基于EMD和SVM的传感器故障诊断方法

为了解决自确认压力传感器的故障诊断问题,提出了一种基于经验模式分解(EMD)和支持向量机(SVM)的传感器故障诊断方法,该方法对传感器输出信号进行经验模态分解,将其分解为若干个固有模态函数(IMF),对每个IMF通过一定的削减算法增强故障特征,然后计算每个IMF和残余项的能量以及整个信号的削减比作为特征向量,以此作为输入来建立支持向量多分类机,判断传感器的故障类型.通过压力传感器的故障诊断结果表明,该方法能有效的应用于传感器的故障诊断中.     

基于经验模态分解和支持向量机的传感器故障诊断方法

提出了一种基于经验模式分解（EMD）和支持向量机（SVM）的传感器故障诊断方法,该方法对传感器输出信号进行经验模态分解,将其分解为若干个固有模态函数（IMF）,对每个IMF通过一定的削减算法增强故障特征,然后计算每个IMF和残余项的能量以及整个信号的削减比作为特征向量,以此作为输入来建立支持向量多分类机,判断传感器的故障类型。通过压力传感器的故障诊断结果表明,该方法能有效的应用于传感器的故障诊断中。     

基于EMD和SVM的数控机床主轴故障诊断

针对数控机床的主轴故障,将经验模态分解（EMD）方法和支持向量机（SVM）相结合,用于故障诊断。采用EMD将信号分解成具有不同特征尺度的本征式分量IMF,分析各IMF,通过求取均方根值提取各特征向量,然后将各特征向量输入支持向量机,建立故障分类器进行状态识别。实验结果表明,预测结果完全正确,该方法有效。     

基于改进EMD和LS-SVM的刀具磨损状态识别

针对经验模态分解(empirical mode decomposition, EMD)的端点效应、停止准则和虚假分量作了改进处理, 通过对仿真信号的对比验证证明了改进方法的可行性.采集切削加工中的声发射(acoustic emission, AE)信号并对AE信号运用改进EMD方法分解为若干个固有模态函数(intrinsic mode function, IMF)分量, 利用IMF分量和原始信号的相关系数作为判断依据, 剔除分解中产生的虚假分量, 然后提取IMF分量的归一化能量值并将其作为特征向量.将提取的特征向量分为2组:一组用于对最小二乘支持向量机(least squares support vector machine, LS-SVM)训练;另一组用于识别刀具磨损状态.实验结果表明该方法可有效地表征刀具的磨损状态.     

基于VMD能量熵及LSSVM的减速顶故障检测方法

针对减速顶传统检测方法需要人工巡检、效率低、且不能实现减速顶状态实时监测等问题,根据声发射信号能够较好体现机构内部断裂和变形的剧烈程度的特点,提出了一种基于声发射信号结合VMD能量熵、最小二乘支持向量机(LSSVM)的减速顶故障检测模型.首先,采集减速顶的声发射信号,将采集的信号经过VMD处理得到多个本征模态函数(IMF);然后,提取各IMF信号的能量熵作为训练LSSVM的特征向量;最后,使用训练好的检测模型对减速顶进行故障诊断.实验结果表明：减速顶声发射信号结合VMD能量熵及LSSVM的故障诊断模型能够在极短的时间内完成对减速顶故障的分析,且故障识别率高达97.5%.     

基于Hilbert包络谱和SVM的齿轮故障诊断

针对齿轮振动信号非平稳性和故障特征难以提取的问题,提出一种基于希尔伯特(Hilbert)包络谱和支持向量机(SVM)相结合的故障诊断方法。首先,采用基于镜像延拓的改进经验模态分解(EMD)方法,将齿轮振动信号分解成一系列含有信号特征的固有模态函数(IMF);其次,根据正交性原理,选取包含信号主要信息的模态分量进行希尔伯特变换并求出包络谱;最后,将包络谱所求出的特征幅值比作为支持向量机分类器的输入来识别齿轮的工作状态。试验结果表明,该方法能有效地识别和诊断出齿轮的工作状态,可应用于该类问题的故障诊断研究。     

基于EMD重构和SVM的滚动轴承故障诊断方法研究

针对滚动轴承振动信号非平稳性和故障特征难以提取的问题,提出一种基于经验模态分解重构和支持向量机相结合的故障诊断方法。首先,采用经验模态分解,将滚动轴承振动信号分解成一系列固有模态函数;其次,根据伪固有模态函数剔除法选取对故障特征敏感的模态函数进行信号重构;最后,以重构信号的有效值和峭度值作为支持向量机分类器的输入来识别滚动轴承的工作状态和故障类型。试验结果表明,该方法能有效地识别和诊断出滚动轴承的运行状态和故障类型,具有很高的工程实用价值。     

基于层次化混合分类器的含未知故障风机轴承故障诊断方法

为提高风机轴承故障诊断精度,针对含未知类型故障信号的误识别问题,提出一种风机轴承故障诊断新方法。首先,将风机轴承振动信号进行经验小波变换（EWT）,对分解得到的固有模态分量（IMF）提取15种时-频域特征,构建特征向量集;然后,通过基尼（Gini）指数评价特征分类能力,构建最优特征集合;最后,采用单类支持向量机（OCSVM）与极限学习机（ELM）组合的层次化混合分类器进行故障诊断。对比单纯采用ELM、SVM分类器,新方法能够更好辨识含未知故障类型的风机轴承故障信号。     

基于EEMD穿墙雷达人的运动模式识别

根据穿墙雷达动目标探测中人的运动多普勒信号属于非线性、非平稳信号的特点,分别采用经验模式分解(EMD)和整体平均经验模式分解(EEMD)将人.5种运动的多普勒信号分解为一系列本征模式函数(IMF).采用支持向量机(SVM)学习算法,将两种方法分解后的各IMF能量占总能量的百分比作为支持向量机分类器的特征向量进行模式识别...     

基于EEMD特征提取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与非线性的特点,提出将集合经验模态分解(ensemble empirical mode decomposition, EEMD)方法用于轴承信号处理.滚动轴承故障诊断的重要环节是特征提取,其直接关系到轴承故障诊断的正确率.因此,将熵知识应用到轴承特征提取步骤中,应用奇异熵与能量熵知识,提出一种峭度值与以上两种熵进行特征融合的特征提取方法,完成滚动轴承故障诊断.该方法首先对滚动轴承的振动信号进行EEMD模态分解为若干个本征模态函数(intrinsic mode function, IMF)之和,对每个含有故障特征的IMF进行奇异熵、能量熵与峭度值求取;其次,将求得的三种数据输入核主元分析(kernel principal component analysis, KPCA)中进行特征融合与特征提取;最后,将提取的特征作为支持向量机(support vector machine, SVM)的输入参数进行故障分类.试验结果表明此方法能够准确有效地识别出滚动轴承的工作状态,实现了滚动轴承故障分类的自动化.     

基于EEMD结合二次小波包降噪的齿轮箱故障诊断

针对齿轮箱振动信号信噪比低、故障识别精确度不高等问题,提出了聚合经验模态分解(EEMD)结合小波包二次降噪的故障诊断方法.首先,对采集到的原始信号进行小波包降噪并重构;再对第一次降噪后的信号进行EEMD分解,得到一系列的固有模态函数(IMF);并计算分解得到的每个IMF与第一次降噪后信号的相关系数,从而确定二次降噪的IMF有效集;然后,通过选择不同消失矩的db系小波,对筛选出的IMF进行二次降噪;最后,将二次降噪之后的IMF进行重构,提取特征向量输入到BP神经网络,识别齿轮箱的故障类型和位置.测试结果表明,此二次降噪方法用于齿轮箱故障诊断,识别准确率更高,在神经网络训练和测试中耗时更短.     

基于KPEMD与INFO-SVM的柱塞泵故障诊断

针对难以从转辙机柱塞泵的非线性振动信号中有效提取故障特征以及各分量之间存在模态混叠现象等问题,提出了一种非线性自适应正交经验模态分解(Kernel Principal Empirical Mode Decomposition, KPEMD)与向量加权平均算法优化的支持向量机(INFO-SVM)结合的故障诊断方法。首先通过KPEMD方法将原始信号分解为多个IMF分量,根据相关系数筛选出故障信息丰富的敏感分量;其次提取敏感分量的时域频域特征及能量熵构造混合特征样本集;最后输入到INFO-SVM多分类器中进行故障识别。利用柱塞泵实验数据进行对比分析,结果表明：KPEMD能够有效减弱模态混叠现象,充分提取故障信息,INFO优化SVM的识别准确率优于其它常用算法的优化结果。本方法能有效识别出转辙机柱塞泵的不同故障类型,诊断准确率达到98%。     

基于局域波法和KPCA-LSSVM的滚动轴承故障诊断

针对故障滚动轴承振动信号具有非平稳性,提出基于局域波法和核主元分析 最小二乘支持向量机(KPCA LSSVM )的故障诊断方法.先对轴承振动信号进行局域波分解得到若干内禀模式函数(IMF),分别计算各IMF分量的特征能量、奇异值和AR模型参数作为原始特征向量,再用KPCA将原始特征向量映射到高维特征空间提取主元构造新的特征向量,将其作为LSSVM分类器的输入来实现轴承的故障诊断.故障诊断试验结果表明,KPCA LSSVM诊断方法通过KPCA得到更多的识别信息,改善了LSSVM的分类性能,相对于直接LSSVM诊断方法具有更优的泛化性,可准确识别轴承的故障类别和严重程度.     

EEMD-PE与M-RVM相结合的轴承故障诊断方法

滚动轴承振动信号中包含了大量轴承运行状态信息,但是由于振动信号具有非线性和非平稳性的特点,难以充分提取振动信号中的故障特征,导致现有基于模式识别的轴承故障诊断方法的故障识别准确率较低.为了提高滚动轴承故障识别的准确率,提出了一种基于集合经验模态分解-排列熵(EEMD-PE)特征提取与多分类相关向量机(M-RVM)相结合的轴承故障诊断方法.首先,该方法利用EEMD对非线性和非平稳信号的自适应分解能力,将轴承故障信号分解为一组包含故障特征的本征模态函数(IMFs).然后,利用排列熵提取由EEMD分解得到的IMFs中的故障特征,并组成特征向量.最后,采用EEMD-PE对不同故障状态下的训练样本集进行特征提取,组成特征向量集对M-RVM分类器进行建模,以概率输出的形式实现对滚动轴承的故障诊断.实验结果表明:EEMD-PE特征提取方法能够对滚动轴承振动信号的故障特征进行有效提取,M-RVM能够对故障滚动轴承振动信号包含的故障特征进行识别.与现有轴承故障诊断方法相比较,所提出的方法能够提高故障识别准确率,达到99.58%.     

基于改进CEEMDAN⁃熵方法的管道泄漏工况识别

负压波信号的去噪效果和特征向量的提取是影响输油管道泄漏检测准确性的关键因素。针对当前管道泄漏检测准确性较低的问题,提出了改进的添加成对白噪声的完全集合经验模态分解算法（改进的CEEMDAN）对负压波信号进行预处理,将管道上下游压力传感器测得的负压波信号进行CEEMDAN分解,得到多个固有模态函数（IMF）,并根据双通道传感器的相关系数原则筛选有效IMF分量,提出基于熵的特征向量,计算有效IMF分量的能量熵、峭度熵以及排列熵,并输入支持向量机（SVM）对不同工况进行分类。通过现场数据验证,改进的CEEMDAN⁃熵方法可以有效提高输油管道泄漏检测的准确性,具有一定的现场应用价值。     

基于威布尔分布和支持向量机的滚动轴承故障诊断方法

提出了一种基于威布尔分布模型和支持向量机的滚动轴承故障诊断方法。首先对滚动轴承原始振动信号建立威布尔分布模型,提取其形态参数和尺度参数构建表征轴承运行状态的特征向量,然后将提取的特征向量输入支持向量机分类器进行故障诊断和识别。分别与基于小波分解和小波包分解特征提取的支持向量机诊断方法进行滚动轴承故障试验仿真比较,结果表明,基于威布尔分布模型特征提取的支持向量机诊断方法具有更高的故障识别准确率。     

基于经验模式分解的直觉模糊网络故障诊断

针对平稳时间序列信号,提出一种基于EMD多模态分量特征提取和直觉模糊网络的故障诊断方法。该方法首先对原始信号进行EMD分解,经EMD分解获得基本模式分量(IMF),选择能量最大的几个IMF并转化为模糊特征向量,对机器故障进行诊断,然后将模糊特征向量输入到直觉模糊网络中,实现对机器工作状态及不同故障类型的识别,该方法应用于柴油机振动信号的故障诊断,实验结果证明了其可行性和有效性。     

基于EEMD和BP神经网络的风机齿轮箱故障诊断方法

根据风机齿轮箱故障信号的非平稳特性,提出一种基于总体平均经验模式分解(EEMD)和BP神经网络的风机齿轮箱故障诊断方法。首先,对原始信号进行小波去噪。然后,对故障信号进行EEMD分解,将其分解为多个固有模态函数(Intrinsic Mode Function,简称IMF)之和,选取若干含有主要故障信息的IMF分量做进一步分析。最后,从各IMF分量中提取故障信号能量特征参数,将归一化后的能量特征参数作为BP神经网络输入参数进行故障诊断。实测结果表明:该方法故障诊断准确率达到了99%左右。可以准确、有效的对风机齿轮箱进行故障诊断。     

基于EMD和模糊C均值聚类的滚动轴承故障诊断

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和奇异值分解的特征提取与模糊C均值（FCM）聚类的滚动轴承故障诊断方法。该方法首先对滚动轴承振动信号进行EMD分解,组成初始特征向量矩阵;并对该矩阵进行奇异值分解,将矩阵的奇异值作为故障特征向量;最后以FCM聚类为故障分类器,实现滚动轴承不同故障类型的识别。实验结果分析表明,该方法能有效地进行滚动轴承故障诊断。     

基于粒子群优化LS-WSVM的电机断条故障诊断

为了准确检测出鼠笼式异步电机的转子断条故障,提出一种基于粒子群优化最小二乘小波支持向量机的诊断方法。首先,利用小波包或经验模态分解法提取出电机定子电流信号的特征向量,将特征向量分为训练集和测试集。再将训练集输入粒子群优化的最小二乘小波支持向量机进行训练,用训练好的最小二乘小波支持向量机对测试集进行分类。实验结果显示,此方法的故障诊断正确率明显高于最小二乘支持向量机的故障诊断方法。本文将小波分析和支持向量机结合使两者的优势互补,具有强大的泛化能力,为异步电机的转子断条故障诊断提出了一种新的方法。