改进局部均值分解方法及其在往复压缩机轴承故障诊断中的应用

往复压缩机广泛应用于石油、化工生产行业,其滑动轴承常因磨损而出现间隙过大故障。针对往复压缩机振动信号的强非平稳和非线性特性,提出一种改进局部均值分解(LMD)方法,并将其应用于往复压缩机轴承间隙故障诊断。通过在极值点间加入极值对称点,使用单调三次Hermite插值(MPCHI)替代三次样条插值(CSI)构造包络线,提高局部均值与包络估计函数的准确性,以此提出了改进LMD方法的算法与流程。以往复压缩机轴承故障振动信号为对象,通过与不同LMD方法比较,验证改进的LMD方法的优越性,并以PF分量幅值包络频谱实现轴承间隙大故障的准确诊断。     

基于内积延拓LMD及SVM的轴承故障诊断方法研究

针对特征提取中局域均值分解(Local Mean Decomposition, LMD)存在端点效应缺陷及模式识别中人工神经网络(Artificial Neural Network, ANN)存在收敛速度慢、过学习等不足,提出基于内积延拓LMD及支持向量机(Support Vector Machine, SVM)的轴承故障诊断方法。利用内积延拓LMD方法对信号延拓分解抑制LMD端点效应;利用分解的可描述信号特性主分量PF(Product Function)构建初始特征向量矩阵;用SVD(Singular Value Decomposition)方法对初始特征向量矩阵进行奇异值分解,获得信号特征参数作为SVM的输入进行训练;对训练的SVM进行测试及模式分类。通过实际轴承故障信号分析及故障类型分类表明,该方法不仅能抑制LMD端点效应缺陷,且在故障模式识别中能有效避免ANN网络结构难确定、收敛速度慢等不足,能较好实现轴承故障准确分类,可用于轴承故障诊断。     

基于ELMD的样本熵及Boosting-SVM的滚动轴承故障诊断

针对滚动轴承非平稳性的振动信号,提出了基于总体局域均值分解(Ensemble Local Mean Decomposition,ELMD)的样本熵及Boost-SVM的滚动轴承故障诊断法。首先,对振动信号进行ELMD分解,获得一系列乘积函数(Product Function,PF);其次,根据分解特性提出基于K-L散度的自适应法选取主PF分量,计算主PF分量的样本熵并将其组合成特征向量;最后,将特征向量输入Boosting-SVM分类器进行训练与测试,从而识别滚动轴承的故障类型。实验结果表明,该方法能够有效的诊断出三种状态,且效果较局域均值分解法好。     

噪声参数最优ELMD与LS-SVM在轴承故障诊断中的应用与研究

针对轴承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,提出基于噪声参数最优的总体局部均值分解(Ensemble Local Mean Decomposition,ELMD)与最小二乘支持向量机(Least Squares Support Vector Machine,LS-SVM)相结合的轴承故障诊断方法。首先对轴承振动信号进行噪声参数最优ELMD分解并得到一系列窄带乘积函数(Product Function,PF),然后计算各PF分量能量以构造能量特征向量,最后将高维能量特征向量作为最小二乘支持向量机的输入来识别轴承故障类型。通过对轴承故障振动信号分析,结果表明噪声参数最优ELMD方法能有效地抑制模态混叠,与LS-SVM结合可以准确地识别轴承的工作状态和故障类型。     

基于多重分形与奇异值分解的往复压缩机故障特征提取方法研究

针对往复压缩机故障信息干扰耦合,振动信号呈现复杂非线性、非平稳等特性,提出一种基于多重分形与奇异值分解的多传感器故障特征提取方法。广义分形维数能够更精细的刻画信号的局部尺度行为,通过对多传感器信号进行多重分形分析,构成广义分形维数初始特征矩阵,应用奇异值分解法进行数据压缩,提取矩阵特征值作为故障特征向量。以往复压缩机传动机构为研究对象,通过振动信号提取不同位置轴承间隙大故障的特征向量,利用支持向量机作为分类器,与单一传感器多重分形法和多传感器单重分形法进行对比分析,验证了该方法的有效性。     

局部均值分解在旋转机械复合故障诊断中的应用

针对旋转机械复合故障振动信号的非平稳特征,开展一种基于局部均值分解(local mean decomposition, LMD)的旋转机械复合故障诊断方法研究。该方法首先通过局部均值分解方法将振动信号分解为若干个PF分量(product function)和一个残余分量之和,然后通过计算各PF分量与原始复合故障信号的相关系数来确定包含故障特征信息的主要成分;最后针对主要成分中的低频分量进行频谱分析从而提取轴的故障特征。针对主要成分中的高频分量采用包络谱分析提取调制故障特征,即提取轴承故障特征。对齿轮箱的轴承、轴复合故障振动信号的分析结果表明了该方法的有效性和可行性。     

基于VMD和样本熵的高压断路器故障特征提取及分类

提出了一种基于变分模态分解(Variational Mode Decomposition,VMD)和样本熵的高压断路器振动信号的特征向量提取方法,并采用支持向量机(Support Vector Machine,SVM)对故障类型进行识别。将断路器振动信号进行滤波处理,对信号进行变分模态分解,利用分解得到的固有模态函数分量(Intrinsic Mode Function,IMF)表征断路器各个振动事件,计算其样本熵作为特征向量,利用SVM对断路器不同运行状态进行分类识别。仿真信号表明,VMD对于处理瞬态非周期性的振动信号具有优越的分解特性。利用该方法在实验室条件下对四类故障状态进行特征提取和识别,对比结果表明应用该方法能有效提取高压断路器的故障特征并准确地识别出故障类型。     

基于LMD和ABC优化KELM的故障诊断方法

针对高压隔膜泵单向阀振动信号的非平稳非线性特性,提出一种基于局部均值分解(LMD)、排列熵和人工蜂群算法优化核极限学习机(KELM)的故障诊断方法。采用LMD将振动信号分解成多个分量信号,通过互相关准则选取关联度较大的分量信号,并求出相应的排列熵作为特征向量。输入经过人工蜂群算法优化的KELM中构建故障诊断模型。通过对实际工况下采集的不同故障状态信号的处理分析,结果显示利用该方法对单向阀的运行状况进行故障诊断不但能够较好地表征信号的状态信息,且故障识别准确率达到95.65%。同时,与采用传统的KELM、ELM相比有着更高的识别准确率。     

基于局部均值分解多尺度模糊熵和灰色相似关联度的滚动轴承故障诊断

提出了一种基于局部均值分解多尺度模糊熵和灰色相似关联度相结合的滚动轴承故障诊断方法。该方法将故障信号自适应地分解为若干乘积函数,并从中选取包含主要故障信息的PF分量计算多尺度模糊熵作为特征向量,通过计算待识别样本与标准故障模式的灰色相似关联度,对滚动轴承故障类型和损伤程度进行判断。将该方法与LMD模糊熵和灰色相似关联度相结合的方法进行了对比,实验表明,基于LMD多尺度模糊熵和灰色相似关联度的滚动轴承故障诊断方法,能够有效地识别滚动轴承运行状态,实现对滚动轴承的故障诊断。     

基于局部均值分解的滚动轴承故障诊断新方法

针对滚动轴承振动信号的非平稳特性和调制特点,提出了一种基于Wigner-Ville谱熵的特征提取新方法：运用局部均值分解算法将轴承振动信号分解为若干个乘积函数,并基于Wigner-Ville分布描述主要乘积函数分量的时频能量特征。在此基础上,结合Shannon熵构造一种新的特征提取指标—Wigner-Ville谱熵,并将其构成的特征向量输入到最小二乘支持向量机,实现了轴承不同工作状态和故障程度的自动分类与诊断。仿真和实例分析证明了方法的有效性。