基于变分模态分解和排列熵的滚动轴承故障诊断EI北大核心CSCD

滚动轴承早期故障信号特征微弱且难以提取,为了从轴承振动信号中提取特征参数用于轴承故障诊断和识别,提出基于变分模态分解(Variational Mode Decomposition,VMD)和排列熵(Permutation Entropy,PE)的信号特征提取方法,并采用支持向量机(Support Vector Machine,SVM)进行故障识别。对轴承振动信号进行变分模态分解,得到不同尺度的本征模态函数;计算各本征模态函数的排列熵,组成多尺度的复杂性度量特征向量;将高维特征向量输入基于支持向量基建立的分类器进行故障识别分类。通过滚动轴承实验数据分析了算法中参数选取问题,将该方法应用于滚动轴承实验数据,并与集合经验模态分解和小波包分解进行对比,分析结果表明,基于变分模态分解和排列熵的诊断方法有更高的诊断准确率,能够有效实现滚动轴承的故障诊断。     

基于变分模态分解和排列熵的滚动轴承故障诊断

滚动轴承早期故障信号特征微弱且难以提取,为了从轴承振动信号中提取特征参数用于轴承故障诊断和识别,提出基于变分模态分解(Variational Mode Decomposition,VMD)和排列熵(Permutation Entropy,PE)的信号特征提取方法,并采用支持向量机(Support Vector Machine,SVM)进行故障识别。对轴承振动信号进行变分模态分解,得到不同尺度的本征模态函数;计算各本征模态函数的排列熵,组成多尺度的复杂性度量特征向量;将高维特征向量输入基于支持向量基建立的分类器进行故障识别分类。通过滚动轴承实验数据分析了算法中参数选取问题,将该方法应用于滚动轴承实验数据,并与集合经验模态分解和小波包分解进行对比,分析结果表明,基于变分模态分解和排列熵的诊断方法有更高的诊断准确率,能够有效实现滚动轴承的故障诊断。     

基于DEMD和模糊熵的滚动轴承故障诊断方法研究

提出一种基于微分的经验模式分解(DEMD)模糊熵和支持向量机(SVM)相结合的滚动轴承故障诊断方法。首先对信号进行基于微分的经验模式分解,得到若干具有物理意义的本征模函数(IMF)分量,再利用相关度准则对固有模式分量进行筛选,计算所选分量的模糊熵,组成故障特征向量,然后将其作为支持向量机的输入来识别滚动轴承的状态。并将该方法与基于EMD模糊熵和SVM相结合的方法进行比较,实验结果表明该方法对机械故障信号能够更有效准确地进行识别分类。     

基于D-CA和R-EEMD的液压系统故障识别

剖析液压系统故障特征,采用了一种双相关分析(D-CA)和改进的集合经验模态分解(R-EEMD)相结合的液压系统故障提取新方法。该方法首先对原信号进行自相关分析,突出信号中的周期成分和去噪,利用支持向量回归机(SVR)延拓来改进的EEMD对原信号的自相关函数进行分解;得到理论意义上的固有模态函数(IMF)。再通过求取IMF分量与自相关处理的信号的频域而非传统时域上的互相关系数,去除虚假IMF分量。最后对去除虚假分量重构信号进行Hilbert谱分析提取信号的故障特征。该方法提高了信噪比,减少了IMF的数量,抑制了端点效应,成功地提取了液压系统故障特征频率。     

基于EEMD的多尺度模糊熵的齿轮故障诊断

为准确利用振动信号进行故障诊断,提出基于EEMD多尺度模糊熵的齿轮故障诊断方法。利用集合经验模态分解(EEMD)对振动信号进行自适应分解,获得原始信号的不同尺度分量;据模糊熵能有效区分不同信号的复杂度,计算EEMD分解所得本征模态函数(IMF)分量模糊熵,获得原始信号多个尺度的复杂测度作为齿轮不同状态的特征参数;将该特征参数输入最小二乘支持向量机(LS-SVM)分类器判断齿轮故障。齿轮箱齿轮故障实验结果表明,该方法能提高齿轮故障诊断精度。     

基于EEMD排列熵的高速列车轮对轴承故障诊断方法

高速列车轮对轴承的可靠度对高速列车的安全运行具有重要意义,其故障特征主要体现在轴箱振动信号中。该文提出基于聚合经验模态分解排列熵的轮对轴承特征分析方法,提取高速列车轮对轴承振动信号的非线性特征参数,并用于故障状态的分类识别。首先,对高速列车轮对轴箱振动信号进行聚合经验模态分解,得到一系列窄带本征模态函数;然后,对原信号和主要本征模态函数分别计算,得到多组排列熵,形成多尺度的表征信息复杂性高维特征向量;最后,将高维特征向量输入最小二乘支持向量机分类识别出轮对轴承的故障状态。台架试验分析结果表明:该方法针对高速列车轮对轴承故障尤其是轴承复合故障具有较高的识别率,验证通过聚合经验模态分解排列熵对高速列车轮对轴承故障诊断的有效性。     

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IMF特征提取的滚动轴承故障诊断

滚动轴承故障诊断的关键是敏感故障特征的提取。模糊熵(Fuzzy Entropy,FE)是一种检测时间序列复杂程度的方法,已广泛应用于故障诊断。由于机械系统的复杂性,振动信号的随机性表现在不同尺度上,因此需要对振动信号进行多尺度的模糊熵分析。在此基础上,提出了基于经验模态分解(Empirical Mode Decompose,EMD)和模糊熵的滚动轴承故障诊断方法。首先,采用EMD方法对振动信号进行分解,得到不同尺度的内禀模态函数(Intrinsic Mode Function,IMF)并计算包含主要故障信息的IMF分量的模糊熵;其次,对IMF分量的模糊熵值进行基于样本分位数的特征提取;最后,将分位数值作为特征向量,输入基于优化算法的支持向量机。将该方法应用于滚动轴承实验数据,分析结果表明,此方法可有效实现滚动轴承的故障诊断。     

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.     

基于谱峭度与变分模态分解的转子微弱不对中故障诊断

针对噪声干扰下转子微弱不对中故障特征难以提取的问题,提出一种谱峭度与变分模态分解的转子故障诊断方法。该方法首先利用谱峭度(Spectral Kurtosis)滤除信号背景噪声以强化故障特征相关信号分量,然后通过变分模态分解(Variational Mode Decomposition,VMD)将转子振动信号分解为一系列本征模态分量并对各分量进行频谱分析,提取转子的故障特征。将该方法应用到转子不对中故障实验数据中,结果表明,该方法能有效提取出转子微弱不对中故障特征,并且结果要优于基于谱峭度与经验模态分解(EMD)方法的分析结果。     

解相关多频率经验模态分解的故障诊断性能优化方法

针对故障诊断中采用EMD方法存在模态混叠现象,引起故障特征提取精度低的问题。提出了一种解相关多频率经验模态分解(Decorrelation Multiple-Frequency Empirical Mode Decomposition,DMFEMD)方法,首先对初始信号添加多个频率的掩蔽信号,初步分解其中不同频率比的信号分量得到多个IMF分量;其次计算相邻IMF之间的相关系数并对其解耦,进一步分离IMF中存在混叠的部分,得到最优IMF;最终,从原始信号中减去最优IMF,然后重复上述步骤,直到残余分量为常数或单调。由于保证了IMF之间互不相关且互不干扰,因此模态混叠现象显著减弱,有效提高故障特征提取精度。利用排列熵算法对一系列最优IMF构造特征样本集,引入SVM建立故障分类模型,实现设备故障诊断。通过试验证明,DMFEMD与传统的方法相比,能有效分离不同频率比混合信号,提高分解效果。同时以轴承振动信号为例,DMFEMD可以更好的提取轴承的故障特征,结合PE与SVM能够实现不同故障类型的高效精确的诊断。     

基于邻域自适应局部保持投影的轴承故障诊断模型

为了有效利用振动信号进行故障诊断,提出了一种基于邻域自适应局部保持投影的轴承故障诊断模型。首先,利用EMD将轴承振动信号分解为若干个平稳的固有模态函数（IMF）,对IMF分量建立自回归（AR）模型,构建原始特征子集。然后,利用邻域自适应局部保持投影算法对原始特征子集进行降维处理,获得原始特征子集的低维特征向量和投影矩阵。以低维特征向量为输入,以最小二乘支持向量机（LS-SVM）为分类器,通过研究故障识别率和低维特征空间维数的关系确定最优降维维数和对应的最优投影矩阵。最后,根据最优降维维数完成降维处理过程,得到低维特征向量,输入LS-SVM分类器,识别轴承的工作状态和故障类型。实验结果表明,该模型提高了轴承故障诊断的精度。     

基于EMD的奇异值熵在转子系统故障诊断中的应用

提出了一种基于EMD（Empirlcal Mode Decomposition）和奇异值熵的转子系统故障诊断方法。该方法首先用EMD方法分解转子系统的振动信号，得到若干个基本内禀模式函数（Intrinsic Mode Function，简称IMF），然后利用IMF分量形成初始特征向量矩阵，并对初始特征向量矩阵求奇异值熵，奇异值熵的大小反映了转子系统运行状态的差别，从而可以通过奇异值熵的大小判断转子系统的工作状态和故障类型。对实验数据的分析结果证明了该方法的有效性。     

内禀模态特征能量法在滚动轴承故障模式识别中的应用

针对滚动轴承振动信号和状态信息非线性映射关系,提出一种基于内禀模态函数（IMF）特征能量的轴承特征向量提取方法,并与支持向量机（SVM)相结合实现轴承的故障识别。该方法对滚动轴承振动信号进行经验模态分解（EMD）得到若干能反映轴承故障信息的IMF分量,选取包含主要信息的IMF能量作为振动信号的特征向量,并将其输入到SVM分类器中实现轴承故障模式识别。对滚动轴承的正常状态、外圈故障、内圈故障和滚动体故障进行仿真试验,结果表明,该方法能够有效、准确地识别轴承故障。     

基于EMD的多尺度形态学解调方法及其在机械故障诊断中的应用

为从机械故障信号中提取包含故障信息的特征频率,提出了基于EMD的多尺度形态学解调方法,该方法首先采用EMD方法将故障信号分解为有限个IMF分量,从中选取包含故障主要信息的IMF分量求和重构信号,再进行多尺度形态学解调,从而提取机械故障特征频率信息。将该方法用于滚动轴承、齿轮的故障诊断中,并与Hilbert包络方法比较,结果表明该方法能更好地提取故障特征频率,且对含噪故障信号也有较好的分析效果。     

一种改进的EMD降噪方法

提出一种改进的基于经验模态分解（EMD）的降噪方法,将基于EMD阈值降噪方法和Savitzky-Golay滤波降噪方法相结合,改进的方法分别将经过EMD分解后得到的噪声信号的高频模态函数用阈值降噪的方法,低频模态函数用Savitzky-Golay滤波降噪的方法,这样既能保持信号的高频部分,又能较好地保持信号低频部分的光滑特性。仿真实验表明,改进EMD方法的降噪性能要优于单独使用EMD阈值方法或Savitzky-Golay滤波方法。     

A Method for Gear Fault Diagnosis Based on the Empirical Mode Decomposition

According to the characteristics of gear fault vibration signals, a method for gear fault diagnosis based upon the empirical mode decomposition (EMD) is proposed in this paper. By using EMD, any complicated signal can be decomposed into a finite and often small number of intrinsic mode functions ( IMFs) , which are based upon the local characteristic time scale of the signal. Thus, EMD is perfectly suitable for non-stationary signal processing and fault characteristics extracting. It is well known that a gear vibration signal consists of a number of frequency family components, each of which is a modulated signal. Thus, we can use EMD to decompose a gear fault vibration signal into a number of lMF components, some of which correspond to the frequency families, and the others are noises. Therefore, the frequency families can be separated and the noise can be decreased at the same time. The proposed method has been applied to gear fault diagnosis. The results show that both the sensitivity and the reliability of this method are satisfactory.     

基于EEMD模糊熵和GK聚类的信号特征提取方法及应用

提出了一种基于集合经验模态分解模糊熵和GK聚类相结合的方法,应用于滚动轴承的故障诊断中。首先,利用EEMD方法将故障信号分解成多个本征模态分量来消除模态混叠影响;其次,通过相关性对IMF分量进行筛选,并求取其模糊熵作为特征向量进行GK聚类分析进行模式识别。在实验分析中,通过模糊熵、样本熵、近似熵3种特征参数的对比,和GK聚类与FCM聚类的对比,证明了该方法的有效性和优越性。