基于改进变分模态分解的滚动轴承故障诊断方法

提出一种改进变分模态分解的轴承故障信号诊断方法。使用改进的奇异值分解降噪方法对信号进行降噪,然后对信号进行变分模态分解;利用分量信号的能量之和占原信号能量的比值,判断变分模态分解的分解效果,从而找出最佳分解层数;根据分量信号间的相关系数,判断中心频率相邻的分量信号是否来自信号中的同一调制部分;最后通过主要分量的包络谱找出故障特征频率,判断故障类型。通过对仿真信号和实际轴承故障信号进行处理,成功提取微弱频率特征信息,验证了该方法的有效性。     

基于参数优化变分模态分解的滚动轴承故障特征提取方法

在滚动轴承早期故障阶段,代表轴承故障特征的冲击成分容易被较强的背景噪声淹没,针对这一问题提出相关峭度(Correlated Kurtosis,CK)优化变分模态分解(Variational Mode Decomposition,VMD)的滚动轴承故障特征提取方法.针对变分模态分解方法参数不确定问题,提出利用以相关峭度为...     

基于变分模态分解与流形学习的滚动轴承故障特征提取方法EI北大核心CSCD

提出了一种基于变分模态分解(VMD)和局部切空间排列算法(LTSA)相结合的滚动轴承早期故障诊断方法。首先利用VMD算法分解圆柱滚子轴承不同运行状态下的振动信号,通过求取瞬时频率均值并绘制特征曲线筛选出与原始信号最为相关的几个分量;然后,提取有效模态分量的时域指标和小波包频带分解能量所构成的频域指标,两者结合初步提取高维故障特征后,再应用LTSA对故障特征进行二次提取;最后输入到K-means分类器进行故障类型识别;通过对圆柱滚子轴承故障诊断的对比实验分析,发现:(1)与时频特征+LTSA、EMD+LTSA特征提取方法相比,VMD+LTSA方法在分类效果和识别精度上更具优势;(2) LTSA算法相比较于PCA、LPP、LE、ISOMAP和LLE这5种算法,其降维后的特征故障敏感性最好。研究结果表明所提出的方法在圆柱滚子轴承故障诊断方面具有一定的优越性。     

基于信息熵优化变分模态分解的滚动轴承故障特征提取EI北大核心CSCD

针对变分模态分解(Variational Mode Decomposition,VMD)的参数需事先人为确定的问题以及如何选取包含故障特征信息的本征模态分量(Intrinsic Mode Function,IMF)的问题,提出了基于信息熵的参数确定方法和基于信息熵的IMF选取方法。该方法首先对原始故障信号进行变分模态分解,通过信息熵最小值原则对其参数进行优化,获得既定的若干IMF分量;在优化参数时获得信息熵最小值所在的IMF,选取其为有效IMF分量进行包络解调分析,提取轴承故障特征频率。通过轴承仿真信号和实际数据分析,表明该方法能够提取滚动轴承早期故障信号的微弱特征,并实现故障的准确判别。     

基于变分模态分解和奇异值分解的频率相近信号分离方法

频率相近信号分离是故障诊断的难点问题。变分模态分解(VMD)作为一种新的信号时频分析方法,对频率相近信号具有较高的分辨率,能够实现频率相近信号的分离。VMD分解时先指定分解层数,层数选取的优劣将直接影响分解效果,过分解时容易产生虚假频率成分,反之,欠分解则容易丢失有用频率成分。基于此,提出一种基于变分模态分解和奇异值分解相结合的相近频率信号分离方法。首先选择适当的分解层数对信号进行VMD过分解,然后对分解得到的分量进行奇异值分解,通过奇异值分解检测并剔除虚假信号成分,从而实现频率相近信号的有效分离。利用仿真信号和滚动轴承故障信号证明了该方法的有效性和可行性。     

自适应模态总数变分模态分解方法及其性能评估EI北大核心CSCD

VMD方法目前广泛应用于转子系统故障诊断以及二维图像分解等领域,但传统VMD算法需要预先给出模态总数,且VMD对信号能量较弱的非中心频段存在重构效果差,含噪声下提取能力差,容易遗漏故障特征等问题;基于上述问题对VMD修改了信号的约束准则,并引入信号未处理以及残差信号的多元约束目标,使模态总数可通过收敛得到;对模拟内圈轴承信号和试验信号的时频域重构分析以及分解模态信号的分析,对比三种算法的在非中心频段的重构效果以及特征提取能力的优劣。     

基于最大幅值变分模态分解和均方根熵的滚动轴承故障诊断

针对变分模态分解中模态个数的设定会对分解结果产生重要影响的问题,提出一种求取最优分解层数的方法,该方法以瞬时频率的幅值特性为依据,通过分析变分模态分解过程中,各分量最大幅值之间的关系来确定最佳分解参数;均方根熵可以反映不同振动信号的能量值,以信号均方根熵为故障特征参量,通过优化支持向量机建立故障分类模型,实现故障模式分类。将基于最大幅值变分模态分解和均方根熵的故障诊断方法应用于滚动轴承实测信号中,实验结果表明基于最大幅值变分模态分解和均方根熵的方法能够有效识别滚动轴承运行状态,识别准确率高达98.75%。     

变分模态分解方法及其在滚动轴承早期故障诊断中的应用EI北大核心CSCD

介绍了一种自适应信号分解新方法——变分模态分解(Variational mode decomposition,VMD),并且针对滚动轴承早期故障识别困难这一问题,提出了基于VMD的诊断方法。首先通过基于分数高斯噪声的数值模拟试验对VMD方法的等效滤波特性进行研究,验证了其类似于小波包分析的频域剖分特性,继而分析了惩罚因子及分量个数的设置对VMD方法滤波特性的影响。为了在轴承故障检测过程中,减少人为主观选择影响参数存在的弊端,提出了基于包络谱特征因子(Feature factor of envelope spectrum,EFF)的影响参数自动搜寻策略,最后通过仿真信号及试验信号对所述方法进行验证。分析结果表明:该方法能够有效提取轴承早期故障信号中的微弱特征信息,实现故障类型的准确判别。     

变分模态分解和K-L散度在振动筛轴承故障诊断中的应用

振动筛属于振动机械设备中的筛分设备,其结构特点与运行原理与一般的旋转机械有很大不同,因此提取出的振动信号同从旋转机械提取出的振动信号也同样有较大区别,主要体现在信号中不仅存在大量背景噪声,而且成分也较为复杂。对于此类信号,模态分解算法是个行之有效的方法,模态分解算法在去除大量高频噪声的同时,还能将振动信号分解成一系列具有单一成分的模态分量,从而能更好发现振动信号的物理意义。基于此,引入一种新的故障诊断方法,首先利用变分模态分解将故障信号分解为若干个窄带模态分量,然后根据K-L散度值选定最佳的分量,最后进行包络运算得出故障频率。通过仿真模拟实验与振动筛轴承故障诊断的实际应用,并与之前的经典模态分解算法——经验模态分解和集成经验模态分解进行对比,发现该算法更具有优越性和实用性。     

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....     

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...     

基于经验模式分解的滚动轴承故障诊断方法

针对水泵电机轴承故障振动信号噪声大和非平稳性的特点,提出了基于经验模态分解的诊断方法;通过对原始信号进行经验模态分解,得到包含故障特征的固有模态分量,从而可以提取出故障频率.该方法应用于外圈、内圈和滚动体故障诊断,取得了很好效果.     

基于经验模态分解和主成分分析的滚动轴承故障诊断研究

针对传统的振动信号特征提取效率低、诊断时间较长等问题,提出了基于经验模态分解与主成分分析的滚动轴承故障诊断方法。首先利用经验模态分解将振动信号分解为有限个本征模函数和一个残差函数,提取主要的本征模函数能量及其局部平均频率特征,最后将复合特征向量作为主成分分析分类器的输入,完成对故障的识别。实验结果表明:复合特征向量能够有效地反映轴承的运行状态;相比于BP神经网络、支持向量机、K-近邻算法,主成分分析分类法不仅能够准确地识别故障,而且训练时间短、使用方便。     

基于VMD能量熵与优化支持向量机的轴承故障诊断

滚动轴承早期故障信号比较微弱,且受噪声与振动耦合影响,导致其故障判别失准.基于变分模态分解算法(VMD)与能量熵结合构建多模态特征矩阵,以灰狼算法(GWO)优化支持向量机(SVM)参数,提出VMD-Entropy-OSVM轴承智能故障诊断,采用轴承实验数据验证所提方法的有效性与优越性.实验结果表明:VMD-Entrop...     

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。     

基于改进奇异值分解和经验模式分解的滚动轴承早期微弱故障特征提取

针对滚动轴承早期微弱故障特征难以提取的问题,提出了改进奇异值分解(SVD)和经验模式分解(EMD)的滚动轴承早期微弱故障特征提取方法。首先用多分辨奇异值分解将信号分成具有不同分辨率的近似和细节信号,然后对近似信号用奇异值差分谱进行消噪,对消噪后的信号进行经验模态分解,将得到的各本征模函数分量进行希尔伯特包络解调,从而获得滚动轴承故障特征信息,最后通过对滚动轴承早期内圈故障的诊断实验证明了该方法的有效性     

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。     

基于集合经验模式分解和K-奇异值分解字典学习的滚动轴承故障诊断

针对经典K-奇异值分解算法构造的字典中原子形态受噪声、谐波干扰影响,进而降低冲击故障特征提取精度的问题,提出了基于集合经验模式分解和K-奇异值分解字典学习的冲击特征提取方法。该方法首先利用集合经验模式分解与Hurst指数对振动信号进行预处理,剔除谐波干扰;其次,利用经典K-奇异值分解算法和预处理信号构造超完备字典;然后,利用K-均值聚类算法对字典中的原子进行筛选;最后,利用正交匹配追踪算法实现冲击故障特征的稀疏表示。实验分析和工程应用验证了所提方法的有效性和实用性。