基于EEMD及分形方法的轴承振动信号分析

为对具有强烈非线性特征的轴承振动信号做出准确的故障识别,基于分形理论,采用辅助经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)对信号进行降噪预处理,采用G-P算法分析轴承不同状态下振动信号关联维数。研究表明:基于EEMD的降噪方法可有效对振动信号进行降噪;轴承工作状态不同,其振动信号关联维数具有明显的可区分性,当轴承处于外环故障时,其关联维数最大为4.7,当轴承处于滚珠故障时,其关联维数最小仅为3.0,当轴承处于正常/内环故障时,其关联维数分别为4.0/3.2。因此,利用关联维数能定量识别轴承的不同故障状态及位置。     

基于CEEMD样本熵的柴油机故障诊断

针对柴油机振动信号非线性、非平稳的特点,提出一种基于互补集合经验模态分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD)样本熵和支持向量机(Support Vector Machines,SVM)的柴油机故障诊断方法。该方法首先采用CEEMD对柴油机振动信号进行自适应分解,然后计算包含有主要故障信息的固有模态函数(Intrinsic Mode Function,IMFs)分量的样本熵,并结合主元分析对其进行降维处理;最后将提取出的主元特征向量输入SVM以判断柴油机的工作状态和故障类型。对CZ4110柴油机不同工况的分析结果表明,该方法可有效地用于柴油机故障诊断。     

基于CEEMDAN样本熵与卷积神经网络的轴承故障诊断

针对强噪声背景下滚动轴承振动信号故障特征难以提取和识别困难的问题,提出将自适应白噪声平均总体经验模态分解(CEEMDAN)样本熵与卷积神经网络(CNN)联合的故障诊断方法(CEEMDAN样本熵-CNN方法)。基于分形理论,采用CEEMDAN算法分解振动信号并提取其非线性特征,通过分形盒维数筛选最优IMF分量,以其样本熵构成的特征向量输入CNN模型,实现轴承故障的分类和诊断,并进行t-SNE聚类可视化分析。结果表明：在不同工况下,与经验模态分解(EMD)样本熵和集成经验模态分解(EEMD)样本熵方法相比,所提CEEMDAN样本熵-CNN方法具有良好的识别能力和泛化性能,其可视化分析结果更具直观性。     

基于MEEMD和KFCM的风机齿轮箱故障诊断

针对风机齿轮箱振动信号的故障特征提取与故障诊断问题,文章提出了一种基于MEEMD信号分解、样本熵和KFCM的齿轮箱故障诊断方法。首先,采用一种改进的集合经验模态分解方法(MEEMD)对采集的齿轮箱振动信号进行分解,得到了多个本征模态函数(IMF)分量;然后,计算每个IMF分量的样本熵作为齿轮箱故障诊断的特征向量;最后,使用核化的模糊聚类算法(KFCM)对齿轮箱故障样本进行聚类。通过实验数据对比表明:基于MEEMD-KFCM算法的风机齿轮箱故障诊断方法可以更加有效地识别齿轮箱故障。     

基于EEMD和优化SVM的水电机组振动故障诊断

针对水电机组故障具有渐变性等特征,提出了一种基于总体平均经验模态分解(EEMD)和优化支持向量机(SVM)相结合的水电机组故障智能诊断方法。利用EEMD能对机组振动信号进行自适应分解成若干本征模式分量(IMF),并能有效抑制经典经验模式分解(EMD)的端点效应以及模式混叠现象。从IMF分量中提取出来的能量特征作为输入建立优化SVM,以此来判断机组的故障状态。通过实例分析表明:建立的混合智能诊断方法的分类正确率高,能有效诊断机组存在的故障。     

基于优化变分模态分解及分形理论的风力机轴承故障诊断研究

为实现强非线性特征风力机轴承振动信号的故障诊断,基于能量残差及粒子群优化算法提出优化变分模态分解方法(OVMD),通过峭度与相关系数对分解所获各模态进行筛选以剔除无效分量后重塑振动信号。引入分形理论,分别计算滤除无关模态前后轴承不同工作状态随负载变化时分形盒维数。结果表明:经OVMD分解后未滤除无关模态的信号在区分轴承不同工况时,各电机负载下盒维数出现混叠现象,干扰对轴承故障状态的判别与分类;而采用OVMD分解滤除无关模态后重组的信号,其分形盒维数在各种负载下均可实现对轴承工作状态的识别。     

基于小波包的EITD风力发电机组齿轮箱故障诊断

基于三次样条插值和固有时间尺度分解中的线性变换,提出了集成固有时间尺度分解(EITD)方法,将该方法与小波包变换相结合,实现了风电机组齿轮箱故障的精确诊断.首先使用三次样条插值拟合基线控制点,将振动信号分解为一系列固有旋转分量;然后选择相关系数最大的PR分量进行小波包分解,计算分解后小波包系数的能量分布,选择能量比重较大的小波包系数重构PR分量;最后计算重构PR分量的关联维数,实现振动信号的故障诊断.利用所提出的方法对风电机组齿轮箱振动信号进行了分析,结果表明:与经验模态分解(EMD)方法处理后直接计算关联维数和经小波包的EMD方法处理后计算关联维数相比,采用小波包的EITD方法处理后计算关联维数更具有区分性,可有效识别齿轮的工作状态和故障类型.     

风力机齿轮箱振动信号分解方法研究

基于风力机齿轮箱振动信号显著的非线性及非平稳性,分别采用集合经验模态分解(EE-MD)、固有时间尺度分解(ITD)和经验小波变换(EWT)分解方法对齿轮箱振动信号进行处理,求取各分解方法分量信息熵并构成特征向量,然后作为支持向量机(SVM)模型的输入进行故障识别及分类.结果表明:EWT能较好地提取振动信号中的冲击成分;...     

基于EEMD和模糊C均值聚类的风电机组齿轮箱故障诊断

针对风电机组齿轮箱中齿轮故障特征提取与故障诊断问题,提出一种基于集合经验模式分解(EEMD)、奇异谱熵和模糊C均值聚类的故障诊断方法。首先对原始振动信号进行EEMD分解,得到各阶本征模态函数(IMF)构成的特征模式矩阵。接着对该特征模式矩阵求奇异谱熵值,奇异谱熵值的大小能反映部件的工作状态和故障类型。最后,将得到的奇异谱熵值矩阵进行模糊聚类分析并得到分类结果。通过对齿面磨损、齿面剥落和正常3种齿轮状态分别使用EMD法和EEMD法进行故障分类对比,结果验证了该方法的有效性和可行性,同时证明EEMD法具有更好的分类效果。     

EEMD模糊熵和变量预测模型的转子故障诊断新方法

提出一种基于总体经验模态分解(ensemble empirical mode decomposition,EEMD)模糊熵和变量预测模型的转子故障诊断新方法,并将其应用于某型燃涡发动机转子的非平稳振动信号分析及故障诊断。将基于变量预测模型的模式识别方法引入转子故障模式识别中,利用其较强的非线性问题处理能力,通过变量内部特征值之间的内在关系建立预测模型,并以预测误差平方和最小作为故障模式判别依据。首先利用EEMD将转子振动信号分解成若干个模式分量;然后分别计算各个分量的指标能量,筛选出包含主要故障信息的分量并提取模糊熵组成特征向量;最后采用基于变量预测模型的模式识别方法进行故障识别和分类。对某型燃涡发动机转子正常、不平衡、不对中三种不同状态下的振动信号进行分析,结果表明所提方法能够有效识别转子工作状态。与神经网络、支持向量机算法的对比分析证明,所提方法能更准确、更高效地完成转子故障诊断。     

基于EEMD和模糊C均值聚类算法诊断发动机曲轴轴承故障

针对发动机振动信号的非平稳性以及特征参数的模糊性特点,提出了一种基于集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）和模糊C均值聚类（Fuzzy Center Mean,FCM）的故障诊断方法,通过对已知故障样本信号进行EEMD分解,形成初始特征向量矩阵;对该矩阵...     

基于自适应变分模态分解及多重分形谱的风力机轴承故障分析

风力机齿轮箱轴承故障信号具有典型非线性及非平稳特性,采用自适应变分模态法对4种状态下振动信号进行分解,提出基于分形盒维数-峭度阈值法(Adaptived Variational Mode Decomposition,AVMD)对处理所得分量进行筛选,选取富含故障信息的分量进行信号重构,采用多重分形去趋势波分析方法,分析重构信号的分形特征并识别其工作状态,结果表明:基于多重分形去趋势波分析法对非稳定轴承可进行有效地故障识别;轴承振动信号具有典型分形特征,在不同时间尺度下,标度指数、广义Hurst指数与多重分形谱均可反应轴承工作状态;3种多重分形谱参数对故障类型敏感度不同,谱函数最大值对应的奇异指数对内圈故障较为敏感,峰值占比对外圈故障较为敏感,分形谱宽对滚珠故障较为敏感。     

基于经验模态分解方法的柴油机振动信号去噪声处理

针对柴油机振动信号的瞬时非线性特点,提出采用柴油机振动信号的本征模函数(IMF)分量进行特征频带识别的新方法。将柴油机振动信号经经验模态分解,并去掉主要干扰因素所对应的IMF分量,再将剩余IMF分量进行重构得到柴油机振动信号。实际测试结果表明,重构后的信号能反映柴油机机身振动的真实趋势。     

基于改进变分模态分解与支持向量机的风力机轴承故障诊断

为研究风力机齿轮箱轴承振动信号非线性及故障诊断问题,采用改进变分模态分解方法对四种状态轴承振动信号进行处理,提出无量纲参数多重分形谱值因子,联合峭度值对分解所得模态分量进行选取,剔除无效信息分量并进行信号重组,采用分形维数研究重组信号的分形特征,并通过支持向量机进行模式识别。结果表明：基于样本熵优化的改进变分模态分解方法可获得高质量的模态信息;通过多重分形谱值因子及峭度选取并重组的信号具有良好的振动特性,其分形维数可通过信号非线性程度定量区分轴承工作状态;采用支持向量机对不同轴承工作状态的重组信号进行分类,结果具有较高的准确度。     

基于EEMD峭度-相关系数准则的多特征量风电机组轴承故障诊断

针对风力发电机组轴承故障振动信号具有高噪声、非线性、非平稳的特性,提出了一种集成经验模态分解与峭度-相关系数准则和多特征量提取的风电机组轴承故障程度的诊断方法。利用集成经验模态将振动信号分解成若干个本征模态分量,采用峭度和相关系数准则选取一组包含信息量最丰富的分量,对该组分量从时域指标、自回归模型参数矩阵的奇异值和能量熵3个角度的变化中提取和构造多特征量矩阵,输入支持向量机建立故障程度不同的多分类预测模型,优化核参数和惩罚参数取得轴承故障程度最佳预测精度。通过实验室数据验证了该方法是一种可行的风电机组轴承故障诊断方法,可实现对风电机组轴承故障早期处于的轻度、中度和重度等3种相对故障程度的准确分类和识别。     

基于变分模态分解云模型和优化LSSVM的汽轮机振动故障诊断

针对汽轮机运行过程中的非平稳性和多分量性振动故障信号,提出一种基于变分模态分解相对熵云模型和优化最小二乘支持向量机(LSSVM)的汽轮机振动故障诊断方法。首先,利用变分模态分解按照预设尺度将故障信号分解为K个模态分量,根据各模态分量与原始信号的相对熵大小去除伪分量,提取最佳分量并将其输入云模型,采用逆向云发生器提取特征向量。然后使用改进果蝇优化算法动态调整搜索步长搜寻影响LSSVM识别精度的超参数最佳组合,最后将特征向量输入参数优化后的LSSVM进行故障识别,并与采用经验模态分解相对熵云模型和集合经验模态分解相对熵云模型的LSSVM识别结果进行了对比。结果表明:所提方法优于传统的信号分解方法,对汽轮机振动故障类别具有很高的识别准确率。     

便携式机车车辆动态称重仪的信号处理

根据振动的瞬时非线性特点,提出采用振动信号的本征模函数（IMF）对实测信号进行特征频带识别。将采集的振动信号经经验模态分解,并去掉主要干扰因素所对应的IMF分量,以得到真实的有效信号。实际测试结果表明,对提取后的信号进行计算后能得到准确的轴重值。     

基于阶次解调谱的滚动轴承故障诊断方法

针对变转速工况下滚动轴承的故障诊断问题,提出一种基于阶次解调谱的故障诊断方法。该方法先利用线调频小波路径追踪算法提取转速信号,并根据转速信号对轴承振动信号进行角域重采样,将时域非平稳信号转化为角域平稳信号。然后对角域平稳信号进行变分模态分解(variational mode decomposition,VMD)得到若干本征模态函数分量(intrinsic mode function,IMF),并利用峭度指标筛选出敏感IMF分量,最后对敏感IMF进行Hilbert变换获得其阶次解调谱,通过提取阶次解调谱中的故障特征阶次来识别轴承故障。仿真和实验分析结果表明,该方法成功提取出故障特征阶次,可实现变转速工况下滚动轴承故障的有效诊断。     

基于改进EMD与关联维数的水轮机空化声发射信号特征提取

为研究水轮机空化状态下声发射信号的特征及其演变规律,提出了基于改进经验模态分解(Empirical Mode Decomposition, EMD)与关联维数的水轮机空化声发射信号特征提取方法。采用镜像延拓与可变余弦窗函数相结合的方法对传统EMD进行改进。将改进EMD方法应用于混流式水轮机模型空化状态下的声发射信号分析中,分别采用自相关法和假近邻法计算声发射信号各阶固有模态函数(Intrinsic Mode Function, IMF)分量的时间延迟参数和最佳嵌入维数,采用G-P算法提取各阶IMF的关联维数,分析关联维数随水轮机空化系数的变化关系。结果表明:随着空化状态从无空化、初生空化到临界空化,声发射信号的各阶IMF关联维数逐渐增大,直接反映了水轮机空化从无到有,从弱到强,水流流态更加复杂和紊乱的过程。     

基于VMD-CNN的水电机组故障诊断

为提高水电机组故障诊断精度,减少在振动信号特征选取过程中对专业经验的依赖,提出了一种融合变分模态分解和卷积神经网络的故障诊断方法。首先对水电机组振动信号进行变分模态分解得到若干分量,并利用这些分量构造时间图,然后搭建深度卷积神经网络对时间图进行特征提取和故障识别,建立分量和故障状态的映射关系。以实测水电机组轴向振动信号进行应用检验,并采用多组对比试验,结果表明该方法与其他方法相比故障识别准确率更高。研究成果为水电机组智能故障诊断提供了新思路。