基于ISSA-VMD的滚动轴承早期故障诊断方法

针对滚动轴承早期信号微弱导致故障特征难以提取和故障诊断准确率不高的问题,提出了一种基于改进麻雀搜索算法-变分模态分解(ISSA-VMD)和样本熵(SE)的滚动轴承早期故障特征提取方法。首先,在轴承早期故障诊断过程中,模态分解个数和惩罚因子的选择对变分模态分解(VMD)的分解效果有着很大的影响,为消除人为选择参数的影响,将麻雀搜索算法(SSA)优化为改进麻雀搜索算法(ISSA),利用ISSA参数优化后的VMD方法对信号进行了分解;然后,计算了敏感固有模态函数(IMF)分量的样本熵,构成了特征向量;最后,将特征向量作为支持向量机(SVM)的输入,进行了滚动轴承早期故障类型的识别。研究结果表明：ISSA-VMD+样本熵特征提取模型的故障诊断准确率为98.3%,与SSA-VMD+样本熵、灰狼优化算法(GWO)-VMD+样本熵、鲸鱼优化算法(WOA)-VMD+样本熵、传统VMD+样本熵、经验模态分解(EMD)+样本熵等特征提取模型相比,故障诊断准确率分别提高了3.3%、6.6%、5%、3.3%、5%;该模型可以准确地提取故障特征,提高故障诊断准确率。     

基于变分模态分解近似熵和支持向量机的轴承故障诊断方法

针对滚动轴承振动信号的非平稳特征,以及现实中难以获得大量典型故障样本的情况,提出了一种基于变分模态分解的近似熵和支持向量机的故障诊断方法。首先,通过VMD将原始振动信号分解为若干个频率尺度的本征模态分量;然后,计算各个IMF分量的近似熵并组成特征向量;最后,将上述特征向量输入支持向量机进行训练,并判断轴承的工作状态和故障类型。分析结果表明:与EMD及LMD相比,VMD近似熵与支持向量机相结合后,诊断精度得到了较大的提高,更适用于轴承故障的自动化诊断。     

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。     

信息熵和合成峭度优化的VMD和PSO-SVM的轴承故障诊断

为了解决变分模态分解参数人为确定的问题,并能够实现轴承故障的精确诊断,构建了一种信息熵和合成峭度优化的变分模态分解(VMD)和粒子群算法优化支持向量机(PSO?SVM)的轴承故障诊断方法.该方法首先运用合成峭度倒数与信息熵乘积的最小值原则对VMD参数进行优化,再由优化的参数对原始故障信号进行变分模态分解,得到既定的若干本征模态分量(IMFs),再选取信息熵与合成峭度倒数的乘积最小的IMF作为最佳IMF,再对其提取故障特征构成特征向量,输入P SO?SVM进行故障分类.最后,运用仿真信号和实际轴承数据验证了本文方法的有效性.     

基于经验模态分解、多尺度熵算法和支持向量机的滚动轴承故障诊断方法

针对滚动轴承振动信号的低信噪比、高复杂性及非平稳特性,提出基于经验模态分解、多尺度熵算法与支持向量机的故障诊断方法。对振动信号通过小波包降噪提高信噪比,然后利用经验模态分解得到多个本征模态函数分量,选择与降噪信号强相关的本征模态函数分量计算其多尺度样本熵,确认能区分故障类型的最佳尺度。将这一尺度下相应分量的样本熵作为特征向量,经过归一化处理后输入支持向量机进行故障分类。试验结果表明在小样本条件下可以准确识别滚动轴承故障类型,为滚动轴承的故障识别提供了一种高效诊断方法。     

基于VMD-SVM的滚动轴承退化状态识别

针对滚动轴承全寿命退化状态难以有效识别的问题,提出了一种基于变分模态分解(VMD)与支持向量机(SVM)相结合的滚动轴承退化状态识别方法。该方法先用包络熵确定VMD的最优分解层数,再根据峭度及相关系数准则选择VMD分解后的敏感本征模态分量(IMF),然后提取敏感IMF分量的时域指标和能量熵构成退化特征向量序列,最后随机抽取不同退化状态下的少量样本输入SVM模型训练,建立退化状态模型库,并用真实数据进行测试。实验结果表明该方法能够准确识别出轴承的退化状态,通过与EMD-SVM、EEMD-SVM模型对比,验证了该方法的优越性。     

基于变分模态分解和PSO-SVM的起重机齿轮箱故障诊断

起重机齿轮箱的振动信号具有信噪比低、非线性的特点,需要一定的专业知识和经验才能实现故障诊断。为了实现起重机齿轮箱的智能故障诊断,提出了一种基于变分模态分解(Variation?al modal decomposition,VMD)改进小波降噪和粒子群算法(Particle swarm optimization,PSO)优化支持向量机(Support vector machine,SVM)的智能故障诊断方法。首先,利用VMD将振动信号分解,得到不同尺度的本征模态函数(Intrinsic mode function,IMF),将分解的高频分量进行改进小波降噪后和低频分量完成信号重构;然后,提取重构信号的特征参数构建特征向量,使用核主分量分析(Ker?nel principal component analysis,KPCA)对向量降维处理实现特征信息融合;最后,利用PSO优化后的SVM进行故障识别分类。实验验证表明,基于VMD改进小波信号预处理和PSO算法优化SVM的模型具有很高的识别准确率,能够有效、准确地对起重机齿轮箱的故障类型进行识别和分类。     

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。     

基于EEMD信息熵和PSO-SVM的自动机故障诊断

针对自动机振动信号的瞬态冲击、非线性和非平稳性,提出一种基于集合经验模式分解(EEMD)的信息熵和粒子群优化的支持向量机(PSO-SVM)相结合的故障诊断方法。首先采用小波阈值降噪对振动信号进行预处理;其次运用具有抗混叠效应的EEMD对降噪信号进行分解得到本征模式分量(IMF),从而提取能反映自动机状态的特征参数:能量熵、边际谱熵和奇异谱熵;最后对支持向量机(SVM)的参数利用粒子群优化(PSO)算法进行优化,并将特征向量子集分别作为PSO-SVM和概率神经网络(PNN)的输入参数以识别自动机故障,结果表明:PSO-SVM相对于PNN可以提高故障分类正确率,同时证明基于EEMD信息熵和PSO-SVM方法在自动机故障诊断中的有效性。     

基于变分模态分解和LFOA-RVM的轴承故障诊断

针对滚动轴承的故障诊断问题,提出了基于变分模态分解(Variational modal decomposition, VMD)、改进果蝇算法(Improved fruit fly optimize algorithm, LFOA)和相关向量机(Relevance vector machine, RVM)的滚动轴承故障诊断方法。该方法首先利用VMD将轴承振动信号分解成若干个本征模态分量(Intrinsic mode components, IMF),并计算IMF分量的均方根值和重心频率组成故障特征向量。为提高故障诊断精度,采用LFOA算法对RVM的参数进行优化,建立LFOA-RVM模型,然后对提取的故障特征进行训练和测试,以此来判断轴承的故障类型和故障程度。利用该方法对实测轴承信号进行了分析和诊断,并与其他几种方法进行了对比,验证了该方法的有效性。     

基于VMD能量熵与SVM的行星齿轮箱故障诊断

由于行星齿轮箱振动信号的故障特征难被提取,故采用变分模态分解(VMD)能量熵与支持向量机(SVM)相结合的方式实现行星齿轮箱故障诊断.首先利用VMD方法将振动信号分解为不同尺度的内禀模态函数(IMF)并提取各IMF的能量熵值构成特征矩阵,其次利用粒子群算法(PSO)对支持向量机的惩罚因子和核函数优化,最后将特征矩阵输入支持向量机进行故障模式识别.通过行星齿轮箱的实验研究,验证了该方法的有效性并且识别准确率高达99.625％.     

基于VMD能量熵与SVM的行星齿轮箱故障诊断

由于行星齿轮箱振动信号的故障特征难被提取,故采用变分模态分解(VMD)能量熵与支持向量机(SVM)相结合的方式实现行星齿轮箱故障诊断.首先利用VMD方法将振动信号分解为不同尺度的内禀模态函数(IMF)并提取各IMF的能量熵值构成特征矩阵,其次利用粒子群算法(PSO)对支持向量机的惩罚因子和核函数优化,最后将特征矩阵输入支持向量机进行故障模式识别.通过行星齿轮箱的实验研究,验证了该方法的有效性并且识别准确率高达99.625％.     

基于VMD能量熵与SVM的行星齿轮箱故障诊断

由于行星齿轮箱振动信号的故障特征难被提取,故采用变分模态分解(VMD)能量熵与支持向量机(SVM)相结合的方式实现行星齿轮箱故障诊断.首先利用VMD方法将振动信号分解为不同尺度的内禀模态函数(IMF)并提取各IMF的能量熵值构成特征矩阵,其次利用粒子群算法(PSO)对支持向量机的惩罚因子和核函数优化,最后将特征矩阵输入支持向量机进行故障模式识别.通过行星齿轮箱的实验研究,验证了该方法的有效性并且识别准确率高达99.625％.     

基于AO-VMD和IAO-SVM的齿轮箱故障诊断

针对提高变分模态分解（Variational Mode Decomposition,VMD）的自适应性、优选本征模态分量（Intrinsic Mode Function,IMF）及多故障分类的问题,提出一种天鹰优化器（Aquila Optimizer,AO）优化VMD、综合评价模型优选IMF、改进天鹰优化器（Improved Aquila Optimizer,IAO）优化支持向量机（Support Vector Machine,SVM）的齿轮箱故障诊断方法。首先,采用AO优化VMD的参数并分解原始信号;其次,构建基于相关系数、峭度、包络熵、能量熵的CRITIC-TOPSIS综合评价模型,优选IMF,提取能量熵建立特征向量;最后,将其输入IAO-SVM识别故障类型。通过实验验证所提出方法的有效性。     

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。     

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。     

基于VMD能量熵与支持向量机的齿轮故障诊断

针对机械设备的齿轮运行受环境噪声影响严重以及难以获得大量故障样本的问题,提出一种基于变分模态分解(Variational Mode Decomposition,VMD)能量熵特征与支持向量机相结合的齿轮故障诊断方法。首先是利用变分模态分解对机械振动信号进行处理得到若干个模态分量,同时利用传统的经验模态分解(EMD)对相同信号进行分解再对比两种方法的分解效果,然后计算变分模态分解各模态分量的能量熵作为特征值,最后将特征值作为支持向量机的输入进行故障诊断。实验结果表明VMD可以较好的将复杂的振动信号分解并且一定程度抑制模态混叠现象的发生,以VMD能量熵特征与支持向量机相结合的方法可以迅速、有效的实现齿轮的故障诊断。     

基于信息熵和GA-SVM的自动机故障诊断

提出了一种运用信息熵和遗传算法优化的支持向量机(GA-SVM)对小口径火炮自动机进行故障诊断的方法。针对自动机工作时的短时冲击信号特征,首先运用具有自适应特性的局域波对信号进行分解得到IMF分量,并对各IMF分量进行Hilbert变换。接着利用信息熵理论提取局域波特征空间谱熵、边际谱熵和时频熵作为故障特征。最后将特征向量输入遗传算法优化的支持向量机进行故障分类识别。利用遗传算法的全局搜索能力对支持向量机的参数进行优化,摆脱了对求解模型的依赖。结果表明,相对于空间穷尽搜索寻找最优参数的支持向量机模型可提高诊断正确率。同时证明将信息熵和GA-SVM方法相结合在自动机故障诊断中的有效性。     

基于VMD小波包能量熵的风电机组变流器故障诊断方法

变流器是实现风电机组并网运行的关键电力装备，在外界环境因素、内部电压电流应力作用下，其功率器件易发生机械或电气故障。该文提出一种基于变分模态分解(VMD)小波包能量熵与支持向量机(SVM)的永磁同步风电机组变流器故障诊断方法。首先，对风电机组网侧变流器的输出电流进行变分模态分解，得到多个固有模态分量；然后，利用小波包分解提取出各模态分量的小波包能量熵作为故障特征向量，以减少故障特征的维数。最后，将约简的故障特征向量输入SVM中进行训练和故障识别。研究结果表明，所提方法可对网侧变流器的典型单一和双开路故障进行诊断，对提升永磁同步风电变流器的可靠性和安全性具有现实指导意义。