共查询到19条相似文献,搜索用时 484 毫秒
1.
为了提高对齿轮非平稳、非线性故障振动信号的可分性及其故障诊断的准确性,并针对其高维数据样本的特点提出一种基于流形学习与LVQ的齿轮故障诊断模型。该模型首先利用集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)方法进行齿轮故障振动信号的分解,得到一系列固有模式函数(Intrinsic Model Function,IMF)分量。接下来对含有主要故障信息的IMF分量进行特征提取和选择并构造高维观测样本,再用流形学习等距特征映射(ISOMAP)算法对初步的高维观测样本故障特征进行进一步的提取并对特征属性的数量进行压缩,在保留齿轮故障特征的整体几何结构信息的同时降低了特征数据的复杂度,增强了齿轮故障模式识别的分类性能。最后通过学习矢量量化神经网络(Learning Vector Quantization,LVQ)根据样本的特征将样本划分到一定的类别中去从而实现模式识别。通过比较实验结果来验证该模型的可行性。 相似文献
2.
基于EMD降噪的递归图分析方法在齿轮故障诊断中的应用 总被引:1,自引:0,他引:1
为从齿轮振动信号中提取包含故障信息的特征量,提出了一种基于经验模态分解(EMD)降噪的递归图分析方法。该方法用EMD方法将振动信号分解为有限个固有模式函数(IMF)分量,选取包含故障信息的IMF分量建立递归图,从递归图中提取特征向量,运用高斯混合模型进行模式识别。将该方法运用于故障齿轮振动信号的识别,结果表明该方法具有较高的识别率,对齿轮故障能够有效地进行分类与诊断。 相似文献
3.
以行星齿轮箱为研究对象,针对经验模态分解(EMD)存在模态混叠、易出现端点效应等缺陷,导致难以很好地解决行星齿轮箱振动信号耦合及非线性特征的提取问题。本文以自适应噪声完备总体经验模态分解(ANCEEMD)为信号处理方法,引入样本熵进行特征提取,应用群智能融合算法优化的神经网络模型对行星齿轮箱故障进行识别和诊断。对于混合蛙跳算法(SFLA)与粒子群优化算法(PSO),实施“两层优化和内外循环”的融合机制,提出SFLA-PSO融合算法。开展了行星齿轮模拟故障实验,采集了行星齿轮箱的多种故障的振动信号,进行了样本熵特征提取,应用SFLA-PSO融合算法优化了BP神经网络模型,对行星齿轮箱故障进行识别诊断。结果表明:基于ANCEEMD样本熵特征提取的SFLA-PSO-BP诊断模型较PSO-BP和BP在行星齿轮箱故障诊断中的准确率分别提高了5%、15%。 相似文献
4.
《组合机床与自动化加工技术》2017,(3)
提出一种基于自适应噪声的完备经验模态分解(CEEMDAN)与IMF样本熵结合的滚动轴承故障特征提取方法。利用CEEMDAN算法对振动信号进行了自适应分解,将非稳定的振动信号分解成了若干个固有模态函数(IMF)分量。计算了包含主要故障特征信息的IMF分量样本熵,实现了故障特征量化。在此基础上利用SVM在少量数据样本的情况下具有较强的学习和分类能力,通过样本数据学习与待测样本的模式识别实现滚动轴承智能诊断。通过仿真与实验数据分析,证明该方法能够改善信号特征提取的效果,对故障类型的判断表现出较高的识别率。 相似文献
5.
6.
7.
针对滚动轴承故障信号的非线性特性及不同故障类型信号具有不同形态特征的特点,提出一种基于改进变分模态分解(VMD)形态谱和模糊C均值聚类(FCM)算法相结合的故障诊断方法。采用VMD方法对滚动轴承振动信号进行分解,针对分解过程中关键参数的选取,提出相关参数选择方法,并计算各固有模态函数(IMF)的能量波动系数,以获得对信号特征信息敏感的模态分量进行重构。计算重构信号的形态谱以反映信号的形态特征。通过FCM算法实现滚动轴承工作状态和故障类型的诊断。运用该方法对实测滚动轴承振动信号进行分析,并将所提方法同基于原始振动信号、经验模态分解、总体经验模态分解形态谱的故障特征提取方法进行对比。结果表明:所提方法能够更加有效提取滚动轴承信号的故障特征,实现故障类型的准确诊断。 相似文献
8.
针对行星齿轮箱振动信号成分复杂、非平稳、非线性的特点,提出一种基于变分模态分解(VMD)能量熵和隐马尔科夫模型(HMM)的故障识别方法。利用VMD算法对不同故障类型的齿轮振动信号进行分解,提取经信号分解得到的各阶本征模态函数(IMF)的能量熵。基于不同故障类型的各IMF分量能量熵在分布上的各异性,将其集合作为故障识别的特征向量。利用不同故障类型的特征向量组成的训练集训练HMM,计算最大对数似然概率值,用于判断测试样本的故障类型。利用该方法对一定转速下行星轮的3种故障进行识别,结果表明:当载荷不同时,它对行星轮齿根裂纹、断齿和齿面磨损3种故障的平均识别率可达到95.83% 相似文献
9.
针对盾构主减速机齿轮故障特征难以提取的问题,提出了一种基于参数优化变分模态分解(variational mode decomposition, VMD)和峭度准则的故障诊断方法。利用粒子群算法(particle swarm optimization, PSO),以最小平均包络熵为适应度函数来确定VMD算法的模态分量个数K及惩罚因子α的最佳组合;将原始振动信号利用[K,α]参数组合通过VMD分解成若干本征模态(intrinsic mode function, IMF)分量,根据峭度准则筛选出最佳和次最佳IMF分量进行重构,降低噪声干扰;最后,提取重构信号的时域和熵理论特征,利用粒子群优化支持向量机(PSO-SVM)和轻量级梯度提升机(LightGBM)进行故障识别分类。通过使用DDS试验台实测信号数据验证表明,该方法能够有效地提取齿轮故障特征,实现对齿轮故障类型的准确判定,验证了该方法的可行性和有效性。 相似文献
10.
为解决齿轮振动信号在现实中难以获取大量典型故障样本和分类的精确度低的问题,提出基于EMD分解与多特征融合的齿轮故障诊断方法。首先,提取反映信号特征的各项参数指标作为特征向量;其次,利用经验模式分解(EMD)对原始信号进行分解,进而提取分解后各本征模式分量(IMF)的能量指标组成特征向量;然后,将其与信号特征各项参数融合成特征向量组合,并将其作为SVM多故障分类器的训练样本进行训练,实现齿轮的智能诊断。通过实验室轴承的故障诊断研究表明:该方法对于齿轮的各种状态具有很好的分类精确度,更加有效地识别齿轮故障类型。 相似文献
11.
针对齿轮实际工况复杂、故障特征难以提取的问题,提出一种基于变分模态分解(Variational Mode Decomposition,VMD)复合熵值法的故障诊断方法.首先,采用VMD方法对不同工况下齿轮振动信号进行分解,并对分解过程中关键参数的选择进行了研究;其次,根据频域互相关系数准则筛选出可有效表征齿轮状态特征的... 相似文献
12.
针对螺栓出现松动故障信号产生非线性、非平稳的现象,提出一种基于VMD与LSSVM模型相结合的螺栓松动状态识别方法。搭建螺栓松动实验平台采集螺栓松动状态下4种工况的振动信号;利用VMD分解对螺栓松动状态各个工况下的振动信号进行分解,并计算VMD分解后各模态分量的能量熵,最后以各工况下VMD分解的各模态分量能量熵为特征构造特征向量矩阵,通过LSSVM模型进行训练与状态识别。实验结果表明:该方法可以有效的识别出的螺栓松动状态,并通过与EMD-LSSVM模型进行对比,验证了该方法用于螺栓松动状态识别的有效性、可行性与相较其EMD分解方法的优越性。 相似文献
13.
14.
针对故障行星齿轮箱的扭振信号具有非稳定、非线性的特点,提出基于H-P滤波与变分模态分解(Variational Mode Decomposition,VMD)相结合的行星齿轮故障时域特征分离方法。H-P滤波基于竞争性趋势估计算法,能保存扭振信号中的分段线性特征。滤波后的信号内容丰富,VMD能将这些内容分解在不同的模态分量中,故障冲击特征突出。通过分析不同负载下的扭振信号,证实该方法能够提取周期脉冲,诊断出行星齿轮故障。对于实际工程应用中的复杂信号,该方法提供了有效解决途径,具有一定的工程应用价值。 相似文献
15.
16.
17.
18.
针对研究振动信号分析识别轴承状态的方法,在实践应用中受到各种噪声的影响很难达到准确识别预期目标的效果,提出了基于VMD能量熵特征与PNN神经网络结合的分类滚动轴承故障状态的方法。首先,通过运用变分模态分解(VMD)的信号预处理方法,实现振动信号的VMD降噪,同时利用集合经验模态分解(EEMD)对仿真信号进行对比两种方法的分解效果;然后,通过VMD能量熵和时域特征组成特征向量。最后,特征向量导入概率神经网络模型中准确识别滚动轴承故障状态。结果表明,该方法能将非平稳振动信号分解有效降噪且抑制模态混叠现象,同时能有效识别故障状态,对于在线监测机床健康状态领域的发展有重大的意义。 相似文献
19.
滚动轴承早期故障信号易受噪声干扰,故障冲击成分难以提取,故障识别困难。为从多角度提取故障轴承振动信号特征参数,利用变分模态分解(VMD)将振动信号分解为若干本征模态分量(IMFs),基于包络熵、相关系数、峭度筛选IMF分量。提取所选IMF的时域和频域特征、信号VMD能量熵及各IMF能量比组成特征向量,从时域、频域和能量角度反映故障信息。使用麻雀搜索算法(SSA)优化SVM参数,确定最优参数,克服参数选择难题。将样本特征向量输入SSA-SVM中进行故障分类,轴承故障实验数据表明:该方法故障识别平均准确率在98.71%以上;与单一域特征相比,该方法对故障类型和损伤程度识别效果更佳。 相似文献