K值优化的VMD在轴承故障诊断中的应用

由于机械设备实际运行状态下环境噪声的影响,轴承早期非平稳振动信号的故障特征难以有效提取。为此,将K值优化的变分模态分解引入轴承的早期故障诊断方法中。首先利用小波包降噪法对轴承实际振动信号进行降噪;然后利用K值优化的VMD算法,通过合理设置参数K,将降噪信号分解为若干本征模态分量,利用峭度值选取最佳分量;最后提取最佳分量的样本熵和排列熵组成特征向量,利用模糊C聚类识别轴承的故障类型。实验结果表明,该方法避免了信号的过分解,能有效提取振动信号特征,实现轴承的早期故障诊断。     

基于蝙蝠算法优化相关向量机的轴承故障诊断方法

由于轴承振动信号具有复杂性和非线性,难以有效提取故障特征,影响故障诊断的准确率.为了提高故障诊断准确率,提出一种蝙蝠算法(BA)优化相关向量机(RVM)的轴承故障诊断方法.首先结合变分模态分解和多尺度熵从轴承振动信号中提取出故障特征,作为相关向量机的输入向量;接着采用蝙蝠算法优化相关向量机的核函数参数;然后训练相关向量...     

WPT-MSE结合PNN的电机轴承故障诊断方法

滚动轴承是电机的重要组成零部件,在实际运行工况条件下,背景噪声干扰严重,难以实现电机轴承特征的有效提取及故障的准确判别。为了解决这一问题,提出了一种基于小波包变换(UPT)、多尺度熵(MSE)和概率神经网络(PNN)的诊断方法。首先,利用小波包变换对拾取的信号样本进行处理,并将原始信号分解为相应的子带信号分量,以减少原始信号中复杂成分之间的交叉干扰;然后,计算所得子带信号分量的多尺度熵值,并利用提取出的多尺度熵值构造能够表征电机轴承运行状态的特征向量;最后,将特征向量输入概率神经网络中,实现对电机轴承不同故障类型及损伤程度的自动识别。实测数据分析结果表明,所述诊断方法能够有效识别电机轴承的不同工作状态,从而为电机轴承的故障诊断提供了参考,具有一定的工程应用价值。     

基于EEMD能量熵和混合算法的电机轴承故障诊断

针对提升机电机轴承振动信号的非平稳特性和单一粒子群算法(PSO) 优化径向基函数（RBF）神经网络时存在网络收敛速度慢和适应度值易陷入局部最小的缺点，提出基于集合经验模态分解（EEMD）能量熵和模拟退火粒子群混合算法（SAPSO）优化RBF神经网络的提升机电机轴承故障诊断方法。基于EEMD求取振动信号各固有模态函数分量的能量熵，并使用相关性分析方法剔除虚假的分量，把筛选后的有效数据作为故障识别的特征向量；利用模拟退火（SA）算法具有局部概率突跳的特性，将SA算法和PSO算法相结合，在优化RBF诊断模型隐含层参数时以实现不同算法间的优劣互补。仿真结果表明，使用SAPSO算法优化后的RBF神经网络模型在提升机电机轴承故障诊断中能够加快网络收敛速度和提升故障识别精度。     

基于LCD和改进SVM的轴承故障诊断方法

针对滚动轴承极易损伤,振动信号表现出非线性、非平稳性等特点,提出一种基于局部特征尺度分解(LCD)和改进支持向量机(SVM)的滚动轴承故障诊断算法。首先对采集到的轴承振动信号进行LCD,分解得到一系列内禀尺度分量(ISC),通过与经验模态分解(EMD)对比研究,证明了LCD方法的优越性;然后计算所有分量的能量熵值,提取出轴承信号的敏感特征集,输入到经过遗传算法(GA)进行参数优选后的SVM识别模型进行轴承状态的诊断识别。实验研究表明,基于LCD和改进SVM的轴承诊断算法能较好地提取出轴承故障特征信息,对4种轴承状态的识别率高达90%,是一种较为有效的轴承故障诊断方法。     

声振信号分离提纯的风力发电机故障诊断方法研究

由于风力发电机振动信号中掺杂大量声音信号,信号频带受到噪声干扰,致使风力发电机故障诊断效果不佳。为此,提出基于声振信号分离提纯的风力发电机在线故障诊断方法。分析导致风力发电机组声振信号干扰的因素。采用经验模态,将初始风力发电机在线故障信号分解成高频分量与低频分量两部分。采用小波阈值算法去除高频分量的噪声,并与低频分量作重构处理,得出风力发电机的实际故障振动信号。建立反向传播(BP)神经网络训练模型,使用粒子群优化算法得出该网络最佳的权值矩阵与偏置向量,并凭借网络训练算法诊断出故障数据的位置与类型。试验结果表明,所提方法在线故障诊断精度高,并能保证其训练效率与收敛速度,具有较高的实用价值。     

基于ASR降噪和改进LMD的齿轮故障诊断方法

针对恶劣环境影响下齿轮特征信息难以被有效提取出来的情况,提出了一种基于自适应随机共振降噪和改进局部均值分解的齿轮故障诊断算法。利用粒子群优化算法对随机共振参数进行优选,实现最佳随机共振输出,提取出微弱故障信息;基于故障特征频率信噪比,改进局部均值分解,剔除伪分量的干扰,提取模糊熵特征对齿轮类型进行诊断识别。实验研究表明,该方法能较好地识别出多种齿轮类型,是一种有效的齿轮故障诊断算法。     

基于内禀模态奇异值分解和支持向量机的故障诊断方法

提出了一种基于内禀模态(Intrinsic mode functions,简称IMFs)奇异值分解和支持向量机(Support vector machine,简称SVM)的故障诊断方法.采用经验模态分解(Empirical mode decomposition,简称EMD)方法对旋转机械故障振动信号进行分解,将得到的若干个内禀模态分量自动形成初始特征向量矩阵,然后对该矩阵进行奇异值分解,提取其奇异值作为故障特征向量,并进一步根据支持向量机分类器的输出结果来判断旋转机械的工作状态和故障类型.对齿轮振动信号的分析结果表明,即使在小样本情况下,基于内禀模态奇异值分解和支持向量机的故障诊断方法仍能有效地识别齿轮的工作状态和故障类型.     

基于DVMD降噪的旋转机械故障诊断

针对振动信号噪声难以剔除而造成故障诊断精度低的问题, 提出了一种基于深度变分模态分解(DVMD)的 旋转机械故障诊断方法. 首先, 利用麻雀算法(SSA)对变分模态分解(VMD)算法的参数进行优化. 然后, 通过SSA– VMD对信号进行自适应深度分解得到模态分量, 将每层深度的分量与原始信号作皮尔逊相关系数分析, 再对分量 进行奇异值分解(SVD)或者直接剔除, 将处理后分量重构后, 实现振动信号的深度降噪. 最后, 提取降噪信号的一维 多尺度排列熵特征和二维时频特征, 将特征依次放入轻量级梯度提升机(LightGBM)中进行训练, 实现故障诊断. 设 计方法在风力涡轮传动系统的齿轮箱故障信号上进行验证, 不仅能够剔除信号的大量噪声, 并且提高了故障诊断精 度, 具有良好的工程应用前景.     

基于EEMD-Treelet和高斯过程的起重机齿轮故障诊断

齿轮故障诊断对于起重机安全运行至关重要;提出了一种基于集成经验模态分解(ensemble empirical mode decomposition, EEMD)-Treelet变换和高斯过程(gaussian process, GP)的起重机齿轮振动故障诊断新方法;设计一种细菌觅食算法(bacterial foraging optimization, BFO)优化高斯过程模型超参数;建立基于集成经验模态分解-希尔伯特变换的齿轮振动参数信号特征提取方法,利用Treelet变换实现这些特征的降维学习;建立基于细菌觅食算法优化高斯过程的齿轮故障模型;实验结果表明,EEMD-Treelet-GP诊断方法不仅可以识别最佳特征向量,而且可以识别故障位置。     

基于径向基神经网络的新型齿轮故障诊断方法

非平稳工况下的齿轮故障检测是一项非常困难的工作,由于齿轮振动信号的复杂性,导致故障特征提取和故障诊断困难.针对这些问题,基于径向基(radial basis function, RBF)神经网络,提出一种在变速条件下齿轮的故障诊断方法 CIHDRFD.首先利用自适应白噪声的完整集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN),将原始振动信号分解为多个固有的模态函数(intrinsic mode function, IMF),并通过计算其信息熵(information entropy, IE)筛选出IE最小的4个IMF作为特征IMF;然后利用希尔伯特变换(hilbert transform, HT)处理特征IMF并求出Hilbert包络谱,利用Hilbert包络谱构建故障特征向量;最后利用改进的双RBF神经网络进行故障检测.通过搭建齿轮故障检测平台验证CIHDRFD方法的有效性,实验结果表明, CIHDRFD方法适用于齿轮故障诊断,在速度波动为3%的情况下,诊断准确率...     

Intelligent diagnosis method for a centrifugal pump using features of vibration signals

In the field of machinery diagnosis, the utilization of vibration signals is effective in the detection of fault, because the signals carry dynamic information about the machine state. However, knowledge of a distinguishing fault is ambiguous because definite relationships between symptoms and fault types cannot be easily identified. This paper presents an intelligent diagnosis method for a centrifugal pump system using features of vibration signals at an early stage. The diagnosis algorithm is derived using wavelet transform, rough sets and a partially linearized neural network (PNN). ReverseBior wavelet function is used to extract fault features from measured vibration signals and to capture hidden fault information across optimum frequency regions. As the input parameters for the neural network, the non-dimensional symptom parameters that can reflect the characteristics of a signal are defined in the amplitude domain. The diagnosis knowledge for the training of the PNN can be acquired by using the rough sets. We also propose a diagnosis method based on the PNN, one which can deal with the ambiguity problem of condition diagnosis, and distinguish fault types on the basis of the possibility distributions of symptom parameters automatically. The decision method of optimum frequency region for extracting feature signals is also discussed using real plant data. Practical examples of diagnosis for a centrifugal pump system are shown in order to verify the efficiency of the method.     

小波包特征熵在级联式变频器故障诊断中的应用

为精确诊断级联式变频器功率器件开路故障,提出了一种基于小波包特征熵的故障信号提取方法.对采集到的级联式变频器相电压信号进行三层小波包分解,提取特征熵构造电压信号的特征熵向量,并以此作为故障诊断样本,利用概率神经网络进行故障诊断.仿真结果表明,基于小波包特征熵的信号提取方法在级联式变频器故障诊断的应用中具有较高的有效性与可行性.     

基于EMD和神经网络的变速箱状态识别研究

针对变速箱故障信号的非平稳和时变特点,提出了EMD和奇异值相结合的变速箱故障诊断方法;以变速箱箱体振动信号作为分析对象,首先对信号进行EMD分解,提取包含主要信息成分的IMF分量构成特征向量矩阵,计算其奇异值和奇异值熵,分别作为特征向量,通过神经网络和K近邻法判别变速箱的工作状态;在某型装甲车辆的实车测试中,以奇异值作为神经网络的输入特征向量和以奇异值熵作为K近邻法的特征向量均取得了较好的识别效果.     

基于信号经验模态分解与分集合并的齿轮故障诊断

为了准确地进行齿轮故障诊断,结合信号经验模态分解与分集合并,提出了一种新的故障诊断方法;首先,运用经验模态分解对齿轮振动信号进行分解得到若干个分量;其次,根据分量的峭度大小以及相邻分量的峭度是否接近,筛选、合成有效分量;然后,运用等增益分集合并技术对有效分量进行合并,即将其包络进行叠加;接着,使用快速傅立叶变换得到信号包络和的频率谱;最后,根据该频率谱进行故障诊断;通过对仿真信号和齿轮断齿故障振动信号的分析,验证了方法的有效性.     

基于经验模态分解与差分包络谱的齿轮故障诊断

为了准确地进行齿轮故障诊断,结合经验模态分解与纯调频信号差分包络谱,对齿轮故障诊断提出了一种新方法;首先,对齿轮振动信号进行经验模态分解得到多个不同分量;其次,根据峭度最大分量及其相邻分量的峭度值情况,合成有效分量;然后,运用经验调幅-调频分解得到纯调频信号;接着,将纯调频信号应用经验调幅-调频分解及傅里叶变换得到纯调频信号差分包络谱;最后,观察分析纯调频信号的差分包络谱进行故障诊断;利用该方法对断齿齿轮的振动信号进行分析,验证了方法的有效性。     

基于小波包能量熵的电能质量扰动识别

提出了一种基于小波包能量熵的电能质量扰动识别方法。该方法对仿真的扰动电压信号进行4层小波包分解,提取小波包能量熵特征向量,利用主分量分析法提取电压信号的小波包特征向量并输入到概率神经网络(PNN)进行扰动识别,实现了扰动样本的最优压缩,简化了扰动分类中神经网络分类器的结构,提高了神经网络扰动识别的速度和精度。仿真结果表明,该方法具有良好的扰动识别能力。     

基于PNN的煤炭输送机减速器齿轮故障诊断

针对煤炭输送机减速器出现的故障,提出在多信息融合模型的特征层使用概率神经网络(PNN)对其进行故障诊断的研究。使用PNN、BP对减速器齿轮故障进行仿真实验并比较,结果表明PNN在时间、准确度方面优于BP网络。     

Fault diagnosis based on pulse coupled neural network and probability neural network

In operation of mechanical equipment, fault diagnosis plays an important role. In this paper, a novel fault diagnosis method based on pulse coupled neural network (PCNN) and probability neural network (PNN) is presented. The shape information of shaft orbit provides an important basis for fault diagnosis. However, the feature extraction and classification of shaft orbit is difficult to realize automation. The PCNN technique has excellent performance in the feature extraction. In the present study, a PCNN combined with roundness method is used to extract the feature vector of shaft orbit, because time signature from a PCNN has the property of insensitive to rotation, scaling and translation. Meanwhile, roundness is also with the same properties. Further, the PNN is used to train the feature vectors and classify the vibration fault. By comparison with the back-propagation (BP) network and radial-basic function (RBF) network, the experimental result indicated the proposed approach achieved fast and efficient fault diagnosis.     

一种有效的齿轮故障识别方法

针对齿轮故障特征信息往往被信号中的噪声淹没的问题,提出了一种基于谐波小波包、样本熵和灰色关联度的齿轮故障识别方法。首先,采用顺序形态滤波器,并结合实际选用最简单的直线结构元素,对实测齿轮振动信号进行顺序形态滤波降噪预处理。然后,采用谐波小波包将不同故障的齿轮振动信号分解到3层共8个频带上,并计算各频带的样本熵。最后,以样本熵为元素构造特征向量,通过计算标准故障模式特征向量与待识别样本的灰色关联度来判断齿轮的工作状态和故障类型。试验结果表明,该方法能够有效地应用于齿轮系统的故障诊断。