基于EEMD与奇异熵增量谱的齿轮故障特征提取

针对齿轮振动信号非线性、非平稳的特点,提出一种基于集合经验模态分解(EEMD)与奇异熵增量谱的齿轮故障特征提取方法。首先,利用EEMD方法将齿轮振动信号分解为若干个平稳的本征模态函数(IMF)分量。EEMD方法利用正态分布白噪声的二进尺度分解特性,能够有效抑制经验模态分解(EMD)中的模态混叠现象。但由于背景噪声和残余辅助白噪声的影响,EEMD分解得到的IMF分量难以准确提取齿轮故障特征。利用奇异值分解(SVD)对IMF分量进行消噪和重构,根据奇异熵增量谱确定重构阶次,准确地提取齿轮的故障特征频率。仿真信号分析和齿轮箱齿轮故障实验验证了该方法的准确性和有效性。     

基于参数优化VMD的齿轮箱故障特征提取方法

为解决齿轮箱故障振动信号信噪比低、故障特征提取难的问题,提出了基于参数优化变分模态分解(VMD)的齿轮箱故障特征提取方法。首先,以分解结果的局部极小包络熵最小为目标,利用果蝇算法搜寻VMD分解参数K和α的最优组合;将原始信号分解成若干IMF分量,从中选择包络熵较小的分量进行信号重构,并对重构信号进行包络解调运算,从重构信号的包络谱中提取故障频率特征。结果表明,利用此方法对实测信号进行处理,成功降噪、提取齿轮箱故障特征,并且比利用经验模态分解方法降噪效果更好,提取的故障特征更加明显。     

基于变分模态分解和多尺度排列熵的故障诊断

为稳定提取滚动轴承故障特征,提出一种基于变分模态分解和多尺度排列熵的故障特征提取方法,并采用GK模糊聚类对轴承故障进行识别分类。首先对滚动轴承振动信号进行变分模态分解,得到包含故障特征信息的模态分量;进而利用多尺度排列熵量化各模态分量的故障特征,取各模态分量多尺度排列熵的平均值作为特征向量;最后通过GK模糊聚类分析获得故障样本的标准聚类中心,采用欧式贴近度进行故障识别分类。将所提方法应用于滚动轴承实验数据,通过分类系数与平均模糊熵对分类效果进行检验,并与经验模态分解多尺度排列熵结合GK模糊聚类的方法进行对比,结果表明,所提方法具有更好的分类性能,其故障诊断精度更高。     

基于QPSO⁃MPE的滚动轴承故障识别方法

为准确辨识滚动轴承故障类型,提出了一种基于量子粒子群优化多尺度排列熵(quantum-behaved particle swarm optimization and multi-scale permutation entropy,简称QPSO-MPE)的滚动轴承故障识别方法。首先,对滚动轴承的原始振动信号进行集成经验模态分解(ensemble empirical mode decomposition,简称EEMD),得到一系列内禀模态分量(intrinsic mode function,简称IMF)和一个趋势项,并以峭度作为度量指标筛选出含有主要故障特征信息的IMF来重构振动信号;然后,利用量子粒子群优化算法对多尺度排列熵的关键参数进行优化,得到其模型计算重构信号的多尺度排列熵,从而构建轴承故障的多尺度排列熵特征集;最后,将故障特征集输入GG(Gath-Geva)模糊聚类算法进行聚类识别。实验结果表明,基于QPSO-MPE的滚动轴承故障识别方法可实现滚动轴承典型故障的准确辨识,证明了QPSO-MPE在故障特征提取方面的有效性。     

基于ICEEMDAN和IMWPE-LDA-BOA-SVM的齿轮箱损伤识别模型

针对齿轮箱振动信号中的背景噪声过大影响故障特征质量，进而降低故障识别准确率的问题，提出了一种基于改进自适应噪声完备集成经验模态分解(ICEEMDAN)、改进多尺度加权排列熵(IMWPE)、利用线性判别分析(LDA)、蝴蝶优化算法(BOA)优化支持向量机(SVM)的齿轮箱故障诊断方法(ICEEMDAN-IMWPE-LDA-BOA-SVM)。首先，采用ICEEMDAN对齿轮箱振动信号进行了分解，生成了一系列从低频到高频分布的本征模态函数分量；接着，基于相关系数筛选出包含主要故障信息的本征模态函数分量，进行了信号重构，降低了信号的噪声；随后，提出了改进多尺度加权排列熵的非线性动力学指标，并利用其提取了重构信号的故障特征，以构建反映齿轮箱故障特性的故障特征；然后，利用线性判别分析(LDA)对原始故障特征进行了压缩，以构建低维的故障特征向量；最后，采用蝴蝶优化算法(BOA)对支持向量机(SVM)的惩罚系数和核函数参数进行了优化，以构建参数最优的故障分类器，对齿轮箱的故障进行了识别；基于齿轮箱复合故障数据集对ICEEMDAN-IMWPE-BOA-SVM方法进行了实验和对比分析。研究结果表明：该方法...     

基于改进EMD样本熵和SVM的风机滚动轴承故障诊断

风机齿轮箱振动信号成分复杂,而经验模态分解(EMD)在故障诊断中存在模态混叠和端点效应问题.针对此问题,研究了一种EEMD样本熵和高斯径向基核函数的SVM分类器的滚动轴承故障诊断方法.以风机齿轮箱滚动轴承为研究对象,提取了内圈故障、外圈故障、滚动体故障和正常轴承4种状态振动信号,利用EEMD和小波分别对振动信号分解降噪并筛选主要IMF分量;计算前4阶IMF分量的样本熵作为特征向量;最后将特征向量输入高斯径向基核函数的SVM模型进行故障识别.结果表明:EEMD算法对端点效应和模态混叠都有一定抑制作用,EEMD样本熵和SVM相结合可有效识别滚动轴承故障类型,故障识别率为97.5％,为工程应用中风机齿轮箱滚动轴承故障诊断提供参考.     

基于MED-EEMD和ELM的轴向柱塞泵松靴故障诊断研究

针对轴向柱塞泵松靴故障在强噪声干扰下故障信号微弱、故障特征提取困难和故障诊断识别精度低等一系列问题,提出了基于最小熵反褶积、集合经验模态分解和超限学习机相结合的轴向柱塞泵松靴故障诊断的方法。首先采集了轴向柱塞泵在正常和松靴故障两种状态下的振动信号;然后对振动信号进行了最小熵反褶积降噪,排除了噪声干扰,增强了冲击特性;之后利用集合经验模态分解将去噪后的信号分解成了若干个本征模态函数分量,并通过奇异值分解获得了特征矩阵;最后将得到的特征矩阵输入超限学习机、反向传播神经网络和支持向量机等3类分类器,并将识别结果与集合经验模态分解特征提取方法的识别结果进行了对比。研究结果表明:最小熵反褶积和集合经验模态分解结合的方法弥补了最小熵反褶积在强背景噪声下提取特征的局限性,克服了经验模态分解对微弱故障特征不敏感的缺陷;以最小熵反褶积-集合经验模态分解特征提取方法为输入的超限学习机分类模型,在少量样本的情况下可以有效地对轴向柱塞泵松靴故障进行检测与诊断。     

基于改进多元多尺度色散熵的齿轮箱多通道振动信号故障诊断

齿轮箱发生故障时,其振动信号具有不平稳和非线性等特征,而常用的齿轮箱故障诊断方法大多是建立在单通道振动信号分析基础上,容易造成故障信息丢失,故而在工业生产中实用性受限。为了克服此缺陷,将多元多尺度色散熵引入到齿轮箱故障诊断当中,并改进其粗粒化方式,提出了改进多元多尺度色散熵,用以提取齿轮箱多通道振动信号的故障信息。在此基础上,提出一种基于集合经验模态分解,改进多元多尺度色散熵和遗传算法优化支持向量机的齿轮箱故障诊断方法。通过实验数据分析,并与多元多尺度样本熵、多元多尺度模糊熵等现有方法相比较,证明该方法具有更高的准确率和稳定性,且在处理短时间序列时具有明显优势。     

基于EEMD和Choi-Williams分布的齿轮故障诊断

针对齿轮箱齿轮故障特征提取过程中,经验模态分解(EMD)存在模态混叠、固有模态函数(IMF)筛分困难以及Wigner-Ville分布(WVD)存在交叉干扰项的问题,提出一种集合经验模态分解(EEMD)和Choi-Williams分布(CWD)相结合的齿轮故障诊断方法。首先,将采集到的齿轮故障信号进行EEMD分解,分解为多个单分量固有模态函数(IMF)的组合;然后,通过相关系数和香农熵准则去除虚假分量并筛选IMF;最后,将筛选出的IMF分量进行CWD表达,结合时频域表现出的频率与等时冲击特性,识别出齿轮故障特征。通过齿轮故障仿真和实验分析,验证了该方法在齿轮箱齿轮故障诊断中的适用性和有效性。     

基于ICEEMDAN-RCMDE的高压断路器机械故障诊断方法

针对高压断路器分、合闸过程中伴随的非平稳、非线性振动信号特征提取困难的问题,应用了一种基于改进的完全自适应噪声集合经验模态分解（ICEEMDAN）和精细复合多尺度散布熵（RCMDE）结合的高压断路器机械故障诊断方法。首先对原始振动信号进行ICEEMDAN分解,得到不同频率尺度的本征模态分量（IMF）,依据故障敏感因子筛选有效IMF分量进行信号重构;然后对重构信号进行RCMDE分析,通过精细化的多尺度分析刻画信号特征;最后,将不同尺度因子下的RCMDE值作为特征向量输入支持向量机（SVM）中进行故障诊断。实验验证了该方法的可行性,故障辨识度较高。