FA-PMA-VMD方法及其在齿根裂纹故障诊断中的应用EI北大核心CSCD

针对变分模态分解(VMD)中难以确定分解分量个数k和惩罚参数α的问题。提出一种改进的变分模态分解方法—基于萤火虫算法及主模态分析法的变分模态分解(FA-PMA-VMD)方法。该方法用主模态分析(PMA)对VMD分解的带限内禀模态函数(BIMF)分量进行排序;用萤火虫算法对变分模态分解的最佳影响参数[k,α]组合进行搜索,以新提出的正交低峰值作为萤火虫算法的优化目标,得到的最佳的惩罚参数α和分量个数k组合;根据预先设定的故障特征参数自适应地将信号分解为k个BIMF分量。通过对仿真信号和齿轮齿根裂纹实际故障信号进行分析,分析结果表明FA-PMA-VMD具有良好的分解效果。     

FA-PMA-VMD方法及其在齿根裂纹故障诊断中的应用EI北大核心CSCD

针对变分模态分解(VMD)中难以确定分解分量个数k和惩罚参数α的问题。提出一种改进的变分模态分解方法—基于萤火虫算法及主模态分析法的变分模态分解(FA-PMA-VMD)方法。该方法用主模态分析(PMA)对VMD分解的带限内禀模态函数(BIMF)分量进行排序;用萤火虫算法对变分模态分解的最佳影响参数[k,α]组合进行搜索,以新提出的正交低峰值作为萤火虫算法的优化目标,得到的最佳的惩罚参数α和分量个数k组合;根据预先设定的故障特征参数自适应地将信号分解为k个BIMF分量。通过对仿真信号和齿轮齿根裂纹实际故障信号进行分析,分析结果表明FA-PMA-VMD具有良好的分解效果。     

一种基于遗传算法的VMD参数优化轴承故障诊断新方法

为准确提取轴承故障特征信息,提出以峭度指标和包络熵为综合目标函数的变分模态分解(variational mode decomposition,VMD)参数优化方法,并改进了诊断流程实现了无需指定参数优化范围的自适应参数优化算法。通过遗传算法对综合目标函数最小值进行搜索,以确定模态分量个数及惩罚参数的最佳组合。原始故障信号经最佳参数组合下的VMD方法分解为若干个本征模态函数,选择最小综合目标函数值对应的模态分量进行包络解调分析,进而通过模态分量的包络谱判断轴承故障类型。通过实测故障信号分析表明,该方法能够从噪声干扰中有效提取到早期故障信号的微弱故障特征,实现了轴承故障类型的准确判定,验证了该方法的有效性。     

基于MPA-VMD的滚动轴承故障诊断方法

针对变分模态分解方法（Variation mode decomposition, VMD）在提取滚动轴承振动信号的故障特征频率时受参数设置影响及敏感模态分量的选取问题,构建一种基于海洋捕食者算法（Marine Predator Algorithm,MPA）优化变分模态分解的滚动轴承故障诊断方法。首先,利用以包络熵为适应度函数的海洋捕食者算法对变分模态分解算法的模态个数K和二次惩罚因子α进行自适应选定;其次,使用获得的最佳参数组合对故障振动信号进行变分模态分解,得到多个本征模态分量（Intrinsic Mode Function,IMF）;最后,计算各模态分量的平方包络基尼系数（Squared Envelope Gini Index,SEGI）,选择系数最大的模态作为最优IMF并进行包络分析,提取相应的故障特征频率。通过公开数据集和实验数据验证表明该方法可解决VMD受参数设置影响的问题,成功诊断轴承故障。且相比于峭度和相关系数指标,平方包络基尼系数指标在筛选最优IMF具备更佳的准确性和鲁棒性。     

基于蝙蝠算法优化的变分模态分解的转子裂纹检测方法

针对转子裂纹故障特征难于提取,提出了一种基于蝙蝠算法(BA)优化参数的变分模态分解(VMD)诊断转子裂纹故障的方法。将蝙蝠算法应用于变分模态分解,对变分模态分解中参数K和惩罚因子α进行全局寻优,用BA搜索VMD的最优(α,K)组合,迭代过程采用局部极小包络熵为适应度值。仿真分析的结果表明,BA-VMD方法能很好的完成VMD参数K和α的自适应获取,且在抗模态混叠和抗噪声干扰方面的具有明显优势,最后采用BA-VMD方法对裂纹转子的位移信号进行了实验分析,分析结果表明,采用BA-VMD方法处理后的频谱能充分反映出信号的频率特征,且通过频率结构特征很容易识别出转子裂纹的故障特征。     

基于参数自寻优变分模态分解的信号降噪方法EI北大核心CSCD

针对滚动轴承故障信号具有非线性、非平稳、噪声强的特点,提出了一种基于参数自寻优变分模态分解(variational modal decomposition,VMD)的信号降噪方法。以模态复合熵作为适应度函数,采用改进粒子群算法进行VMD参数自适应寻优,确定变分模态分解最优模态数K和二次惩罚因子α;基于最优K和α,对原始信号进行VMD分解,得到K个本征模态函数(intrinsic mode function,IMF)分量;利用相关系数筛选法,进行模态分量的有效模态和含噪模态识别,利用小波阈值去噪方法对含噪模态进行去噪处理;将有效模态与去噪后的模态进行重构,实现信号降噪。分别用滚动轴承故障仿真信号和试验信号进行验证,并与EMD降噪方法进行比较,结果表明该方法可有效提高故障信号的信噪比,降噪效果明显,有利于滚动轴承故障特征的提取。     

基于FVMD的滚动轴承故障特征提取方法EI北大核心CSCD

针对变分模态分解(variational mode decomposition,VMD)中模态数K和惩罚因子α无法自适应确定的问题,提出了基于快速变分模态分解(fast VMD,FVMD)的滚动轴承故障特征提取方法。首先,利用频谱趋势分割方法对滚动轴承振动信号进行分析,确定频谱趋势分割边界,进而自适应确定VMD的分解模态数K和惩罚因子α、模态初始中心频率ω;其次,根据参数K、α、ω,完成原始振动信号的自适应分解,并基于有效权重峭度准则提取有效本征模态函数(intrinsic mode function,IMF)分量;最后,利用希尔伯特包络解调计算有效IMF分量重构信号的包络频谱图,完成滚动轴承故障特征的提取。使用仿真信号、美国凯斯西储大学(Case Western Reserve University,CWRU)和美国航空航天局(National Aeronautics and Space Administration,NASA)的滚动轴承数据完成所提方法与传统VMD方法的对比试验。结果表明,所提方法能够自适应确定VMD的分解模态数K和惩罚因子α,提高VMD的计算效率,同时有效提取到滚动轴承的故障特征频率,证明了所提方法的有效性和可行性。     

参数优化VMD的滚动轴承故障诊断方法

由于滚动轴承早期故障信号特征微弱,变分模态分解（Variational Mode Decomposition,VMD）的性能易受模态数和惩罚因子设置的影响,提出了一种自适应优化VMD参数的方法。基于中心频率判断本征模态函数（Band Limited Intrinsic Mode Functions,BIMF）是否混叠的思想提出中心频率混叠商算法,利用最小中心频率差与次小中心频率差的比值确定模态数。利用模糊熵原理,提出求和模糊熵算法优化惩罚因子。利用相关系数筛选模态分量,重构信号提取故障信息。通过对强噪声下外圈故障信号、内圈故障信号的分析,表明该方法能自适应确定模态数和惩罚因子,抑制模态混叠,能够从强噪声下有效地提取出故障信号特征,实现滚动轴承故障诊断。     

基于EVMD-LNMF的复合故障信号分离方法

非负矩阵分解算法(NMF)和变分模态分解算法(VMD)已用于复合故障信号的分离,但VMD算法过程中模态分量个数难以确定,且NMF算法由于缺少相关约束,对故障源相互耦合,特征信息微弱分解效果并不理想。为此提出了基于能量收敛因子为判据的变分模态分解算法(EVMD)与局部非负矩阵分解算法(LNMF)相结合的复合故障信号分离方法;构造了能量收敛因子,并以此为判断准则,自适应确定VMD算法中模态分量个数;将获得的模态分量重构组成模态矩阵,采用邻近特征值占优法获取LNMF算法中的最优分解维数;对模态分量作LNMF算法处理,突出局部特征信息,从而分离出耦合的多故障信号,提取故障特征信息。仿真及轴承复合故障实验结果表明:提出的基于EVMD-LNMF的信号分离方法,明显优于未改进的VMD-NMF方法,可以有效分离并提取出外圈与滚动体冲击性特征,实现了轴承的复合故障诊断。     

基于IA-VMD的浮环密封声发射信号降噪与特征提取

针对航空发动机浮环密封运行时,声发射信号易受外界噪声干扰,且特征信号难以提取的问题,提出一种基于免疫算法(immune algorithm, IA)和变分模态分解(variational mode decomposition, VMD)的声发射信号处理方法。首先应用免疫算法对变分模态分解中的模态数K和惩罚因子α进行优化,采用样本熵为亲和度函数,得到VMD算法中的最佳参数组合。其次,对原始信号进行分解得到若干模态分量(intrinsic mode function, IMF)并计算出各个分量的相对熵,选取差异小的分量进行重构得到降噪信号。仿真信号分析表明,IA-VMD方法可以获得最佳参数,在抗噪声干扰方面具有明显优势。最后,对浮环密封声发射信号降噪并进行特征提取,结果表明,采用IA-VMD方法能够在降噪的同时最大限度保留有效信息,获得表征浮环密封主密封面碰摩状态的声发射信号,为今后浮环密封故障诊断奠定基础。     

基于VMD的噪声信号去噪源分离

针对噪声信号分析中的欠定盲源去噪问题,基于变分模态分解(Variational Mode Decomposition,VMD)、主成分分析(Principal Component Analysis,PCA)和去噪盲源分离(Denoising Source Separation,DSS)各自的优点,提出一种基于VMD和PCA的欠定去噪源分离方法 (QVMD-PCA-DSS)。所提方法首先通过第一次VMD分解得到窄带本征模态分量(Band-Limited Intrinsic Mode Function,BIMF),根据BIMF分量的PCA特征值梯度获得最优VMD分解参数,解决VMD参数选择问题,故称作二次估计型可变微分模态(Quadratic-estimates Variational Mode Decomposition,QVMD),然后使用基于QVMD分解得到的BIMF分量来解决盲源分离中源信号数据不足的问题,再根据PCA特征值选择模型估计源信号数量,最后应用DSS进行源信号估计。数据仿真证明,所提QVMD-PCA-DSS方法可以准确估计源信号,与传统方法相比,基于新方法所得估计源信号与源信号更为接近。将该方法应用于内燃机车司机室噪声测试分析中。结果表明,该方法可以自适应解决欠定盲源去噪问题,对降噪分析与噪声分析具有重要的工程意义。     

改进VMD和非凸重叠组收缩降噪的行星齿轮箱早期故障特征提取

针对强背景噪声下行星齿轮箱早期微弱故障特征难以被识别且变分模态分解算法中模态个数K和惩罚因子α需要依赖人为经验反复尝试而不能自适应确定的问题,提出了改进变分模态分解（Modified Variational Mode Decomposition,MVMD）方法,通过故障信号尺度空间谱的自适应分割来确定所需模态个数K,同时建立峭度最大值判定准则自动选取最佳惩罚因子α。在此基础上,将MVMD 与自适应非凸重叠组收缩降噪算法（Adaptive Nonconvex Overlap Group Shrinkage,ANOGS）相融合,提出了基于MVMD?ANOGS 的行星齿轮箱早期故障诊断方法。对故障振动信号进行MVMD 最佳分解,获取多个模态分量;利用ANOGS 算法对峭度最大的敏感模态进行稀疏降噪,从而突出信号中的故障冲击特征;对降噪模态进行包络解调处理,以提取明显的故障特征频率来判别故障。通过仿真信号和工程实验数据分析表明,相比传统VMD 方法、EEMD 方法和快速谱峭度方法,该方法能成功地提取微弱故障冲击特征且更加清晰,提高了行星齿轮箱早期故障的表征能力与诊断精度。     

基于改进VMD与包络导数能量算子的滚动轴承早期故障诊断

针对滚动轴承早期故障比较微弱,特征信息难以提取且变分模态分解(VMD)中分解层数k的大小需要使用者反复尝试而不能有效确定的问题,提出了改进的VMD方法,以能量差作为评价参数自适应地确定分解层数k。在此基础上,将改进的VMD与包络导数能量算子结合,提出了VMD与包络导数能量算子的轴承早期故障诊断方法。采用VMD对轴承故障振动信号进行分解,根据能量差曲线确定最佳的分解层数k;依据峭度准则,从分解得到的k个本征模态分量中选取敏感分量进行重构;并用包络导数能量算子对重构信号进行解调分析,从其能量谱中便可准确地提取轴承的故障特征信息。通过仿真信号和实验数据的分析,验证了该方法的有效性与可行性。     

基于改进VMD与包络导数能量算子的滚动轴承早期故障诊断EI北大核心CSCD

针对滚动轴承早期故障比较微弱,特征信息难以提取且变分模态分解(VMD)中分解层数k的大小需要使用者反复尝试而不能有效确定的问题,提出了改进的VMD方法,以能量差作为评价参数自适应地确定分解层数k。在此基础上,将改进的VMD与包络导数能量算子结合,提出了VMD与包络导数能量算子的轴承早期故障诊断方法。采用VMD对轴承故障振动信号进行分解,根据能量差曲线确定最佳的分解层数k;依据峭度准则,从分解得到的k个本征模态分量中选取敏感分量进行重构;并用包络导数能量算子对重构信号进行解调分析,从其能量谱中便可准确地提取轴承的故障特征信息。通过仿真信号和实验数据的分析,验证了该方法的有效性与可行性。     

基于自适应VMD的高速列车轴箱轴承故障诊断

以尺度空间对信号频谱中共振频段的识别能力为基础,结合变分模态分解(VMD)对信号的自适应分解能力,提出了预估惩罚因子的尺度空间引导VMD算法。该算法的核心包括以尺度空间对信号频段的共振频段划分从而确定VMD中的本征固有模态个数,并根据共振频段边界预估VMD各个本征固有函数的初始中心频率与相应的惩罚因子取值,从而提高VMD的自适应性以及准确性。仿真结果表明,该方法能够正确识别低信噪比条件下的故障信号的共振频带,并对信号进行准确的分解。应用高速列车轴箱轴承实验数据对该方法进行实验验证,能够有效分解信号中包含的不同故障冲击;与选择不同惩罚因子的VMD算法相比,能够更准确地提取出信号中的不同故障冲击,对VMD分解的自适应性与准确性有着显著提高。     

基于改进VMD的风电齿轮箱不平衡故障特征提取

变分模态分解(Variational Mode Decomposition,VMD)是一种不同于递归式模态分解新方法,具有优良的频率剖分特性,但其在处理信号时受分量个数影响严重,通过主观经验难以合理设置该参数。针对该问题,利用奇异值分解清晰的信噪分辨能力,根据奇异值最佳有效秩阶次自动搜寻VMD的分量个数,提出了一种改进变分模态分解的风电齿轮箱不平衡故障特征提取方法。通过仿真信号及轴不平衡实验信号对该方法进行了验证,并将其应用于风电齿轮箱稳定工况下的现场故障诊断中,均成功提取出微弱特征频率信息,实现对齿轮箱不平衡故障的有效判别,具有一定可靠性。     

麻雀算法参数优化VMD联合K-SVD的滚动轴承故障诊断

针对经典K-均值奇异值分解(K-means Singular Value Decomposition,K-SVD)易受噪声干扰产生虚假原子,导致信号稀疏不彻底、故障特征识别困难的问题,提出基于麻雀算法优化变分模态分解(Variational Modal Decomposition,VMD) 参数联合K-SVD的滚动轴承故障诊断方法。首先引入包络熵适应度函数指标并基于麻雀算法优化VMD的模态层数k 和平衡因子α。其次利用平方包络谱峭度指标遴选最优模态,以所选模态分量相空间构造Hankel 矩阵进行K-SVD字典学习。最后对恢复至时间序列的稀疏重构信号进行包络解调,提取轴承故障特征频率。通过轴承故障仿真信号和全寿命实验信号进行验证,证明相较于经典K-SVD算法,所提方法在低信噪比条件下在轴承故障特征提取方面具有优势,有一定的工程应用价值。     

基于改进变分模态分解和快速谱峭度图的滚动轴承检测方法

针对滚动轴承早期故障信号微弱、复杂且提取困难的问题,提出一种基于改进变分模态分解(Variational Mode Decomposition,简称VMD)和快速谱峭度图的滚动轴承检测方法。首先利用粒子群算法对VMD最佳影响参数组合进行搜索,采用多尺度模糊熵(Multiscal Enproty,简称MSE)作为适应度函数,并利用优化参数的VMD对原始信号进行分解,得到多个本征模态分量(Intrinsic Mode Function,简称IMF);其次计算原始信号和各模态分量的快速峭度图;再次找出原始信号和各个IMF谱峭度最大值所处的频带区间;然后通过比较原始信号和IMF谱峭度最大值所处频带区间的从属关系来选择最佳IMF;最后,重组最佳IMF并通过共振解调技术求其包络谱图。实验结果表明基于改进变分模态分解和快速谱峭度图的滚动轴承检测方法能更有效诊断出滚动轴承的早期故障。     

基于改进自适应变分模态分解的滚动轴承微弱故障诊断

滚动轴承早期故障信息微弱,且混有大量背景噪声,难以提取其故障特征。提出了一种改进的自适应变分模态分解(AVMD)与Teager能量谱的微弱故障诊断方法。将最小平均包络熵(MMEE)作为目标函数,自动搜寻影响参数最佳值,确保变分模态分解(VMD)实现最优分解,并提出加权峭度指标(WK)用于选择有效模态分量进行信号重构,对重构信号进行Teager能量谱分析,从而识别故障特征频率。对轴承微弱故障振动信号的研究表明,所提方法改进了传统VMD算法分解精度受参数影响较大,导致信号出现过分解或欠分解的问题;与集合经验模态分解和局部均值分解算法相比所提方法具有更强的噪声鲁棒性和故障信息提取能力。     

一种改进的自适应多元变分模态分解轴承故障信号特征提取方法

针对实际工程中轴承信号的非线性和非平稳性,提出一种自适应多元变分模态分解算法。多元变分模态的分解效果主要与本征模态数k和惩罚参数α相关,为了解决人为经验参数设置对多元信号分解结果的影响,一种自适应的信号分解算法被提出。具体内容如下:首先将混合灰狼算法与多元变分模态分解算法相结合,提出最小模态重叠分量指标,将其作为适应度函数来寻求(k, α)的最优解,按照最优解对多元信号进行分解,提取故障特征。采用仿真信号和实际数据来验证所提方法的有效性和准确性,通过与多元经验模态分解、级联变分模态分解的对比分析,验证该算法在滚动轴承故障特征提取方面的高效性和实用性。