基于EMD的奇异值分解技术在滚动轴承故障诊断中的应用

针对滚动轴承故障振动信号的非平稳特征,提出了一种基于经验模态分解(EmpiricalModeDecomposition,简称EMD)和奇异值分解技术的滚动轴承故障诊断方法。该方法首先采用EMD方法将滚动轴承振动信号分解为多个平稳的内禀分量(IntrinsicModefunction,简称IMF)之和,并形成初始特征向量矩阵。然后对初始特征向量矩阵进行奇异值分解得到矩阵的奇异值,将其作为滚动轴承振动信号的故障特征向量,并输入神经网络来识别滚动轴承的工作状态和故障类型。实验分析结果表明,本文方法能有效地应用于滚动轴承故障诊断。     

VMD能量熵与核极限学习机在滚动轴承故障诊断中的应用

针对滚动轴承信号的不规则特性,致使信号故障特征难提取及难以辨识,为实现滚动轴承故障的智能诊断,提出基于VMD能量熵与核极限学习机(kernel extreme learning machine,K-ELM)的滚动轴承故障诊断方法。首先将测得振动信号进行变分模态分解(variational mode decomposition,VMD),利用能量熵进一步提取各模态特征组成高维特征向量集;然后将构建的特征向量作为K-ELM算法的输入,通过训练建立K-ELM滚动轴承故障分类模型。实验结果表明:VMD能够很好地分解轴承振动信号,且K-ELM滚动轴承故障分类模型比SVM、ELM故障分类模型具有更高的精度、更强的稳定性。     

基于流形学习和改进VPMCD的滚动轴承故障诊断方法*

提出一种基于拉普拉斯特征映射流形学习算法(Laplacian Eigenmaps,简称LE)和改进多变量预测模型(Variable predictive model based class discriminate,简称VPMCD)的滚动轴承故障诊断方法,首先对振动信号进行局部特征尺度分解(Local characteristic scale decomposition,简称LCD),并提取各内禀尺度分量(Intrinsic scale component,简称ISC)的特征构造高维特征向量,接着采用LE算法挖掘出高维数据中包含有效信息且具有内在规律性的低维特征,然后输入到基于Kriging的改进多变量预测模型(Kriging-variable predictive model based class discriminate,简称KVPMCD)分类器中进行模式识别。该方法充分利用并有效结合了LCD在信号处理、LE在挖掘特征信息和KVPMCD在模式识别方面的优势,实现了滚动轴承故障特征提取到故障识别的全程诊断。实验分析结果表明:基于LE算法和KVPMCD的分类方法可以有效地对滚动轴承的工作状态和故障类型进行识别。     

基于LCD与奇异值能量差分谱的齿轮故障诊断方法

齿轮是机械传动中的重要组成部分,其故障的发生已经成为影响设备可靠、稳定运行的主要因素。提出一种基于改进局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)与奇异值能量差分谱(Energy Difference Spectrum of Singular Value,EDSSV)的齿轮故障诊断方法。首先,利用支持向量回归(Support Vector Regression,SVR)对信号进行延拓处理,抑制LCD分解过程中产生的端点效应,分析改进后LCD算法的精确性和可靠性;然后结合奇异值能量差分谱降噪理论,有效剔除各ISC中噪声成分,重构信号频谱,提高信噪比;最后计算分解得到的内禀尺度分量(Intrinsic Scale Component,ISC)模糊熵(Fuzzy Entropy,FE)特征集,利用支持向量机(Support Vector Machine,SVM)进行分类。实验研究表明,提出的基于改进LCD与奇异值能量差分谱的齿轮故障诊断方法能有效诊断出齿轮故障类型。     

基于奇异值分解和独立分量分析的滚动轴承故障诊断方法

针对强背景噪声下难以提取滚动轴承早期故障信号中故障特征频率的问题,提出奇异值分解和独立分量分析相结合的滚动轴承故障诊断方法。该方法首先利用相空间重构将一维时域矩阵拓展到高维矩阵,得到吸引子轨迹矩阵;然后对轨迹矩阵进行奇异值分解降噪,依据奇异值差分谱阈值原则选取相应阶次分量进行重组构造虚拟噪声通道;接着将重组信号和观测信号进行独立分量分析分离;最后利用能量算子解调方法提取出有效的故障特征分量,进而识别故障类型。滚动轴承故障诊断实验和仿真结果表明该方法有效可行。     

基于内积延拓LMD及SVM的轴承故障诊断方法研究

针对特征提取中局域均值分解(Local Mean Decomposition, LMD)存在端点效应缺陷及模式识别中人工神经网络(Artificial Neural Network, ANN)存在收敛速度慢、过学习等不足,提出基于内积延拓LMD及支持向量机(Support Vector Machine, SVM)的轴承故障诊断方法。利用内积延拓LMD方法对信号延拓分解抑制LMD端点效应;利用分解的可描述信号特性主分量PF(Product Function)构建初始特征向量矩阵;用SVD(Singular Value Decomposition)方法对初始特征向量矩阵进行奇异值分解,获得信号特征参数作为SVM的输入进行训练;对训练的SVM进行测试及模式分类。通过实际轴承故障信号分析及故障类型分类表明,该方法不仅能抑制LMD端点效应缺陷,且在故障模式识别中能有效避免ANN网络结构难确定、收敛速度慢等不足,能较好实现轴承故障准确分类,可用于轴承故障诊断。     

延伸奇异值分解包及其在高速列车轮对轴承故障诊断中的应用

结合多分辨奇异值分解包的分解结构和对滚动轴承故障信号的Hankel矩阵的奇异值分布特性研究,提出了延伸奇异值分解包。该算法的核心包括矩阵递推构造和矩阵重构。以分量信号能量为指标,提出了有效分量信号的筛选准则,并基于该准则,进一步提出了延伸奇异值分解包的快速算法。仿真结果表明,延伸奇异值分解包对信号中共振频带分量信号具有很好的分解能力,方法具有强鲁棒性,同时极大地改善了奇异值分解包中出现的模态混叠。应用高速列车轮对轴承试验数据对该方法进行试验验证,结果表明,该方法能有效分离高速列车轮对轴承复合故障信号的不同共振频带信号,对筛选的有效分量信号进行包络分析,可有效提取不同类型的故障特征频率及其谐波,对共振频带的聚集性和故障的表征力相比奇异值分解包均有显著提高。     

基于EMD-SVD模型和SVM滚动轴承故障模式识别

针对滚动轴承振动信号的非平稳特性和在现实条件下难以获取大量故障样本的实际情况,提出一种经验模态分解、奇异值分解、Renyi熵和支持向量机相结合的故障诊断方法。运用经验模态分解方法对其去噪信号进行分析,利用互相关系数准则对固有模式分量进行筛选,再对所选分量重构相空间得到吸引子轨道矩阵;对矩阵进行奇异值分解求取奇异值,再计算这些奇异值的Renyi熵以组成故障特征向量,并将其作为支持向量机的输入以识别滚动轴承的故障类型。最后,利用实际滚动轴承试验数据的诊断与对比试验验证了该方法的有效性和泛化能力。     

基于变分模态分解和排列熵的滚动轴承故障诊断EI北大核心CSCD

滚动轴承早期故障信号特征微弱且难以提取,为了从轴承振动信号中提取特征参数用于轴承故障诊断和识别,提出基于变分模态分解(Variational Mode Decomposition,VMD)和排列熵(Permutation Entropy,PE)的信号特征提取方法,并采用支持向量机(Support Vector Machine,SVM)进行故障识别。对轴承振动信号进行变分模态分解,得到不同尺度的本征模态函数;计算各本征模态函数的排列熵,组成多尺度的复杂性度量特征向量;将高维特征向量输入基于支持向量基建立的分类器进行故障识别分类。通过滚动轴承实验数据分析了算法中参数选取问题,将该方法应用于滚动轴承实验数据,并与集合经验模态分解和小波包分解进行对比,分析结果表明,基于变分模态分解和排列熵的诊断方法有更高的诊断准确率,能够有效实现滚动轴承的故障诊断。     

基于变分模态分解和多尺度排列熵的滚动轴承故障诊断

针对滚动轴承故障振动信号非平稳性、故障特征提取效果不理想以及故障诊断准确性低等问题,提出基于变分模态分解和多尺度排列熵的滚动轴承故障特征提取方法,并采用经粒子群算法优化的概率神经网络(PSO-PNN)故障诊断模型进行故障类型识别。通过变分模态分解方法将提取的振动信号分解成K个模态分量,进一步计算K个分量的多尺度排列熵,组成多尺度的特征向量,将特征向量输入到PSO-PNN故障诊断模型中识别故障类型。MATLAB仿真结果表明,该方法使故障类型识别准确率有所提高。