基于模态能量矩的气象雷达故障特征提取研究

为了提高气象雷达故障诊断精度和效率,该文提出了一种基于改进自适应噪声完备集合经验模态分解（ICEEMDAN）的模态能量矩特征提取方法。首先,通过使用ICEEMDAN算法对雷达接收机中频电路板采集的故障信号进行模态分解,得到故障信号的“本征模态函数”（Intrinsic Mode Function,IMF）。其次,计算每个IMF分量的能量矩并归一化处理后作为特征向量。最后,将特征向量送入支持向量机（Support Vector Machine,SVM）,进行故障分类。通过试验仿真,对比小波变换、傅里叶变换特征提取方法,验证该算法的有效性和优越性。     

内禀模态特征能量法在滚动轴承故障模式识别中的应用

针对滚动轴承振动信号和状态信息非线性映射关系,提出一种基于内禀模态函数（IMF）特征能量的轴承特征向量提取方法,并与支持向量机（SVM)相结合实现轴承的故障识别。该方法对滚动轴承振动信号进行经验模态分解（EMD）得到若干能反映轴承故障信息的IMF分量,选取包含主要信息的IMF能量作为振动信号的特征向量,并将其输入到SVM分类器中实现轴承故障模式识别。对滚动轴承的正常状态、外圈故障、内圈故障和滚动体故障进行仿真试验,结果表明,该方法能够有效、准确地识别轴承故障。     

内禀模态特征能量法在滚动轴承故障模式识别中的应用

摘 要：针对滚动轴承振动信号和状态信息非线性映射关系,提出一种基于内禀模态函数（IMF）特征能量的轴承特征向量提取方法,并与支持向量机（SVM)相结合实现轴承的故障识别。该方法对滚动轴承振动信号进行经验模态分解（EMD）得到若干能反映轴承故障信息的IMF分量,选取包含主要信息的IMF能量作为振动信号的特征向量,并将其输入到SVM分类器中实现轴承故障模式识别。对滚动轴承的正常状态、外圈故障、内圈故障和滚动体故障进行仿真试验,结果表明,该方法能够有效、准确的识别轴承故障。     

基于EMD的胶合板损伤声发射信号特征提取及神经网络模式识别

摘要：针对胶合板损伤声发射信号的非平稳性和损伤类别特征相互重叠的实际情况,提出了基于经验模态分解(Empirical Mode Decomposition, EMD)和BP神经网络相结合的信号特征提取和识别方法。首先对损伤声发射信号进行EMD分解,筛选出包含主要信息的本征模态函数（Intrinsic Mode Function, IMF）分量;其次构建以各IMF分量的能量占比作为表征各损伤信号的特征向量;最后以提取的特征向量为输入样本,建立BP神经网络模式分类器对四类胶合板损伤信号进行识别。五层胶合板损伤的实测数据表明,该方法能够准确地提取出声发射信号特征并对其损伤类型进行有效地识别。     

基于VMD-SVM的三相异步电机故障诊断方法

针对三相异步电机信号的不稳定性及故障特征提取困难问题,提出一种基于变分模态分解（VMD）与支持向量机（SVM）相融合的电机故障诊断方法。该方法首先将采集的信号通过VMD分解得到IMF分量;其次,计算各个IMF分量的能量,再将其构成特征向量;最后对每种状态随机选取400 组输入SVM模型训练,将剩余每种状态100 组用于测试,通过预测标签与实际标签的比较来判断电机的故障状态。采用该方法对4 种不同的电机状态进行故障诊断,结果表明与完全自适应噪声集合经验模态分解（CEEMDAN）、变分模态分解（VMD）提取各IMF 能量特征相比,基于VMD-SVM的三相异步电机故障诊断方法更具优越性。     

基于变分模态分解和排列熵的滚动轴承故障诊断EI北大核心CSCD

滚动轴承早期故障信号特征微弱且难以提取,为了从轴承振动信号中提取特征参数用于轴承故障诊断和识别,提出基于变分模态分解(Variational Mode Decomposition,VMD)和排列熵(Permutation Entropy,PE)的信号特征提取方法,并采用支持向量机(Support Vector Machine,SVM)进行故障识别。对轴承振动信号进行变分模态分解,得到不同尺度的本征模态函数;计算各本征模态函数的排列熵,组成多尺度的复杂性度量特征向量;将高维特征向量输入基于支持向量基建立的分类器进行故障识别分类。通过滚动轴承实验数据分析了算法中参数选取问题,将该方法应用于滚动轴承实验数据,并与集合经验模态分解和小波包分解进行对比,分析结果表明,基于变分模态分解和排列熵的诊断方法有更高的诊断准确率,能够有效实现滚动轴承的故障诊断。     

基于EEMD的振动信号自适应降噪方法

摘 要：应用集合经验模式分解（Ensemble empirical mode decomposition ,EEMD）能有效抑制模态混叠的特性,根据白噪声经经验模式分解（Empirical mode decomposition, EMD）后其固有模式函数（intrinsic mode functions ,IMF）分量的能量密度与其平均周期的乘积为一常量这一特点设计了自动选择IMF分量重构信号的算法,提出了基于EEMD的振动信号自适应降噪方法。对仿真信号和滚动轴承振动信号的降噪结果表明了该降噪方法的可行性和有效性。     

基于VMD-DE的坦克行星变速箱故障诊断方法研究

为了提高坦克行星变速箱齿轮故障模式识别准确率,将变分模态分解(VMD)与散布熵(DE)结合提出故障特征提取新方法。利用波形法确定VMD分解层数,VMD分解振动信号得到一组固有模态分量(IMF);根据归一化互信息准则筛选若干IMF重构信号,计算重构信号的散布熵;将重构信号散布熵作为特征值输入到粒子群优化(PSO)的多分类支持向量机(SVM)中实现故障模式识别。通过对坦克行星变速箱的正常、行星轮故障和太阳轮故障三种状态进行模式识别,分类准确率达到100%,且计算时间较短。与基于原始振动信号DE、VMD-SE(样本熵)、VMD-PE(排列熵)及EMD-DE(经验模态分解与DE结合)等方法比较,综合考虑准确率和计算时间两个因素,基于VMD-DE的方法故障诊断性能最佳。     

基于变分模态分解和排列熵的滚动轴承故障诊断

滚动轴承早期故障信号特征微弱且难以提取,为了从轴承振动信号中提取特征参数用于轴承故障诊断和识别,提出基于变分模态分解(Variational Mode Decomposition,VMD)和排列熵(Permutation Entropy,PE)的信号特征提取方法,并采用支持向量机(Support Vector Machine,SVM)进行故障识别。对轴承振动信号进行变分模态分解,得到不同尺度的本征模态函数;计算各本征模态函数的排列熵,组成多尺度的复杂性度量特征向量;将高维特征向量输入基于支持向量基建立的分类器进行故障识别分类。通过滚动轴承实验数据分析了算法中参数选取问题,将该方法应用于滚动轴承实验数据,并与集合经验模态分解和小波包分解进行对比,分析结果表明,基于变分模态分解和排列熵的诊断方法有更高的诊断准确率,能够有效实现滚动轴承的故障诊断。     

基于ICEEMDAN-ELM的管道声信号识别方法研究

针对管道声信号的非平稳性和数据处理的多尺度问题,提出一种基于改进型自适应噪声的完全集合经验模态分解(ICEEMDAN)和极限学习机(ELM)相结合的管道脉冲声信号特征识别方法。首先模拟不同状态下的管道运行工况,采集管道在不同运行状态下的脉冲响应声信号并经过ICEEMDAN分解得到若干个不同特征尺度的固有模态函数(IMF)分量;综合相关系数和方差贡献率作为相关判据,筛选出表征管道阻塞信息的IMF分量,选取声压级作为管道运行状态的特征值构造特征向量,最后,通过极限学习机(ELM)对管道阻塞状态进行分类。研究结果表明,该方法可以很好描述管道状态信息,相比于支持向量机(SVM)与BP神经网络计算精度更高,计算时间更短。     

基于IA-VMD的浮环密封声发射信号降噪与特征提取

针对航空发动机浮环密封运行时,声发射信号易受外界噪声干扰,且特征信号难以提取的问题,提出一种基于免疫算法(immune algorithm, IA)和变分模态分解(variational mode decomposition, VMD)的声发射信号处理方法。首先应用免疫算法对变分模态分解中的模态数K和惩罚因子α进行优化,采用样本熵为亲和度函数,得到VMD算法中的最佳参数组合。其次,对原始信号进行分解得到若干模态分量(intrinsic mode function, IMF)并计算出各个分量的相对熵,选取差异小的分量进行重构得到降噪信号。仿真信号分析表明,IA-VMD方法可以获得最佳参数,在抗噪声干扰方面具有明显优势。最后,对浮环密封声发射信号降噪并进行特征提取,结果表明,采用IA-VMD方法能够在降噪的同时最大限度保留有效信息,获得表征浮环密封主密封面碰摩状态的声发射信号,为今后浮环密封故障诊断奠定基础。     

基于EEMD模糊熵和GK聚类的信号特征提取方法及应用

提出了一种基于集合经验模态分解模糊熵和GK聚类相结合的方法,应用于滚动轴承的故障诊断中。首先,利用EEMD方法将故障信号分解成多个本征模态分量来消除模态混叠影响;其次,通过相关性对IMF分量进行筛选,并求取其模糊熵作为特征向量进行GK聚类分析进行模式识别。在实验分析中,通过模糊熵、样本熵、近似熵3种特征参数的对比,和GK聚类与FCM聚类的对比,证明了该方法的有效性和优越性。     

基于变分模态分解和多尺度排列熵的滚动轴承故障诊断

针对滚动轴承故障振动信号非平稳性、故障特征提取效果不理想以及故障诊断准确性低等问题,提出基于变分模态分解和多尺度排列熵的滚动轴承故障特征提取方法,并采用经粒子群算法优化的概率神经网络(PSO-PNN)故障诊断模型进行故障类型识别。通过变分模态分解方法将提取的振动信号分解成K个模态分量,进一步计算K个分量的多尺度排列熵,组成多尺度的特征向量,将特征向量输入到PSO-PNN故障诊断模型中识别故障类型。MATLAB仿真结果表明,该方法使故障类型识别准确率有所提高。     

VMD能量熵与核极限学习机在滚动轴承故障诊断中的应用

针对滚动轴承信号的不规则特性,致使信号故障特征难提取及难以辨识,为实现滚动轴承故障的智能诊断,提出基于VMD能量熵与核极限学习机(kernel extreme learning machine,K-ELM)的滚动轴承故障诊断方法。首先将测得振动信号进行变分模态分解(variational mode decomposition,VMD),利用能量熵进一步提取各模态特征组成高维特征向量集;然后将构建的特征向量作为K-ELM算法的输入,通过训练建立K-ELM滚动轴承故障分类模型。实验结果表明:VMD能够很好地分解轴承振动信号,且K-ELM滚动轴承故障分类模型比SVM、ELM故障分类模型具有更高的精度、更强的稳定性。     

基于IMF特征提取的滚动轴承故障诊断

滚动轴承故障诊断的关键是敏感故障特征的提取。模糊熵(Fuzzy Entropy,FE)是一种检测时间序列复杂程度的方法,已广泛应用于故障诊断。由于机械系统的复杂性,振动信号的随机性表现在不同尺度上,因此需要对振动信号进行多尺度的模糊熵分析。在此基础上,提出了基于经验模态分解(Empirical Mode Decompose,EMD)和模糊熵的滚动轴承故障诊断方法。首先,采用EMD方法对振动信号进行分解,得到不同尺度的内禀模态函数(Intrinsic Mode Function,IMF)并计算包含主要故障信息的IMF分量的模糊熵;其次,对IMF分量的模糊熵值进行基于样本分位数的特征提取;最后,将分位数值作为特征向量,输入基于优化算法的支持向量机。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。     

基于VMD能量熵和BP神经网络风电叶片缺陷研究

针对叶片在服役过程中缺陷特征提取困难,提出一种基于变分模态能量熵结合BP神经网络的叶片缺陷诊断方法。首先对声发射信号进行变分模态分解,通过方差贡献率筛选不同缺陷的主要模态分量,之后求取不同缺陷主要模态分量的能量熵构造不同缺陷的特征向量。为验证特征向量选取的准确性,将不同缺陷能量熵向量输入BP神经网络进行缺陷模式识别。结果表明:缺陷识别正确率高达90%,表明变分模态能量熵结合BP神经网络的叶片缺陷诊断方法能够实现叶片早期缺陷识别,具有一定的应用价值。     

基于改进极限学习机的水轮机运转状态识别

针对水轮机远程运行状态监测困难的现状，提出了基于模拟退火算法的粒子群算法(simulated annealing algorithm-particle swarm optimization, SA-PSO)优化极限学习机(extreme learning machine, ELM)的方式，建立水轮机运转状态识别模型SA-PSO-ELM。对水轮机信号进行互补集合经验模态分解(complementary ensemble empirical mode decomposition, CEEMD)获得IMF分量，引入皮尔逊相关系数计算各个IMF分量与水轮机信号的相似度，判断信号主导模态和噪声主导模态的分界点，用小波去噪对噪声主导模态降噪，并与其余的IMF分量重构得到去噪信号，同时对去噪后的信号进行分解，计算每个IMF分量的排列熵，构建特征向量。由于SA-PSO精度高不易陷入局部最优的特点和ELM的性能受权值、阈值共同影响的特点，用SA-PSO优化ELM的权值和阈值，构建水轮机运转状态识别模型SA-PSO-ELM。对不同工况下采集的水轮机压力脉动数据，分析了基于PSO-ELM、ELM及SA-PS...     

SCA-VMD在变压器声信号降噪中的应用

针对采集变压器运行声信号时会混入噪声的情况,提出了基于稀疏分量分析-变分模态分解（sparse component analysis-variational modal decomposition,SCA-VMD）分离变压器运行声信号并降噪的方法。基于稀疏特性的欠定盲源分离能够在观测信号数目小于未知源信号数目的情况下实现源信号的有效分离,变分模态分解（VMD）能将一个多分量信号一次性分解为多个单分量信号。以两路观测信号作为输入,利用稀疏分量分析法（SCA）分离得到变压器运行声信号,再利用VMD将分离信号分解为4层本征模态函数（intrinsic mode function,IMF）分量,通过阈值滤波的方法对高频分量和低频分量进行去噪处理,利用新的IMF分量重构得到去噪信号。仿真试验和实际试验结果表明,该方法能实现对变压器运行声信号的有效分离和去噪处理。     

基于经验模式分解和排列熵的轴承故障特征提取

针对滚动轴承故障声信号故障诊断中共振解调滤波参数较难确定以及故障诊断困难的问题,提出一种基于经验模式分解和排列熵的改进滚动轴承故障诊断解调方法.该方法首先对滚动轴承声信号进行经验模式分解,将其分解为多个本征模态分量;然后计算各本征模态分量的排列熵值和相关系数,根据联合系数最大化原则对筛选出的分量进行信号重构;最后,利用...     

基于EMD和MKD的滚动轴承故障诊断方法

针对滚动轴承早期微弱故障特征难以提取的问题,提出基于经验模态分解(Empirical Mode Decomposition,EMD)与最大峭度解卷积(Maximum Kurtosis Deconvolution, MKD)的滚动轴承故障特征提取方法。利用EMD方法分解振动信号得到一组固有模态分量(Intrinsic Mode Function,IMF),然后根据时域峭度和包络谱峭度,筛选出敏感IMF分量进行信号重构。然后对重构信号进行最大峭度解卷积处理以增强故障信息,最后得到包络功率谱,从而获得轴承故障特征频率信息。通过实验台信号验证了所述方法的有效性及优点。