基于改进变分模态分解的滚动轴承弱故障特征提取

针对滚动轴承故障信息微弱且常受到强背景噪声影响,导致故障特征提取困难的问题,提出一种改进变分模态分解(VMD)和Teager能量算子的滚动轴承弱故障特征提取方法.该方法以最大加权频域相关峭度为目标函数,对影响VMD分解的参数进行优化选取,确保获取故障特征最为明显子信号.利用Teager能量算子处理获取的最优子信号,增强...     

变分模态分解与谱峭度法在齿轮箱故障诊断中的应用

针对齿轮箱故障信号为多分量非平稳非线性的振动信号、故障特征提取困难等问题,提出变分模态分解(VMD)结合谱峭度法的齿轮箱故障特征诊断方法。首先对振动信号进行VMD分解得到若干分量信号,根据相关系数法选取相关系数最大的分量作为最优分量,然后对最优分量进行快速谱峭度计算并进行带通滤波,突出故障的冲击成分,最后通过分析滤波信号包络谱中故障频率成分实现故障诊断。实验数据分析结果表明该方法成功地诊断出了齿轮箱齿轮的故障。     

自适应变分模态分解的齿轮箱故障诊断研究

强噪环境下,复合故障特征提取难度更大,VMD(Variational Mode Decomposition)被大量应用于齿轮箱故障诊断中;但是它属于参数型分解方法,K过大或过小都会导致过分解或欠分解现象,因此分解的层数需要自适应的确定。提出了一种多点峭度和VMD的复合故障特征提取方法。考虑到多点峭度可以提取多故障的冲击性周期的个数;周期性冲击个数决定VMD的分解层数K,通过VMD处理后,进一步通过FFT确定故障特征。所提出的自适应复合故障特征提取方法和EEMD(En?semble Empirical Mode Decomposition)对比分析,验证了它可以克服模态混叠的特征,通过对实测性信号处理进一步确定了此方法的有效性。最终确定了齿轮剥落和轴承滚珠等复合故障特征。     

香农熵改进的变分模态分解与故障特征提取

为了解决变分模态分解(VMD)的分解层数K选定困难的问题,提出了利用归一化香农熵对变分模态分解进行参数优化,从而可以自适应地确定分解层数K,可以避免信号过分解与欠分解.首先在程序中预先设定分解层数,让程序进行预分解;计算分解后各本征模态函数(IMF)频带的香农熵,再将香农熵归一化处理,以归一化熵值大小作为循环停止条件来...     

基于提高变分模态分解的齿轮箱复合故障特征提取

在实际工况下,齿轮箱故障经常包含多个故障信息,而弱故障信号相比强故障信号和噪声属于微弱信号,故复合故障中的弱故障信号提取一直是旋转机械故障诊断的一大难点。基于上述问题,考虑到MED（MinimumEntropyDeconvolution）具有强降噪性能、VMD（VariationalModeDecomposition）分解出的本征模态函数在强噪声环境中会失真、VMD分解精度由惩罚因子α和分解次数k决定,提出了一种基于MED-VMD的滚动轴承微弱故障提取方法。首先对原信号用MED降噪;进一步设置初始参数α和k,对降噪后的信号通过VMD分解,计算相邻本征模态函数的相关系数,确定最佳惩罚因子α和分解次数k;最后对本征模态函数进行包络谱分析,提取了齿轮箱中轴承的微弱故障信息。通过仿真信号和实测数据均验证了所提方法的有效性,给强噪声环境的复合故障的微弱故障特征提取提供一种新思路。     

基于逐次变分模态分解的液压轴向柱塞泵故障特征提取方法

当液压轴向柱塞泵关键摩擦副出现故障时,其振动信号会出现调制现象,振动信号中的故障调制特征与特定的故障类型形成对应关系,通过信号分解可以从振动信号中提取出故障特征,进而用于故障诊断。以液压轴向柱塞泵为研究对象,利用变分模态分解和逐次变分模态分解分别对不同的仿真信号在含噪的情况下进行分解重构,综合对比了两种算法在分解性能方面的差异;最后将两种算法用于实测振动信号的故障特征提取中。结果表明:两种算法均适用于液压轴向柱塞泵的故障特征提取;逐次变分模态分解能更精确地重构出与柱塞泵故障高度相关的有效分量;变分模态分解提取到的有效分量幅值衰减更小,对微弱故障特征更加敏感。     

基于变分模态分解和相关峭度的齿轮箱混合故障诊断

针对齿轮箱混合故障信号非线性、非平稳、噪声成分多以及多故障信号相互干扰的特点,提出了基于变分模态分解和相关峭度的齿轮箱混合故障诊断方法。利用变分模态分解能够有效地将信号分解为若干个具有紧致性模态分量的特点,对混合故障信号进行分解处理,将包含不同故障的模态分量分离出来;然后,根据相关峭度能够识别不同周期的冲击性信号的特点,利用最大相关峭度原则提取出包含不同故障的模态分量;最后,对这些模态分量进行包络分析,实现混合故障诊断的目的。通过实验信号的分析验证,证明了所提方法应用在混合故障诊断中的有效性。另外,分析了模态分量个数变化对方法结果的影响,为后续研究提供了经验性的结论。     

基于相关峭度及自适应变分模态分解的滚动轴承故障诊断

受外界环境的影响,滚动轴承的故障信号往往被噪声淹没,使其故障特征难以提取。为解决这一问题,基于滚动轴承振动信号的非平稳性和周期性,提出了一种基于灰狼优化算法和相关峭度相结合的自适应变分模态分解方法。首先,以最大相关峭度作为适应度函数,通过灰狼优化算法自适应的寻找变分模态分解的最优参数;然后,采用最优参数进行变分模态分解并利用相关峭度选取模态分量;最后,对选取的分量进行包络解调,通过包络谱识别轴承故障。仿真信号和货车轮对轴承试验信号的分析结果表明,该方法能够有效地提取滚动轴承的故障特征。     

基于变分模态分解参数估计的滚动轴承故障信息提取方法

变分模态分解在信号分解精度和噪声鲁棒性方面具有明显优势,但需预先确定模态数K,而目前K只能靠先验知识进行预估,如果预估的K与实际信号存在差异,会导致分解误差较大。针对以上问题,利用EMD不需预先设定模态数的自适应分解特点,通过对EMD分解结果的分析,进行VMD分解模态数的估计,并通过仿真信号分析及滚动轴承故障信息提取,验证了所提出方法的可行性与有效性。     

基于自适应变分模态分解和调制信号双谱的滚动轴承故障诊断方法

针对滚动轴承振动信号的强非线性和非平稳特征,提出了一种基于自适应变分模态分解和调制信号双谱分析(AVMD-MSB)的故障诊断方法来提取滚动轴承故障特征。首先,利用AVMD自适应地选择VMD参数K和α并将振动信号分解为一系列本征模态函数(IMF),减少了基于经验或信号先验知识对VMD参数选择不当而造成的误差;然后,依据相关峭度指数对所有IMF分量进行加权重构,避免意外遗漏包含重要故障信息的IMF分量;最后,应用MSB进一步抑制信号中的残余噪声和干扰成分,以增强周期性故障脉冲,准确提取轴承故障特征。2组不同类型轴承的试验结果表明,AVMD-MSB的特征频率增强系数远高于AVMD-Envelope和常规VMD-MSB,在滚动轴承故障诊断方面具有更高的灵敏度和更强的鲁棒性。     

MMS在基于IEC61850的变电站自动化系统中的应用研究

MMS是实现IEC61850的IEC61850到MMS的映射方法以及协议数据单元的ASN.1编码/解码方法.     

IEC61850模型的MMS—EASELite实现分析

MMS（Manufacturing Message Specification）是变电站自动化系统的新一代国际通讯标准IEC61850实现的关键,MMS—EASE Lite是利用MMS实现IEC61850的重要方法。文章对IEC61850的ACSI类模型和服务作了介绍,给出了ACSI主要类实例与MMS时象和服务的映射关系及MMS—EASE Lite的实现接口,详细分析ACSI类实例的MMS—EASE Lite实现过程。     

基于遗传算法的自适应随机共振与VMD分解的轴承故障诊断方法

随机共振（Stochasticresonance,SR）在处理实测轴承故障信号时需满足绝热近似条件,即需满足小参数信号（信号幅值、信号频率、噪声强度远小于1）,这一问题极大地制约了对实测振动信号的检测,针对这一现象,提出基于遗传算法的自适应变尺度随机共振与变分模态分解（Variationalmodedecomposition,VMD）的轴承故障诊断方法。首先,设定合适的压缩比R将实测信号进行压缩,使其满足小参数条件;然后,定义信号的输出信噪比为目标函数,利用遗传算法（Geneticalgorithm,GA）对变尺度随机共振的结构参数a和b进行同步优化,选取最优值代入变尺度随机共振中对实测信号进行消噪处理;最后,将降噪信号进行VMD分解,从分解得到的各IMF分量的频谱图中识别轴承故障特征频率。对实验数据分析的结果表明,该方法可有效地提高轴承故障诊断的准确度。     

基于VMD与多特征融合的齿轮故障诊断方法

针对实际中工况复杂难以提取齿轮故障特征频率的问题,提出一种变分模态分解（VariationalModeDecomposition,VMD）与多特征融合的齿轮故障诊断方法。首先,对机械振动信号进行VMD分解并得到一系列的模态,其次,计算高频段的前4个模态的排列熵（PermutationEntropy,PE）和能量,最后,将排列熵和能量构成的高维特征向量作为最小二乘支持向量机（LeastSquaresSupportVectorMachine,LS-SVM）的输入,对齿轮故障类型进行模式识别。试验结果表明:VMD可以较好地将复杂多分量信号各成分分开;排列熵和能量特征可以从不同尺度揭示齿轮故障信息;基于VMD与多特征融合的智能故障诊断方法识别精度高,可以为齿轮故障预警和严重程度提供参考。     

基于GA-VMD的滚动轴承故障特征信号提取方法

针对轴承故障提取困难的问题, 该文建立了以包络熵和峭度为综合目标函数的变分模态分解(VMD)参数优化方法。用遗传算法对综合目标函数的最小值进行计算寻优, 获得最佳的模态分解个数和惩罚因子的值。利用遗传算法(GA)优化的VMD分解方法获得仿真信号和实测信号的本征模态函数(IMFs), 依据相关峭度值最大的方法选取IMF敏感分量, 并对其进行Hilbert包络谱分析。分析结果表明, 基于遗传算法优化的VMD分解方法能够有效提取故障特征信号。     

基于SABO优化VMD-WTD-SVM的滚动轴承故障诊断模型

针对滚动轴承在运转过程中发生故障时故障类型难以提取和识别的问题,文章提出了一种基于减法平均优化器（subtraction-average-based optimizer,SABO）优化变分模态分解（variational mode decomposition,VMD）联合小波阈值去噪（wavelet threshold denoising,WTD）来提取故障特征,并与支持向量机（SVM）相融合的滚动轴承故障诊断模型。首先,以最小包络熵为适应度函数,通过SABO优化VMD中关键参数组合(K,α)的选取。其次,根据得到的参数对故障信号进行VMD分解,通过包络熵值和峭度值选择其中的有效分量再次进行WTD处理,重构后得到最佳信号分量。最后,计算最佳信号分量对应的9个特征数据作为当前信号的特征向量,并输入到SVM进行训练和故障识别。与其他方法相比,本模型在滚动轴承故障诊断方面表现更为突出,故障识别准确率达到了98.666 7%,具有良好的实际应用价值。     

基于VMD和改进的FastICA算法的旋转机械故障信号分离方法研究

针对分离出的旋转机械故障信号的非线性非平稳性问题,本文提出一种对旋转机械故障信号分离的方法.首先针对以往利用EMD方法分解的特征信号存在的模态混叠问题,利用VMD方法完成对旋转机械故障特征信号的分解.其次,选取相应的分解后特征信号构成观测序列,利用FastICA算法对观测序列进行分离得到源信号,最后针对FastICA算...     

基于VMD能量熵与支持向量机的齿轮故障诊断

针对机械设备的齿轮运行受环境噪声影响严重以及难以获得大量故障样本的问题,提出一种基于变分模态分解(Variational Mode Decomposition,VMD)能量熵特征与支持向量机相结合的齿轮故障诊断方法。首先是利用变分模态分解对机械振动信号进行处理得到若干个模态分量,同时利用传统的经验模态分解(EMD)对相同信号进行分解再对比两种方法的分解效果,然后计算变分模态分解各模态分量的能量熵作为特征值,最后将特征值作为支持向量机的输入进行故障诊断。实验结果表明VMD可以较好的将复杂的振动信号分解并且一定程度抑制模态混叠现象的发生,以VMD能量熵特征与支持向量机相结合的方法可以迅速、有效的实现齿轮的故障诊断。     

基于VMD和PSO-SVM的汽车传动轴系故障诊断

针对传动轴系振动信号故障特征难以提取的问题和进行故障诊断时难以获得大量故障样本的实际情况,提出了一种基于VMD和PSO-SVM相结合的传动轴系故障诊断方法。首先,将传动轴系振动信号进行VMD分解,得到本征模态函数IMF;然后,计算IMF的能量值和对应的能量熵值;最后,用粒子群优化(PSO)优化支持向量机(SVM)的参数,并将归一化处理后IMF的能量值及能量熵值作为特征向量,输入到PSO-SVM中来判断传动轴系的工作状态和故障类型。实验结果表明,该方法故障诊断准确率达到94. 44%,可以准确、有效地对传动轴系进行故障诊断。