基于CEEMD-排列熵的循环策略信号提取方法

针对EEMD阈值降噪处理方法时效性差且噪声难以准确估计问题,提出了基于CEEMD-排列熵的循环策略信号提取方法.原始信号经CEEMD处理,对信号叠加相反白噪声抑制白噪声引起重构误差的同时简化了计算方法,对分解得到的本征模态分量通过计算排列熵确定噪声分量和信号分量,考虑到信号中噪声先验知识未知,在奇异值分解的基础上,建立...     

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。     

MVMD与IEDPE结合的转子故障特征提取方法

为准确表征转子系统不同运行状态,提出一种改进的变分模态分解(Modified Variational Mode Decomposition, MVMD)与瞬时能量分布排列熵(Instantaneous Energy Distribution Permutation Entropy, IEDPE)结合的转子故障特征量化提取方法。利用相关性阈值策略确定变分模态分解(Variational Mode Decomposition, VMD)分解层参数并设计MVMD算法;然后,将采集到的振动信号输入MVMD中进行分解,计算各模态分量的瞬时能量分布;最后,提取各模态分量IEDPE作为故障量化特征。与MVMD+PE、EMD+IEDPE、EEMD+IEDPE进行对比,结果表明,提取的故障特征可更有效地表征转子故障状态之间的显著差别,使故障类别更准确识别。     

基于VMD与MLP的电机轴承故障检测方法

针对现有的永磁同步电机(PMSM)轴承故障检测方法准确度低的问题,对PMSM轴承故障表征方法和基于神经网络的检测方法进行了研究,提出了一种PMSM轴承故障归一化表征指标集合的构建方法,和一种基于VMD和MLP的PMSM轴承故障检测方法。首先,采用融合PMSM轴承故障频域特征进行归一化处理的方法,构建了一个PMSM轴承故障表征指标集合;然后,利用优化后的变分模态分解(VMD)方法,对振动信号进行了降噪重构,提取了故障频域特征,并计算出了归一化指标集合;利用基于多层感知器(MLP)的神经网络模型对获取的归一化指标集合进行了训练,得到了一种高准确度PMSM轴承故障检测器;最后,采用了一套可以模拟数控机床进给传动系统的试验测试装置,对基于VMD和MLP的PMSM轴承故障检测方法的有效性和先进性进行了验证。研究结果表明：PMSM轴承故障表征指标集合比现有的指标具有更强的故障表征能力,基于VMD和MLP的PMSM检测方法的平均检测准确度高达95.4%;该结果验证了归一化PMSM轴承故障表征指标集合的先进性,以及基于VMD与MLP的PMSM轴承故障检测方法的有效性。     

基于VMD与多特征融合的齿轮故障诊断方法

针对实际中工况复杂难以提取齿轮故障特征频率的问题,提出一种变分模态分解(Variational Mode Decomposition,VMD)与多特征融合的齿轮故障诊断方法。首先,对机械振动信号进行VMD分解并得到一系列的模态,其次,计算高频段的前4个模态的排列熵(Permutation Entropy,PE)和能量,最后,将排列熵和能量构成的高维特征向量作为最小二乘支持向量机(Least Squares Support Vector Machine,LS-SVM)的输入,对齿轮故障类型进行模式识别。试验结果表明:VMD可以较好地将复杂多分量信号各成分分开;排列熵和能量特征可以从不同尺度揭示齿轮故障信息;基于VMD与多特征融合的智能故障诊断方法识别精度高,可以为齿轮故障预警和严重程度提供参考。     

基于VMD和最小熵反褶积的齿轮早期故障诊断

针对强噪声环境下齿轮早期故障特征信号微弱,故障特征信息难以提取的问题,提出了变分模态分解(Variational Mode Decomposition,VMD)和最小熵反褶积(Minimum Entropy Deconvolution,MED)的诊断方法。首先,利用VMD对采集到的齿轮故障振动信号进行自适应分解,得到一系列窄带本征模态分量(band-limited intrinsic mode functions,BLIMFS),由于噪声的干扰,从各个模态分量的频谱中很难对故障做出正确的判断;然后依据相关系数准则,选取包含故障特征信息较丰富的分量进行MED滤波处理以消除噪声影响,凸显故障特征信息。最后对降噪后的信号进行Hilbert包络解调分析,即可从包络谱中准确地识别齿轮故障特征频率。通过仿真信号和齿轮箱实验数据对所提方法进行了验证,结果表明,该方法能够有效地降低噪声的影响,准确地提取齿轮早期故障信号中微弱的特征信息。     

基于k值优化VMD的滚动轴承故障诊断方法

针对旋转机械中滚动轴承早期信噪比较低的故障特征提取困难问题,提出了一种基于能量的变分模式分解(variational mode decomposition,简称VMD)模态数k优化选取方法,用以提取滚动轴承早期故障特征,同时避免了信号分解过分或不足。首先,对振动信号进行VMD预分解,分别在不同k值条件下计算分量信号能量与原始信号总能量;其次,根据基于能量的模态数k选取准则,确定最佳模态数值对信号进行VMD分解;最后,通过峭度准则选择分量进行信号重构,对其进行包络分析,提取故障特征频率。将该方法运用到实际故障信号中,有效提取出滚动轴承内圈微弱故障特征,实现了早期故障特征判别,具有一定的应用价值和实际意义。     

基于改进变分模态分解的齿轮点蚀故障诊断

针对齿轮点蚀故障特征难以提取的问题,提出了一种基于改进变分模态分解的齿轮点蚀故障诊断方法。利用经验模态分解自适应分解的特点,将各分量的能量占比作为有效分量的判断依据,并据此设定变分模态分解算法的模态个数,在此基础上,以变分模态分解分量的排列熵和最小值作为适应度函数,用遗传算法对惩罚因子进行搜索;根据所得结果设置变分模态分解参数,并对齿轮点蚀信号进行处理;筛选合适的本征模态函数进行包络调解,通过包络谱图分析齿轮点蚀故障的特征信息。对齿轮实验信号的分析表明,与现有方法相比,本文中提出的改进变分模态分解算法能够更加准确地识别出齿轮点蚀故障,在传动系统故障诊断方面具有一定实用价值。     

基于VMD阶比跟踪的变转速齿轮箱齿轮故障特征提取

针对变转速工况下齿轮箱齿轮阶比信号互相干扰故障特征难以提取的问题,提出了基于VMD(Variational Mode Decomposition)和阶比跟踪技术结合的齿轮箱齿轮故障特征提取方法。该方法通过计算阶比跟踪技术对振动信号进行角域重采样;获得重采样信号后,利用VMD按照中心阶比不同,自适应地将重采样信号分解,再利用峭度准则从IMF(Intrinsic Mode Function)分量中选取出故障信号;最后对故障信号进行快速谱峭图处理和滤波平方包络解调。通过变转速下齿轮箱的齿轮故障试验和对比分析,表明该方法能有效提取出变转速下齿轮箱的齿轮故障特征,且降噪效果明显,特征突出,适用于变转速齿轮箱的齿轮故障特征提取。     

变分模态分解消噪与核模糊C均值聚类相结合的滚动轴承故障识别方法

提出了一种变分模态分解消噪与核模糊C均值聚类相结合的滚动轴承故障识别方法。首先,对实测振动信号进行处理,得到VMD的参数;然后,对信号进行VMD分解,得到一系列限带内禀模态函数(BIMF)分量,筛选并叠加组成重构信号;第三步,计算重构信号的样本熵和均方根值作为特征向量,从而得到训练样本和测试样本的特征向量集;第四步,通过KFCM聚类方法对训练样本特征向量集进行聚类分析,得到四种类型信号的聚类中心;最后根据测试样本特征向量与训练样本聚类中心欧式距离最小的原则识别故障类型。此外,将振动信号用经验模态分解(EMD)方法进行消噪,再用KFCM聚类进行分类识别,将两种方法的识别效果进行对比,结果表明所提方法的故障识别效果要优于EMD消噪和KFCM聚类相结合方法的识别效果。     

综合改进奇异谱分解和奇异值分解的齿轮故障特征提取方法

针对齿轮故障特征微弱,在强背景噪声下难以有效提取的问题,提出了一种改进奇异谱分解(ISSD)结合奇异值分解(SVD)的齿轮故障特征提取方法。针对奇异谱分解(SSD)算法中模态参数需凭经验选取的缺陷,基于散布熵优化算法对SSD算法进行了改进,在得到既定的一组奇异谱分量的基础上,根据峭度值最大准则筛选出了最佳奇异谱分量并进行了SVD处理,采用奇异值能量标准谱自适应地确定了信号重构阶数以还原信号和提高降噪效果。最后对信号进行包络解调以提取齿轮故障特征,将所提方法运用到仿真信号和齿轮实测信号中,并同传统包络谱、SSD包络谱以及经验模态分解结合SVD(EMD-SVD)方法进行了对比分析,结果表明,所提方法的降噪和特征提取效果更佳,能够更加有效地实现齿轮故障的判别。     

基于ITD与排列熵的往复压缩机故障特征提取方法研究

针对往复压缩机振动信号的非平稳、非线性和特征耦合特性,提出了基于ITD与排列熵的往复压缩机轴承故障特征提取方法.利用ITD方法将各状态振动信号分解为一系列PR分量,依据相关性系数选择代表故障状态主要信息的PR分量,计算其排列熵形成有效的特征向量.以平均样本距离为特征向量可分性标准,对比了ITD与近似熵方法所提取特征向量,结果表明此法具有更好的可分性.     

基于最小熵解卷积-变分模态分解和优化支持向量机的滚动轴承故障诊断方法

提出了一种基于最小熵解卷积和变分模态分解以及模糊近似熵的故障特征提取方法,并采用优化支持向量机对故障进行识别分类。首先利用最小熵解卷积方法降低噪声干扰并增强故障信号中故障特征信息,进而对降噪后的信号进行变分模态分解,并利用模糊近似熵量化变分模态分解后包含故障特征信息的模态分量以构建特征向量,之后通过采用扩展粒子群算法优化惩罚因子和核函数参数的支持向量机,对故障样本训练并完成故障识别分类。将所提方法应用于滚动轴承不同损伤程度、不同故障部位的实验数据,验证了该方法的有效性。与基于局部均值分解的特征提取方法相对比,结果表明所提方法可以更精确地提取出滚动轴承故障特征,并能够更准确地完成不同故障的识别;通过与基于网格寻优算法优化的支持向量机方法和基于扩展粒子群优化的最小二乘支持向量机方法相对比,结果表明所提方法具有更好的分类性能,能达到更好的诊断效果。     

基于改进LMD和IED-SampEn的齿轮故障特征提取方法

提出基于改进的局部均值分解(Local mean decomposition,LMD)和瞬时能量分布(Instantaneous energy distribution,IED)-样本熵(Sample entropy,Samp En)的齿轮故障特征提取方法。针对LMD存在的端点效应问题,提出最大相似系数法改进的LMD方法,该方法通过在信号内部寻找与两端指定波段相似系数最大的波段,来实现端点效应的改善。进行仿真验证,结果表明该方法能有效改善LMD的端点效应问题。采用改进的LMD方法分解信号得到瞬时幅值函数,由此可以获得信号的瞬时能量分布,将其作为样本熵输入获得IED-Samp En,通过试验研究并与PF-Samp En进行对比,结果表明IED-Samp En能够合理地、有效地反应齿轮的故障状态,作为齿轮振动信号的特征矢量具有典型性,可以作为一种有效的故障特征。     

多小波系数特征提取方法在故障诊断中的应用

针对机械故障的特征提取问题,提出一种基于多小波系数的机械故障特征提取方法。首先,对不同工况的机械振动信号进行多小波分解;其次,利用分解后各层多小波系数的统计特征包括最大值、最小值、均值和标准差作为该工况振动信号的特征向量;最后,利用支持向量机的方法对机械故障进行识别。对滚动轴承正常状况与内圈故障、滚动体故障、外圈故障3种故障及多种损伤程度的实测振动信号进行故障识别试验,试验结果表明,该方法用于机械故障诊断可以获得较高的识别率,识别效果要优于基于单小波系数统计特征的识别方法,具有一定的工程应用价值。     

基于形态奇异值分解和经验模态分解的滚动轴承故障特征提取方法

针对随机噪声和局部强干扰影响经验模态分解(Empirical mode decomposition,EMD)质量的问题,提出一种形态奇异值分解滤波消噪方法,并将其与EMD相结合形成一种新的故障特征提取方法。该方法首先对原始振动信号进行相空间重构和奇异值分解(Singular value decomposition,SVD),根据奇异值分布曲线确定降噪阶次进行SVD降噪,再形态滤波,最后把消噪后的信号进行EMD分解,利用本征模模态分量(Intrinsic mode function,IMF)提取故障特征信息。对仿真信号和实际轴承故障数据的应用分析表明,该方法能有效地提取轴承故障特征,诊断轴承故障,还可以减少EMD的分解层数和边界效应,提高EMD分解的时效性和精确度。     

应用EMD和双谱分析的故障特征提取方法

针对传统双谱分析从理论上仅能抑制高斯噪声,但对非高斯噪声无能为力的不足,提出了一种利用经验模式分解(empirical mode decomposition,简称EMD)和双谱分析的故障特征提取方法,并应用于滚动轴承故障诊断中。首先,对信号进行EMD分解;其次,利用能量相关法去除EMD分解过程中出现的伪本征模态分量(intrinsic mode function,简称IMF);最后,对得到的真实IMF进行双谱分析提取故障特征。仿真和实验结果表明,所提出的方法优于功率谱分析和传统双谱分析,能够更有效地提取强噪声背景下的机械故障特征信息,为滚动轴承的故障特征提取提供了一种新的方法。     

基于奇异值分解和局域均值分解的滚动轴承故障特征提取方法

针对随机噪声干扰滚动轴承故障特征信号提取这一问题,提出一种基于奇异值分解(Singular value decomposition,SVD)滤波降噪与局域均值分解(Local mean decomposition,LMD)相结合的故障特征提取方法。该方法首先对原始振动信号在相空间重构Hankel矩阵并利用SVD方法进行降噪处理,再对降噪后的信号进行LMD分解,将多分量的调制信号分解成一系列生产函数(Product function,PF)之和,最后结合共振解调技术对PF分量进行包络谱分析提取故障特征频率。通过数值仿真和实际轴承故障数据的分析对比,表明该方法提高了LMD的分解能力,可有效辨别出滚动轴承实测信号的典型故障,提高滚动轴承故障的诊断效果。     

基于EEMD排列熵的高速列车转向架故障特征分析

高速列车转向架关键部件发生机械故障会体现在车体和转向架的振动信号中,为了从监测数据中提取非线性特征参数用于转向架故障状态的反演识别,提出基于聚合经验模态分解排列熵的特征分析方法。首先,对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,对原信号和本征模态函数分别计算排列熵值,组成多尺度的复杂性度量特征向量;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转向架的工作状态。仿真实验结果表明,该方法在运行速度为200km/h时,多个通道达到95%以上的识别率,验证了通过聚合经验模态分解排列熵对高速列车转向架机械故障诊断的可行性。