基于CEEMDAN奇异值熵和SVM的转子故障诊断

提出一种基于自适应白噪声完整经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)奇异值熵和支持向量机(support vector machine,SVM)的转子故障诊断方法。利用CEEMDAN方法首先对非平稳的转子振动信号分解得到若干个表征信号自身特性的固有模态函数(intrinsic mode function,IMF),并通过虚假IMF分量判别法,剔除对于故障特征不敏感的IMF,以保证故障信息提取的准确性和有效性,在此基础上产生初始特征向量矩阵。并对此矩阵进行奇异值分解得到矩阵奇异值,使其作为故障特征向量,通过归一化处理得到奇异值熵,并以此作为SVM的输入,对转子的工作状态进行识别。研究结果表明:该方法可有效应用于转子故障诊断,实现对转子工作状态和故障类型的有效诊断。     

VMD奇异值和FCM的转子故障特征提取与识别

为了准确、有效地提取转子故障特征,提出了变分模态分解(VMD)和奇异值特征提取的方法,并采用模糊C均值聚类(FCM)进行转子故障识别。首先,利用分解精度高、模态混叠问题少的VMD算法进行振动信号分解,形成初始特征向量矩阵,然后对该向量矩阵进行奇异值分解,将求得奇异值作为故障特征向量,最后通过模糊C均值聚类形成聚类中心,并计算海明贴近度以实现不同工况下的转子故障分类。将此方法进行转子实验台振动数据验证,实验结果表明:该方法能够有效实现不同工况下转子故障信号的区分,取得了理想的故障诊断结果。     

基于流行-IMF奇异值熵的转子故障特征提取方法

针对转子振动信号的非平稳性以及微弱故障特征难以提取的问题,提出一种基于集合经验模式分解(ensemble empirical mode decomposition,简称EEMD)的奇异值熵和流形学习算法相结合的故障特征提取方法。首先,对原始振动信号进行EEMD分解,得到若干本征模态函数(intrinsic mode function,简称IMF)分量,根据峭度 欧式距离评价指标选取故障信息丰富的敏感分量,组成初始特征向量,求其奇异值熵;其次,利用近邻概率距离拉普拉斯特征映射算法（nearby probability distance Laplacian eigenmap,简称NPDLE）对奇异值熵组成的特征矩阵进行降维处理;最后,将得到的低维特征子集输入到K-近邻(K-nearest neighbor,简称KNN)中进行模式辨识。用一个双跨度转子实验台数据集和Iris仿真数据集对所提方法进行了验证,结果表明,IMF奇异值熵和NPDLE相结合的方法可以有效地实现转子故障特征提取,提高了故障辨识的准确性。     

奇异值熵和支持向量机的齿轮故障诊断

提出了一种基于总体平均经验模态分解(ensemble empirical mode decomposition,简称EEMD)奇异值熵和支持向量机的齿轮故障诊断方法.首先,通过EEMD方法将非平稳的原始加速度振动信号分解成若干个平稳的本征模式分量,将得到的若干个本征模式分量自动形成初始特征向量矩阵;然后,对该矩阵进行奇异值分解,提取其奇异值作为故障特征向量,并对其进行归一化,求得奇异值熵,根据奇异值熵值大小可以判断齿轮的故障类型;最后,将奇异值故障特征向量作为支持向量机的输入,判断齿轮的工作状态和故障类型.试验结果表明,即使在小样本情况下,基于EEMD奇异值分解和支持向量机的故障诊断方法仍能有效地识别齿轮的工作状态和故障类型.     

基于SVD-EEMD和TEO的滚动轴承弱故障特征提取

将奇异值分解(singular value decomposition,简称SVD)与集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)进行结合,提出一种适用于滚动轴承弱故障状态描述的敏感特征提取方法。为提高信号故障信息的提取质量,对采集信号进行相空间重构得到一种Hankel矩阵。根据该矩阵的奇异值差分谱,确定降噪阶次进行SVD降燥。用EEMD分解降噪后的信号可获得11个本征模态函数(intrinsic mode function,简称IMF)和1个余项。依据建立的峭度-均方差准则,筛选出一个能够有效描述故障状态的敏感IMF分量,计算其相应的Teager能量算子(Teager energy operator,简称TEO),对此TEO进行Fourier变换,实现了对滚动轴承弱故障模式的有效辨识。用美国凯斯西储大学公开的滚动轴承故障信号对所建立的方法与传统EEMD-Hilbert法和EEMD-TEO方法进行对比,结果表明:经本方法提取的敏感特征能准确突显滚动轴承故障频率发生的周期性冲击,可准确识别其故障类型。     

基于VMD-MDE和ELM的柱塞泵微弱故障诊断

针对早期微弱故障信号易受噪声干扰、难以提取和识别的问题,提出一种基于变分模态分解(variational mode decomposition,简称VMD)多尺度散布熵(multiscale dispersion entropy,简称MDE)和极限学习机(extreme learning machine,简称ELM)的柱塞泵微弱故障诊断方法。首先,采集各状态的振动信号进行VMD分解,得到若干模态分量,根据各模态分量Hilbert包络谱中特征频率能量贡献率大小,提出以归一化特征能量占比(feature energy ratio,简称FER)为重构准则的变分模态分解特征能量重构法(variational mode decomposition feature-energyreconsitution,简称VMDF),对各模态分量进行信号重构;其次,计算重构信号的MDE,对各尺度散布熵进行分析,选择有效尺度散布熵作为特征向量;最后,将提取的特征向量输入ELM完成故障模式识别。柱塞泵不同程度滑靴端面磨损故障的实验结果表明,该方法不仅提高了模式识别效率,还可以更好地反映故障程度变化规律,具有较好的应用性。     

基于变分模态分解谱熵的电机轴承退化状态识别方法

为更好的表征电机轴承的退化状态,对电机轴承退化特征提取方法进行了研究。结合变分模态分解(Variational modal decomposition, VMD)和信息熵理论,提出了基于VMD分解谱熵的退化状态识别方法。对不同损伤程度的轴承振动信号进行VMD分解,分别计算其在不同尺度下的复杂度度量能谱熵、奇异谱熵和边际谱熵,以其作为退化特征向量。通过建立相关向量机退化状态识别模型实现轴承的退化状态识别。仿真信号和轴承实测信号均验证了VMD分解谱熵对轴承退化状态的表征能力。     

变分模态分解在转子故障诊断中的应用

针对转子故障诊断问题,提出一种基于变分模态分解(variational mode decomposition,简称VMD)的信号处理方法。该方法在获取分解分量的过程中通过迭代搜寻变分模型最优解来确定每个分量的频率中心及带宽,从而能够自适应地实现信号的频域剖分及各分量的有效分离,对各单分量信号进行希尔伯特变换,即可得到瞬时的频率和幅值信息。对仿真信号和典型转子故障信号进行VMD方法和经验模态分解(empirical mode decomposition,简称EMD)方法的分析比较,以验证所提方法的有效性。仿真信号的分解结果表明,变分模态能够准确分离出信号中的固有模态分量且不存在模态混叠;转子故障实验信号的分析结果表明,所提方法能够有效提取出明显的故障特征,从而准确诊断出转子存在的故障。     

基于VMD与KFCM的柴油机故障诊断算法

针对柴油机的故障诊断问题,提出了一种基于变分模态分解（variational mode decomposition,简称VMD）与核模糊C均值聚类算法（kernel fuzzy C-means clustering,简称KFCM）联合的故障诊断方法。首先,针对VMD算法中分解层数K的选择问题进行了自适应优化;然后,从优化VMD算法的分解结果中选取3个关键分量计算最大奇异值,并将其作为3维的特征向量输入KFCM算法中进行分类识别;最后,对仿真信号以及某型柴油机的模拟故障实验信号使用优化VMD、传统VMD和经验模态分解（empirical mode decomposition,简称EMD）方法分别进行分解与识别。结果表明,笔者提出的方法明显改善了模态混叠现象,提高了模式识别的诊断正确率,提出的联合算法具有更好的应用前景。     

VMD的AR模型和关联维数在齿轮故障特征提取中的应用

针对齿轮故障信号的非线性及常伴有大量噪声干扰的问题,提出一种基于变分模态分解(VMD)的自回归(AR)模型和关联维数相结合的故障特征提取方法。该方法采用VMD将齿轮振动信号分解为一系列固有模态函数(IMF),通过频域互相关系数准则选取对信号特征敏感的IMF分量进行信号重构,对重构信号建立AR模型,并以AR模型自回归参数的关联维数作为特征量对齿轮的工作状态和故障类型进行识别。通过实测齿轮振动信号的分析,证明了所提方法的有效性。     

运用EMD和GA SVM的齿轮故障特征提取与选择

针对齿轮故障特征提取,首先将齿轮箱振动信号进行经验模态分解,得到一组固有模态函数.计算各固有模态函数的能量和矩阵的奇异值,采用Shannon熵和Renyi熵度量能量和奇异值分布,构成原始特征子集.再采用遗传算法和最小二乘支持向量机的Wrapper方法选择最优特征子集.该方法能够利用较少的特征参数集准确判别齿轮故障,提高了齿轮故障诊断的精度与效率.     

基于多特征融合的APF中IGBT开路故障特征提取

为可靠地进行有源电力滤波器中IGBT开路故障诊断,提出一种基于多特征融合的有源电力滤波器IGBT故障特征提取方法。该方法采集三电平APF主电路中钳位二极管桥臂电压作为测试信号,对其进行小波分解,提取各频段的能量系数、功率谱熵、奇异谱熵以组成多特征参数矩阵,然后进行特征降维构成特征向量矩阵。在理论分析的基础上,进行了相应的实验分析,首先基于该测试信号得到不同工作状态下测量波形,并与其他测试信号波形进行比较;既而,利用核模糊C均值聚类方法对所提取特征对故障类型的区分性能进行分析,并对三相整流桥谐波源在负载突变和触发角变化时做了特征提取适应性实验;最后,搭建APF实验平台进行测试。实验结果表明,基于二极管端电压的测量方法可以有效区分不同工作状态,所采用的多特征融合提取方法克服了单特征的片面性,各种工况下的区分性能良好。     

变分模态分解消噪与核模糊C均值聚类相结合的滚动轴承故障识别方法

提出了一种变分模态分解消噪与核模糊C均值聚类相结合的滚动轴承故障识别方法。首先,对实测振动信号进行处理,得到VMD的参数;然后,对信号进行VMD分解,得到一系列限带内禀模态函数(BIMF)分量,筛选并叠加组成重构信号;第三步,计算重构信号的样本熵和均方根值作为特征向量,从而得到训练样本和测试样本的特征向量集;第四步,通过KFCM聚类方法对训练样本特征向量集进行聚类分析,得到四种类型信号的聚类中心;最后根据测试样本特征向量与训练样本聚类中心欧式距离最小的原则识别故障类型。此外,将振动信号用经验模态分解(EMD)方法进行消噪,再用KFCM聚类进行分类识别,将两种方法的识别效果进行对比,结果表明所提方法的故障识别效果要优于EMD消噪和KFCM聚类相结合方法的识别效果。     

基于k值优化VMD的滚动轴承故障诊断方法

针对旋转机械中滚动轴承早期信噪比较低的故障特征提取困难问题,提出了一种基于能量的变分模式分解(variational mode decomposition,简称VMD)模态数k优化选取方法,用以提取滚动轴承早期故障特征,同时避免了信号分解过分或不足。首先,对振动信号进行VMD预分解,分别在不同k值条件下计算分量信号能量与原始信号总能量;其次,根据基于能量的模态数k选取准则,确定最佳模态数值对信号进行VMD分解;最后,通过峭度准则选择分量进行信号重构,对其进行包络分析,提取故障特征频率。将该方法运用到实际故障信号中,有效提取出滚动轴承内圈微弱故障特征,实现了早期故障特征判别,具有一定的应用价值和实际意义。     

基于VMD的故障特征信号提取方法

变模式分解(variational mode decomposition,简称VMD)能够将多分量信号一次性分解成多个单分量调幅调频信号(variational intrinsic mode function,简称VIMF),但对噪声比较敏感。利用VMD对噪声的敏感特性,提出了一种基于VMD的降噪方法。利用排列熵定量确定VMD分解后各分量的含噪程度,对高噪分量直接剔除,对低噪分量进行Savitzky-Golay平滑处理,然后重构信号。运用该方法降噪后,对重构信号进行变模式分解,能够有效提取故障特征信号。仿真和实例分析表明,基于VMD的降噪方法的降噪效果优于小波变换降噪方法,VMD能有效提取故障特征信号。     

基于EMD-SVD和CNN的旋转机械故障诊断

为解决旋转机械振动信号复杂且难以提取有效故障特征的问题,提出了一种经验模态分解（empirical mode decomposition,简称EMD）、奇异值分解（singular value decomposition,简称SVD）和深度卷积网络（Convolutional Neural Network,简称CNN）相结合的故障诊断方法。首先,通过EMD方法将故障信号分解成若干个固有模态分量（intrinsic mode function,简称IMF）,构造时域与频域空间状态矩阵;其次,利用SVD方法对空间状态矩阵进行分解得到奇异值数组,构造时域与频域奇异值特征矩阵;最后,将提取的奇异值特征矩阵输入到CNN中进行模式识别。将该方法分别应用于滚动轴承与齿轮箱故障诊断中,在西储大学滚动轴承数据集、PHM2009直齿齿轮箱数据集上均取得了很好效果,正确率优于将原始信号直接输入到CNN中等几种对比方法,验证了该方法的优越性。