基于EEMD能量熵的高速列车蛇行诊断研究

为解决列车高速运行时,出现的蛇行失稳故障难以被准确识别的问题,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)熵特征和最小二乘法支持向量机(least squares support vector machine,LSSVM)的高速列车蛇行异常运动状态的诊断方法。首先通过EEMD对高速列车蛇行故障振动信号进行分解,再提取固有模态函数(intrinsic mode function,IMF)分量的样本熵特征、香农熵特征和能量熵特征,最后分别用LSSVM进行训练和识别。试验结果表明:高速列车在330~350 km/h的运行速度下,EEMD熵特征-LSSVM方法能准确识别高速列车蛇行失稳状态,并且LSSVM的输入特征为能量熵特征时,识别效果优于样本熵特征和香农熵特征,识别率达到95%。     

基于振动信号时频分解-样本熵的受电弓裂纹故障诊断

构建了基于时频分解-样本熵测度的受电弓振动信号故障特征提取模型。对振动信号进行聚合经验模态分解,接着对分解得到的本征模态函数计算参数优化后的样本熵特征。将获取的故障特征输入基于粒子群参数优化的支持向量机(PSO-SVM)进行受电弓故障识别分析。结果发现,基于受电弓顶管振动信号的EEMD样本熵故障诊断效果较好,而碳滑板振动信号诊断效果较差。针对这一特点,利用二代小波样本熵进行优化,进一步提高了碳滑板振动信号故障诊断结果,验证了现代时频分析算法与信息熵联合的诊断方法在受电弓振动信号特征提取与故障诊断的可行性与有效性。     

基于EEMD的多尺度模糊熵的齿轮故障诊断

为准确利用振动信号进行故障诊断,提出基于EEMD多尺度模糊熵的齿轮故障诊断方法。利用集合经验模态分解(EEMD)对振动信号进行自适应分解,获得原始信号的不同尺度分量;据模糊熵能有效区分不同信号的复杂度,计算EEMD分解所得本征模态函数(IMF)分量模糊熵,获得原始信号多个尺度的复杂测度作为齿轮不同状态的特征参数;将该特征参数输入最小二乘支持向量机(LS-SVM)分类器判断齿轮故障。齿轮箱齿轮故障实验结果表明,该方法能提高齿轮故障诊断精度。     

基于参数自适应的VMD滚动轴承故障诊断

为了更好地选取变分模态分解(variational mode decomposition, VMD)的参数且综合考虑轴承故障信号周期冲击性及循环平稳性,构建了一种平均包络谱峭度结合平均样本熵优化的变分模态分解及加权合成峭度提取最优本征模态分量(intrinsic mode function, IMF)的轴承故障诊断方法。首先,分别将平均包络谱峭度的倒数及平均样本熵归一化并求和。然后,以其最小值原则分别优化VMD参数,对信号进行VMD分解得到若干IMFs,计算各IMF加权合成峭度,其值最大即为最优IMF。最后,进行包络谱分析判别故障类型。运用内圈故障仿真信号和实际轴承数据验证本文方法的有效性。     

基于EEMD能量熵及LS-SVM滚动轴承故障诊断

针对滚动轴承振动信号的非平稳特性和现实中难以获得大量典型故障样本的实际情况,提出基于集合经验模态分解（EEMD）能量熵和最小二乘支持向量机（LS-SVM）的滚动轴承故障诊断方法。首先通过EEMD分解将非平稳的原始振动信号分解成若干个平稳的固有模态函数（IMF）;滚动轴承同一部位发生不同严重程度的故障时,在不同频带内的信号能量值会发生改变,因此可通过计算振动信号的EEMD能量熵判断发生故障的严重程度;从包含主要故障信息的IMF分量中提取的能量特征作为输入来建立支持向量机,判断滚动轴承的技术状态和故障严重程度,并选用不同核函数对诊断效果进行分析比较。实验结果表明,该方法能有效地应用于滚动轴承的故障诊断。     

VMD样本熵特征提取方法及其在行星变速箱故障诊断中的应用

针对行星变速箱故障特征微弱、信号传递路径复杂,传统样本熵特征难以区分其工作状态的问题,提出了结合变分模态分解(VMD)和样本熵的特征提取方法,深入研究了VMD算法中分解尺度和二次惩罚因子的优化策略,给出了基于敏感度最大原则的VMD分解各IMF与原信号相关系数阈值的确定方法。在行星变速箱故障模拟试验台采集不同试验工况下振动信号,考虑行星齿轮运行周期问题以获取可用数据。结果表明,与样本熵和EEMD样本熵相比,VMD样本熵具有计算效率高、对不同状态的区分能力强、采样频率对其计算结果影响小等特点,可用于行星变速箱的故障诊断。     

基于CEEMD和GG聚类的电能质量扰动识别

提出一种基于完备总体经验模态分解(complete ensemble empirical mode decomposition,CEEMD)和GG(gath-geva)聚类的电能质量扰动识别方法。CEEMD是一种对EEMD(ensemble empirical mode decomposition)的改进算法,其特点是向原始信号中以正负成对的形式加入白噪声,有利于减少重构信号中残余的辅助噪声;且在分解的每一个阶段都加入特殊噪声,计算一个唯一残差以得到每个IMF,因此分解的结果是完整的,优于EEMD。CEEMD不仅有效解决了EEMD的模态混叠的问题,同时也保留了EEMD处理非平稳信号的优势,再将CEEMD 分解的IMF分量的互近似熵值作为特征向量输入到GG模糊分类器中进行电能扰动的分类识别。为了验证该方法的有效性,进行了仿真和实测实验,结果表明,该方法有较好的频谱分离效果,且仅需要较少的迭代次数,减轻了计算成本。     

基于VMD-DE的坦克行星变速箱故障诊断方法研究

为了提高坦克行星变速箱齿轮故障模式识别准确率,将变分模态分解(VMD)与散布熵(DE)结合提出故障特征提取新方法。利用波形法确定VMD分解层数,VMD分解振动信号得到一组固有模态分量(IMF);根据归一化互信息准则筛选若干IMF重构信号,计算重构信号的散布熵;将重构信号散布熵作为特征值输入到粒子群优化(PSO)的多分类支持向量机(SVM)中实现故障模式识别。通过对坦克行星变速箱的正常、行星轮故障和太阳轮故障三种状态进行模式识别,分类准确率达到100%,且计算时间较短。与基于原始振动信号DE、VMD-SE(样本熵)、VMD-PE(排列熵)及EMD-DE(经验模态分解与DE结合)等方法比较,综合考虑准确率和计算时间两个因素,基于VMD-DE的方法故障诊断性能最佳。     

基于EEMD和Teager能量算子的行星齿轮箱故障特征提取研究

针对行星齿轮箱振动信号故障特征提取困难、幅值和频率调制明显等问题,提出一种基于集合经验模态分解(EEMD)和Teager能量算子的行星齿轮箱故障特征提取方法。新方法首先利用EEMD分解样本信号得到若干本证模量函数(IMF),计算各IMF与原始信号的相关系数和欧式距离,筛选出能够表征原始信号特征的分量。其次,计算筛选后各IMF分量的Teager能量算子,将计算结果进行信号重构。最后,提取重构信号模糊熵及其对应概率密度函数的波形指标,作为基本特征参数进行故障诊断。将所提方法应用于行星齿轮箱实验数据分析,并与常用特征提取方法对比,结果表明:所提出的新方法不仅能有效区分行星齿轮箱故障类型和程度,且识别率优于所对比的方法。     

往复压缩机气阀故障混合诊断方法研究

由于往复压缩机气阀振动信号呈现强非线性和非平稳性特点,目前应用较好的三次样条EEMD(S-EEMD)方法仍然存在模态混叠及包络不准确问题。针对此情况提出一种基于四次Hermite插值EEMD(QH-EEMD)与功率谱熵(PSE)相结合的分析方法。结合四次Hermite插值保形性、可调性与EEMD提高信号在不同分解尺度上连续性的优点改善插值曲线的逼近精度,减少模态混叠,通过对振动信号进行分解,得到IMF分量。通过与S-EEMD-PSE(S-EEMD结合PSE)算法、QH-EEMD-SE(S-EEMD结合样本熵)算法比较,验证了QH-EEMD-PSE(QH-EEMD结合PSE)方法的优越性。以往复压缩机常见故障为研究对象,基于QH-EEMD-PSE方法提取故障特征实现了常见故障的准确诊断。