基于EMD和香农熵的刀具磨损故障诊断系统开发

针对机床刀具磨损故障诊断,开发了基于经验模态分解和香农熵进行信号处理的刀具故障诊断系统。在信号处理阶段,对机床加工过程中刀具的振动信号进行经验模态分解,得到若干固有模态函数(IMF),并基于香农熵从分解得到的IMF分量中提取有效分量,去除虚假分量,最后将有效的IMF分量的能量作为特征向量输入向量机(SVM)分类器来识别刀具的磨损状态。经实验验证,该系统能对刀具磨损状态进行准确快速地判断。     

BFA优化EEMD的刀具故障诊断

为了准确识别刀具磨损状态,提出一种细菌觅食算法(BFA)优化集合经验模态分解(EEMD)并与隐马尔可夫模型(HMM)结合的刀具故障诊断方法。首先利用BFA优化EEMD的白噪声幅值系数和总体平均次数,通过设置优化得到的最优参数,将降噪后的信号经EEMD分解为一系列本征模态分量(IMF);再依据峭度和相关系数重构信号;最后从重构信号中提取特征向量作为观测序列输入已训练好的HMM分类器中进行故障诊断。通过对刀具实验数据的分析,验证了此方法的可靠性和准确性。     

CEEMDAN辅助快速谱峭度图算法的轴承故障诊断

针对滚动轴承的振动信号受到强噪声污染故障特征提取困难的问题,提出一种结合完整集成经验模态分解(CEEMDAN)辅助快速谱峭度图算法(Fast Kurtogram)的轴承故障诊断方法,首先将信号通过CEEMDAN分解为多个模态分量(IMF)及余量,计算出各个IMF分量的峭度值,并利用峭度值对分量信号进行重构;然后利用快速谱峭度图算法对重构信号进行处理,可以得到良好的故障带宽与中心频率。实测数据表明,该方法能够有效检测出轴承内圈故障。     

基于深度SSDAE网络的刀具磨损状态识别

针对刀具磨损状态识别过程中采集数据量大、干扰信号复杂且需人为选择特征参数的问题,为提高刀具磨损状态识别模型的鲁棒性与泛化性,提出了一种数据驱动下深度堆叠稀疏降噪自编码（stacking sparse denoising auto-encoder,简称SSDAE）网络的刀具磨损状态识别方法,实现隐藏在数据中深层次的数据特征自动挖掘。首先,将原始振动信号分解为一系列固有模态分量（intrinsic mode function,简称IMF）,并采用皮尔逊相关系数法选取了最优固有模态来组合一个新的信号;其次,采用SSDAE网络自适应提取特征后对刀具磨损阶段进行了状态识别,识别精度达到98%;最后,对网络模型进行实验验证,并与最常用的刀具磨损状态识别方法进行了对比。实验结果表明,所提出的方法能够很好地处理非平稳振动信号,对不同刀具磨损阶段状态的识别效果良好,并具有较好的泛化性能和可靠性。     

基于快速谱峭度图的EEMD内禀模态分量选取方法

针对在总体平均经验模式分解(ensemble empirical mode decomposition,简称EEMD)的多个内禀模态分量(intrinsic mode function,简称IMF)中,如何选取出反应故障特征的敏感IMF的问题,提出一种基于快速谱峭度图的敏感IMF选取方法。由EEMD分解获得的一组无模式混淆的IMF,计算原信号及各个IMF的快速谱峭度图,选择每个快速谱峭度图中谱峭度最大值所处的频带作为参考频带,比较各个IMF的参考频带与原信号谱峭度最大值所处频带之间的从属关系,筛选出反应故障特征的敏感IMF,为后续故障诊断提供特征信息。将该方法应用于模拟仿真信号及滚动轴承滚动体故障信号,验证了方法的有效性。     

基于J-EEMD的刀具磨损状态特征提取技术

在实际刀具状态监测的过程中,通过传感器所直接测得的数据都包含了大量的噪声信号,因此难以从中获取刀具磨损状态的变化规律,这样显然不利于进行模式识别。应用近似联合对角化下的集合经验模态分解(J-EEMD)对观测信号进行处理,基于信号本身特征,自适应地将切削加工中检测得到的振动和声发射信号分解为多个内蕴模式函数(IMF),然后根据各个IMF之间的能量比对变换,提取出了不同磨损状态下的刀具状态特征。实验证明:在该方法对测得数据进行处理的基础上,能够很好地识别出刀具磨损程度的不同状态。     

基于EEMD和快速谱峭度的滚动轴承故障诊断研究

从经验模态分解(EMD)中得到的本征模态函数(IMF)存在模态混合现象,并且其末端效应影响分解效果,针对这一问题,以西安交通大学XJTU-SY滚动轴承中的振动数据为例,对其外圈振动的正常数据和失效数据分别进行了对比研究。首先,采用集合经验模态(EEMD)分别对正常和失效轴承的振动信号进行了分解,得到了各阶IMF分量;然后,通过峭度准则选择关键的IMF分量进行了信号重构,计算了重构的信号快速谱峭度,根据快速谱峭度得出的中心频率和带宽为依据,对重构信号进行了带通滤波处理;最后,对包络谱进行了对比分析,获得了滚动轴承的准确故障特征信息。研究结果表明:通过EEMD分解和快速谱峭度得出滤波后的重构信号降噪效果明显,可以得到良好的故障带宽和中心频率;该方法能有效测出XJTU-SY滚动轴承出现外圈故障时的振动频率。     

基于EMD-SVM的钛合金铣削过程刀具磨损监测

以硬质合金刀具铣削Ti-6Al-4V为研究对象,提出了一种基于经验模态分解（empirical mode decomposition, 简称EMD）及支持向量机（support vector machine,简称SVM）的刀具磨损阶段识别方法。首先,将原始加速度信号及力信号分解为一系列模态分量（intrinsic mode function,简称IMF）,选择了有效的IMF来组合一个新的信号;其次,计算新信号的多评价指标矩阵,将得到的多指标矩阵（I-kazTM、功率谱熵及均方根）作为输入特征向量,得到了基于线性分类器的刀具磨损识别模型;最后,将检测信号输入模型中进行识别,对刀具磨损阶段的识别精度达到了99.17%。EMD-SVM相较于SVM、BP神经网络及小波包SVM模型,运算时间减少,运算精度提高。实验结果表明,该模式对钛合金铣削过程中的刀具磨损具有良好的识别效果,为刀具磨损状态的监测提供了一种新方法。     

基于VMD和FSK的齿轮箱早期故障诊断

针对齿轮箱齿轮早期故障特征信号微弱且受环境噪声影响严重,故障特征频率难以提取以及传统共振解调方法中带通滤波器参数不易确定的问题,提出了基于变分模态分解(Variational Mode Decomposition,VMD)和快速谱峭度(Fast Spectral Kurtosis,FSK)的故障诊断方法。利用VMD对采集到的齿轮故障振动信号进行分解,得到一系列窄带本征模态分量(Band-limited Intrinsic Mode Functions,BLIMFS);依据相关系数准则,选取与原始信号相关系数较大的分量进行快速谱峭度计算,用谱峭度图确定最佳的中心频率和带宽进行相应带通滤波处理。最后对滤波后的信号进行能量算子包络解调分析,即可从包络谱中准确地识别齿轮故障特征频率。通过仿真信号和齿轮故障实验数据对所提方法进行了验证,结果表明,该方法能够有效地降低噪声的影响,准确地提取齿轮早期故障信号中的微弱特征信息。     

基于变分模态分解与快速谱峭图的齿轮箱滚动轴承故障特征提取

针对齿轮箱的滚动轴承故障信号因噪声干扰,难以进行有效提取的问题,提出了基于变分模态分解与快速谱峭图相结合的轴承故障特征提取方法。首先,利用变分模态分解(Variational Mode Decomposition,VMD)将振动信号分解成若干个本征模态分量(Intrinsic Mode Function,IMF),通过相关峭度计算选取故障信息最突出的分量信号;然后,利用快速谱峭图自适应地确定带通滤波;最后,对滤波后的信号进行平方包络谱分析,提取出故障信息。通过公开数据分析和齿轮箱轴承故障实验,证明了该方法的有效性和可行性。     

基于VMD和快速谱峭度的滚动轴承早期故障诊断

针对滚动轴承故障发生初期,故障冲击特征微弱难以识别以及共振解调中带通滤波器参数难以选择的问题,提出了基于变分模态分解与快速谱峭度的轴承早期故障特征提取方法。首先采用VMD对轴承早期故障信号进行预处理,依据峭度准则选取峭度值较大的分量进行重构;然后应用快速谱峭度法确定滤波器最优参数,使用带通滤波器对重构信号进行降噪处理;最后应用Hilbert解调方法对消噪后信号进行包络解调,分析包络谱得到诊断结果。对仿真信号和轴承试验数据的诊断分析表明,该方法可有效识别出早期故障信号。     

变分模态分解与谱峭度法在齿轮箱故障诊断中的应用

针对齿轮箱故障信号为多分量非平稳非线性的振动信号、故障特征提取困难等问题,提出变分模态分解(VMD)结合谱峭度法的齿轮箱故障特征诊断方法。首先对振动信号进行VMD分解得到若干分量信号,根据相关系数法选取相关系数最大的分量作为最优分量,然后对最优分量进行快速谱峭度计算并进行带通滤波,突出故障的冲击成分,最后通过分析滤波信号包络谱中故障频率成分实现故障诊断。实验数据分析结果表明该方法成功地诊断出了齿轮箱齿轮的故障。     

基于Hilbert包络谱熵和GA-SVM的水轮发电机轴承故障诊断

水轮发电机轴承在运行时承受着整体机组的轴向负荷与复杂水推力,针对其产生的非稳态、非线性特征的振动信号,提出一种基于Hilbert包络谱分析与遗传算法支持向量机（GA-SVM）相结合的诊断方法,用于轴承故障状态的识别。首先对推力轴承运行时产生的振动信号进行集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）,分解成若干个固有模态函数（Intrinsic Mode Function,IMF）,依据峭度准则选取主要IMF分量并通过Hilbert包络谱分析,计算包络谱熵,将归一化后的包络谱熵作为特征向量输入GA-SVM进行训练与故障识别。仿真实验结果表明,基于EEMD包络谱熵分析法相比于时频域图像处理能更好地提取出复杂工况下的故障信号特征,遗传算法支持向量机识别准确率达96.87%,该算法模型可进一步应用于水轮发电机轴承故障诊断。     

基于谱峭度和CEEMD的滚动轴承声信号故障诊断研究

使用声信号来诊断轴承故障越来越受到重视.针对滚动轴承故障信号的强背景噪声特点,提出一种基于谱峭度和互补集合经验模态分解(CEEMD)的故障特征提取方法.该方法首先对滚动轴承声信号进行快速谱峭度计算并进行带通滤波预处理,使滚动轴承声信号变得简单且噪声小,故障冲击成分明显;然后利用CEEMD将滤波信号进行分解运算,得到一系...     

基于变分模态分解和相关峭度的齿轮箱混合故障诊断

针对齿轮箱混合故障信号非线性、非平稳、噪声成分多以及多故障信号相互干扰的特点,提出了基于变分模态分解和相关峭度的齿轮箱混合故障诊断方法。利用变分模态分解能够有效地将信号分解为若干个具有紧致性模态分量的特点,对混合故障信号进行分解处理,将包含不同故障的模态分量分离出来;然后,根据相关峭度能够识别不同周期的冲击性信号的特点,利用最大相关峭度原则提取出包含不同故障的模态分量;最后,对这些模态分量进行包络分析,实现混合故障诊断的目的。通过实验信号的分析验证,证明了所提方法应用在混合故障诊断中的有效性。另外,分析了模态分量个数变化对方法结果的影响,为后续研究提供了经验性的结论。     

基于IWT-CEEMD-cICA的滚动轴承故障诊断方法

为在强噪声下准确利用振动信号进行轴承微弱故障的诊断,提出了一种基于改进小波阈值、互补集合经验模态分解和约束独立分量分析的故障诊断方法。首先,对单通道振动信号进行改进小波阈值降噪预处理,提高输入信号的信噪比;然后,进行CEEMD处理以实现降噪及单通道扩展,基于峭度值和相关系数选取有效固有模态函数并将其作为盲源分离的输入信号;最后,通过cICA方法提取目标振动信号,识别故障特征。     

CEEMD-VMD与参数优化SVM结合的托辊轴承故障诊断

针对托辊轴承工作环境复杂、提取故障特征困难等问题,提出一种基于互补集合经验模态分解(Complementary ensemble empirical mode decomposition, CEEMD)和变分模态分解(Variational modal decomposition, VMD)相结合的降噪方法。首先,利用CEEMD将采集到的信号进行分解,依据相关系数和峭度筛选分量并进行重构,生成新的信号;然后,利用VMD将新的信号进行再分解,并基于包络熵和包络谱峭度组合的复合指标优选本征模态分量(Intrinsic mode functions, IMF);最后,提取相应的特征输入樽海鞘群优化支持向量机(Salp swarm optimization support vector machine, SSO-SVM)模型完成故障诊断。实验结果表明:对于正常轴承、轴承内圈故障、轴承外圈故障三种情况,诊断准确率达97.78%。与单一降噪方法相比,该方法可以有效提高故障信号的信噪比,降噪效果明显。     

IEWT和FSK在齿轮与滚动轴承故障诊断中的应用

改进的经验小波变换方法(improved empirical wavelet transform,简称IEWT)是一种新的自适应性信号处理方法,将这种方法和快速谱峭度(fast spectral kurtosis,简称FSK)相结合,进行齿轮与滚动轴承的故障诊断。首先,采用IEWT对信号进行分解,筛选出故障特征最为明显的2个分量并重构信号;其次,对重构信号进行快速谱峭度滤波;最后,对滤波后的信号进行包络谱分析,提取出信号的故障特征。分析齿轮断齿及滚动轴承故障信号,与直接包络谱和基于EMD经验模态分解(empirical mode decomposition,简称EMD)方法的FSK滤波包络谱分析方法相比可知,采用IEWT处理后再进行FSK滤波的信号进行包络谱分析更具有区分性,可有效识别齿轮和滚动轴承的故障特征。     

基于改进EMD与谱峭度的滚动轴承故障特征提取

针对滚动轴承故障信号的调制特点和其需要依靠经验来选择共振高频带的缺点,提出一种改进经验模态分解(EMD)与谱峭度法结合的滚动轴承故障诊断方法。首先,通过EMD将滚动轴承故障信号分解为若干固有模态函数(IMF);然后通过互信息、峭度、互相关性剔除虚假IMF分量,重构故障信号;最后利用谱峭度设计最优带通滤波器,并对滤波后的信号进行包络解调分析,提取滚动轴承故障特征。滚动轴承故障实验信号分析结果表明,改进EMD与谱峭度方法能有效提取滚动轴承故障特征,且比传统包络分析方法更具优势。     

基于多特征融合的行星齿轮箱点蚀故障诊断研究

为了识别行星齿轮箱的齿面点蚀故障,通过刚柔耦合仿真获得健康和 3 种不同点蚀程度行星齿轮箱的箱体振动信号。对获得的 4 种状态的箱体振动信号进行变分模态分解后,计算每个本征模态函数分量的能量值、峭度因子和信息熵,基于能量值、峭度因子和信息熵多特征融合构建高维特征向量,采用支持向量机分类器对 4 种状态的行星齿轮箱进行识别。结果表明,基于变分模态分解的本征模态函数分量的能量值、峭度因子和信息熵构建的 15 维特征向量,采用支持向量机分类器能够准确识别健康和 3 种不同点蚀程度齿轮的类型。