去除虚假分量;最后对主IMF分量进行Hilbert谱分析来提取信号的主要特征。仿真和实验结果表明,SVD和SGWT联合降噪故障信号信噪比显著提高,且失真度小,抑制了噪声对EEMD分解精度的干扰,能量熵增量能有效地去除虚假IMF,Hilbert谱中各频率成分清晰不混叠,成功提取了液压系统故障特征频率。     

基于EEMD奇异值熵的滚动轴承故障诊断方法

为充分利用振动信号进行故障辨识,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)奇异值熵判据的滚动轴承故障诊断方法。首先,对滚动轴承的振动信号进行EEMD分解获得若干个本征模态函数(intrinsic mode function,简称IMF),并根据一种IMF分量故障信息含量的评价指标(即峭度、均方差和欧氏距离)选出能够表征原始信号状态的分量进行信号重构;其次,利用奇异值分解技术对重构信号进行处理,结合信息熵算法求取其奇异值熵;最后,利用奇异值熵的大小判断滚动轴承的故障类别。用美国西储大学滚动轴承振动信号对所述方法进行验证的结果表明,相比传统的EMD奇异值熵故障诊断方法,本方法能够清晰的划分出滚动轴承不同工作状态的类别特征区间,而且具有更高的故障诊断精度。     

VMD和奇异差分谱在齿轮早期故障诊断中的应用

针对齿轮故障振动信号的多分量、多频率调制特性且早期故障振动信号信噪比低,故障特征微弱难以提取的问题,提出了基于变分模态分解(Variational Mode Decomposition,VMD)和奇异值差分谱的故障诊断方法。首先对采集到的齿轮故障振动信号进行VMD分解,得到一系列窄带本征模态分量(band-limited intrinsic mode functions,BLIMFS),由于噪声的干扰,从各个模态分量的频谱中很难对故障做出正确的判断;然后根据相关系数准则,选取与原始信号相关系数较大的分量构建Hankel矩阵并进行奇异值分解,求取奇异值差分谱,从差分谱中确定重构信号的有效阶次对信号进行降噪处理;最后对降噪处理后的信号进行Hilbert包络谱分析,即可从中准确地识别出齿轮的故障特征频率。仿真信号和齿轮箱齿轮故障模拟实验结果表明,该方法能够有效地降低噪声的影响,准确地提取到齿轮微弱的故障特征信息。     

基于奇异值分解和局域均值分解的滚动轴承故障特征提取方法

针对随机噪声干扰滚动轴承故障特征信号提取这一问题,提出一种基于奇异值分解(Singular value decomposition,SVD)滤波降噪与局域均值分解(Local mean decomposition,LMD)相结合的故障特征提取方法。该方法首先对原始振动信号在相空间重构Hankel矩阵并利用SVD方法进行降噪处理,再对降噪后的信号进行LMD分解,将多分量的调制信号分解成一系列生产函数(Product function,PF)之和,最后结合共振解调技术对PF分量进行包络谱分析提取故障特征频率。通过数值仿真和实际轴承故障数据的分析对比,表明该方法提高了LMD的分解能力,可有效辨别出滚动轴承实测信号的典型故障,提高滚动轴承故障的诊断效果。     

基于形态奇异值分解和经验模态分解的滚动轴承故障特征提取方法

针对随机噪声和局部强干扰影响经验模态分解(Empirical mode decomposition,EMD)质量的问题,提出一种形态奇异值分解滤波消噪方法,并将其与EMD相结合形成一种新的故障特征提取方法。该方法首先对原始振动信号进行相空间重构和奇异值分解(Singular value decomposition,SVD),根据奇异值分布曲线确定降噪阶次进行SVD降噪,再形态滤波,最后把消噪后的信号进行EMD分解,利用本征模模态分量(Intrinsic mode function,IMF)提取故障特征信息。对仿真信号和实际轴承故障数据的应用分析表明,该方法能有效地提取轴承故障特征,诊断轴承故障,还可以减少EMD的分解层数和边界效应,提高EMD分解的时效性和精确度。     

基于VMD和奇异差分谱的滚动轴承早期故障诊断

针对强噪声环境下滚动轴承早期故障特征信息非常微弱且难以提取的问题,提出了基于变分模态分解(Variational Mode Decomposition,VMD)和奇异值差分谱的故障诊断方法。首先对轴承故障振动信号进行VMD分解得到一系列本征模态分量(Intrinsic Mode Functions,IMFS),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,对相关系数较大的分量构建Hanke矩阵进行奇异值分解,求取奇异值差分谱,从差分谱中确定重构信号的有效阶次对信号进行降噪处理;最后对降噪处理后的信号进行Hilbert包络处理,从包络谱中即可准确地提取到故障特征频率。仿真信号和工程数据处理结果表明,该方法能够有效地降低噪声的影响,精确地提取到轴承微弱的故障特征频率信息。     

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。     

基于谐波小波奇异熵的轴承故障实时诊断

将谐波小波变换、奇异值分解理论和信息熵相结合,从揭示故障信号能量分布的复杂程度入手,提出一种轴承故障实时诊断的新方法。对轴承振动信号进行谐波小波分解,将分解得到的小波系数分别以尺度为行、时间为列构建谐波小波时频分布矩阵,并对该矩阵进行奇异值分解,以分解得到的奇异值为划分标准进行信息熵计算,通过信息的熵值来诊断轴承故障,给出了基于谐波小波奇异熵的轴承故障实时诊断的具体方法和模型。通过对轴承内圈故障、外圈故障大量的试验研究表明:该方法能有效地对轴承故障进行诊断,具有很高的实时性,能对采样频率低于68kHz的诊断系统进行实时诊断,适用性很好。     

基于SVD降噪的机械振动信号经验模式分解及其应用

提出了1种基于奇异值分解降噪的振动信号经验模式分解方法,利用该法对原始振动信号进行相空间重构和奇异值分解,并根据奇异值降噪,再利用经验模式分解法提取降噪后振动信号的基本模式分量,对滤波前和滤波后振动信号进行经验模式分解分析。分析结果表明：奇异值分解能有效地提高信噪比,突出原始振动信号的特征,使降噪后振动信号分解出的基本模式分量具有更明确的物理意义,有利于对柴油机进行精确诊断。     

基于ISVD多级降噪和SVM的轴承故障诊断研究

在强噪声背景下难以提取出滚动轴承的故障特征，导致对轴承的故障诊断准确率不高，针对这一问题，提出了一种基于小波变换、改进奇异值分解多级降噪算法与支持向量机模型的轴承故障诊断方法。首先，采用小波降噪对滚动轴承的原始信号进行了初始降噪，消除了部分的随机噪声；然后，主要通过改进相空间矩阵重构方式，对该信号进行了改进奇异值分解二次降噪，并提出了新的奇异值有效秩阶次确定方法，利用峭度对一维信号提取方案进行了优化，并对其完成了降噪；最后，通过提取了10个有效特征，结合支持向量机在MATLAB中进行了仿真实验，分析了不同特征对轴承的故障诊断结果的影响，并将方法与其他方法进行了对比分析。研究结果表明：采用多级降噪算法降低了轴承工作状态下的背景噪声，使其故障特征频率更为明显；支持向量机分类诊断器的故障识别准确率达到98.3%,能够有效地识别轴承故障发生的位置和严重程度。     

基于MED-EEMD和ELM的轴向柱塞泵松靴故障诊断研究

针对轴向柱塞泵松靴故障在强噪声干扰下故障信号微弱、故障特征提取困难和故障诊断识别精度低等一系列问题,提出了基于最小熵反褶积、集合经验模态分解和超限学习机相结合的轴向柱塞泵松靴故障诊断的方法。首先采集了轴向柱塞泵在正常和松靴故障两种状态下的振动信号;然后对振动信号进行了最小熵反褶积降噪,排除了噪声干扰,增强了冲击特性;之后利用集合经验模态分解将去噪后的信号分解成了若干个本征模态函数分量,并通过奇异值分解获得了特征矩阵;最后将得到的特征矩阵输入超限学习机、反向传播神经网络和支持向量机等3类分类器,并将识别结果与集合经验模态分解特征提取方法的识别结果进行了对比。研究结果表明:最小熵反褶积和集合经验模态分解结合的方法弥补了最小熵反褶积在强背景噪声下提取特征的局限性,克服了经验模态分解对微弱故障特征不敏感的缺陷;以最小熵反褶积-集合经验模态分解特征提取方法为输入的超限学习机分类模型,在少量样本的情况下可以有效地对轴向柱塞泵松靴故障进行检测与诊断。