LMD能量熵和SVM相结合的滚动轴承故障诊断

为实现小样本情况下对滚动轴承进行故障检测和分析,提出了基于局部均值分解(LMD)的能量熵和支持向量机(SVM)相结合的滚动轴承故障诊断方法。利用LMD信号处理方法将滚动轴承振动信号分解成有限个乘积函数(PF)分量,通过计算PF分量的能量熵进行故障特征提取,然后将提取的特征输入到SVM分类器中进行训练及测试,最终实现对滚动轴承的故障诊断。实验数据显示,在仅有少量样本条件下,LMD能量熵和SVM相结合的方法能够精确地对滚动轴承的故障类型进行识别和分类,这表明该方法对滚动轴承故障诊断的有效性。     

基于LMD样本熵与ELM的行星齿轮箱故障诊断

为了解决行星齿轮箱故障特征提取困难的问题,考虑到行星齿轮箱振动信号的耦合、非线性的特点,提出基于局域均值分解(LMD)的样本熵和极限学习机(ELM)结合的行星齿轮箱故障诊断方法。首先,利用局域均值分解方法将振动信号自适应地分解为多个PF分量,结合相关系数选取包含主要故障信息的前4个PF分量。其次,应用样本熵方法进行计算,组成特征向量。最后,将特征向量输入极限学习机进行故障分类。在行星齿轮箱实验台上进行了实验,与基于概率神经网络(PNN)分类算法进行了对比,并与基于奇异值分解(SVD)构成的特征向量进行了对比,结果验证了该方法的有效性。     

基于LMD和ICA的滚动轴承故障诊断

针对局部均值分解(Local Mean Decomposition,LMD)在提取故障特征时易受到噪声干扰的问题,提出了一种基于局部均值分解和独立分量分析(Independent Component Analysis,ICA)的滚动轴承故障诊断方法。该方法首先采用LMD方法提取信号PF分量;其次,对PF分量进行ICA盲源分离,得到PF分量的估计信号,有效去除了分量中的噪声成分;然后,提取估计信号的互信息、相关系数和近似熵作为特征向量;最后,采用SVM对特征向量进行故障分类,通过特征提取和故障诊断实验,结果表明LMD-ICA方法的故障识别率明显高于传统LMD方法。     

LMD样本熵与SVM结合的柱塞泵故障诊断研究

针对柱塞泵故障特征难以提取、故障分类困难、故障诊断准确度不高的问题,提出局部均值分解(LMD)样本熵和支持向量机(SVM)结合的柱塞泵故障诊断方法研究.采集柱塞泵四种状态(正常、松靴、配流盘磨损、滑靴磨损)的多测点振动信号,将振动信号进行LMD分解和重构,提取重构信号的样本熵与原始信号标准差作为特征向量,将其输入SVM...     

基于LMD多尺度熵与SVM的往复压缩机轴承故障诊断方法

针对往复压缩机振动信号的非平稳和非线性特性,提出了基于LMD多尺度熵与SVM的往复压缩机轴承间隙故障诊断方法。利用具有保形特性的Hermite插值法替代传统LMD中滑动平均法构造均值与包络函数,提高LMD对非平稳信号的分解精度。以改进LMD方法对各状态振动信号进行分解,依据相关性系数选择其中代表故障状态主要信息的PF分量。利用多尺度熵对各PF分量进行定量描述,并以平均类间样本距离对尺度因子进行优选,得出可分性良好的特征向量。使用SVM作为模式分类器,诊断得出了轴承间隙故障类型。同LMD与样本熵以及LMD与近似熵方法所提取特征向量进行对比,结果表明该方法具有更高的识别准确率。     

基于LMD能量熵的滚动轴承故障特征提取

为了对滚动轴承运行状态进行有效的判断,利用局部均值分解(LMD)对滚动轴承振动信号进行分解,将复杂的多分量信号分解成多个单分量信号;针对分解后的单分量信号在各频域范围分布不均匀特点,利用LMD能量熵提取出滚动轴承振动信号的故障特征。实验结果表明,LMD能量熵具有较强的信号表征能力,可以有效提取出滚动轴承故障特征。     

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。     

改进LMD和排列熵的滚动轴承故障诊断

针对滚动轴承故障振动信号的复杂特性和局部均值分解(Local Mean Decomposition,LMD)方法存在的端点效应问题,提出了基于振动信号自相似性对左右端点两侧延拓来抑制端点效应问题的改进LMD、排列熵(Permutation Entropy,PE)及优化K-均值聚类算法相结合的轴承故障诊断方法。首先通过改进LMD将非线性、非平稳的原始故障振动信号分解出一系列的乘积函数(Production Function,PF)分量,对包含主要故障信息的PF分量提取PE值作为故障特征分量,在提取特征量的基础上,最后采用优化后的K-均值聚类算法对故障类型进行识别分类。将该方法应用在滚动轴承实验数据,实验结果表明该方法可以准确、有效的实现滚动轴承的故障诊断。     

基于LMD能量特征的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的多载波多调制特性,提出一种基于局域均值分解(local mean decomposition,简称LMD)能量特征的特征向量提取方法,并与支持向量机相结合用于滚动轴承的故障诊断。首先,采用LMD方法将复杂调制振动信号分解为若干单分量信号乘积函数(production function,简称PF);然后,对反映信号主要特征的PF基于时间轴积分,得到各PF分量能量矩并构造特征向量;最后,将其输入多分类支持向量机中,用于区分滚动轴承的故障类型与故障程度。对滚动轴承内圈故障、外圈故障及滚动体故障振动信号的分析结果表明,该方法能有效提取滚动轴承各工作状态信号的故障特征,能准确识别故障类型,同时对故障程度的判断表现出较高的识别率。     

基于LMD云模型与PSO-KELM的齿轮箱故障诊断

由于齿轮箱故障振动信号具有非平稳性与不确定性的特点，导致齿轮箱故障诊断精度较低。针对该问题提出一种基于局部均值分解（LMD）云模型特征提取结合粒子群优化（PSO）核极限学习机（KELM）的齿轮箱故障诊断方法。首先，将故障振动信号用LMD分解得到若干PF分量，并利用相关系数原则筛选出相关性较高的PF分量；其次，在云模型中输入筛选后的PF分量，采用逆向云发生器对特征向量进行提取并输入到PSO-KELM中进行故障诊断；最后，利用QPZZ-Ⅱ实验台齿轮箱实测数据对该方法进行了性能分析。结果表明，该方法识别精度为97.65%，与多种方法进行对比，该方法具备最佳识别性能。     

基于LMD近似熵和PSO-ELM的齿轮箱故障诊断

针对齿轮箱使用中常见的故障检测与识别问题,考虑到齿轮箱振动响应信号非线性、非平稳的特性,提出基于局域均值分解(LMD)的近似熵和粒子群优化的极限学习机(PSO-ELM)结合的齿轮箱故障诊断方法。首先,使用LMD分解方法对齿轮箱各工况的振动信号进行分解,结合相关系数选取反映主要故障信息的前4个PF分量。利用近似熵进行定量描述,组成特征向量。最后用粒子群算法对ELM的输入权值与隐含层神经元阈值进行优化,建立PSO-ELM模型,并将近似熵特征值输入到ELM和PSO-ELM模型中,对齿轮箱不同工况进行故障识别与分类。结果表明,基于LMD近似熵和粒子群优化的ELM有更高的分类正确率,验证了该方法的可行性。     

基于LMD的能量算子解调机械故障诊断方法

为了提取多分量调幅调频信号的幅值和频率信息,提出了基于局部均值分解(local mean decomposition,简称LMD)的能量算子解调机械故障诊断方法.该方法先利用LMD将机械调制信号分解成若干个乘积函数(production function,简称PF)分量,然后对每一个PF分量进行能量算子解调,获得信号的幅值和频率信息进行故障诊断.利用该方法对仿真信号以及轴承和齿轮故障振动信号进行实验研究的结果表明,基于LMD的能量算子解调方法能够有效地提取机械故障振动信号特征.     

基于DLMD样本熵和模糊聚类的滚动轴承故障诊断

针对传统的局部均值分解(LMD)方法不能有效提取微弱高频信号成分的问题,提出了一种基于微分的微分局部均值分解(DLMD)方法,在此基础上,将DLMD、样本熵和模糊聚类分析相结合,提出了一种基于DLMD样本熵和模糊聚类的滚动轴承故障诊断方法。该方法首先对滚动轴承振动信号进行微分局部均值分解,得到若干具有物理意义的乘积函数(PF)分量,然后求取各PF分量的样本熵并将其作为特征向量,最后通过模糊聚类对特征向量进行识别分类。实验结果表明,基于DLMD样本熵和模糊聚类相结合的方法能够准确、有效地对滚动轴承故障信号进行识别分类。     

基于MED-SVM的齿轮箱故障诊断方法

为了解决齿轮箱的故障诊断问题,提出了一种基于最小熵反褶积(Minimum Entropy Deconvolution,MED)和支持向量机(Support Vector Machine,SVM)的齿轮箱故障诊断方法。该方法首先对齿轮箱振动加速度信号进行MED降噪处理,对降噪后的信号在幅域、频域和能量域进行特征参量提取,建立特征向量,以此作为输入建立多分类支持向量机,通过交叉验证方法优化模型参数,判断齿轮箱的故障类型。实测齿轮箱振动信号的故障诊断结果表明,该方法能有效识别多种齿轮和轴承的故障类型,优化模型参,数有助于提高故障识别准确率。     

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LMD的包络谱特征值在齿轮箱故障诊断中的应用研究

针对齿轮箱故障振动信号大多是多分量的调幅-调频信号,而传统包络分析法又太依赖经验值选取参数的问题,对齿轮箱振动信号的分解方法、包络分析方法以及提取特征值等方面进行了研究,提出了一种基于局部均值分解(local mean de-composition,LMD)的包络谱特征值的方法。该方法首先利用局部均值分解对齿轮箱信号进行了处理,获得了包含有不同频率特征的PF(product function)分量,最后对包含有主要故障信息的第一级PF分量进行了包络分析,提取了包络谱的特征频率,以此来判别齿轮箱的工作状态和故障类型。利用齿轮箱正常状态、局部损伤、磨损故障3种齿轮箱振动信号的实例进行了验证。研究结果表明,利用LMD分解后求取包络谱特征频率的方法能够较为准确地判别齿轮箱的工作状态和故障类型。     

基于LMD与多尺度排列熵的往复压缩机故障特征提取方法

往复压缩机是用于压缩和输送气体的机械设备,针对其振动信号特征,提出基于LMD与多尺度排列熵的往复压缩机轴承间隙故障特征提取方法。利用具有保形特性的Hermite插值法替代传统LMD中滑动平均法构造均值与包络函数,提高LMD对非平稳信号的分解精度;以改进的LMD方法分解各状态下的振动信号,依据相关性系数筛选包含故障状态主要信息的PF分量;利用多尺度排列熵对各PF分量进行定量描述,并以平均类间样本距离对尺度因子进行优选,得出可分性良好的特征向量;利用SVM识别轴承间隙故障的类型,以识别准确率为依据,通过与不同方法所提取的特征向量进行对比,验证了方法的有效性。     

基于PCA和LMD分解的滚动轴承故障特征提取方法

局部均值分解(LMD)是一种自适应时频分析方法,并在轴承的故障诊断中成功应用,但是受噪声的影响比较大。为了最大程度地降低噪声的干扰,提出了主分量分析(PCA)与局部均值分解(LMD)相结合的故障诊断方法。该方法首先利用相空间重构将一维时间序列振动信号嵌入为等效的多维时间序列信号,然后利用主分量分析提取主要成分实现降噪,最后把降噪之后的信号进行LMD分解,分解成若干个乘积函数(PF)之和,对能量最高的PF1进行包络谱分析,提取出故障特征信息。通过仿真试验和轴承故障试验,结果表明该方法能够有效地提取出信号的故障特征,证明了该方法的有效性。     

奇异值分解与LMD结合的滚动轴承故障诊断研究

针对滚动轴承故障信号具有的非线性和非平稳性,其故障特征难以提取的问题,提出一种奇异值分解(SVD)和局部均值分解(LMD)相结合的滚动轴承故障特征提取和诊断方法。首先,将轴承故障信号进行LMD分解得到若干PF分量;然后选取和原始信号相关度较大的PF分量,利用奇异值序列来构造其故障特征向量;最后,将得到的故障特征向量作为学习样本输入到支持向量机(SVM)中,对故障类型进行分类和识别。实验结果表明,LMD和SVD结合的故障特征提取方法,能有效提取滚动轴承不同状态下的故障特征,对不同故障状态做出准确分类。     

基于LCD信息熵特征和SVM的机械故障诊断

提出了一种基于局部特征尺度分解(LCD)信息熵特征和支持向量机(SVM)相结合的机械故障诊断方法。首先采用LCD对振动信号进行分解,得到若干个具有物理意义的内禀尺度分量(ISC);结合信息熵理论,从时域、频域和时频域3个角度分别定义了时域奇异谱熵、频域功率谱熵以及时频域的特征空间熵、边际谱熵和瞬时能量熵,并将这些熵值组成特征向量;最后通过SVM对特征向量进行分类识别。轴承故障诊断的实例表明,基于LCD信息熵特征和SVM相结合的方法能够准确地对轴承故障信号进行识别,并且效果要好于EMD信息熵特征和SVM结合的方法。