基于改进SVD及参数优化VMD的轴承故障诊断

为解决轴承早期故障特征难以提取的问题,提出一种基于改进奇异值分解(SVD)及参数优化变分模态分解(VMD)的轴承故障诊断方法。首先,对原始故障信号进行SVD降噪、微弱故障信号的分离,通过包络熵最小、峭度最大原则对其重构矩阵的秩进行优化。其次,对改进SVD降噪后所得信号进行VMD分解,将包络谱幅值峭度和峭度构成新的指标(合成峭度),通过所有本征模态分量(Intrinsic Mode Function,IMF)的合成峭度均值最大原则对VMD的参数进行优化,获得若干的IMFs。最后,根据峭度-欧氏距离指标筛选出含故障信息丰富的IMF,进行包络解调运算,分析信号的包络谱判断轴承故障类型。通过对仿真信号和实测信号进行分析,可成功提取出微弱特征频率信息。由此表明,基于改进SVD及参数优化VMD的轴承故障诊断方法可有效地实现轴承早期故障诊断,具有一定的可靠性和实用性。     

基于IMF特征提取的滚动轴承故障诊断

滚动轴承故障诊断的关键是敏感故障特征的提取。模糊熵(Fuzzy Entropy,FE)是一种检测时间序列复杂程度的方法,已广泛应用于故障诊断。由于机械系统的复杂性,振动信号的随机性表现在不同尺度上,因此需要对振动信号进行多尺度的模糊熵分析。在此基础上,提出了基于经验模态分解(Empirical Mode Decompose,EMD)和模糊熵的滚动轴承故障诊断方法。首先,采用EMD方法对振动信号进行分解,得到不同尺度的内禀模态函数(Intrinsic Mode Function,IMF)并计算包含主要故障信息的IMF分量的模糊熵;其次,对IMF分量的模糊熵值进行基于样本分位数的特征提取;最后,将分位数值作为特征向量,输入基于优化算法的支持向量机。将该方法应用于滚动轴承实验数据,分析结果表明,此方法可有效实现滚动轴承的故障诊断。     

基于SVD-MEEMD与Teager能量谱的滚动轴承微弱故障特征提取

针对滚动轴承早期微弱故障特征难以提取的问题,提出一种基于奇异值分解(Singular Value Decomposition,SVD)、改进的集总经验模态分解(Modified Ensemble EMD,MEEMD)和Teager能量谱的滚动轴承微弱故障特征提取方法。该方法首先采用Hankel矩阵理论对滚动轴承的故障信号进行相空间重构得到重构矩阵,并根据奇异值差分谱理论对重构矩阵进行SVD处理,实现信号的初步降噪;其次,对降噪后的信号进行MEEMD分解得到一组本征模态分量(Intrinsic Mode Function,IMF)和一个余量,依据峭度-相关系数规则选取出一个冲击特征敏感的IMF分量,计算其Teager能量算子;最后,通过分析能量谱图实现对滚动轴承微弱故障的模式辨识。采用美国西储大学的滚动轴承故障数据对所提方法进行验证,并与其它模式的组合方法进行比较。结果表明,该方法具有良好的降噪效果和敏感特征筛选能力,从而能更准确提取出滚动轴承早期故障频率,实现故障类型的准确辨识。     

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排列熵的滚动轴承故障诊断

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VMD-SVD能量标准谱-Teager能量算子的轴承故障诊断方法

对难以提取处于微弱故障状态的滚动轴承非线性、非平稳时变特性振动信号中故障特征频率的问题,提出基于VMD-SVD能量标准谱-Teager能量算子联合诊断方法。首先,对预处理后轴承微弱故障信号进行VMD分解,根据各模态分量(IMF)中心频率确定最优模态数K,再由各IMF分量峭度和相关系数指标确定包含故障信号的敏感IMF。然后,对选取模态分量的Hankel矩阵进行SVD分解,由奇异值能量标准谱确定有效奇异值数量,实现对信号的降噪重构。最后,利用瞬时Teager能量算子及其频谱分析识别微弱故障产生的周期性冲击特征频率。运用该方法处理滚动轴承微弱故障信号,能准确提取故障特征频率及倍频,文中证明了其准确性和有效性。     

基于EMD和MKD的滚动轴承故障诊断方法

针对滚动轴承早期微弱故障特征难以提取的问题,提出基于经验模态分解(Empirical Mode Decomposition,EMD)与最大峭度解卷积(Maximum Kurtosis Deconvolution, MKD)的滚动轴承故障特征提取方法。利用EMD方法分解振动信号得到一组固有模态分量(Intrinsic Mode Function,IMF),然后根据时域峭度和包络谱峭度,筛选出敏感IMF分量进行信号重构。然后对重构信号进行最大峭度解卷积处理以增强故障信息,最后得到包络功率谱,从而获得轴承故障特征频率信息。通过实验台信号验证了所述方法的有效性及优点。     

基于改进变分模态分解和快速谱峭度图的滚动轴承检测方法

针对滚动轴承早期故障信号微弱、复杂且提取困难的问题,提出一种基于改进变分模态分解(Variational Mode Decomposition,简称VMD)和快速谱峭度图的滚动轴承检测方法。首先利用粒子群算法对VMD最佳影响参数组合进行搜索,采用多尺度模糊熵(Multiscal Enproty,简称MSE)作为适应度函数,并利用优化参数的VMD对原始信号进行分解,得到多个本征模态分量(Intrinsic Mode Function,简称IMF);其次计算原始信号和各模态分量的快速峭度图;再次找出原始信号和各个IMF谱峭度最大值所处的频带区间;然后通过比较原始信号和IMF谱峭度最大值所处频带区间的从属关系来选择最佳IMF;最后,重组最佳IMF并通过共振解调技术求其包络谱图。实验结果表明基于改进变分模态分解和快速谱峭度图的滚动轴承检测方法能更有效诊断出滚动轴承的早期故障。     

基于VMD-SVD联合降噪和频率切片小波变换的滚动轴承故障特征提取

针对滚动轴承早期故障信息微弱,频率切片小波变换(FSWT)在强背景噪声中提取故障特征的不足,提出变分模态分解(VMD)奇异值分解(SVD)联合降噪与FSWT相结合的故障特征提取方法,首先利用VMD故障信号自适应分解为若干本征模态分量(IMF),通过峭度准则选择包含故障信息最丰富的IMF进行信号重构,其次利用SVD对重构信号进行再次降噪,提高信噪比。最后对降噪信号进行FSWT,凸显故障信号的时频分布信息提取故障特征。仿真信号和实际数据分析结果表明,该方法有效消除了噪声的影响,能够清晰提取故障信号的特征频率,实现滚动轴承故障的精准识别。     

K-VMD融合包络熵与SVM滚动轴承故障识别方法研究

针对滚动轴承振动信号非平稳、非线性导致的故障特征难以提取和类别难以辨识问题,提出一种基于能量占比优化变分模态分解(Variational Mode Decomposition,VMD)并融合包络熵与支持向量机（Support Vector Machine,SVM）的滚动轴承故障辨识方法。首先,设定VMD预分解层数K的范围,对振动信号进行分解;其次,分别计算出在不同K值下对应的各模态能量和,根据各模态能量之和与原始信号的能量之间的比值,确定最佳分解层数;然后,依据峭度准则筛选出有效的模态分量,同时计算其对应的包络熵值并组成特征向量;最后,将所构建的特征向量输入SVM中进行轴承故障类别的辨识。通过对转子综合实验台所采集的滚动轴承信号进行分析,结果表明,该方法可以对滚动轴承故障进行准确的辨别,为提高故障辨识准确率提供了一种新途径。     

基于MPA-VMD的滚动轴承故障诊断方法

针对变分模态分解方法（Variation mode decomposition, VMD）在提取滚动轴承振动信号的故障特征频率时受参数设置影响及敏感模态分量的选取问题,构建一种基于海洋捕食者算法（Marine Predator Algorithm,MPA）优化变分模态分解的滚动轴承故障诊断方法。首先,利用以包络熵为适应度函数的海洋捕食者算法对变分模态分解算法的模态个数K和二次惩罚因子α进行自适应选定;其次,使用获得的最佳参数组合对故障振动信号进行变分模态分解,得到多个本征模态分量（Intrinsic Mode Function,IMF）;最后,计算各模态分量的平方包络基尼系数（Squared Envelope Gini Index,SEGI）,选择系数最大的模态作为最优IMF并进行包络分析,提取相应的故障特征频率。通过公开数据集和实验数据验证表明该方法可解决VMD受参数设置影响的问题,成功诊断轴承故障。且相比于峭度和相关系数指标,平方包络基尼系数指标在筛选最优IMF具备更佳的准确性和鲁棒性。     

基于改进自适应变分模态分解的滚动轴承微弱故障诊断

滚动轴承早期故障信息微弱,且混有大量背景噪声,难以提取其故障特征。提出了一种改进的自适应变分模态分解(AVMD)与Teager能量谱的微弱故障诊断方法。将最小平均包络熵(MMEE)作为目标函数,自动搜寻影响参数最佳值,确保变分模态分解(VMD)实现最优分解,并提出加权峭度指标(WK)用于选择有效模态分量进行信号重构,对重构信号进行Teager能量谱分析,从而识别故障特征频率。对轴承微弱故障振动信号的研究表明,所提方法改进了传统VMD算法分解精度受参数影响较大,导致信号出现过分解或欠分解的问题;与集合经验模态分解和局部均值分解算法相比所提方法具有更强的噪声鲁棒性和故障信息提取能力。     

参数优化VMD的滚动轴承故障诊断方法

由于滚动轴承早期故障信号特征微弱,变分模态分解（Variational Mode Decomposition,VMD）的性能易受模态数和惩罚因子设置的影响,提出了一种自适应优化VMD参数的方法。基于中心频率判断本征模态函数（Band Limited Intrinsic Mode Functions,BIMF）是否混叠的思想提出中心频率混叠商算法,利用最小中心频率差与次小中心频率差的比值确定模态数。利用模糊熵原理,提出求和模糊熵算法优化惩罚因子。利用相关系数筛选模态分量,重构信号提取故障信息。通过对强噪声下外圈故障信号、内圈故障信号的分析,表明该方法能自适应确定模态数和惩罚因子,抑制模态混叠,能够从强噪声下有效地提取出故障信号特征,实现滚动轴承故障诊断。     

基于EMD分解和奇异值差分谱理论的轴承故障诊断方法

针对故障轴承振动信号中含有强烈的背景噪声,难以提取故障频率的现实情况,提出了基于经验模态分解(Empirical Mode Decomposition,EMD)和奇异值差分谱的轴承故障诊断方法.首先通过EMD方法将非平稳的原始轴承振动信号分解成若干个平稳的本征模函数(Intrinsic Mode Function,IMF);由于背景噪声的影响,从各个IMF的频谱中难以准确地得到故障频率.对IMF分量构建Hankel矩阵并进行奇异值分解,进一步找到奇异值差分谱,根据奇异值差分谱理论对某个IMF分量进行消噪和重构,然后再求其频谱,便能准确地得到故障频率.实验结果表明,提出的方法能有效地应用于轴承的故障诊断.     

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。     

基于VMD和样本熵的高压断路器故障特征提取及分类

提出了一种基于变分模态分解(Variational Mode Decomposition,VMD)和样本熵的高压断路器振动信号的特征向量提取方法,并采用支持向量机(Support Vector Machine,SVM)对故障类型进行识别。将断路器振动信号进行滤波处理,对信号进行变分模态分解,利用分解得到的固有模态函数分量(Intrinsic Mode Function,IMF)表征断路器各个振动事件,计算其样本熵作为特征向量,利用SVM对断路器不同运行状态进行分类识别。仿真信号表明,VMD对于处理瞬态非周期性的振动信号具有优越的分解特性。利用该方法在实验室条件下对四类故障状态进行特征提取和识别,对比结果表明应用该方法能有效提取高压断路器的故障特征并准确地识别出故障类型。     

基于参数优化VMD和增强多尺度排列熵的单向阀故障诊断

针对高压隔膜泵机械结构复杂,单向阀故障特征信息分布在多尺度上,单一尺度难以全面提取特征的问题,提出了一种基于参数优化变分模态分解(Variational Mode Decomposition,VMD)和增强多尺度排列熵(Enhanced Multi-scale Permutation Entropy,EMPE)的单向阀故障诊断方法。对单向阀振动信号进行VMD分解,以包络熵最小原则对其进行参数优化,获得既定的若干本征模态函数(Intrinsic Mode Function,IMF)分量;计算IMF分量的增强多尺度排列熵,构建故障特征值向量;利用基于变量预测模型的模式识别(Variable Predictive Model Based Class Discriminate,VPMCD)方法对故障特征值向量进行训练和识别,进而实现单向阀的故障诊断。仿真信号和工程实验分析表明,该方法可以准确地识别单向阀的故障类型,具有一定的可靠性和工程应用价值。     

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。     

基于信息熵优化变分模态分解的滚动轴承故障特征提取

针对变分模态分解(Variational Mode Decomposition,VMD)的参数需事先人为确定的问题以及如何选取包含故障特征信息的本征模态分量(Intrinsic Mode Function,IMF)的问题,提出了基于信息熵的参数确定方法和基于信息熵的IMF选取方法。该方法首先对原始故障信号进行变分模态分解,通过信息熵最小值原则对其参数进行优化,获得既定的若干IMF分量;在优化参数时获得信息熵最小值所在的IMF,选取其为有效IMF分量进行包络解调分析,提取轴承故障特征频率。通过轴承仿真信号和实际数据分析,表明该方法能够提取滚动轴承早期故障信号的微弱特征,并实现故障的准确判别。     

基于信息熵优化变分模态分解的滚动轴承故障特征提取EI北大核心CSCD

针对变分模态分解(Variational Mode Decomposition,VMD)的参数需事先人为确定的问题以及如何选取包含故障特征信息的本征模态分量(Intrinsic Mode Function,IMF)的问题,提出了基于信息熵的参数确定方法和基于信息熵的IMF选取方法。该方法首先对原始故障信号进行变分模态分解,通过信息熵最小值原则对其参数进行优化,获得既定的若干IMF分量;在优化参数时获得信息熵最小值所在的IMF,选取其为有效IMF分量进行包络解调分析,提取轴承故障特征频率。通过轴承仿真信号和实际数据分析,表明该方法能够提取滚动轴承早期故障信号的微弱特征,并实现故障的准确判别。