EEMD样本熵在轴承故障SVM识别中的研究

滚动轴承故障支持向量机(SVM)智能识别的关键技术是故障信息的提取。由于小波变换和经验模态分解分别存在非自适应和模态混叠的缺陷,采用总体平均经验模态分解(EEMD)和样本熵来提取滚动轴承故障信息。实验中采集了3种工况和3种点蚀直径下的滚动轴承振动信号并进行小波降噪,降噪后信号用EEMD分解为若干个IMF分量,用样本熵表征主要分量的复杂性,同时设计了以EEMD样本熵作为训练和识别样本的SVM滚动轴承故障分类识别器。实验结果表明该方法在小样本的情况下能准确识别轴承正常和内圈、外圈、滚动体故障,并且随着样本数量增加识别准确性提高。     

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EEMD和Choi-Williams分布的齿轮故障诊断

针对齿轮箱齿轮故障特征提取过程中,经验模态分解(EMD)存在模态混叠、固有模态函数(IMF)筛分困难以及Wigner-Ville分布(WVD)存在交叉干扰项的问题,提出一种集合经验模态分解(EEMD)和Choi-Williams分布(CWD)相结合的齿轮故障诊断方法。首先,将采集到的齿轮故障信号进行EEMD分解,分解为多个单分量固有模态函数(IMF)的组合;然后,通过相关系数和香农熵准则去除虚假分量并筛选IMF;最后,将筛选出的IMF分量进行CWD表达,结合时频域表现出的频率与等时冲击特性,识别出齿轮故障特征。通过齿轮故障仿真和实验分析,验证了该方法在齿轮箱齿轮故障诊断中的适用性和有效性。     

灰狼算法优化支持向量机在风力机齿轮箱故障诊断中的应用

针对风力机齿轮箱振动信号非线性和非平稳性的特征,提出基于模糊熵(Fuzzy Entropy,FE)和灰狼算法优化(Grey Wolf Optimizer,GWO)的支持向量机(GWO Support Vector Machine,GWO-SVM)的故障诊断方法.通过集合经验模态分解算法(Ensemble Empirical Mode Decomposition,EEMD)对振动信号进行分解得到若干本征模态函数(Intrinsic Mode Function,IMF)分量;求取各状态IMF分量的模糊熵并构建特征向量;将各特征向量输入GWO-SVM模型进行故障识别及分类.结果 表明:齿轮箱振动信号不同状态下的模糊熵有一定区分度,通过GWO-SVM能对其进行精确识别和分类,且GWO-SVM相对于粒子群优化(Particle Swarm Optimization,PSO)SVM模型和遗传算法(Genetic Algorithm,GA)优化SVM模型具有更短的运行时间和更高准确率,平均准确率高达92.5％.     

EEMD与HMM在齿轮故障诊断方法中的研究

为了解决EMD方法存在的模态混叠的问题,更加精确有效的利用振动信号进行齿轮的故障识别和诊断,提出一种将总体平均经验模态分解(EEMD)和隐马尔科夫模型(HMM)结合的齿轮故障诊断方法.首先对采集到的原始齿轮振动信号进行EEMD处理,获得包含主要故障信息的各阶固有模态函数(IMF)分量,以能量为元素,提取并构造特征向量,...     

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MCKD和CEEMDAN样本熵的滚动轴承故障诊断

针对滚动轴承故障特征微弱以及振动信号的非平稳性,提出一种基于最大相关峭度解卷积(maximum correlated kurtosis deconvolution,MCKD)和自适应白噪声完备经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)样本熵相结合的滚动轴承故障诊断方法。首先采用MCKD算法降低滚动轴承信号内的噪声干扰,突出信号中的冲击特性;然后利用CEEMDAN方法对降噪信号进行分解,根据峭度-相关系数准则选择包含主要故障信息的敏感固有模态函数(intrinsic mode function,IMF)分量;计算各敏感IMF分量的样本熵构成高维特征向量;最后将高维特征向量作为支持向量机(support vector machine,SVM)的输入,对滚动轴承的工作状态和故障类型进行识别。通过实测滚动轴承故障信号的分析,证明了所提方法有效性,并为此类问题的解决提供了一种可行方法。     

滚动轴承故障小波核函数SVM分类识别研究

支持向量机(Support Vector Machine,简称SVM)是通过核函数来分类识别非线性样本的,为了提高SVM的分类识别精度,基于平移不变核函数条件,构造和证明了墨西哥草帽小波核函数SVM。实验中采集了轴承正常和内圈、外圈、滚动体点蚀的故障数据,利用总体平均经验模态分解(Ensemble Empirical Mode Decomposition,简称EEMD)和样本熵提取了故障特征信息,将EEMD样本熵作为小波核函数SVM的特征向量进行故障分类识别,并与径向基核函数SVM的分类识别结果进行比较,比较结果表明小波核函数SVM的分类识别准确性更高。     

基于CEEMDAN模糊熵和SVM的滚动轴承故障诊断

针对滚动轴承振动信号非平稳性及特征信息复杂问题,提出一种基于自适应白噪声完备经验模态分解模糊熵和支持向量机相结合的故障诊断方法。首先,采用CEEMDAN,将滚动轴承振动信号分解成若干个固有模态函数分量,并根据相关系数—峭度准则选取可有效表征信号自身特性的模态分量;然后,计算各敏感IMF分量模糊熵,并构建高维特征向量;最后,将高维特征向量输入SVM中,以实现对故障类型和工作状态的有效诊断。试验结果表明,该方法可有效对滚动轴承故障进行诊断。     

H-K-ELM在滚动轴承故障诊断中的应用

针对滚动轴承振动信号的不规则性和复杂性,导致轴承状态难以有效识别的问题,提出基于分层核极限学习机(Hierarchical Kernel Extreme Learning Machine,H-K-ELM)的滚动轴承故障诊断方法。首先,将测得信号经集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)处理后得到一系列IMF本征模态分量,并提取各分量的排列熵PE值组成高维特征向量集;其次,利用高斯核函数的内积来表达ELM算法的隐含层输出函数,然后使用自动编码器对其分层,从而隐含层节点数自适应确定和隐含层阈值与输入权值满足正交条件;最后,将所得高维特征向量集作为H-KELM算法的输入,通过训练建立核函数极限学习机滚动轴承故障分类模型,进行滚动轴承不同故障状态的分类辨识。实验结果表明:H-K-ELM滚动轴承故障分类模型比ELM、K-ELM故障分类模型具有更高的精度、更强的稳定性。