基于全矢小波包能量熵的滚动轴承智能诊断

研究滚动轴承不同状态下的振动信号,使用小波包变换提取信号各频带的能量熵,作为轴承故障的特征,然后使用支持向量机智能诊断轴承不同故障。传统单通道信号诊断方法容易造成误诊,全矢小波包能量熵融合了振动信号双通道的信息,能更准确地反映故障的特征。实验结果表明,采用全矢小波包能量熵比传统单通道方法有更高的诊断精度。     

基于LMD能量熵和支持向量机的齿轮箱故障诊断

针对小样本情况下齿轮箱复合多种故障特征难以提取和分类的问题,提出了基于局部均值分解（LMD）能量熵和支持向量机（SVM）的故障诊断方法。首先利用LMD方法对采集的齿轮箱振动信号进行分解,得到有限个PF分量;然后根据不同故障下齿轮箱振动信号在频域区间内分布不均的特性,分析出PF分量能量在不同频域范围离散情况,即求出LMD能量熵;最后利用SVM多故障分类器对提取出的特征展开训练和测试,进行齿轮箱故障分类。实验结果显示,即使在小样本情况下,且同时存在非单一、多种齿轮箱故障时,基于LMD能量熵和SVM方法也可以对齿轮箱故障进行特征提取和精准分类,实现齿轮箱故障诊断。     

基于改进LMD和IED-SampEn的齿轮故障特征提取方法

提出基于改进的局部均值分解(Local mean decomposition,LMD)和瞬时能量分布(Instantaneous energy distribution,IED)-样本熵(Sample entropy,Samp En)的齿轮故障特征提取方法。针对LMD存在的端点效应问题,提出最大相似系数法改进的LMD方法,该方法通过在信号内部寻找与两端指定波段相似系数最大的波段,来实现端点效应的改善。进行仿真验证,结果表明该方法能有效改善LMD的端点效应问题。采用改进的LMD方法分解信号得到瞬时幅值函数,由此可以获得信号的瞬时能量分布,将其作为样本熵输入获得IED-Samp En,通过试验研究并与PF-Samp En进行对比,结果表明IED-Samp En能够合理地、有效地反应齿轮的故障状态,作为齿轮振动信号的特征矢量具有典型性,可以作为一种有效的故障特征。     

全矢MEMD能量熵在轴承故障诊断中的应用

故障轴承振动信号具有非线性和非平稳性的特点,在轴承发生故障时其信号的能量在频域上的分布会发生改变。针对单通道信号存在的信息遗漏和经典EMD算法在分解多通道信号时得到的IMF分量个数不同的问题,提出了全矢MEMD能量熵的滚动轴承智能诊断方法。首先利用MEMD算法将一组预处理后的同源信号分解为两组具有相同分量个数的IMF分量,且对应阶分量的频率尺度相同。然后分别计算相同尺度分量的全矢能量熵,并作为信号特征用支持向量机进行训练和识别,从而得到轴承的不同故障类型。实例分析结果表明了该方法的有效性。     

LMD能量熵和SVM相结合的滚动轴承故障诊断

为实现小样本情况下对滚动轴承进行故障检测和分析,提出了基于局部均值分解(LMD)的能量熵和支持向量机(SVM)相结合的滚动轴承故障诊断方法。利用LMD信号处理方法将滚动轴承振动信号分解成有限个乘积函数(PF)分量,通过计算PF分量的能量熵进行故障特征提取,然后将提取的特征输入到SVM分类器中进行训练及测试,最终实现对滚动轴承的故障诊断。实验数据显示,在仅有少量样本条件下,LMD能量熵和SVM相结合的方法能够精确地对滚动轴承的故障类型进行识别和分类,这表明该方法对滚动轴承故障诊断的有效性。     

基于LMD能量熵的滚动轴承故障特征提取

为了对滚动轴承运行状态进行有效的判断,利用局部均值分解(LMD)对滚动轴承振动信号进行分解,将复杂的多分量信号分解成多个单分量信号;针对分解后的单分量信号在各频域范围分布不均匀特点,利用LMD能量熵提取出滚动轴承振动信号的故障特征。实验结果表明,LMD能量熵具有较强的信号表征能力,可以有效提取出滚动轴承故障特征。     

基于改进局部均值分解和流形学习的齿轮故障诊断研究

为更有效地利用齿轮振动信号进行故障诊断,提出基于改进局部均值分解(Local Mean Decomposition,LMD)和流形学习(ISOMAP)的齿轮故障特征提取方法。该方法将局部均值分解、模糊熵(Fuzzy Entropy,FE)和流形学习相结合。首先,利用LMD对原始振动信号进行多尺度分解,并在原LMD方法上添加自适应匹配波形以缓解端点效应对分解结果的影响;然后,对LMD分解后得到的乘积函数(Product Function,PF)进行模糊熵计算,获得原始信号不同尺度下的模糊熵数值,组成高维特征向量;最后,利用ISOMAP对高维特征向量进行二次特征提取,得到低维向量,进行故障识别。实际齿轮实验数据的处理结果表明该方法可以有效的诊断辨别齿轮故障,具有一定的优势。     

一种LMD和近似熵算法的模拟电路特征提取方法

针对模拟电路故障信号的非线性和非平稳性,提出了用局域均值分解(Local mean decomposition,LMD)和近似熵算法对模拟电路进行特征提取的方法。利用LMD算法把电路故障信号分解为一系列乘积函数(Product functions,PF),再选取前3个PF分量,求它们的近似熵,作为故障的特征向量。电路发生不同故障时,其输出响应信号的复杂度不同,经LMD分解后的PF分量的复杂度就更不相同,而近似熵可以表征时间序列的复杂度,故用LMD加近似熵可以有效提取故障电路的信息。在对故障进行分类判别时,使用核Fisher判别分析,得出各故障的诊断精度。仿真结果显示,本文的特征提取方法在改善故障电路特征的同时提高了诊断准确度,平均分类精度为97.86%。     

基于ELMD能量熵与PSO-SAE的齿轮故障诊断研究

齿轮发生不同的故障会导致不同频带内的信号能量值发生改变,因此可通过计算不同振动信号的能量熵判断齿轮是否发生故障,而针对复杂多变的工况和噪声的干扰而导致的齿轮振动信号的非线性、非平稳性且由于数据量大等问题。传统的信号分析方法,已无法表征丰富,海量的信号信息与复杂的多元非线性信号关系。故本文提出基于ELMD能量熵与PSO-SAE的齿轮故障诊断研究。该研究首先对原始信号进行ELMD分解,得到若干个乘积函数(PF);其次,对ELMD分解结果的前7个PF进行求取能量熵作为特征样本。最后进入一个经粒子群优化后的深度学习网络即堆叠自动编码机网络(PSO-SAE)对特征样本分类。实验中,将PSO-SAE与两类常用支持向量机分别进行识别精度与运行时间的对比。实验结果证明,所提研究方案可很好地应用在齿轮故障诊断研究中。     

变速器齿轮故障特征模糊熵提取方法研究

针对样本熵相似性度量函数的突变问题,提出了一种变速器齿轮故障特征模糊熵提取方法。模糊熵通过引入模糊隶属度函数代替样本熵中的硬阈值判据,可以减小模糊熵对参数的敏感度和依赖性。利用模糊熵作为变速器齿轮故障的特征值进行提取包括变速器齿轮正常、齿面轻度磨损、齿面中度磨损和断齿等4种工况的振动信号,依据不同的故障对应不同的模糊熵分布,对各种故障状态进行分类。变速器齿轮故障识别的实例验证了模糊熵较样本熵具有较好的故障分类能力。     

多尺度能量熵与优化极限学习机的航空液压管路故障诊断方法

针对航空液压管路故障特征难以提取问题,考虑到航空液压系统中振动信号存在非平稳性以及非线性等特点,提出了一种基于局部均值分解(Local Mean Decomposition,LMD)的多尺度能量熵(Multi-scale Energy Entropy,MEE)和麻雀搜索算法(Sparrow Search Algorithm,SSA)优化极限学习机(Extreme Learning Machine,ELM)的航空液压管路故障诊断方法。首先,采用局域均值分解方法将采集的振动信号自适应分解;其次,综合考虑相关系数-能量比准则,选取最佳PF分量;最后,计算最佳分量的多尺度能量熵,选取合适的尺度因子并将其对应的能量熵值作为特征向量,输入到麻雀搜索算法优化的极限学习机网络模型进行学习训练,实现对航空液压管路的故障进行分类识别。结果表明:该方法能够有效地实现对航空液压管路故障类型的准确识别,为区分航空液压管路故障提供了一种可行的诊断思路。     

基于局部均值分解与拉普拉斯特征映射的滚动轴承故障诊断方法

针对滚动轴承非平稳振动信号的特征提取及维数优化问题,提出了融合局部均值分解与拉普拉斯特征映射的轴承故障诊断方法。首先,通过局部均值分解对非平稳振动信号进行平稳化分解,提取乘积函数分量、瞬时频率及瞬时幅值的高维信号特征集;然后,将高维特征集作为拉普拉斯特征映射算法的学习对象,提取轴承高维故障特征集的内在流形分布,以获得敏感、稳定的轴承振动特征参数,实现基于非平稳振动信号分析的滚动轴承故障特征提取;最后,结合支持向量分类模型量化LMD-LE方法的特征提取效果,实现不同状况下的轴承故障分类。轴承故障样本分类识别平均正确率达到91.17%,表明LMD-LE方法有效实现了高维局部均值分解特征集合的降噪,所提取的特征矩阵对轴承故障特征描述准确。     

基于LMD和主分量分析的齿轮损伤识别方法

针对齿轮故障振动信号的非平稳特征,提出了基于局部均值分解(Local mean decompos ition,简称LMD)和主分量分析的齿轮损伤识别方法。该方法首先对齿轮振动信号进行局部均 值分解,将其分解成为若干个PF分量(Product function,简称PF),然后选取包含主要损伤信息的PF分量。从PF分量中提取能量和时域统计量等特征参数,组合成初始特征参数向量矩阵, 并进一步对初始特征参数向量矩阵进行主分量分析,得到齿轮振动信号的主特征分量,建立距 离判别函数,从而对齿轮工作状态进行识别。实验数据分析结果表明,本方法能有效地识别齿 轮损伤类型。     

基于LMD信号重构和支持向量机的柱塞泵故障诊断分析

为了提高基于机器学习的柱塞泵故障诊断效率,在柱塞泵故障5种状态振动信号基础上,提出基于局部均值分解(Local Mean Decomposition,LMD)信号重构和支持向量机(Support Vector Machine,SVM)的柱塞泵故障诊断方法.对消噪信号进行LMD分解,将重构信号与原始信号的样本熵进行对比....     

基于LMD能量特征的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的多载波多调制特性,提出一种基于局域均值分解(local mean decomposition,简称LMD)能量特征的特征向量提取方法,并与支持向量机相结合用于滚动轴承的故障诊断。首先,采用LMD方法将复杂调制振动信号分解为若干单分量信号乘积函数(production function,简称PF);然后,对反映信号主要特征的PF基于时间轴积分,得到各PF分量能量矩并构造特征向量;最后,将其输入多分类支持向量机中,用于区分滚动轴承的故障类型与故障程度。对滚动轴承内圈故障、外圈故障及滚动体故障振动信号的分析结果表明,该方法能有效提取滚动轴承各工作状态信号的故障特征,能准确识别故障类型,同时对故障程度的判断表现出较高的识别率。     

Application of time–frequency entropy method based on Hilbert–Huang transform to gear fault diagnosis

When faults occur in the gear, energy distribution of gear vibration signals measured in time–frequency plane would be different from the distribution under the normal state. Therefore, it is possible to detect a fault by comparing the energy distribution of gear vibration signals with and without fault conditions. Hilbert–Huang transform can offer a complete and accurate energy–frequency–time distribution. On the other hand, Shannon entropy could give a useful criterion for analyzing and comparing probability distribution and offer a measure of the information of any distribution. Targeting the feature of energy distribution of gear vibration signal, the merit of entropy and Hilbert–Huang transform, the concept of time–frequency entropy based on Hilbert–Huang transform is defined and furthermore gear fault diagnosis method based on time–frequency entropy is proposed. The analysis results from simulated signals and experimental signals with normal and defective gears show that the diagnosis approach proposed could identify gear status-with or without fault accurately and effectively. However, further study is needed to the classify gear fault pattern such as crack fault or broken teeth.     

Diesel Engine Valve Clearance Fault Diagnosis Based on Features Extraction Techniques and FastICA-SVM

Numerous vibration-based techniques are rarely used in diesel engines fault diagnosis in a direct way, due to the surface vibration signals of diesel engines with the complex non-stationary and nonlinear time-varying features. To investigate the fault diagnosis of diesel engines,fractal correlation dimension, wavelet energy and entropy as features reflecting the diesel engine fault fractal and energy characteristics are extracted from the decomposed signals through analyzing vibration acceleration signals derived from the cylinder head in seven different states of valve train. An intelligent fault detector FastICA-SVM is applied for diesel engine fault diagnosis and classification.The results demonstrate that FastICA-SVM achieves higher classification accuracy and makes better generalization performance in small samples recognition. Besides,the fractal correlation dimension and wavelet energy and entropy as the special features of diesel engine vibration signal are considered as input vectors of classifier Fast ICASVM and could produce the excellent classification results.The proposed methodology improves the accuracy of feature extraction and the fault diagnosis of diesel engines.     

Fault feature extraction of a rotor system based on local mean decomposition and Teager energy kurtosis

Feature extraction is the most important step for machine fault diagnosis, but useful features are very difficult to extract from the vibration signals, especially for intelligent fault diagnosis based on data-driven technique. An integral method for fault feature extraction based on local mean decomposition (LMD) and Teager energy kurtosis (TEK) is proposed in this paper. The raw vibration signals are first processed via LMD to produce a group of product functions (PFs). Then, the Teager energies are computed using the derived PFs. Subsequently, each Teager energy data set is directly used to calculate the corresponding TEK. A vibration experiment was performed on a rotor-bearing rig with rub-impact fault to validate the proposed method. The experimental results show that the proposed method can extract different TEKs from the mechanical vibration signals under two different operating conditions. These TEKs can be employed to identify the normal and rub-impact fault conditions and construct a numerical-valued machine fault decision table, which proves that the proposed method is suitable for fault feature extraction of the rotor-bearing system.     

局域均值分解和1.5维谱在机械故障诊断中的应用

针对机械故障振动信号的非线性、非平稳特征,提出了局域均值分解和1.5维谱相结合的机械故障诊断方法。该方法首先对信号进行局域均值分解,将其分解为若干个PF分量之和,然后运用1.5维谱方法对含有故障特征信息的PF分量进行特征提取。该方法具有抑制高斯白噪声、检测非线性耦合特征等特性。仿真信号与机械故障诊断工程实例的分析验证了该方法的有效性。
