基于AEWT-KELM的风电机组轴承故障诊断策略

针对风力发电机组轴承故障振动信号传递路径复杂多变,且故障信号易受到背景噪声的严重干扰,传统方法对故障特征难以准确提取的问题,提出一种自适应经验小波变换（AEWT）与奇异值分解（SVD）的特征提取方法,并结合核极限学习机（KELM）实现风电机组轴承的故障诊断,该方法同时考虑轴承不同故障类型及不同损伤等级的情况。其中,自适应EWT为两阶段调整过程：基于尺度空间法固有模态函数（IMF）分解-确保EWT分解的有效性、基于相关系数最大的敏感分量提取-实现相关特征最大化和冗余信息的消除。通过相关实验结果可明显发现,所提AEWT的分解效果优于EMD、EEMD、CEEMDAN、LMD等方法。对提取敏感分量利用SVD计算奇异值,构建故障特征向量;最后将特征向量作为KELM的输入,建立KELM轴承状态识别模型。通过西储大学平台轴承振动信号和实际风场采集的轴承振动信号对算法进行验证,结果表明,相比SVM、ELM、KNN等识别模型,该方法能有效识别出不同故障类型及不同损伤等级下的轴承故障,整体识别率达99%。     

基于优化变分模态分解与混沌分形融合的滚动轴承故障识别

为精确识别滚动轴承故障类型,针对强非线性及非平稳性信号,分析其混沌特性,结合Lyapunov指数提出优化变分模态分解(OLVMD)方法,利用该方法实现降噪并选取敏感分量重构故障信号。引入分形理论,采用拟合偏差平方和方法对传统的关联维数计算方法进行改进,计算轴承不同状态下的混沌关联维数,并分析了损伤轴承实验数据。结果表明：OLVMD方法可有效剔除无关分量,消除冗余影响;不同状态轴承的关联维数具有显著差异,关联维数可作为轴承工作状态监测与诊断的依据,且该方法有良好的鲁棒性和泛化性。     

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LMD和SVM的柴油机气门故障诊断

针对柴油机气门故障诊断问题,在WP7柴油机上模拟了气门故障,提出了基于局部均值分解(local mean decomposition,LMD)和支持向量机(support vector machine,SVM)相结合的气门故障诊断方法.该方法首先用改进LMD方法将缸盖振动信号分解成若干个瞬时频率具有物理意义的PF(product function)分量之和,然后从缸盖振动信号和分解得到的PF分量中提取故障特征向量,以此作为SVM分类器的输入进行故障诊断.此外提出了改进粒子群算法(particle swarm optimization,PSO)用于SVM参数的优化.诊断结果显示,16组测试样本的测试结果均与实际状况相一致,诊断正确率为100%,该方法能快速准确地识别内燃机气门故障.     

基于分形学的轴承故障诊断分析

为识别轴承的工作状态及故障类型,针对非线性振动信号,基于分形盒维数与小波降噪方法,计算了轴承正常状态及不同故障状态的振动信号盒维数。结果表明:轴承的故障类型不同,其振动信号盒维数亦不同,正常状态盒维数最大,内环故障盒维数最小,其值分别为1.6和1.4。因此,根据盒维数能定量识别轴承故障状态与故障位置,本研究可为轴承状态监测和故障诊断提供理论依据。     

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。     

基于集合经验模态分解和关联维数的风力机齿轮箱故障诊断

针对齿轮箱故障信号的非线性和非平稳性特征,提出基于集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)、关联维数和支持向量机(Support Vector Machine,SVM)的故障诊断方法。将美国国家可再生能源实验室(National Renewable Energy Laboratory,NREL)"Gearbox Reliability Collaborative(GRC)"项目进行测试获得振动信号数据,通过EEMD进行分解得到本征模态函数(Intrinsic Mode Function,IMF)分量,采用G-P算法求取各组本征模态函数分量的关联维数,将各组关联维数输入SVM中进行故障识别及分类。结果表明:振动信号的关联维数与嵌入维数呈正相关,且正常信号和故障信号的关联维数区分度不明显,通过SVM能对其进行精确识别和分类。该方法能有效提取系统故障非线性特征,比传统的基于统计参数的故障诊断方法具有更高的诊断精度,准确率高达100%。     

改进CEEMDAN算法与分形融合的深度学习轴承故障分析

针对CEEMDAN算法处理非线性振动信号存在虚假、冗余分量问题,基于分形理论,提出了一种改进自适应白噪声总体平均经验模态分解(ICEEMDAN)融合卷积神经网络(CNN)方法。以轴承损伤实验数据与仿真信号为分析对象,采用CEEMDAN算法将其分解以实现降噪,并采用主成分分析(PCA)降维提取有效的故障特征,利用分形盒维数筛选最佳重构分量并剔除无关分量,最终由CNN对其进一步挖掘实现故障诊断识别与分类。最后,将本文方法与现有多种融合深度学习方法进行对比并采用t-SNE进行可视化分析,以验证本文方法的可靠性和实用性。结果表明：各信噪比方法对实验数据均具有较强的鲁棒性和泛化性,且分类准确率较原始方法提高了0.54%～10.33%。     

基于流形学习与神经网络的旋转机械故障诊断

出优化改进变分模态分解方法（WOA-IVMD）将轴承振动信号分解至不同频段;又考虑信号非线性,通过9种非线性特征参数,基于经WOA-IVMD分解分量构建非线性“复合高维”特征矩阵,为避免高维数据导致维数灾难问题,采用随机近邻嵌入理论（t-SNE）对高维特征矩阵进行降维处理,并以降维所获数据作为测试样本,通过神经网络完成轴承工作状态分类。结果表明：WOA-IVMD分解信号具有与原分量更高的相似度;采用t-SNE对非线性“复合高维”矩阵进行降维,其三维流形表现具有突出的分类效果;以降维数据为测试样本,采用神经网络进行学习建模并分类,其结果具有较高的吻合度,表明提出方法可准确进行轴承状态分类。     

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。     

改进VMD融合深度学习在滚动轴承故障诊断中的应用

针对滚动轴承早期振动信号微弱且难以提取的问题,结合灰狼算法与变分模态分解（Variational mode decomposition,VMD）提出改进变分模态分解（Improved variational mode decomposition,IVMD）方法分解轴承故障信号,并基于快速谱峭度图（Fast kurtogram,FK）提取特征分量进行信号重构,采用深度学习与混沌理论对各故障轴承重构信号进行非线性分析,完成故障识别。在保留原故障信息整体几何结构的同时降低了特征数据复杂度,增强了故障状态分类能力。基于损伤轴承实验数据验证所提方法的有效性。结果表明：IVMD较VMD能更好地分解故障信号,快速谱峭度图可有效提取特征分量;采用IVMD FK进行信号前处理后,经卷积神经网络（Convolutional neural network,CNN）进行故障分类,准确率高达99.99%,远高于传统故障诊断方法;在强噪声环境下此方法仍可较好地进行故障分类,在-8dB噪声下准确率达到75.75%,具有良好的鲁棒性;同时,结合混沌相图与Lyapunov指数反映故障信号的混沌特性,随卷积层数增加Lyapunov指数逐渐减小,表明深度学习模型和混沌理论可从混沌序列中提取纯净特征信息,准确进行故障识别。     

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.     

基于EMD与Duffing振子的风机轴承早期故障诊断研究

针对风电机组滚动轴承早期故障诊断,文章提出了一种以改进的Duffing振子与经验模态分解(EMD)相结合的混沌检测系统对早期微弱的故障信号进行有效识别的方法。首先利用EMD将采集到的振动信号分解成几个内蕴模式函数分量IMF,将包含故障特征的IMF作为外加策动力输入混沌系统,通过正逆向检测过程观察相轨迹的变化情况来确定是否捕捉到轴承早期的微弱故障特征信号。Duffing振子不仅能很好地抑制噪声,而且对内部策动力同频的微弱周期信号非常敏感,信噪比可达-45 d B。EMD分解法对信号进行初步筛选进一步提高了检测门限。通过轴承实验数据验证了该方法的有效性。     

柴油机时频图像双向二维特征编码与故障识别

针对柴油机故障特征提取困难的问题,提出一种基于时频图像双向二维特征编码识别的柴油机智能故障诊断方法.将内燃机故障诊断问题转化为故障信号时频图像的识别问题,分别利用短时傅里叶变换、小波包、魏格纳分布(WVD)、伪魏格纳分布(PWVD)与平滑伪魏格纳分布(SPWVD)生成柴油机振动时频图像,提出了自适应匹配追踪(AMP)算法与魏格纳相结合的AMP-WVD时频表征方法;为进一步获取包含于柴油机振动时频图像内部的低维特征参量,在二维非负矩阵分解的基础上提出了双向二维非负矩阵分解(TD2DNMF)算法,将数据矩阵行、列维信息融合到一个判别分析框架中,将不同类别的数据信息并行运算,对柴油机时频图像样本进行特征编码,并将支持向量机作为分类器,实现了时频图像的自动分类识别.在6135G型柴油机上模拟了8种不同气门状态,利用时频图像双向二维特征编码与故障识别方法进行柴油机运行状态判别,结果表明:AMP-WVD时频图像可描述柴油机运行状态信息,各时频分量的物理意义更加明确;TD2DNMF方法有较好的特征提取能力,可提取柴油机故障信息.     

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。     

基于变分模式分解的滑动轴承摩擦故障特征提取与状态识别

针对滑动轴承振动信号明显的非线性非平稳性及信号中摩擦信号微弱等特点,提出一种基于变分模式分解(VMD)的滑动轴承摩擦故障特征提取与状态识别方法。采用VMD对滑动轴承振动信号进行分解,将其自适应地分解为系统冲击信号、低频摩擦信号和高频摩擦信号3个分量,在此基础上定义并提取相对频谱能量矩特征参数,用于描述滑动轴承振动信号及其各分量的特征。对S195-2型柴油机曲轴轴承摩擦故障信号进行了分析,K-近邻分类器的平均识别精度达到93.3%。研究结果表明:基于VMD分解的相对频谱能量矩特征对滑动轴承的工作状态比较敏感,能有效识别其摩擦故障状态。     

基于卷积神经网络风力机轴承混沌空间故障分析与诊断

针对风力机轴承振动信号的非线性特点，对轴承不同工作状态振动信号进行相空间重构，还原信号非线性动力学特性；通过计算获取嵌入维数和延迟时间以构建二维混沌相图，并以不同工作状态的混沌相图作为样本，输入二维卷积神经网络开展学习建模，构建相空间-卷积神经网络故障诊断模型。结果表明：轴承不同状态振动信号具有明显的混沌特性，二维混沌相图具有不同的非线性表征；二维相图随故障程度变化而变化，但保持原有的“相形”；以相同尺寸二维相图，结合卷积神经网络构建故障诊断系统，不仅对相同故障程度的工作状态准确度高，且当同一故障其程度不同时，也非常精准，表明所提出故障诊断模型具有良好的泛化能力。