基于EMD和香农熵的刀具磨损故障诊断系统开发

针对机床刀具磨损故障诊断,开发了基于经验模态分解和香农熵进行信号处理的刀具故障诊断系统。在信号处理阶段,对机床加工过程中刀具的振动信号进行经验模态分解,得到若干固有模态函数(IMF),并基于香农熵从分解得到的IMF分量中提取有效分量,去除虚假分量,最后将有效的IMF分量的能量作为特征向量输入向量机(SVM)分类器来识别刀具的磨损状态。经实验验证,该系统能对刀具磨损状态进行准确快速地判断。     

基于EMD和SVM的刀具故障诊断

为有效监测刀具在机床中可能出现的故障,提出基于经验模态分解(EMD)和支持向量机(SVM)的一种故障诊断方法。首先用EMD方法将振动信号分解为有限个固有模态函数(IMF),并选取能量较大的IMF进行标量量化得到特征向量,最后将其输入SVM进行测试进而判断故障类型。分析结果表明,基于EMD-SVM的刀具故障方法能够更有效地识别刀具故障状态。     

强干扰下基于TMD-SVD和POS-BP网络的变速箱状态识别

针对车辆变速箱工作环境恶劣、故障模式难以识别的问题,在现有方法基础上,提出了一种基于经验模态-小波包结合的二次模态分解(Two-layer-mode decomposition,TMD)和奇异值分解(Singular value decomposition,SVD)特征值提取方法,并结合粒子群(POS)-BP神经网络应用于变速箱故障诊断中.首先,在自行搭建的实验台上采集变速箱正常、滚动体故障、外圈裂纹、齿轮磨损4种典型状态下的振动信号;然后,用EMD分解提取信号前5个IMF分量,由于IMF1频谱依然较复杂,采用小波包继续进行2层分解;最终,由二次模态分解得到8个子序列,构建信号分量矩阵,再提取分量矩阵的奇异值作为特征值,将特征值输入构建好的POS-BP神经网络诊断模型中,根据输出识别变速箱故障类型.分析结果表明,该方法能有效应用于特种车辆变速箱故障诊断,诊断正确率达到92％,为复杂工况下变速箱状态识别提供了一种有效的参考途径.     

刀具磨损状态检测方法的分析与验证

为监测机床刀具磨损程度,提出了一种基于小波包理论(WPD)、经验模态分解(EMD)以及支持向量机(SVM)等相结合的刀具故障诊断方法。通过小波包理论工具消除刀具的高频噪声信号,并对去噪后的信号进行模态分解、合成,计算出模态函数(IMF)和EMD分解信号的相关参数。将计算出的信号时域上的特征参数作为支持向量机(SVM)的输入特征向量,完成对刀具故障的检测。实验结果分析表明,该方法可以有效地判断刀具磨损程度,验证了方法的可行性。     

滚动轴承的VMD-LSSVM故障识别方法

滚动轴承是工程设备中的关键部件,对滚动轴承进行故障识别方法研究有重要的意义。为了解决滚动轴承振动信号分析能力薄弱的问题,提出了一种基于变分模态分解（Variational mode decomposition,VMD）与最小二乘支持向量机（Least square support vector machine,LSSVM）的滚动轴承故障识别方法。以凯斯西储大学滚动轴承实验数据为研究对象,获取4类故障7种滚动轴承状态实验振动数据。进行VMD分解,得出最佳分解本征模态函数（Intrinsic mode function,IMF）个数4,然后计算4个IMF样本熵（Sample entropy,SE）得到相应特征量,输入LSSVM模型进行状态识别。实验表明,基于VMD-LSSVM的方法比EMD(Empirical mode decomposition)-HMM(Hidden Markov model)和EMD-LSSVM方法有更高的识别率。     

变量预测模型在齿轮故障诊断中的应用

将基于变量预测模型的模式识别(variable predictive model based class discriminate,简称VPMCD)方法、经验模态分解(empirical mode decomposition,简称EMD)方法和奇异值分解(singular value decomposition,简称SVD)相结合,提出了一种基于EMD,SVD和VPMCD的齿轮故障的诊断方法.首先,对齿轮振动信号进行EMD分解,得到若干个IMF(intrinsic mode function,简称IMF)分量;其次,将包含齿轮主要故障信息的前几个IMF分量组成特征向量矩阵,并对其进行SVD分解;最后,将奇异值作为特征向量建立VPMCD多故障分类器,以此来区分齿轮的工作状态和故障类型.将提出的方法应用于齿轮实验数据,分析结果表明,该方法能够实现齿轮故障类型的分类和诊断,是一种有效可行的齿轮故障诊断方法.     

改进WMRA在滚动轴承故障诊断研究中的应用

针对滚动轴承初期故障诊断时故障特征信号微弱,且传统的包络谱分析方法需要预先依靠经验确定出分析频段的问题,提出了基于经验模态分解(EMD)和改进的小波多分辨率分析(WMRA)的诊断方法。首先通过对滚动轴承故障振动信号进行EMD分解,利用峭度系数和振动固有频率特征参数对分解后的本征模态函数(IMF)分量进行了分类,筛选出了最佳IMF分量,然后通过希尔伯特变换(HT)计算得到了所选IMF分量的包络信号,最后利用改进后的WMRA对包络信号进行了重构,所得到的包络谱明显地突出了故障特征频率。实验结果表明:相比单独的EMD或传统的WMRA,该方法有效地提高了信号分析的准确性。     

基于独立分量分析的EMD模态混叠消除方法研究

针对经验模态分解(empirical mode decomposition,EMD)算法中存在的模态混叠现象,提出一种应用独立分量分析进行模态混叠消除的新方法.首先应用形态学滤波方法将信号中的噪声予以消除,减少由于噪声因素造成的模态混叠现象.然后将信号进行EMD分解,获得不同的IMF分量,将存在模态混叠成分的IMF分量进行相空间重构,利用基于峭度最大化的独立分量分解算法实现混叠成分的分离,仿真分析和工程应用的结果表明,所提方法能有效地消除EMD分解过程中的模态混叠现象.     

基于四轴联动的立铣刀故障诊断方法优化

针对数控机床上的刀具磨损问题,为了有效检测刀具磨损状态,提出了基于EMD和SVM相结合的刀具故障检测方法。通过设备采集磨损的刀具信号并加以处理,然后利用经验模态分解(EMD)方法分解后再进行信号重组,得出若干个模态函数(IMF);经标量量化处理得出特征向量后,利用支持向量机(SVM)方法完成刀具故障检测。结果表明,该方法能很好地检测出刀具磨损状态,验证了方法的可行性。     

基于EMD与神经网络的煤岩界面识别方法

针对放顶煤中煤岩界面难以识别的问题,采用检测液压支架尾梁振动信号的方式进行了研究,提出一种基于经验模态分解(empirical mode decomposition,简称EMD)和神经网络的识别方法。首先,对振动信号进行经验模态分解,得到多个固有模态分量(intrinsic mode functions,简称IMF);然后,对各IMF进一步分析以提取特征参数;最后,选择若干个包含主要信息的参数组成特征向量作为神经网络的输入来识别落煤和落岩两种情况,实现煤岩界面的自动识别。实验结果表明,分别以各IMF的能量、峭度和波峰因子组成的特征向量均可用于识别煤岩界面,且当以能量组成特征向量时比其他两种方式具有更高的识别率。