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。     

基于自适应多尺度散布熵的滚动轴承故障诊断方法

针对滚动轴承振动信号的非平稳、非线性特性,将一种新的衡量时间序列复杂性和不规则程度指标——散布熵(dispersion entropy,DE)引入到滚动轴承非线性故障特征提取,提出一种基于经验模态分解与DE相结合的自适应多尺度散布熵滚动轴承故障诊断方法。首先,采用经验模态分解对振动信号进行分解,得到若干不同尺度的本征模态函数;其次,计算每个本征模态函数的DE值;再次,将得到的DE值作为特征向量输入到基于支持向量机建立的多故障分类器进行训练和识别。最后,将提出的滚动轴承故障诊断方法应用于试验数据分析,结果表明,提出的方法能准确地识别滚动轴承故障类型。     

基于改进VMD和深度置信网络的风机易损部件故障预警

考虑到风电机组运行时监测到的轴承、齿轮等易损部件的振动信号早期故障特征微弱且难以提取,提出了基于变分模态分解的风机易损部件故障特征提取方法,并采用深度置信网络对故障进行预警。为克服变分模态分解参数选取对特征提取效果的影响,基于各分量的相关系数确定分解个数,并采用粒子群算法来优化惩罚因子,将改进的变分模态分解用于振动信号进行分析处理;在此基础上,进一步提取各分量的排列熵和均方根值并将其构成的高维特征向量作为深度置信网络的输入,建立早期故障诊断模型;选取风机传动故障诊断实验平台早期故障数据和某风电机组的现场信号进行故障诊断分析。结果表明,该方法能准确稳定地提取风机易损部件故障信号的微弱特征,并进行故障有效识别,提高了风机易损部件故障预警的准确性。     

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EMD的奇异值分解技术在滚动轴承故障诊断中的应用

针对滚动轴承故障振动信号的非平稳特征,提出了一种基于经验模态分解(EmpiricalModeDecomposition,简称EMD)和奇异值分解技术的滚动轴承故障诊断方法。该方法首先采用EMD方法将滚动轴承振动信号分解为多个平稳的内禀分量(IntrinsicModefunction,简称IMF)之和,并形成初始特征向量矩阵。然后对初始特征向量矩阵进行奇异值分解得到矩阵的奇异值,将其作为滚动轴承振动信号的故障特征向量,并输入神经网络来识别滚动轴承的工作状态和故障类型。实验分析结果表明,本文方法能有效地应用于滚动轴承故障诊断。     

基于局部均值分解多尺度模糊熵和灰色相似关联度的滚动轴承故障诊断

提出了一种基于局部均值分解多尺度模糊熵和灰色相似关联度相结合的滚动轴承故障诊断方法。该方法将故障信号自适应地分解为若干乘积函数,并从中选取包含主要故障信息的PF分量计算多尺度模糊熵作为特征向量,通过计算待识别样本与标准故障模式的灰色相似关联度,对滚动轴承故障类型和损伤程度进行判断。将该方法与LMD模糊熵和灰色相似关联度相结合的方法进行了对比,实验表明,基于LMD多尺度模糊熵和灰色相似关联度的滚动轴承故障诊断方法,能够有效地识别滚动轴承运行状态,实现对滚动轴承的故障诊断。     

基于最大幅值变分模态分解和均方根熵的滚动轴承故障诊断

针对变分模态分解中模态个数的设定会对分解结果产生重要影响的问题,提出一种求取最优分解层数的方法,该方法以瞬时频率的幅值特性为依据,通过分析变分模态分解过程中,各分量最大幅值之间的关系来确定最佳分解参数;均方根熵可以反映不同振动信号的能量值,以信号均方根熵为故障特征参量,通过优化支持向量机建立故障分类模型,实现故障模式分类。将基于最大幅值变分模态分解和均方根熵的故障诊断方法应用于滚动轴承实测信号中,实验结果表明基于最大幅值变分模态分解和均方根熵的方法能够有效识别滚动轴承运行状态,识别准确率高达98.75%。     

基于VMD-PE-MCKD低速重载滚动轴承故障特征提取

针对低速重载滚动轴承故障特征频率低、难提取的问题,提出一种基于变分模态分解和最大相关峭度解卷积并且结合利用排列熵筛选分量的方法。首先对原始振动信号进行变分模态分解,得到若干个本征模态分量;其次,根据利用排列熵筛选分量的原则,将筛选出的分量利用最大相关峭度解卷积方法进行去噪;最后对处理后的分量进行包络谱分析,从而提取故障特征频率,实现故障诊断。通过分析低速轴承仿真信号以及工程实测所得低速重载轴承振动信号,验证了该方法的有效性。     

基于变分模态分解与深度卷积神经网络的滚动轴承故障诊断

针对滚动轴承振动信号非平稳、非线性特点以及特征提取困难问题,提出一种基于变分模态分解(VMD)与深度卷积神经网络相结合的特征提取方法并应用于滚动轴承故障诊断。利用VMD将原始振动信号分解得到若干不同频率的限带本征模态分量,通过卷积网络中的多组卷积核自动学习各模态数据的不同特征,保证了特征提取的自适应性、全面性和多样性。在特征提取的基础上,使用全连接神经网络进行故障分类与诊断。将所提方法应用于滚动轴承故障诊断,结果表明,该方法在变工况情况下能够实现滚动轴承故障类别以及损伤程度的精确判定。     

VMD能量熵与核极限学习机在滚动轴承故障诊断中的应用

针对滚动轴承信号的不规则特性,致使信号故障特征难提取及难以辨识,为实现滚动轴承故障的智能诊断,提出基于VMD能量熵与核极限学习机(kernel extreme learning machine,K-ELM)的滚动轴承故障诊断方法。首先将测得振动信号进行变分模态分解(variational mode decomposition,VMD),利用能量熵进一步提取各模态特征组成高维特征向量集;然后将构建的特征向量作为K-ELM算法的输入,通过训练建立K-ELM滚动轴承故障分类模型。实验结果表明:VMD能够很好地分解轴承振动信号,且K-ELM滚动轴承故障分类模型比SVM、ELM故障分类模型具有更高的精度、更强的稳定性。     

基于参数优化VMD和增强多尺度排列熵的单向阀故障诊断

针对高压隔膜泵机械结构复杂,单向阀故障特征信息分布在多尺度上,单一尺度难以全面提取特征的问题,提出了一种基于参数优化变分模态分解(Variational Mode Decomposition,VMD)和增强多尺度排列熵(Enhanced Multi-scale Permutation Entropy,EMPE)的单向阀故障诊断方法。对单向阀振动信号进行VMD分解,以包络熵最小原则对其进行参数优化,获得既定的若干本征模态函数(Intrinsic Mode Function,IMF)分量;计算IMF分量的增强多尺度排列熵,构建故障特征值向量;利用基于变量预测模型的模式识别(Variable Predictive Model Based Class Discriminate,VPMCD)方法对故障特征值向量进行训练和识别,进而实现单向阀的故障诊断。仿真信号和工程实验分析表明,该方法可以准确地识别单向阀的故障类型,具有一定的可靠性和工程应用价值。     

基于IITD模糊熵与随机森林的滚动轴承故障诊断方法

针对滚动轴承故障微弱振动信号特征提取后难以识别的问题,提出基于改进的固有时间尺度分解(IITD)和模糊熵(FE)输入随机森林(RF)模式识别的滚动轴承故障诊断方法。首先,利用轴承试验台采集正常、滚动体故障、内圈故障、外圈故障等4种状态下轴承的振动信号;通过IITD分解将采集到的振动信号分解成一组固有旋转分量(PRC),然后选取表征故障主要信息的有效分量计算其模糊熵值并构建特征向量,输入到随机森林分类器模型进行识别分类。实验数据分析结果表明,该方法可以有效地实现滚动轴承故障类别的诊断。     

基于VMD的行星齿轮箱故障特征提取新方法

针对行星齿轮箱振动信号故障特征提取困难的问题,提出一种基于变分模态分解的行星齿轮箱故障特征提取方法。首先利用变分模态分解(VMD)算法对样本信号进行分解,得到若干本征模态函数(imf)。然后,计算各分量与样本信号之间的相关系数和欧氏距离,筛选出表征样本信号特征的有效分量,并计算其Teager能量算子,将计算结果进行重构。最后,针对多尺度模糊熵对信号局部差异不够敏感,提取重构信号的多尺度模糊熵和多尺度能量作为基本参数,进行参数融合构成新指标。将其应用于行星齿轮箱太阳轮和行星轴承故障分析,结果表明:新方法既可以区分行星齿轮箱太阳轮不同故障类型,又能有效识别行星轴承不同位置故障。另外,与现有方法对比,新方法区分效果更好。     

基于经验模式分解和排列熵的轴承故障特征提取

针对滚动轴承故障声信号故障诊断中共振解调滤波参数较难确定以及故障诊断困难的问题,提出一种基于经验模式分解和排列熵的改进滚动轴承故障诊断解调方法.该方法首先对滚动轴承声信号进行经验模式分解,将其分解为多个本征模态分量;然后计算各本征模态分量的排列熵值和相关系数,根据联合系数最大化原则对筛选出的分量进行信号重构;最后,利用...     

参数优化 VMD-MPE 和 PSO-CS-Elman 神经网络在滚动轴承故障诊断中的应用研究

针对滚动轴承振动信号的非线性、非平稳特征,提出了基于参数优化变分模态分解（Variational Mode Decomposition,VMD）、多尺度排列熵（Multi?scale Permutation Entropy,MPE）和粒子群?布谷鸟搜索融合算法优化 Elman神经网络的故障诊断方法。针对 VMD 中模态分量个数和惩罚因子难以确定的问题,引入鲸鱼优化算法,令其自主搜寻最优解;利用获得最优参数的 VMD 对滚动轴承故障仿真信号进行分解,对最佳模态分量进行包络谱分析,对比仿真故障频率与实际值的吻合度,验证该方法的可行性。考虑到 MPE 具有可探究信号内动力突变的优点,将其与参数优化 VMD 相结合,求取滚动轴承振动信号各阶模态分量的 MPE 值,选择部分熵值构建特征向量,并将其投放在三维空间观察其差异性,判断其是否能够良好地表征不同故障类型。针对 Elman 神经网络识别精度低的问题,将粒子群优化（Particle Swarm Optimization,PSO）算法和布谷鸟搜索（Cuckoo Search,CS）算法相融合,以此联合优化 Elman 网络的权重和阈值,以提升网络的收敛精度和诊断精度。以实验采集和凯斯西储大学的滚动轴承振动信号为研究对象,应用所提方法进行分析。结果表明,所提方法不仅能够自适应地将信号分解,并提取出有效的故障特征,还能准确实现故障模式的分类,提高故障识别率。     

基于CEEMDAN多尺度排列熵和SO-RELM的高压隔膜泵单向阀故障诊断

高压隔膜泵单向阀受负载、摩擦和冲击等因素的影响,运行产生的振动信号具有非平稳、非线性的特点,为了从振动信号中提取设备的非线性动力学特征,将多尺度排列熵(multi-scale permutation entropy, MPE)引入高压隔膜泵单向阀故障诊断研究。提取振动信号多尺度排列熵特征,用于建立结构优化正则化极限学习机(structure optimization regularized extreme learning machine, SO-RELM)故障诊断模型,模型利用K-means优化RELM结构,提高模型识别精确度及稳定性。首先采用自适应噪声完备经验模态分解(complementary ensemble empirical mode decomposition with adaptive noise, CEEMDAN)将高压隔膜泵单向阀振动信号自适应分解为多个固有模态分量(intrinsic mode function, IMF),以相关系数为指标,优选包含故障特征信息丰富的分量;然后,计算IMFs的多尺度排列熵值,提取信号的非线性动力学特征;最后,基于多尺度排列熵,建立...     

基于VMD-IMDE-PNN的滚动轴承故障诊断方法

为了提高滚动轴承故障诊断的准确性，提出一种变分模态分解( Variational Mode Decomposition，VMD )、改进粗粒化多尺度散布熵( Improved Coarse-grained Multi-scale Dispersion Entropy，IMDE )和概率神经网络(Probabilistic Neural Network，PNN )相结合的滚动轴承故障诊断方法。首先对振动信号进行VMD处理，根据互相关系数准则筛选最佳模态分量，突显振动信号的故障特性；然后针对多尺度散布熵（Multi-scale Dispersion Entropy，MDE）不稳定的缺点，对MDE的粗粒化过程进行改进，提出IMDE的非线性分析方法。模拟信号分析结果表明，相比于MDE方法，IMDE方法降低了熵值波动，提高了熵值稳定性。将两种方法运用于实际滚动轴承实验数据，发现相比于MDE，IMDE熵值曲线更平滑稳定，不同滚动轴承状态下的IMDE熵值曲线区分更加明显。最后采用PNN对提取的特征进行识别，与MPE-PNN，MDE-PNN以及VMD-MDE-PNN方法相比，所提的MD-IMDE-PNN方法能精确地识别滚动轴承的故障类型，且识别率更高。     

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。