VMD结合小波包信息熵和GJO-SVM的电机轴承故障诊断

针对电机滚动轴承故障特征难以提取从而导致诊断准确率低的问题,提出了一种基于变分模态分解(Variational Modal Decomposition, VMD)结合小波包信息熵(Wavelet Packet Information Entropy, WPIE)的特征提取方法,并采用金豺优化(Golden Jackal Optimization, GJO)算法优化后的支持向量机(Support Vector Machine, SVM)进行电机滚动轴承的故障诊断。首先,利用VMD将采集到的信号进行分解,依据局部极小包络熵筛选出最优本征模态(Intrinsic Mode Function, IMF)分量;其次,利用小波包将最优IMF分量再分解,并提取信息熵作为特征向量矩阵;最后,采用GJO算法对支持向量机中的惩罚参数和核参数进行寻优选择,建立GJO-SVM故障诊断模型,将特征向量矩阵输入金豺算法优化支持向量机(GJO-SVM)故障诊断模型中进行故障诊断。将VMD结合小波包信息熵特征提取与VMD结合近似熵特征提取进行对比试验,试验结果表明,VMD结合小波包信息熵特征提取精度提高了2.5%,其...     

基于参数优化VMD和改进DBN的滚动轴承故障诊断方法研究

针对滚动轴承早期微弱故障难以检测和故障诊断率不高的问题,提出了一种基于参数优化的变分模态分解(VMD)和改进的深度置信网络(DBN)的故障诊断方法。首先,为了消除人为选择VMD参数的影响,采用了鲸群算法(WOA)寻优VMD算法的最佳模态分解个数和惩罚因子的参数组合;然后,利用参数优化后的VMD算法分解了滚动轴承振动信号,分解后的本征模态分量(IMF)求频谱后组成了高维数据集;最后,直接输入麻雀搜索算法(SSA)优化的深度置信网络进行了模式识别。研究结果表明:针对滚动轴承的故障,相同模式识别方法VMD算法故障识别率为97.4%,相比于EMD算法96.5%的故障识别率更高;相同信号处理方法下,DBN网络故障诊断率为98.7%,相比于SVM算法97.4%故障诊断率更高;WOA-VMD-SSA-DBN算法的故障诊断率达到了100%,故障诊断的效果得到了进一步提升。     

基于CEEMDAN多尺度熵和SSA-SVM的滚动轴承故障诊断研究

针对支持向量机(SVM)应用在轴承故障分类时,传统的智能算法优化SVM的参数容易存在寻优速度慢、调节参数多,以及容易陷入局部最优值等问题,提出了一种基于CEEMDAN多尺度熵与SSA-SVM相结合的故障诊断方法。对滚动轴承的故障特征提取和SVM参数优化进行了研究,引入了一种新的群智能优化算法,用麻雀搜索算法(SSA)对SVM参数进行了优化,提高了寻优速度以及轴承的故障分类准确率;该方法先采用自适应白噪声完整经验模态分解(CEEMDAN)算法分解信号,获得了若干个固有模态函数(IMF);再采用相关系数方法选择有用IMF分量,并进行了重新组合;最后,计算重构信号的多尺度熵作为特征向量,输入SSA优化的SVM进行了故障分类。研究结果表明:采用该方法能够准确地获得故障信息,且识别准确率高;与PSO、GA优化的SVM相比,该方法的故障诊断分类性能更好。     

改进蝙蝠算法优化支持向量机的故障诊断方法

提出了一种基于变分模态分解（VMD）和时移多尺度散布熵（TSMDE）的故障特征提取结合改进的蝙蝠算法（IBA）来优化支持向量机（SVM）的滚动轴承故障诊断方法。通过变分模态分解,避免了模式混叠问题,提取各模态分量的散布熵构造故障特征向量,作为故障诊断模型的输入;提出了一种新的自适应速度权重因子用于构建改进的蝙蝠算法以优化支持向量机（IBA-SVM）,实现了对不同故障类型的轴承进行分类;利用实验数据对提出的诊断方法进行验证,并与用粒子群算法（PSO）优化支持向量机（PSO-SVM）的诊断方法进行对比。结果表明所提出的方法分类准确率更高,用时更少。     

基于HMM和CS-VMD的滚动轴承故障诊断

针对滚动轴承故障信号非线性和非平稳的特点,为准确识别滚动轴承的故障类型,提出了一种基于隐马尔可夫模型(HMM)并利用布谷鸟搜索(CS)优化变分模态分解(VMD)的滚动轴承故障诊断新方法。首先,利用CS分别优化VMD的模态分解个数K和二次惩罚因子α;然后,设置寻优得到的最佳参数组合,将故障信号经VMD分解为一系列本征模态函数分量(IMFs);最后,依据相关系数重构信号,并从重构信号中提取特征向量输入HMM模型中训练及识别。通过对实验采集的轴承故障振动信号的分析,验证了此方法的有效性和准确性。     

基于VMD-VGG的滚动轴承故障诊断

针对滚动轴承信号重构误差大,信号来源复杂等问题,提出了变分模态分解(VMD)算法与VGG神经网络相结合的滚动轴承故障诊断方法。首先,为避免VMD在工程应用中人为参数设置不合理导致的模态混叠等现象,提出应用中心频率计算分离系数,选取最佳模态个数的策略;然后,对VMD分解后各模态分量的能量熵与频率峰值等进行数值分析,剔除能量熵较小的信号,并将各模态信号依据频率峰值进行重构,得到故障特征向量;最后,构建VGG故障诊断模型,实现滚动轴承的故障分类。轴承振动信号与电动机定子电流信号对所提方法的验证结果表明,VMD-VGG方法可以有效分解这2种故障信号,而且具有较高的故障识别精度。     

基于WOA-VMD联合MOMEDA的轴承外圈故障特征提取方法

滚动轴承工作环境较为复杂，在复杂的环境因素影响下，其故障特征信号容易受到噪声的影响，导致其难以被识别。针对这一问题，提出了一种基于鲸鱼优化算法(WOA)的变分模态分解(VMD)联合多点最优最小熵解卷积(MOMEDA)的滚动轴承外圈故障特征提取方法。首先，利用变分模态分解(VMD)对仿真信号进行了分解，使用鲸鱼优化算法(WOA)确定了最佳分解层数以及各分量的样本熵；然后，以样本熵最小值为目标寻优，得出了包含故障信号的最佳分量，对得到的最佳分量进行了MOMEDA重构，从重构信号的包络谱中获得了仿真信号故障特征频率及其倍频；最后，为了验证WOA-VMD联合MOMEDA的有效性，在实验台上采集数据，对滚动轴承的外圈故障信号进行了特征提取。实验结果表明：使用该方法可以高效地进行信号的分解寻优，能较为准确地得到仿真信号的故障频率(100 Hz)和实验台提取信号的近似故障频率(87.5 Hz),验证了该方法的有效性。研究结果表明：低信噪比的工况条件下，采用WOA-VMD联合MOMEDA的方法可以有效地提取滚动轴承的故障特征信号，并能从重构信号中提取故障特征频率。     

VMD和t-SNE相结合的滚动轴承故障诊断

滚动轴承故障诊断普遍采用有监督学习的方式,针对有标签数据难以获取的问题,提出一种VMD分解与t-SNE流形学习相结合的滚动轴承故障诊断方法。利用VMD分解将滚动轴承原始振动信号分解为若干本征模态分量(IMF);计算每个模态分量的时频特性指标组成高维故障特征,通过t-SNE对故障进行二次特征提取,获取低维敏感特征并将其作为K-means分类器的输入,实现故障类型的识别。将该方法应用到滚动轴承故障诊断中并与VMD+PCA、原始时频特征+t-SNE两种方法进行对比,结果表明VMD+t-SNE方法以无监督学习的方式实现了故障诊断的去标签化和自适应性,同时提高了故障诊断的准确性。     

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。     

基于VMD多特征融合与PSO-SVM的滚动轴承故障诊断

滚动轴承处于早期故障阶段时,故障冲击特征成分难以提取,为了从轴承故障振动信号中提取特征参数,对轴承故障振动信号进行变分模态分解(Variational Mode Decomposition,VMD),得到若干个本征模态分量(IMFs),计算各个IMF的能量熵与样本熵,并利用主成分分析方法(PCA)对其进行特征融合。最后利用粒子群算法(PSO)优化的支持向量机(SVM)对融合特征进行故障模式识别。轴承故障实验分析结果表明,所提方法能够有效实现滚动轴承故障诊断。     

基于变分模态分解和符号熵的齿轮故障诊断方法

为提高齿轮的故障诊断效果,提出了基于变分模态分解(Variational Modal Decomposition,VMD)和符号熵(Symbol Entropy, SE)的齿轮故障诊断方法。首先,利用VMD对齿轮故障振动信号进行分解,得到若干个本征模态分量(Intrinsic Mode Function,IMF);然后,计算IMF分量的符号熵,并将IMF符号熵组成齿轮故障特征向量;最后,将特征向量输入SVM进行故障诊断。齿轮故障诊断实测结果验证了该方法的有效性和优势。     

VMD模糊熵和SVM在柱塞泵故障诊断中的应用

为有效提取非线性非平稳特性的柱塞泵故障特征,提高故障诊断准确率,提出了一种基于变分模态分解（Variational Mode Decomposition,VMD）模糊熵和支持向量机（Vupport Vector Machine,SVM）相结合的柱塞泵故障诊断方法。首先将信号经过VMD分解形成K个固有模态分量（Intrinsic Modal Component,IMF）;然后确定IMF个数,提出了基于峭度分析的IMF个数确定方法;其次取峭度值较大的IMF并计算其模糊熵,确定了各状态下相应的模糊熵;最后将模糊熵作为特征向量输入SVM进行故障识别,准确率可达98.3%。将该方法与经验模态分解（Empirical Mode Decomposition,EMD）模糊熵-SVM、VMD模糊熵-BP神经网络对比,结果表明,VMD模糊熵和SVM相结合的方法在柱塞泵故障诊断中具有优越性。     

变分模态分解与神经网络结合的轴承故障诊断

故障信号特征提取的准确性是保证故障智能诊断识别率的关键因素。低信噪比情况下,故障诊断效果下降。变分模态分解方法(VMD)在信号分解精度和抗噪方面具有明显优势。在分析VMD抗噪性能的基础上,提出以VMD分解的各模态能量作为智能诊断特征信息,并与小波包的特征信息进行对比研究。将滚动轴承两种故障特征信息通过BP神经网络识别,用不同信噪比的加噪故障信号进行测试,结果表明,在低信噪比情况下基于VMD模态能量的故障特征更具有可识别性。     

基于FOA的变分模态分解在轴承故障诊断中的应用

变分模态分解(VMD)广泛应用于故障诊断中,从振动信号中提取故障特征是故障诊断过程中的关键部分。针对强背景噪声和脉冲干扰下滚动轴承早期故障特征难以提取的问题,提出了一种新的基于果蝇优化算法(FOA)的变分模态分解的轴承故障诊断方法。首先,利用果蝇优化算法自适应优化VMD的惩罚参数α和分解数K,获取最优参数组合;然后,对信号进行VMD分解,得到K个模态分量;最后,基于峭度最大化准则选取最优模态分量进行包络解调分析,提取出故障特征频率。通过仿真信号分析、实际故障轴承信号验证以及与基于果蝇优化算法的多分辨奇异值分解(MRSVD)方法进行对比,证明了所提方法的有效性。     

基于VMD的Volterra模型奇异值熵的转子故障诊断方法

针对转子故障信号的非平稳性以及敏感故障特征无法有效提取的问题,将变分模态分解(variational mode decomposition, VMD)的Volterra模型和奇异值熵相结合,提出一种故障诊断方法。对影响VMD分解准确性的参数选取方法进行了深入研究,给出了相关问题的解决策略。首先,对不同工况下转子实测信号进行VMD分解,利用能量熵增量选取对故障特征敏感的固有模态函数(intrinsic mode function, IMF)进行相空间重构,以建立Volterra自适应预测模型,将模型参数作为初始特征向量矩阵。然后,对初始特征向量进行奇异值分解以获取奇异值熵和奇异值特征向量矩阵,用于描述转子的故障特征。最后,采用模糊C均值(fuzzy c-means, FCM)算法对转子工作状态和故障类型进行识别。试验结果表明,所提方法可有效实现转子故障的特征提取及类型识别。通过同经集合经验模态分解(ensemble empirical mode decomposition, EEMD)相比,证明了该方法具有更有效的故障特征提取性能,是一种可行的方法。     

VMD能量熵与随机森林相结合的齿轮故障诊断

针对齿轮故障的非线性、非稳定性特点和单个分类器在故障诊断中准确率低的问题,提出了一种基于变分模态分解(VMD)和随机森林(RF)的齿轮故障识别方法。首先,采用变分模态分解将振动信号分解成有限个本征模态函数(IMFs),并与总体平均经验模态分解对比其分解效果;其次,计算各模态函数的能量熵,将能量熵作为评判齿轮状态的标准,构建特征向量;最后,将特征向量输入随机森林进行故障分类。结果表明,与支持向量机(SVM)识别方法对比,该方法具有较强的学习能力以及较高的诊断精度。     

基于JSO-VMD的滚动轴承故障特征提取方法

滚动轴承发生故障时,其机械振动信号包含复杂的信息成分,影响故障信号的提取,导致故障识别困难.文中提出一种基于水母优化算法(JSO)与变分模态分解(VMD)结合的滚动轴承故障特征提取方法.应用JSO对VMD算法中固有模态函数(IMF)的个数k以及惩罚因子α作自适应优化处理.运用JSO-VMD算法对原始振动信号进行分解,得...     

基于ICEEMD及AWOA优化ELM的机械故障诊断方法

旋转机械设备故障检测及识别一直是研究的热点。针对目前故障特征提取和诊断方法的不足,提出一种基于改进的完备集合经验模态分解(ICEEMD)与自适应鲸鱼优化算法(AWOA)优化极限学习机(ELM)的机械故障诊断方法。ICEEMD能够避免在分解过程中产生伪模态,其模式中残留噪声小,使提取故障信息更加准确。利用ICEEMD将采集到的信号分解成多个本征模态函数(IMF),对滚动轴承不同故障状态IMF的斯皮尔曼等级相关系数(SRCC)的计算结果进行分析,得出筛选IMF的标准为其SRCC大于0.02;将筛选后的IMF的混合熵(HE)作为特征向量。WOA相比其他仿生算法所需要调整的相关参数少、收敛速度快、稳定性好。AWOA利用自适应权重优化WOA的局部搜索方式,进一步提高了收敛精度。利用AWOA对ELM的权值和阈值进行优化,可以提高故障诊断的准确率。通过对比实验证明,AWOA-ELM的学习能力强、故障诊断的准确率更高。AWOA-ELM应用在滚动轴承不同尺寸滚珠和外圈故障诊断中,对滚珠故障诊断的准确率达到99.5%,对外圈故障诊断的准确率达到100%。     

基于VMD-GST和AMCNN相结合的滚动轴承故障诊断方法

针对传统滚动轴承故障诊断方法故障特征提取困难、诊断准确率低等问题，提出了一种变分模态分解(VMD)、广义S变换(GST)和注意力卷积神经网络(AMCNN)相结合的智能诊断方法。首先，基于VMD算法分解振动信号，以互信息指标筛选真实分量并进行重构，通过GST将重构信号转化为时频图；然后，以得到的二维特征图像为输入，通过AMCNN自适应学习其时频特征；最后，通过分类器输出滚动轴承的故障诊断结果。以NJ208EM圆柱滚子轴承为例进行试验验证，结果表明：VMD-GST方法能有效提取故障特征，AMCNN模型具有更强的特征提取能力和识别能力，平均故障识别准确率达到99.76%,优于其他方法。