基于改进EEMD方法的工程机械液压系统冲击振动信号研究

工程机械液压系统发生冲击故障时,振动信号会出现相应的时频特性的变化,准确捕捉液压缸冲击振动信号,提取信号的典型特征是故障诊断的关键。该文首先运用SVM延拓解决EEMD方法的端点效应,然后通过改进的三次样条插值方法拟合包络线,再利用互相关分析与频谱分析对特征模态分量进行筛选,选取出能够代表信号特征的IMF分量。最后使用改进的EEMD方法对液压系统突然换向引起的冲击振动信号进行分析,选取出能够代表信号特征的IMF分量,为以后的智能诊断故障特征提取提供依据。     

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EEMD信息熵和PSO-SVM的自动机故障诊断

针对自动机振动信号的瞬态冲击、非线性和非平稳性,提出一种基于集合经验模式分解(EEMD)的信息熵和粒子群优化的支持向量机(PSO-SVM)相结合的故障诊断方法。首先采用小波阈值降噪对振动信号进行预处理;其次运用具有抗混叠效应的EEMD对降噪信号进行分解得到本征模式分量(IMF),从而提取能反映自动机状态的特征参数:能量熵、边际谱熵和奇异谱熵;最后对支持向量机(SVM)的参数利用粒子群优化(PSO)算法进行优化,并将特征向量子集分别作为PSO-SVM和概率神经网络(PNN)的输入参数以识别自动机故障,结果表明:PSO-SVM相对于PNN可以提高故障分类正确率,同时证明基于EEMD信息熵和PSO-SVM方法在自动机故障诊断中的有效性。     

基于EEMD与模糊核聚类的供输弹系统早期故障识别

对于供输弹系统早期故障中信号成分复杂,潜在故障征兆难以识别的问题,本文提出了基于EEMD-KFCM的早期故障识别方法。首先用EEMD方法对供输弹系统振动信号进行分解,对分解的分量进行相关系数运算,选取与原始信号相关系数大的前4层分量对信号进行重构;接着提取前4层分量的能量百分比作为特征;最后基于核的模糊C均值聚类方法,对供输弹系统三种不同状态振动信号EEMD分解后的能量特征进行分类识别,并与模糊C均值聚类方法进行了对比。实验结果表明,该方法能有效地对自动供输弹系统早期故障进行识别,正确率达88.89%。     

EEMD样本熵在轴承故障SVM识别中的研究

滚动轴承故障支持向量机(SVM)智能识别的关键技术是故障信息的提取。由于小波变换和经验模态分解分别存在非自适应和模态混叠的缺陷,采用总体平均经验模态分解(EEMD)和样本熵来提取滚动轴承故障信息。实验中采集了3种工况和3种点蚀直径下的滚动轴承振动信号并进行小波降噪,降噪后信号用EEMD分解为若干个IMF分量,用样本熵表征主要分量的复杂性,同时设计了以EEMD样本熵作为训练和识别样本的SVM滚动轴承故障分类识别器。实验结果表明该方法在小样本的情况下能准确识别轴承正常和内圈、外圈、滚动体故障,并且随着样本数量增加识别准确性提高。     

应用HHT时频分析与SVM的自动机故障诊断

提出了一种运用希尔伯特-黄(HHT)时频多尺度熵和支持向量机(SVM)对某导气式自动机进行故障诊断的方法。通过对其故障机理分析,找到易发生故障的位置;根据理论分析的结果设置了三种故障,采集了自动机的各工况振动信号。针对自动机工作时的短时冲击信号特征,运用聚合经验模态分解(EEMD)对自动机故障信号进行预处理,再通过Hilbert变换,计算信号的时频多尺度熵,作为自动机故障诊断的特征量。最后将特征向量输入支持向量机进行故障分类识别,证明了将HHT时频多尺度熵和SVM相结合在自动机故障诊断中的有效性。     

滚动轴承故障小波核函数SVM分类识别研究

支持向量机(Support Vector Machine,简称SVM)是通过核函数来分类识别非线性样本的,为了提高SVM的分类识别精度,基于平移不变核函数条件,构造和证明了墨西哥草帽小波核函数SVM。实验中采集了轴承正常和内圈、外圈、滚动体点蚀的故障数据,利用总体平均经验模态分解(Ensemble Empirical Mode Decomposition,简称EEMD)和样本熵提取了故障特征信息,将EEMD样本熵作为小波核函数SVM的特征向量进行故障分类识别,并与径向基核函数SVM的分类识别结果进行比较,比较结果表明小波核函数SVM的分类识别准确性更高。     

基于LPP与VPMCD的液压泵故障模式识别

针对液压泵振动信号复杂且难以提取有效特征量的问题,提出一种基于局部保留投影(LPP)算法的故障特征提取方法。采用集总经验模态分解(EEMD)法对液压泵振动信号进行分解,从得到的内禀模态分量(IMF)中选取敏感分量,对敏感分量进行分析并从中提取液压泵故障高维特征向量,利用局部保留投影法对高维特征向量进行融合降维,提取隐藏在高维特征空间中的故障本质信息,即敏感特征向量。基于变量预测模型的模式识别(VPMCD)算法实现模式识别的良好性能,提出采用VPMCD算法实现液压泵故障模式识别。基于提取的敏感特征集,建立各状态敏感特征的变量预测模型,进而实现液压泵的故障识别,实测液压泵振动信号分析结果验证了所提出液压泵故障模式识别方法的有效性。通过对比分析验证了所提出方法的良好性能。     

基于EEMD与盒维数的轴承故障特征提取

针对EMD存在的模态混叠以及轴承振动信号故障特征提取困难的问题,提出了一种基于EEMD与盒维数的轴承故障特征提取方法。首先,采用EEMD方法将去噪后的轴承振动信号自适应地分解为多个本征模函数。其次,利用相关系数和峭度选取一定量的本征模函数,并计算盒维数与能量熵得到特征向量。最后,将特征向量输入概率神经网络进行分类识别。仿真与实验结果表明在抗模态混叠以及轴承故障分类识别方面,该方法均优于EMD。     

基于局部均值分解与拉普拉斯特征映射的滚动轴承故障诊断方法

针对滚动轴承非平稳振动信号的特征提取及维数优化问题,提出了融合局部均值分解与拉普拉斯特征映射的轴承故障诊断方法。首先,通过局部均值分解对非平稳振动信号进行平稳化分解,提取乘积函数分量、瞬时频率及瞬时幅值的高维信号特征集;然后,将高维特征集作为拉普拉斯特征映射算法的学习对象,提取轴承高维故障特征集的内在流形分布,以获得敏感、稳定的轴承振动特征参数,实现基于非平稳振动信号分析的滚动轴承故障特征提取;最后,结合支持向量分类模型量化LMD-LE方法的特征提取效果,实现不同状况下的轴承故障分类。轴承故障样本分类识别平均正确率达到91.17%,表明LMD-LE方法有效实现了高维局部均值分解特征集合的降噪,所提取的特征矩阵对轴承故障特征描述准确。     

基于改进型ESMD和动力学模型的齿轮箱冲击特征提取方法研究

齿轮箱振动信号具有非线性冲击特征,其有效特征信息易于被振动信号其他干扰成分所淹没。针对如何有效提取其冲击特征这一热点和难点问题,通过构建直齿锥齿轮动力学模型,研究其典型故障振动机理,提出了一种基于改进型极点对称模态分解(ESMD)和支持向量机(SVM)相结合的故障诊断方法。该方法通过改进型ESMD将振动信号自适应分解为多个IMF分量,然后利用最大峭度-包络谱指标选取一定量的分量并提取每个分量的奇异值,构建特征向量集合并输入SVM进行故障模式识别。动力学仿真模拟和齿轮箱实验研究表明,改进型ESMD-SVM法能够有效提取并识别齿轮箱故障信息。     

EEMD熵特征和t-SNE相结合的滚动轴承故障诊断

针对滚动轴承振动信号的非平稳非线性特性,提出了一种采用集合经验模态分解（EEMD）熵特征提取、t-分布邻域嵌入（t-SNE）和粒子群优化-概率神经网络（PSO-PNN）的滚动轴承故障诊断方法。首先,对振动信号应用EEMD算法实现分解,生成多个固有模态函数（IMFs）,对生成的含有主要故障信息的模态分量进行选择,以进一步实现熵特征提取,然后对高维特征数据应用t-SNE算法进行降维,最后利用PSO-PNN分类器进行故障识别。通过案例1和案例2的分析结果表明：该方法对滚动轴承故障识别率均达到100%,具有较高的故障识别率,能对滚动轴承的故障类型有效的识别。     

基于EEMD和包络分析的滚动轴承故障诊断研究

在较大的背景噪声中,对旋转机械进行监测,包络分析不能从测得的振动信号中解调出故障。基于旋转机械振动信号具有非平稳、非线性特点,提出一种新的基于EEMD和包络分析的滚动轴承故障诊断方法,该方法首先运用EEMD方法将振动信号分解成有限个本征模态分量和残余量,对这些分量进行包络分析,可以解调出故障。通过仿真信号和实际滚动轴承外圈的振动信号分析表明该方法能够有效地识别滚动轴承的故障。     

基于EEMD和MFFOA-SVM滚动轴承故障诊断

针对滚动轴承发生故障时,振动信号的时域和频域特征都会发生变化的特点,提出了基于集合经验模态分解（EEMD）、改进果蝇优化算法（MFFOA）和支持向量机（SVM）的滚动轴承故障诊断方法。该方法主要是利用EEMD方法对故障信号进行分解,并计算各IMF分量的均方根值和重心频率,以此进行归一化处理得到特征向量。为了提高诊断精度,采用果蝇优化算法优化SVM参数,建立MFFOA-SVM模型,然后对提取的特征向量进行训练与测试,从而识别故障与否及发生点蚀故障的程度。利用该方法对实测信号进行分析与诊断,并与遗传算法的优化结果进行对比,验证了该方法的有效性,说明其具有良好的应用前景。     

全矢EEMD在轴承故障诊断中的应用

实际工况中滚动轴承故障的振动信号为非线性,非平稳的信号。为了对滚动轴承的故障做出准确识别,根据轴承故障信号的特点,在此提出一种用全矢谱和EEMD相结合来提取故障特征指标,然后利用隐马尔科夫模型对滚动轴承故障进行分类的新方法。首先对实验得到的滚动轴承同源双通道振动信号进行EEMD分解,得到数个IMF分量,选取相关性较高的分量进行全矢融合。然后提取与故障类型相对应的故障特征频率下的幅值作为滚动轴承故障分类的指标,并利用HMM方法进行训练和识别,从而区分出不同的故障类型。最后,利用实验得到的轴承故障信号进行测试,实验结果表明,该方法可以对滚动轴承故障做出较为准确的识别。     

基于CEEMD与SVM的离心泵转子不对中故障诊断方法研究

为了更好地判断离心泵转子不对中故障,通过互补经验模态分解(CEEMD)结合支持向量机(SVM)对转子不对中故障进行识别,搭建离心泵故障模拟实验台,利用电涡流振动位移传感器采集离心泵转子位移信号,使用CEEMD算法分解离心泵在正常状态与故障状态下信号,通过相关系数法和阈值,选取有效内涵模态分量(IMF)分量进行信号重构,计算重构信号的时域特征参数并组成特征向量,最后利用SVM对故障进行识别分类。结果表明,采用CEEMD方法可以有效提取出离心泵转子不对中时的故障特征。采用SVM方法对重构后的信号提取的特征向量进行训练,故障识别准确率可以达到93%,能够有效识别离心泵转子不对中故障。     

H-K-ELM在滚动轴承故障诊断中的应用

针对滚动轴承振动信号的不规则性和复杂性,导致轴承状态难以有效识别的问题,提出基于分层核极限学习机(Hierarchical Kernel Extreme Learning Machine,H-K-ELM)的滚动轴承故障诊断方法。首先,将测得信号经集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)处理后得到一系列IMF本征模态分量,并提取各分量的排列熵PE值组成高维特征向量集;其次,利用高斯核函数的内积来表达ELM算法的隐含层输出函数,然后使用自动编码器对其分层,从而隐含层节点数自适应确定和隐含层阈值与输入权值满足正交条件;最后,将所得高维特征向量集作为H-KELM算法的输入,通过训练建立核函数极限学习机滚动轴承故障分类模型,进行滚动轴承不同故障状态的分类辨识。实验结果表明:H-K-ELM滚动轴承故障分类模型比ELM、K-ELM故障分类模型具有更高的精度、更强的稳定性。     

基于振动信号的中速磨煤机故障识别

为了深入分析磨煤机在发生不同故障时的振动异常原因,构建了磨煤机振动监测系统,并基于所采集振动信号,提出了一种K值优化的VMD-HHT边际谱结合LSSVM模型的磨煤机故障识别方法。首先,构建了磨煤机振动监测系统,并采集了振动故障信号。其次,对故障样本集进行数据预处理,利用VMD-HHT边际谱对磨煤机的振动信号进行处理,提取了不同状态下的边际谱作为故障特征,然后利用LSSVM模型对各故障特征进行决策分类。最后,通过实验证明了所提出方法的有效性。结果显示,VMD-HHT边际谱能更清晰地表达故障信息,该方法的分类准确率高于基于EMD和EEMD的方法,准确率可达96%。     

基于多尺度本征模态排列熵和SA-SVM的轴承故障诊断研究

针对轴承振动信号的非线性、非平稳性,提出一种基于多尺度本征模态排列熵和模拟退火优化支持向量机(Simulated annealing-support vector machine,SA-SVM)的列车轴承故障诊断方法。该方法首先对获取的轴承振动信息进行小波降噪处理,接着通过集合经验模态分解(Ensemble empirical mode decompose,EEMD)将去噪信号分解成若干个平稳的本征模态函数(Intrinsic mode function,IMF),并提取多尺度本征模态排列熵作为SVM输入,在用样本训练SVM时,用SA对SVM的核函数进行优化,提高其分类准确率,最终实现智能化故障诊断。试验结果表明,基于多尺度本征模态排列熵和SA-SVM的列车轴承故障诊断方法能准确识别列车轴承故障类型,具有重要的实际工程应用价值。     

基于EEMD分解和改进小波阈值降噪的齿轮故障诊断

针对齿轮箱振动信号易受噪声影响以及齿轮箱振动信号比较复杂的特点,提出基于EEMD分解和改进小波阈值降噪的齿轮故障诊断方法。首先对经过EEMD分解的IMF分量中的高频分量进行改进小波阈值降噪处理,重构信号后得到降噪信号。实验结果表明应用该方法可以较为准确地识别齿轮故障。