机械振动信号自适应多尺度非线性动力学特征提取方法研究

针对机械振动信号的故障特征提取问题,提出了基于独立变分模态分解与多尺度非线性动力学参数的特征提取方法。①提出频谱循环相干系数选取匹配波形对机械振动信号进行端点延拓后再进行VMD分解得到不同频率尺度的IMF分量;②根据互相关准则选取有效的IMF分量进行核独立成分分析,分离出相互独立的有效故障特征频带分量;③计算各独立分量的复合多尺度模糊熵偏均值,并利用正交变换将独立分量正交化后构造多维超体,进而利用多维超体体积定义并计算信号的双测度分形维数,从而获得多尺度非线性动力学特征参数,实现机械故障诊断。仿真和实验结果表明:所提方法可有效抑制VMD分解的端点效应和模态混叠,信号分解效果好,特征参数分类精度高,极大地提高了机械故障诊断准确率。     

混合插值的ESMD在电机轴承故障特征提取的应用

针对极点对称模态分解(ESMD)处理电机轴承故障信号存在局部模态混叠的问题,提出了一种基于有理Hermite插值和三次样条插值改进的ESMD电机轴承故障特征提取方法。由于首先有理Hermite插值可通过控制形状参数来调节插值曲线,将固有模态分量(IMF)的瞬时频率带宽作为的优化准则,采用有理Hermite插值与三次样条插值相结合,既避免了插值耗时过长,又考虑了插值曲线的平滑性;采用自适应权重调整的粒子群算法(PSO)确定每阶IMF的最优形状控制参数,避免陷入局部最优,使得IMF最优,从而提高ESMD自适应性和分解精度。试验结果表明,该方法可有效提取电机轴承故障特征,并有效缓解ESMD模态混叠,与其它方法相比分解效果更好。     

解相关EMD:消除模态混叠的新方法

模态混叠是制约希尔伯特-黄变换(Hilbert-Huang Transform,简称HHT)在工程上推广应用的一个主要难题,采用在经验模态分解(Empirical Mode Decomposition,简称EMD)过程中嵌入解相关操作有效解决了EMD过程中产生的模态混叠问题。模态混叠的本质是各本征模态函数(Intrinsic Mode Function,简称IMF)分量之间信息相互耦合,无法表征有意义的物理过程,因此可认为模态混叠现象是由于IMF之间不完全正交导致。根据零均值随机信号正交性与不相关具有等价关系,在EMD过程中嵌入解相关操作,可有效保证IMF之间的正交性,消除模态混叠。仿真信号处理结果证明了方法的有效性。     

噪声参数最优ELMD与LS-SVM在轴承故障诊断中的应用与研究

针对轴承振动信号的非平稳特征和现实中难以获得大量典型故障样本,提出基于噪声参数最优的总体局部均值分解(Ensemble Local Mean Decomposition,ELMD)与最小二乘支持向量机(Least Squares Support Vector Machine,LS-SVM)相结合的轴承故障诊断方法。首先对轴承振动信号进行噪声参数最优ELMD分解并得到一系列窄带乘积函数(Product Function,PF),然后计算各PF分量能量以构造能量特征向量,最后将高维能量特征向量作为最小二乘支持向量机的输入来识别轴承故障类型。通过对轴承故障振动信号分析,结果表明噪声参数最优ELMD方法能有效地抑制模态混叠,与LS-SVM结合可以准确地识别轴承的工作状态和故障类型。     

基于峭度准则EEMD及改进形态滤波方法的轴承故障诊断

针对轴承故障成分常以周期性冲击成分出现在振动信号中,而冲击响应成分常被强大噪声淹没,造成轴承故障特征提取困难等问题,将集成经验模态分解(EEMD)与改进形态滤波方法相结合,在本征模态函数(IMF)及形态学结构元素(SE)选取时均以峭度准则为依据,对筛选出的IMF分量进行信号重构后,再进行基于峭度准则的改进形态滤波方法处理。结果表明,该方法可避免共振解调中中心频率及滤波频带选取,自适应性较好;通过对实际滚动轴承内外圈故障分析,该方法可清晰准确提取到故障特征信息,噪声抑制效果好,可用于轴承故障精确诊断。     

基于全矢包络融合双层降噪处理的轴承故障特征提取

针对轴承故障信号受背景噪声影响,而难以准确提取故障冲击特征的问题,提出一种噪声辅助多元经验模态分解（Noise-assisted Multivariate Empirical Mode Decomposition,NA-MEMD）与全矢包络快速独立分量分析（Fast Independent Component Analysis,FastICA）相结合的轴承故障特征提取方法。该方法将同源双通道信号进行NAMEMD分解,根据相关性系数选取包含故障特征的固有模态函数(Intrinsic Mode Function,IMF)进行重构;对重构信号进行快速独立分量分析,最后进行全矢包络融合,提取轴承故障特征。对实际轴承信号的分析验证该方法能有效提取完整高阶故障频率,同时降低包络谱特征统计参数的冗余。     

基于MS-EEMD的滚动轴承微弱故障提取研究

在实际工况下,轴承的早期故障信号与强噪声信号相比属于微弱信号,而轴承的早期故障特征从强噪声环境中提取出来一直是故障诊断课题的一大难点。基于上述问题,提出一种基于MS（Mask Signal）和EEMD（Ensemble Empirical Mode Decomposition）方法的滚动轴承微弱故障提取方法。由于EEMD方法在噪声背景下分解出的IMF分量存在模态混叠现象,很难辨别故障频率的真伪,所以引入掩膜信号法对分解出的IMF分量进行处理,抑制虚假频率,将故障频率提取出来。通过将掩膜信号法与EEMD方法相结合的方式,对存在噪声的故障信号进行处理,提取出故障特征。     

基于MEEMD的内燃机机体活塞敲击激励与燃烧爆发激励分离研究

提出了一种改进的集总平均经验模态分解（MEEMD）方法,并阐述了其实现过程。通过仿真实验,验证了MEEMD是一种更为优秀的自适应信号分解方法,不仅抑制了经验模态分解（EMD）的模态混叠问题,而且消除了集总平均经验模态分解（EEMD）中的,非标准IMF分量、模态分裂和白噪声残余等问题。将MEEMD应用到内燃机振声信号处理中,以某柴油机为研究对象,对其机体上的振动信号进行MEEMD分解,分离其中的活塞敲击引起的机械激励成分与燃烧爆发激励成份,诊断主要振动源。     

基于VMD的铣刀破损检测

针对铣削过程中的切削振动信号具有非平稳性的特点,提出了一种基于变分模态分解(VMD)的铣刀破损检测方法。该方法通过VMD将切削振动信号分解成若干个模态分量,由于铣刀发生破损后,不同模态分量的频带分布会发生变化,因此提取各模态分量的中心频率和能量组成特征向量;对特征向量进行归一化处理,最终输入到支持向量机(SVM)进行铣刀破损检测。在多种切削参数下进行铣削加工实验,结果表明该方法比基于EMD的铣刀破损检测方法能抑制模态混叠的发生且具有更高的检测精度。     

桥梁动力测试信号的自适应分解与重构

针对桥梁结构动力测试信号噪声水平高、难以分离结构有效信号的特点,在总体平均经验模态分解方法和主成分分析的基础上,建立了自适应分解与重构方法。对经验模态分解结果的模态混叠现象进行深入分析,利用白噪声概率密度函数的均匀性对模态混叠模式一进行了改进,基于相关性分析改进了模态混叠模式二,改进后的分解方法在计算效率和分解精度上均有较大提升;随后对所有分解获得的固有模态函数进行多尺度主成分分析,实现降噪和选择并重构测试信号。分别用模拟信号和实际桥梁测试信号对所提方法的有效性进行了验证。结果表明:改进后的信号自适应分解和重构方法能在降噪的同时,有效地提取桥梁结构信息,可用于实际桥梁结构的动力测试分析中。     

基于DEMD和模糊熵的滚动轴承故障诊断方法研究

提出一种基于微分的经验模式分解(DEMD)模糊熵和支持向量机(SVM)相结合的滚动轴承故障诊断方法。首先对信号进行基于微分的经验模式分解,得到若干具有物理意义的本征模函数(IMF)分量,再利用相关度准则对固有模式分量进行筛选,计算所选分量的模糊熵,组成故障特征向量,然后将其作为支持向量机的输入来识别滚动轴承的状态。并将该方法与基于EMD模糊熵和SVM相结合的方法进行比较,实验结果表明该方法对机械故障信号能够更有效准确地进行识别分类。     

基于Hilbert谱奇异值的滚动轴承故障诊断

提出一种基于Hilbert谱奇异值的故障特征提取方法,将其与支持向量机结合应用于轴承故障诊断。利用小波阈值降噪的方法对拾取的轴承故障振动信号进行滤波降噪,然后利用经验模式分解将降噪信号分解为若干个IMF分量之和,对每个IMF分量进行Hilbert变换得到振动信号的Hilbert谱,对Hilbert谱进行奇异值分解得到反映轴承状态特征的奇异值序列,再利用奇异值作为特征向量,应用支持向量机进行轴承故障诊断,并对不同核函数的诊断结果进行了分析比较。对正常轴承、内圈故障、外圈故障、滚动体故障的实际信号的诊断验证了该方法可的有效性。     

基于变分模态分解与深度卷积神经网络的滚动轴承故障诊断

针对滚动轴承振动信号非平稳、非线性特点以及特征提取困难问题,提出一种基于变分模态分解(VMD)与深度卷积神经网络相结合的特征提取方法并应用于滚动轴承故障诊断。利用VMD将原始振动信号分解得到若干不同频率的限带本征模态分量,通过卷积网络中的多组卷积核自动学习各模态数据的不同特征,保证了特征提取的自适应性、全面性和多样性。在特征提取的基础上,使用全连接神经网络进行故障分类与诊断。将所提方法应用于滚动轴承故障诊断,结果表明,该方法在变工况情况下能够实现滚动轴承故障类别以及损伤程度的精确判定。     

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EMD与神经网络的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的非平稳特征，提出了一种基于经验模态分解(Empirical Mode Decomposition，简称EMD)和神经网络的滚动轴承故障诊断方法。该方法首先对原始信号进行了经验模态分解，将其分解为多个平稳的固有模态函数(Intrinsic Mode function，简称IMF)之和，再选取若干个包含主要故障信息的IMF分量进行进一步分析，由于滚动轴承发生故障时，加速度振动信号各频带的能量会发生变化，因而可从各IMF分量中提取能量特征参数作为神经网络的输入参数来识别滚动轴承的故障类型。对滚动轴承的正常状态、内圈故障和外圈故障信号的分析结果表明，以EMD为预处理器提取各频带能量作为特征参数的神经网络诊断方法比以小波包分析为预处理器的神经网络诊断方法有更高的故障识别率，可以准确、有效地识别滚动轴承的工作状态和故障类型。     

基于多尺度高阶奇异谱熵的信号特征提取方法

提出了基于变分模态分解(VMD)的高阶奇异谱熵的特征提取方法,并应用在滚动轴承故障诊断中。首先,使用4阶累积量切片代替奇异谱熵分析(SSEA)的协方差矩阵,引入VMD分解实现方法多尺度化,提出信号多分辨高阶奇异谱熵分析(M-HSSEA)方法;通过信号分析,VMD解决了模态混叠的问题,且能够实现信号滤波,同时该方法提取的熵特征向量增强了相空间重构参数鲁棒性;通过和小波奇异谱提取特征的方法对比,结果表明所提出的方法在克服频率混叠现象,提取的特征点总体离散度小等方面更具优势;最后,结合深度信念网络分类器实现了对故障的分类,实验结果验证了所提方法的有效性和可行性。     

Adaptive Bearing Fault Diagnosis based on Wavelet Packet Decomposition and LMD Permutation Entropy

Bearing fault signal is nonlinear and non-stationary,therefore proposed a fault feature extraction method based on wavelet packet decomposition( WPD) and local mean decomposition( LMD) permutation entropy,which is based on the support vector machine( SVM) as the feature vector pattern recognition device.Firstly,the wavelet packet analysis method is used to denoise the original vibration signal,and the frequency band division and signal reconstruction are carried out according to the characteristic frequency. Then the decomposition of the reconstructed signal is decomposed into a number of product functions( PE) by the local mean decomposition( LMD),and the permutation entropy of the PF component which contains the main fault information is calculated to realize the feature quantization of the PF component. Finally,the entropy feature vector input multi-classification SVM,which is used to determine the type of fault and fault degree of bearing.The experimental results show that the recognition rate of rolling bearing fault diagnosis is 95%. Comparing with other methods,the present this method can effectively extract the features of bearing fault and has a higher recognition accuracy.     

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。     

基于EMD与谱峭度的滚动轴承故障检测改进包络谱分析

针对滚动轴承故障振动信号的调制特征和传统包络分析法的缺陷,提出一种基于经验模式分解(Empirical Mode Decomposition,简称EMD)和谱峭度(Spectrum Kurtosis,简称SK)的改进包络谱滚动轴承故障诊断方法。该方法首先对滚动轴承故障振动信号进行经验模式分解,将其分解为多个固有模式函数(Intrinsic Mode Function,简称IMF)之和,然后对各IMF分量傅里叶变换后取其绝对值,并计算其谱绝对值平方包络,在此基础上再计算不同频带IMF分量谱平方包络的峭度,最后利用谱峭度的滤波器作用,选取由轴承缺陷所引起的共振频率所在频带的IMF分量,自动构建最佳包络来进行故障诊断。将该方法应用到滚动轴承内圈缺陷的仿真故障数据和实际数据中,分析结果表明了该方法的有效性。