基于电信号的改进VMD和DBN-DNN液压齿轮泵轮齿故障监测方法研究（英文）

液压系统电机电信号中包含丰富的系统运行状态信息,如何准确对电信号中的运行信息进行提取和分类是实现液压系统状态监测的关键。电机电流信号中蕴含的液压齿轮泵早期故障特征微弱,提取困难,用传统时频分析方法难以实现故障特征分离。本文提出基于相关系数和人工蜂群算法(Artificial bee colony, ABC)实现了对变分模态分解(Variational mode decomposition, VMD)参数的优化,同时以信号相关系数和峭度值最大为选取原则,确定有效的本征模态函数(Intrinsic mode function, IMF),并将IMF有效分量的排列熵和均方根值作为高维特征向量输入深度信念网络(Deep belief network, DBN-DNN),实现了对齿轮泵运行状态进行监测。结果表明,该方法能准确稳定地提取电流信号中携带的齿轮泵故障的微弱特征,进行齿轮泵运行状态监测,提高了齿轮故障诊断的准确性。     

基于参数优化VMD和改进DBN的滚动轴承故障诊断方法研究

针对滚动轴承早期微弱故障难以检测和故障诊断率不高的问题,提出了一种基于参数优化的变分模态分解(VMD)和改进的深度置信网络(DBN)的故障诊断方法。首先,为了消除人为选择VMD参数的影响,采用了鲸群算法(WOA)寻优VMD算法的最佳模态分解个数和惩罚因子的参数组合;然后,利用参数优化后的VMD算法分解了滚动轴承振动信号,分解后的本征模态分量(IMF)求频谱后组成了高维数据集;最后,直接输入麻雀搜索算法(SSA)优化的深度置信网络进行了模式识别。研究结果表明:针对滚动轴承的故障,相同模式识别方法VMD算法故障识别率为97.4%,相比于EMD算法96.5%的故障识别率更高;相同信号处理方法下,DBN网络故障诊断率为98.7%,相比于SVM算法97.4%故障诊断率更高;WOA-VMD-SSA-DBN算法的故障诊断率达到了100%,故障诊断的效果得到了进一步提升。     

基于参数优化VMD的齿轮箱故障特征提取方法

为解决齿轮箱故障振动信号信噪比低、故障特征提取难的问题,提出了基于参数优化变分模态分解(VMD)的齿轮箱故障特征提取方法。首先,以分解结果的局部极小包络熵最小为目标,利用果蝇算法搜寻VMD分解参数K和α的最优组合;将原始信号分解成若干IMF分量,从中选择包络熵较小的分量进行信号重构,并对重构信号进行包络解调运算,从重构信号的包络谱中提取故障频率特征。结果表明,利用此方法对实测信号进行处理,成功降噪、提取齿轮箱故障特征,并且比利用经验模态分解方法降噪效果更好,提取的故障特征更加明显。     

基于 VMD 的数控机床旋转机械运行路径偏离故障检测方法

为精准提取数控机床旋转机械设备故障信息,量化数控机床旋转机械运行路径偏离程度,提出一种基于 VMD 的旋转机械运行路径偏离故障检测方法。分析数控机床旋转机械设备运行频率和振动情况,运用突变检测算法优化采集效率,使用自适应脉冲法采样机械信号;创建约束变分模型,利用遗传算法搜索信号变量最优值,通过 VMD 法分离信号频域分量,提取机械信号故障特征;通过聚类法评估路径偏离水平,构建胶囊网络进行路径偏离故障检测,利用 squash 函数挤压处理胶囊矢量并提升矢量维度,运用特征编码和归一化处理获得高精度偏离故障检测输出值。实验结果表明,所提方法检测的数控机床旋转机械运行路径偏离故障效果较好,且检测效率较高。     

基于VMD和FSK的齿轮箱早期故障诊断

针对齿轮箱齿轮早期故障特征信号微弱且受环境噪声影响严重,故障特征频率难以提取以及传统共振解调方法中带通滤波器参数不易确定的问题,提出了基于变分模态分解(Variational Mode Decomposition,VMD)和快速谱峭度(Fast Spectral Kurtosis,FSK)的故障诊断方法。利用VMD对采集到的齿轮故障振动信号进行分解,得到一系列窄带本征模态分量(Band-limited Intrinsic Mode Functions,BLIMFS);依据相关系数准则,选取与原始信号相关系数较大的分量进行快速谱峭度计算,用谱峭度图确定最佳的中心频率和带宽进行相应带通滤波处理。最后对滤波后的信号进行能量算子包络解调分析,即可从包络谱中准确地识别齿轮故障特征频率。通过仿真信号和齿轮故障实验数据对所提方法进行了验证,结果表明,该方法能够有效地降低噪声的影响,准确地提取齿轮早期故障信号中的微弱特征信息。     

基于VMD与MLP的电机轴承故障检测方法

针对现有的永磁同步电机(PMSM)轴承故障检测方法准确度低的问题,对PMSM轴承故障表征方法和基于神经网络的检测方法进行了研究,提出了一种PMSM轴承故障归一化表征指标集合的构建方法,和一种基于VMD和MLP的PMSM轴承故障检测方法。首先,采用融合PMSM轴承故障频域特征进行归一化处理的方法,构建了一个PMSM轴承故障表征指标集合;然后,利用优化后的变分模态分解(VMD)方法,对振动信号进行了降噪重构,提取了故障频域特征,并计算出了归一化指标集合;利用基于多层感知器(MLP)的神经网络模型对获取的归一化指标集合进行了训练,得到了一种高准确度PMSM轴承故障检测器;最后,采用了一套可以模拟数控机床进给传动系统的试验测试装置,对基于VMD和MLP的PMSM轴承故障检测方法的有效性和先进性进行了验证。研究结果表明：PMSM轴承故障表征指标集合比现有的指标具有更强的故障表征能力,基于VMD和MLP的PMSM检测方法的平均检测准确度高达95.4%;该结果验证了归一化PMSM轴承故障表征指标集合的先进性,以及基于VMD与MLP的PMSM轴承故障检测方法的有效性。     

基于改进VMD的滚动轴承故障诊断

为了降低环境噪声对滚动轴承故障特征信息提取结果的影响,并且提高诊断的准备率,提出了基于改进VMD的滚动轴承故障特征提取方法。首先应用VMD算法对采集的轴承原始信号进行分解,根据能量差曲线确定最佳的分解层数k;然后依据峭度准则,选取峭度值最大的分量作为敏感分量进行后续的分析,最后采用Hilbert算法对选取分量进行解调分析;从最后得到的谱图中便可准确地提取到故障特征频率。通过对仿真和实验室信号的分析,证明了改进VMD算法的有效性与可行性。     

基于VMD和DBN的结构健康状态趋势预测

为了能更好地反映结构状态变化趋势,提高限制玻尔兹曼机(RBM)对非线性信号的特征提取能力,该文在深度置信网络(DBN)的预训练阶段引入动量学习率,提出了一种基于VMD-DBN的结构健康状态趋势预测方法。将待处理信号用变分模态分解(VMD)方法进行分解,对分解的分量经希尔伯特变换得到瞬时频率;将瞬时频率作为改进DBN预测模型的输入进行结构健康状态趋势预测。仿真和工程实验表明,VMD方法有效地消除了模态混叠,分解出信号的各个固有分量。改进DBN模型的预测精度优于传统DBN、长短时记忆网络(LSTM)和传统BP神经网络,说明改进DBN模型能够很好地应用于结构健康状态趋势预测。     

基于NAKF和DBN的液压管路故障智能诊断方法

针对航空液压管路故障识别困难的问题,提出了一种基于非线性自适应卡尔曼滤波器(NAKF)和深度信念网络(DBN)的液压管路智能故障诊断方法。首先,在传统卡尔曼滤波器(KF)的基础上,利用最小二乘法修正构造的Sigma点,消除高斯分布对Sigma点影响,提出了非线性自适应卡尔曼滤波器,并用其对仿真信号进行了降噪处理;然后,对液压管路实测振动信号中的随机噪声进行了去除,对深度信念网络模型参数进行了设计,并将液压管路数据集输入到深度信念网络模型中进行了训练;最后,基于同一样本数据,分别采用支持向量机(SVM)和反向传播神经网络(BPNN)等模型进行了训练处理,利用分类准确率等两个指标,对3种故障诊断模型进行了综合评估,对3种模型分类性能进行了对比分析。研究结果表明：采用NAKF-DBN智能故障模型得到的液压管路故障诊断准确率能达到99.72%,SVM模型和BPNN模型等浅层网络的平均故障诊断准确率不高于95%,而未经非线性自适应卡尔曼滤波器滤波的深度信念网络的诊断准确率仅有86.58%;该结果验证了NAKF-DBN模型对于液压管路故障识别的有效性,可以为航空液压管路的智能化诊断提供新思路。     

基于VMD的故障特征信号提取方法

变模式分解(variational mode decomposition,简称VMD)能够将多分量信号一次性分解成多个单分量调幅调频信号(variational intrinsic mode function,简称VIMF),但对噪声比较敏感。利用VMD对噪声的敏感特性,提出了一种基于VMD的降噪方法。利用排列熵定量确定VMD分解后各分量的含噪程度,对高噪分量直接剔除,对低噪分量进行Savitzky-Golay平滑处理,然后重构信号。运用该方法降噪后,对重构信号进行变模式分解,能够有效提取故障特征信号。仿真和实例分析表明,基于VMD的降噪方法的降噪效果优于小波变换降噪方法,VMD能有效提取故障特征信号。     

VMD的AR模型和关联维数在齿轮故障特征提取中的应用

针对齿轮故障信号的非线性及常伴有大量噪声干扰的问题,提出一种基于变分模态分解(VMD)的自回归(AR)模型和关联维数相结合的故障特征提取方法.该方法采用VMD将齿轮振动信号分解为一系列固有模态函数(IMF),通过频域互相关系数准则选取对信号特征敏感的IMF分量进行信号重构,对重构信号建立AR模型,并以AR模型自回归参数...     

基于变分模态分解和鲁棒性独立成分分析的内燃机缸盖振动信号分离

针对缸盖振动信号中燃烧信号和活塞敲击信号在时频域混叠严重难以分离的问题,用基于VMD和RobustICA的方法分离各独立源信号。通过试验测量内燃机单通道缸盖振动信号,首先对测得的信号进行消除趋势项及滑动平均等预处理,用VMD算法对预处理后的信号进行分解;然后用RobustICA算法提取独立成分,并用组合模态函数法对时域和频域相似性较高的分量成分进行组合;最后结合频谱分析、连续小波变换、相干函数法及倒拖试验对分离得到的结果进行识别验证。研究结果表明：在不同的试验工况下,该方法可以有效地从缸盖振动信号中分离出燃烧信号和活塞敲击信号。     

基于VMD的Volterra模型奇异值熵的转子故障诊断方法

针对转子故障信号的非平稳性以及敏感故障特征无法有效提取的问题,将变分模态分解(variational mode decomposition, VMD)的Volterra模型和奇异值熵相结合,提出一种故障诊断方法。对影响VMD分解准确性的参数选取方法进行了深入研究,给出了相关问题的解决策略。首先,对不同工况下转子实测信号进行VMD分解,利用能量熵增量选取对故障特征敏感的固有模态函数(intrinsic mode function, IMF)进行相空间重构,以建立Volterra自适应预测模型,将模型参数作为初始特征向量矩阵。然后,对初始特征向量进行奇异值分解以获取奇异值熵和奇异值特征向量矩阵,用于描述转子的故障特征。最后,采用模糊C均值(fuzzy c-means, FCM)算法对转子工作状态和故障类型进行识别。试验结果表明,所提方法可有效实现转子故障的特征提取及类型识别。通过同经集合经验模态分解(ensemble empirical mode decomposition, EEMD)相比,证明了该方法具有更有效的故障特征提取性能,是一种可行的方法。     

内燃机变分模态Rihaczek谱纹理特征识别诊断

针对内燃机故障诊断中振动响应信号强耦合、弱故障特征的问题,提出一种基于内燃机振动谱图纹理特征提取的故障诊断方法。首先,为了清晰地刻画内燃机振动信号时频联合分布中的非平稳时变分量,将变分模态分解(VMD)与Rihaczek复能量密度分布方法有效结合,得到了时频聚集性好、无交叉项干扰的内燃机振动谱图像;针对VMD分解过程中的参数选取问题,提出将功率谱熵作为目标函数,对VMD的分解参数进行网格寻优,提高了VMD分解的自适应性。为了实现对内燃机振动谱图像的自动识别及故障诊断,提出了改进的局部二值模式(ILBP)方法,用来对振动谱图中蕴含的纹理信息进行分析,提取低维特征参量并采用最近邻分类器对内燃机不同工况的振动谱图像进行模式识别。将该方法应用于内燃机故障诊断实例中,结果表明该方法能有效提取内燃机振动信号中的微弱故障特征,实现内燃机故障的自动诊断。     

基于DBN特征提取的模拟电路早期故障诊断方法

针对当前模拟电路早期故障诊断中特征提取方法的不足,提出了应用深度置信网络(deep belief network, DBN)进行特征提取的方法。利用混沌粒子群优化算法,对DBN中受限玻尔兹曼机的学习率开展优化,进一步提升特征提取的性能。相比于其他常用的特征提取方法,提出的DBN特征提取方法可提取出早期故障深度和本质的特征,且具有相同的故障聚集程度高、不同故障的分离能力极为明显的特点。应用二级四运放双二阶低通滤波器仿真电路和Sallen-Key带通滤波器电路板进行早期故障诊断实验,得到的故障诊断正确率分别为98.13%和100%。     

基于最小熵解卷积-变分模态分解和优化支持向量机的滚动轴承故障诊断方法

提出了一种基于最小熵解卷积和变分模态分解以及模糊近似熵的故障特征提取方法,并采用优化支持向量机对故障进行识别分类。首先利用最小熵解卷积方法降低噪声干扰并增强故障信号中故障特征信息,进而对降噪后的信号进行变分模态分解,并利用模糊近似熵量化变分模态分解后包含故障特征信息的模态分量以构建特征向量,之后通过采用扩展粒子群算法优化惩罚因子和核函数参数的支持向量机,对故障样本训练并完成故障识别分类。将所提方法应用于滚动轴承不同损伤程度、不同故障部位的实验数据,验证了该方法的有效性。与基于局部均值分解的特征提取方法相对比,结果表明所提方法可以更精确地提取出滚动轴承故障特征,并能够更准确地完成不同故障的识别;通过与基于网格寻优算法优化的支持向量机方法和基于扩展粒子群优化的最小二乘支持向量机方法相对比,结果表明所提方法具有更好的分类性能,能达到更好的诊断效果。     

An improvement EMD method based on the optimized rational Hermite interpolation approach and its application to gear fault diagnosis

A demodulation technique based on improvement empirical mode decomposition (EMD) is investigated in this paper. Firstly, the problem of the envelope line in EMD is introduced and the drawbacks of two classic interpolation methods, cubic spline interpolation method and cubic Hermite interpolation method are discussed; then a new envelope interpolation method called optimized rational Hermite interpolation method (O-EMD) is proposed, which has a shape controlling parameter compared with the cubic Hermite interpolation algorithm. At the same time, in order to improve the envelope approximation accuracy of local mean, the parameter determining criterion is put forward and an optimization with Genetic Algorithm (GA) is applied to automatic select the suitable shape controlling parameter in each sifting process. The effectiveness of O-EMD method is validated by the numerical simulations and an application to gear fault diagnosis. Results demonstrate that O-EMD method can improve the reliability and accuracy significantly compared with traditional EMD method.     

基于MCKD和改进HHT多尺度模糊熵的齿轮故障诊断方法

针对齿轮故障信号常伴有大量噪声,故障特征难以提取的问题,提出一种基于最大相关峭度解卷积(MCKD)和改进希尔伯特-黄变换(HHT)多尺度模糊熵的故障诊断方法。首先采用MCKD算法对采集到的齿轮振动信号进行降噪处理,以提高信号的信噪比;然后利用自适应白噪声完备经验模态分解(CEEMDAN)对降噪后信号进行分解,获得一系列不同尺度的固有模态函数(IMF),并通过相关系数-能量的虚假IMF评价方法选取对故障敏感的模态分量;最后计算敏感IMF分量的模糊熵,将获得的原信号多尺度的模糊熵作为状态特征参数输入最小二乘支持向量机(LS-SVM)中,对齿轮的故障类型进行诊断。实测信号的诊断结果表明,该方法可实现齿轮故障的有效诊断。     

基于VMD和互谱分析的供水管道泄漏定位方法

针对低信噪比(SNR)下的供水管道泄漏振动信号用于时延估计泄漏定位误差大的问题,提出基于变分模态分解(VMD)和互谱分析结合的供水管道泄漏定位方法。首先,利用VMD将管道泄漏信号分解为若干个本征模态函数(IMF),对供水管道泄漏信号进行互谱分析确定特征频带;然后,利用IMF分量在特征频带内的能量比例作为选取准则来确定有效IMF分量,并对选取的有效IMF分量进行重构;最后,对重构信号进行时延估计来确定泄漏点位置。为了验证所提泄漏定位算法的有效性,通过仿真和实验分别对互谱与VMD结合、互相关及VMD与相关系数结合3种方法进行研究。实验结果表明,以上3种定位算法的平均相对定位误差分别为2. 53%,8. 62%和16. 86%。