基于EEMD能量熵及LS-SVM滚动轴承故障诊断

针对滚动轴承振动信号的非平稳特性和现实中难以获得大量典型故障样本的实际情况,提出基于集合经验模态分解（EEMD）能量熵和最小二乘支持向量机（LS-SVM）的滚动轴承故障诊断方法。首先通过EEMD分解将非平稳的原始振动信号分解成若干个平稳的固有模态函数（IMF）;滚动轴承同一部位发生不同严重程度的故障时,在不同频带内的信号能量值会发生改变,因此可通过计算振动信号的EEMD能量熵判断发生故障的严重程度;从包含主要故障信息的IMF分量中提取的能量特征作为输入来建立支持向量机,判断滚动轴承的技术状态和故障严重程度,并选用不同核函数对诊断效果进行分析比较。实验结果表明,该方法能有效地应用于滚动轴承的故障诊断。     

基于Hilbert谱奇异值的滚动轴承故障诊断

提出一种基于Hilbert谱奇异值的故障特征提取方法,将其与支持向量机结合应用于轴承故障诊断。利用小波阈值降噪的方法对拾取的轴承故障振动信号进行滤波降噪,然后利用经验模式分解将降噪信号分解为若干个IMF分量之和,对每个IMF分量进行Hilbert变换得到振动信号的Hilbert谱,对Hilbert谱进行奇异值分解得到反映轴承状态特征的奇异值序列,再利用奇异值作为特征向量,应用支持向量机进行轴承故障诊断,并对不同核函数的诊断结果进行了分析比较。对正常轴承、内圈故障、外圈故障、滚动体故障的实际信号的诊断验证了该方法可的有效性。     

基于DEMD局部时频熵和SVM的风电齿轮箱故障诊断方法研究

为了有效地从非线性、非平稳性的风电齿轮箱故障信号中提取有用的信息成分,将微分经验模式分解、局部时频熵和支持向量机相结合,提出了一种微分经验模式分解局部时频熵和支持向量机的风电齿轮箱故障诊断方法。采用自适应多尺度的数学形态学对故障信号进行滤波;将滤波后的信号进行微分经验模式分解,获得齿轮振动信号的若干IMF分量;把每一个IMF进行分块,计算每一块的局部时频熵值;把局部时频熵值作为支持向量机的输入参数,通过支持向量机进行故障识别与诊断。实验结果表明,基于微分经验模式分解局部时频熵和支持向量机相结合的方法能够对风电齿轮箱故障信号进行准确有效地识别分类。     

基于频移及谱线编辑的齿轮故障窄带解调分析方法

通过对旋转机械变速运行齿轮箱振动研究,提出基于频移及谱线编辑的齿轮故障窄带解调分析方法。对齿轮箱变速等非稳态信号进行时域同步采样,利用阶比跟踪对时域信号等角度重采样转换为角域准平稳信号,克服转速波动对信号分析产生的频率模糊现象;对角域信号进行同步平均削弱与转速无关的频率成分,提高信噪比;对平均信号进行窄带解调分析,通过对阶比谱自动编辑分离出齿轮故障主要啮合阶比分量后恢复到角域信号,进行幅值解调及基于频移的相位解调,据幅值解调及相位解调波形图提取齿轮故障特征。结果表明,基于频移、谱线编辑的齿轮故障窄带解调分析方法能有效提取齿轮故障特征信息。     

基于AR功率谱的高速列车转向架故障信号分析

高速列车转向架是否故障及故障种类对列车运行的安全性有重要的影响。为了及时高效的对转向架关键部件进行故障诊断,本文选用高速列车转向架典型故障振动信号,提出了运用功率谱与主成分分析相结合的方法提取信号特征,先对样本数据进行功率谱估计,构造包含所有工况的特征频点数组,将这些频率点在每个样本的功率谱中对应的幅值作为特征向量,再通过主成分分析降维处理,去除冗余的特征项,最后经过支持向量机分类判断出故障种类。用加速度和位移传感器选取5个测点,取得了满意的识别结果,准确率在90%以上,验证了该方法的有效性。     

基于时间-小波能量谱熵的滚动轴承故障诊断研究

针对轴承振动信号中存在周期性冲击这一现象,提出了时间-小波能量谱熵的计算方法,用于滚动轴承的故障诊断。首先构造脉冲小波,采用连续小波变换的方法得到时间域内小波能量谱,再沿时间轴计算能量谱熵,定量描述振动信号沿时间的分布情况,不同故障下轴承的冲击振动随时间变化程度不同,其时间-小波能量谱熵值也就不同。将不同故障轴承信号的时间-小波能量谱熵作为向量特征输入建立支持向量机,实现了对轴承的工作状态和故障类型的判断。实验结果表明,时间-小波能量谱熵可以有效地对滚动轴承进行故障诊断。     

基于ITD复杂度和PSO-SVM的滚动轴承故障诊断

针对滚动轴承故障诊断问题,提出了一种基于固有时间尺度分解(ITD)、Lempel-Ziv复杂度特征和粒子群优化支持向量机(PSO-SVM)的故障诊断新方法。首先对滚动轴承的振动信号使用ITD方法进行分解,得到若干个频率由高到低的固有旋转(PR)分量,由于滚动轴承在不同的故障状态下的PR分量Lempel-Ziv复杂度的分布不同,提取各PR分量的Lempel-Ziv复杂度值作为每个样本的特征向量,使用支持向量机(SVM)对轴承振动信号样本进行故障类型的识别,并用粒子群优化(PSO)方法对支持向量机的参数优化以获得较高的识别准确率。对滚动轴承振动信号的实测结果的分析表明:该方法可以实现对滚动轴承快速、准确地诊断,且不受载荷变化的影响。     

基于支持向量机的齿轮故障诊断方法研究

故障样本的不足从一定程度上制约了基于知识的方法在实际故障诊断中的应用，针对这一问题，利用支持向量机在小样本情况下具有较强分类能力的特点，提出了一种基于支持向量机的齿轮故障诊断方法。该方法采用小波变换对齿轮的振动信号进行处理来构造特征向量，并直接输入到支持向量机的多故障分类器中进行故障识别。试验结果表明该方法是有效、可行的，且在小样本情况下比BP神经网络具有更高的诊断精度。     

时变工况的风电机组齿轮箱无转速计阶次跟踪方法研究

针对时变工况风电机组齿轮箱振动信号受噪声干扰和频率模糊问题,通过研究无转速下风电机组齿轮箱振动信号与转频波动规律间的联系,提出了基于VMD-SET时变工况的风电机组齿轮箱无转速计阶次跟踪方法。该方法利用变分模态分解（VMD）滤波,利用同步提取变换（SET）对齿轮箱振动信号时频分析,分别从轴承故障时域振动信号中初步提取故障特征频率趋势,从正常齿轮啮合调制时域振动信号中提取啮合频率时频脊线,进一步利用精细化时频脊线交叉解耦优化瞬时频率提取效果,再用提取的转速曲线对轴承故障振动信号进行阶次跟踪,从角域阶次谱中得到故障特征阶次的单根谱线。通过仿真及实验验证了所提方法的优越性和有效性。     

基于EMD能量熵和支持向量机的齿轮故障诊断方法

针对齿轮振动信号的非平稳特征和现实中难以获得大量典型故障样本的实际情况,提出了基于经验模态分解（empirical mode decomposition,EMD)和支持向量机的齿轮故障诊断方法。首先通过EMD方法将非平稳的原始加速度振动信号分解成若干个平稳的本征模函数(intrinsic mode function, IMF);齿轮发生不同的故障时,在不同频带内的信号能量值会发生改变,故可以通过计算不同振动信号的EMD能量熵判断是否发生故障;从包含有主要故障信息的IMF分量中提取出来的能量特征作为输入建立支持向量机（support vector machine,SVM）,判断齿轮的工作状态和故障类型。实验结果表明,文中提出的方法能有效地应用于齿轮的故障诊断。     

基于香农熵特征的发动机故障诊断方法

通过分析活塞销在不同配合间隙下的运行轨迹,针对活塞销敲击响产生缸盖振动信号的有序性和在频率成分上的差异性,并考虑到实验数据的有限性,提出了用香农熵选取小波包子信号的特征提取方法和支持向量机的故障诊断方法。将振动信号进行小波包分解并求出各子信号的香农熵,根据香农熵的大小选取出合适的子信号进行分析研究,求出子信号的能量作为特征值,用支持向量机对活塞销不同程度的故障进行分类识别。诊断结果表明:用香农熵选取小波包子信号结合支持向量机的方法能够对活塞销不同程度的故障进行分类识别。     

基于时频图像特征提取的状态识别方法研究与应用

介绍一种基于时频图像进行设备状态识别的新方法。论述了对振动信号应用Hilbert谱构建二维时频图像,研究时频图像三维重心与信息熵的特征提取方法构造特征向量,采用支持向量机进行设备的状态识别。并以滚动轴承不同状态的识别为例,验证方法的有效性。为提高滚动轴承振动信号特征提取的可靠性,采用多循环平均方法减小循环波动性影响。研究表明此方法能够提高设备故障诊断与状态识别的准确性。     

基于变分模态分解和SVM的滚动轴承故障诊断

针对滚动轴承振动信号的非平稳特征和现实中难以获得大量故障样本的实际情况,提出了基于变分模态分解(Variational mode decomposition,VMD)与支持向量机(Support vector machine,SVM)相结合的滚动轴承故障诊断方法。该方法融合了变分模态分解和支持向量机的优势,通过变分模态分解将滚动轴承振动信号分解成若干个本征模态函数分量,轴承发生不同故障时,不同本征模态函数内的频带能量会发生变化,从包含有主要故障信息的模态分量中提取能量特征作为SVM的输入,判断轴承的工作状态和故障类型。试验结果表明,该方法在少量样本情况下仍能有效地对轴承的工作状态和故障类型进行分类。     

基于MEEMD和GA-SVM的列车车轮多边形故障识别方法

根据列车车轮振动信号的非平稳特性,提出一种基于改进的集合经验模态分解(MEEMD)和遗传算法支持向量机(GA-SVM)的诊断方法,用于识别车轮多边形故障。该方法对车轮轴箱垂向振动信号进行MEEMD分解,依据各固有模态函数(IMF)分量的峭度值和能量值选取出主要IMF分量。利用希尔伯特变换求取主要IMF分量的包络谱,并计算包络谱熵。将包络谱熵值归一化后作为特征向量输入GA-SVM中进行训练和识别。对实测信号进行分析的结果表明该方法能有效识别出车轮多边形故障,识别准确率可达到95%。     

基于EMD-SVD模型和SVM滚动轴承故障模式识别

针对滚动轴承振动信号的非平稳特性和在现实条件下难以获取大量故障样本的实际情况,提出一种经验模态分解、奇异值分解、Renyi熵和支持向量机相结合的故障诊断方法。运用经验模态分解方法对其去噪信号进行分析,利用互相关系数准则对固有模式分量进行筛选,再对所选分量重构相空间得到吸引子轨道矩阵;对矩阵进行奇异值分解求取奇异值,再计算这些奇异值的Renyi熵以组成故障特征向量,并将其作为支持向量机的输入以识别滚动轴承的故障类型。最后,利用实际滚动轴承试验数据的诊断与对比试验验证了该方法的有效性和泛化能力。     

基于EMD近似熵和DAGSVM的机械故障诊断

故障特征提取的精确性和分类识别的高效率是提高故障诊断准确率和速度的关键.针对此问题,提出一种基于经验模式分解近似熵和决策导向循环图支持向量机的机械故障诊断新方法.首先,对故障振动信号进行经验模式分解, 得到若干个反映故障信息的本征模函数;其次,选取前4个本征模函数的近似熵值作为信号的特征向量;最后,将构造的特征向量输入到决策导向循环图支持向量机分类器进行故障类型识别.仿真表明,该方法能有效地提取故障特征,与"一对一"支持向量机及传统的BP网络相比,具有训练样本少、训练速度快、识别精度高等优点.     

变转速下对数平方包络谱在滚动轴承故障诊断中的应用

变转速工况下,转速变化会导致不同时间段峭度值出现变化,且高脉冲噪声会导致振动信号的峭度值突然变大。这些因素削弱了快速谱峭度图(Fast kurtogram,简称FK)方法提取微弱故障特征方面的性能,为了克服这些缺陷,提出一种基于对数平方包络谱的新特征--对数包络阶次循环分量(Log-envelope Order Cyclic Content,简称LEOC),构造出一种对数包络阶次循环分量图(Log-envelope Order Cycligram,简称LEOCgram)。首先使用1/3二叉树结构对原始信号进行多层次滤波,并计算每一组滤波子信号的平方包络。然后,通过计算阶次跟踪(Computed Order Tracking,简称COT)技术对每一组的平方包络序列进行角域重采样,计算每一组滤波信号的对数平方包络谱并进行自相关分析得到可能的故障特征阶。最后计算LEOC值,LEOC最大值对应的频带即为最优解调频带。将最优解调频带作为滤波器的参数对原始信号进行滤波,通过对滤波后的信号进行包络阶次分析并根据包络阶次谱的阶次结构可以确定故障类型。仿真信号和试验轴承外圈故障信号的分析结果表明,该方法...     

一种基于样本熵的轴承故障诊断方法

运用非线性动力学参数样本熵作为特征,对轴承正常、内圈故障、滚动体故障、外圈故障四种工况的振动信号进行分析识别。针对利用原始振动信号的样本熵只能在一个尺度域进行分析,无法准确区分轴承运行状况的问题,提出一种基于集成经验模式分解与样本熵的轴承故障诊断方法。首先利用集成经验模式分解方法将原始振动信号分解为有限个内蕴模式分量,从中选取包含故障主要信息的前几个内蕴模式分量的样本熵作为特征,然后利用支持向量机进行轴承故障诊断,这样可以在多个尺度对轴承信号进行分析,提高了轴承故障诊断的准确率。通过轴承故障实测信号的诊断实验,证明了该方法的可行性和有效性。     

基于两阶段学习的半监督SVM故障检测方法

提出一种基于两阶段学习的半监督SVM故障检测方法。该方法首先使用标识传递算法给未标识样本赋予初始伪标识,并通过k近邻图对比样本点标识值,将可能是噪声的样本点识别并剔除;然后将去噪处理后的样本集输入到SVM中,使得SVM在训练时能兼顾整个样本集的信息,从而提高SVM的故障检测性能。实验中将该方法同支持向量机(SVM)、模糊支持向量机(FSVM)、直推式支持向量机(TSVM)及拉普拉斯支持向量机算法(LapSVM)进行比较,结果表明该方法在不同数目标识样本集合的情况下,检测精度较其他算法有较大幅度提高,同时该方法还比较了不含测试样本和含测试样本训练条件下的故障检测性能,结果表明结合测试样本可进一步提高算法的故障检测性能。     

时变工况行星齿轮箱对数时频脊阶次谱故障特征提取

风电机组齿轮箱工作于强噪声且变转速变载荷的工况下,其振动信号非常复杂。建立了一个时变转速变载荷的行星齿轮箱振动信号模型。提出了时频脊阶次谱故障特征提取方法。对振动信号进行Wigner-Ville时频变换,取对数后进行重排;采用Crazy climber方法提取对数重排时频谱图中的峰值脊线;将脊线转换为时频脊阶次谱。通过仿真信号与转速、载荷连续波动实验数据表明,对数时频脊阶次谱故障特征能够为时变复杂工况行星齿轮箱故障预警提供有效的依据。