VMD和CICA在齿轮箱故障诊断中的应用

针对齿轮箱故障信号微弱且易受周围噪声影响的问题,提出了一种基于变分模态分解(variational mode decomposition, VMD)的约束独立分量分析(constrained independent component analysis, CICA)算法。利用单通道加速度传感器采集齿轮箱的混合故障信号,通过VMD算法将混合信号分解为多个不同的本征模态函数(intrinsic mode function, IMF),然后依据峭度和互相关系数选取有效的IMF分量进行重构信号,对于重构信号利用CICA进行降噪处理,根据CICA降噪后得到齿轮和轴承的故障特征,对齿轮和轴承混合故障进行仿真及实验研究,结果表明,VMD-CICA算法可以很好地提取齿轮和轴承的故障特征频率,同时与经验模态分解-约束独立分量分析(EMD-CICA)和集成经验模态分解-约束独立分量分析(EEMD-CICA)算法相比得到的故障特征频率更明显。     

基于卷积神经网络的故障诊断模型振动信号处理方法比较

针对利用卷积神经网络(convolutional neural networks, CNN)对滚动轴承进行故障诊断时可采用的振动信号处理方法较多的情况,设计了基于CNN的振动信号处理方法对比实验,采用不同的振动信号处理方法对滚动轴承在不同工况下的采样数据进行处理,再将动信号输入CNN故障诊断模型进行训练及测试,根据测试精度比较处理方法对故障诊断精度的影响。采用CNN中的AlexNet作为实验模型,选择模型中的最后3个全连接层,以达到快速训练的目的。对比不同信号处理方法对应的检测准确率可知,基于小波变换的滚动轴承故障诊断模型的检测准确率最高。     

基于VMD-SVD联合降噪的网架结构模态识别北大核心CSCD

为减少测量噪声对网架结构模态识别的不利影响,提出基于变分模态分解(VMD)和奇异值分解(SVD)联合降噪的随机子空间(SSI)模态识别方法.首先,以整体正交系数最小作为优化目标,利用鲸鱼优化算法获取VMD所需的最优K、α参数.基于K、α最优值对响应信号进行VMD后,根据各分量频谱曲线的光滑程度来筛选被激发的有效模态分量.其次,在进一步对有效模态分量进行SVD后,将其叠加以得到降噪后的重构信号.最后,采用SSI法对重构信号进行模态识别.某三自由度体系的仿真分析和某3m×3m平板网架的模型试验均表明,本文方法具有良好的降噪效果,可以筛选有效模态分量和提高模态识别精度.     

基于VMD-SVD联合降噪的网架结构模态识别

为减少测量噪声对网架结构模态识别的不利影响,提出基于变分模态分解(VMD)和奇异值分解(SVD)联合降噪的随机子空间(SSI)模态识别方法.首先,以整体正交系数最小作为优化目标,利用鲸鱼优化算法获取VMD所需的最优K、α参数.基于K、α最优值对响应信号进行VMD后,根据各分量频谱曲线的光滑程度来筛选被激发的有效模态分量.其次,在进一步对有效模态分量进行SVD后,将其叠加以得到降噪后的重构信号.最后,采用SSI法对重构信号进行模态识别.某三自由度体系的仿真分析和某3m×3m平板网架的模型试验均表明,本文方法具有良好的降噪效果,可以筛选有效模态分量和提高模态识别精度.     

一种基于解调技术的电机故障诊断方法

本文针对电机故障诊断提出了一种解调方法。首先,对复杂信号进行经验模式分解,得到若干个本征分量,再对包含调制信号的本征分量进行包络解调以提取故障信息。该方法可实现故障信息的有效分离,提高了诊断信号的信噪比,为基于信号分析的故障诊断提供了一种可行的途径。     

改进Hilbert-Huang变换的滚动轴承故障诊断

以自适应噪声完备集合经验模态分解(CEEMDAN)为基础,提出了一种改进的Hilbert-Huang变换(HHT)时频分析法。对滚动轴承振动信号进行CEEMDAN获得一组本征模态函数(IMF)。通过自动提取敏感IMF算法,筛选特征敏感IMF分量,计算特征敏感IMF分量的Hilbert包络谱和HHT二维时频谱,提取故障特征频率信息。研究结果表明:CEEMDAN算法有效降低了模态混叠,比经验模态分解(EMD)算法和集合经验模态分解(EEMD)算法具有优越性。将改进的HHT与自动提取敏感IMF算法相结合,可以有效分解信号的特征信息,筛选出含有故障特征信息的敏感IMF,剔除背景噪声和无故障IMF的干扰,有效提取轴承振动的故障特征频率,诊断出轴承故障的发生部位。     

基于双谱分析的滚动轴承故障诊断

针对工程中常见滚动轴承的振动信号含有高噪声和非线性等特点,利用双谱分析提取其振动信号中的高阶谱,进而对滚动轴承故障模式识别与诊断。对小波降噪的振动信号做双谱分析,提取对应转速频率的振动分量作为频域特征值,并将滚动轴承3种故障的特征值与时域中选取的特征值与其正常信号对比分析;实现对滚动轴承不同故障的识别与判断。实验结果表明,该方法可以全面反映出轴承振动信号中的隐含信息,能有效地对工程常见的滚动轴承做出故障诊断。     

基于能量分析重构VMD分量的直埋供热管道泄漏定位研究

为提高声波法在复杂噪声环境下进行直埋供热管道泄漏定位的准确性,本文提出了基于能量分析重构有效模态分量的供热管道泄漏定位方法,即采用变分模态分解(VMD)将检测信号自适应地分解为一组本征模态函数(IMF),识别、提取有泄漏特征的有效模态分量,并通过能量占比分析完成信号加权重构。泄漏实验和工程实测表明：常规VMD泄漏定位方法与本文方法的平均定位偏差分别为1.57、0.51 m,相对定位偏差分别为8.42%、2.75%,采用本文方法定位准确性提高67.34%;工程实测中,常规VMD方法未能发现管道泄漏位置,本文方法确定的泄漏位置定位偏差为1.78 m;本文方法可抑制有效模态分量中的残余噪声,降低噪声成分对泄漏定位的影响,提高复杂噪声环境下供热管道泄漏定位精度。     

基于VMD-KPCA的轴承设备在线监控

针对轴承运行工况复杂且采集的信号受噪声影响较大,难以提取有效的故障特征并准确进行故障监测的情况,提出基于变分模态分解（VMD）和核主元分析（KPCA）融合的方法对轴承设备进行在线监控。该方法利用相关系数表征VMD得到各本征模态函数与原振动信号之间的关联程度,选择实相关的分量进行重构,提取重构信号的时、频域特征输入到KPCA模型中,结合热尔连T平方统计量（T2）和平方预测误差统计量（SPE）对轴承设备进行实时故障监测。根据已有的公开试验轴承振动数据集,通过试验分析发现,提出的方法对轴承设备的监控效果较好,能有效地监测出轴承设备发生的故障。     

滚动轴承制造精度振动测试模型构建方法研究

滚动轴承的振动是非常复杂的随机机械现象,在轴承制造过程中,常采用振动测试作为其质量评判标准,其关键技术是振动信号的分析。针对滚动轴承制造质量测试过程中振动信号的分解和判别模型构建问题,提出基于粒子群优化算法（PSO）的滚动轴承振动信号的变分模态分解（VMD）和支持向量机（SVM）判别模型构建方法。首先,采用自动测振仪对不同精度等级的轴承振动信号进行采集;其次,对振动信号进行VMD分析,以变分后的有限带宽模态函数（IMF）与原信号的相关系数ρ为适应度函数对VMD参数中的模态分解个数K和二次惩罚项α进行优化;然后,根据各模态的中心频率与其原始信号的相关性对模态分量进行优选和信号重构,并计算重构信号的多尺度排列熵（MPE）特征;最后,采用PSO算法对支持向量机（SVM）模型的惩罚参数c和核函数参数g进行优化,建立滚动轴承质量实时分析的SVM判别模型。试验结果表明：经PSO优化后的VMD-MPE-SVM模型对轴承制造精度的正确判别率为95.00%。研究结果可为滚动轴承制造过程中产品精度实时全检提供一种参考方法。