基于EMD和SVM的刀具故障诊断

为有效监测刀具在机床中可能出现的故障,提出基于经验模态分解(EMD)和支持向量机(SVM)的一种故障诊断方法。首先用EMD方法将振动信号分解为有限个固有模态函数(IMF),并选取能量较大的IMF进行标量量化得到特征向量,最后将其输入SVM进行测试进而判断故障类型。分析结果表明,基于EMD-SVM的刀具故障方法能够更有效地识别刀具故障状态。     

基于EMD复杂度特征和SVM的轴承故障诊断研究

针对滚动轴承振动信号的非平稳特性和在现实条件下难以获取大量故障样本的实际情况,提出一种经验模态分解、复杂度测量分析和支持向量机相结合的故障诊断方法.运用经验模态分解方法对其去噪信号进行分析,利用互相关系数准则对固有模式分量进行筛选,再计算所选分量的复杂度以组成故障特征向量,并将其作为支持向量机的输入以识别滚动轴承的故障...     

LCD—GA—LSSVM集成分类器及其在齿轮故障诊断中的应用研究

针对齿轮故障诊断模式识别问题,在综合局部特征尺度分解、遗传算法及最小二乘支持向量机学习算法各自优点的基础上,提出了一种新的局部特征尺度分解—遗传算法—最小二乘支持向量机(LCD-GA-LSSVM)集成分类器模型。在该模型中,利用局部特征尺度分解算法实现对样本数据的特征选取;最小二乘支持向量机实现样本特征向量与故障模式之间的非线性映射;遗传算法用于实现对最小二乘支持向量机的参数进行优化以使其泛化能力达到最优。经过实验分析与验证,LCD-GA-LSSVM集成分类器对齿轮正常、齿根裂纹、齿面磨损、轮齿折断、局部齿形误差、复合故障等6种运行状态120组测试样本的识别率达到了93.33%。     

齿轮泵压力信号的负熵基ICA特征提取和故障诊断

齿轮泵动态压力信号蕴含了丰富的状态信息,是齿轮泵的关键性能参数之一;负熵是随机变量独立性的自然测度,反映了机械信号信息的动态变化特征。为了进行基于齿轮泵动态压力信号的故障诊断,在引入经验模态分解技术的基础上,提出了齿轮泵压力信号的负熵基ICA特征提取方法,并进而联合最小二乘支持向量机,探讨了基于ICA和LS-SVM的齿轮泵特征提取和故障诊断方法;理论和试验研究表明,基于负熵的ICA特征提取和故障诊断方法是有效的。     

基于EMD与GA-SVM的轴承故障诊断

特征提取与特征选择是实现轴承故障诊断的关键.针对特征提取,首先将轴承振动加速度信号进行经验模态(empirical mode decomposition,简称EMD),得到一组固有模态函数(intrinsic mode function,简称IMF),计算各IMF的能量和IMF矩阵的奇异值分布,采用Shannon熵、Rrnyi熵度量能量和奇异值分布,同时提取原信号的部分统计特征共同构成原始特征子集;针对特征选择,采用遗传算法(genetic algorithm,简称GA)和最小二乘支持向量机(least square support vector machine,简称LS-SVM)的Wrapper方法选择最优特征子集.在实际轴承故障诊断中的应用,表明文中所提方法的有效性.     

基于EEMD和进化支持向量机的齿轮混合智能诊断方法研究

针对齿轮早期故障特征不明显,提出了一种基于总体平均经验模态分解(ensemble empirical mode decomposition,EEMD)和进化支持向量机相结合的齿轮故障智能诊断方法。利用EEMD能对齿轮振动信号进行自适应的分解成若干本征模式分量(intrinsic mode function,IMFs),并能有效抑制经典经验模式分解可能出现的模式混叠现象。以所得的IMF分量中提取出来的能量特征为输入建立进化支持向量机,判断齿轮的故障状态。结果表明:建立的混合智能诊断方法的分类正确率最高,能有效诊断齿轮早期故障。     

基于VMD能量熵与支持向量机的齿轮故障诊断

针对机械设备的齿轮运行受环境噪声影响严重以及难以获得大量故障样本的问题,提出一种基于变分模态分解(Variational Mode Decomposition,VMD)能量熵特征与支持向量机相结合的齿轮故障诊断方法。首先是利用变分模态分解对机械振动信号进行处理得到若干个模态分量,同时利用传统的经验模态分解(EMD)对相同信号进行分解再对比两种方法的分解效果,然后计算变分模态分解各模态分量的能量熵作为特征值,最后将特征值作为支持向量机的输入进行故障诊断。实验结果表明VMD可以较好的将复杂的振动信号分解并且一定程度抑制模态混叠现象的发生,以VMD能量熵特征与支持向量机相结合的方法可以迅速、有效的实现齿轮的故障诊断。     

基于EMD和冲击脉冲的齿轮故障诊断

介绍了冲击脉冲法的基本原理,采用基于经验模态分解的冲击脉冲法,信号带通滤波后,进一步采用经验模态分解方法自适应滤波提取故障齿轮振动信号中的调制信息,最后应用Hilbert变换解析出故障频率.仿真信号和实验验证结果表明,与仅仅采用冲击脉冲法比较,该方法更能突出故障频率成分,避免误诊断.     

基于EMD和球结构SVM的滚动轴承故障诊断

提出了一种基于经验模式分解(Emprical Mode Decomposition,简称EMD)和球结构支持向量机的滚动轴承故障诊断方法.该方法以EMD的能量特征向量作为输入来建立球结构支持向量机分类器,识别滚动轴承的故障类型,通过麦克斯韦的三角平面坐标色度图方法进行可视化验证,并且与小波包能量特征向量作为输入的球结构支持向量机诊断方法进行比较.结果表明,用EMD能量法作预处理更能准确地提取故障特征量,有更高的故障识别率.     

基于EMD和免疫参数自适应SVM的滚动轴承故障诊断

为实现滚动轴承故障的智能诊断,提出一种基于经验模式分解和免疫参数自适应支持向量机相结合的滚动轴承故障诊断方法.使用经验模式分解将故障信号分解为若干个本征模函数之和,然后通过定义的故障特征频率筛选函数,自动地从各本征模函数的包络谱中提取出包含轴承外圈、内圈及滚动体故障的特征向量.在特征提取的基础上,将改进的免疫克隆选择算法和K折交叉验证方法相结合,实现了支持向量机参数的自适应优化选取,并进一步训练得到免疫参数自适应支持向量机分类器.通过SKF6203滚动轴承数据实验表明,该方法能获得较高的故障诊断识别率.     

基于EMD和支持向量机的柴油机故障诊断

为了解决传统小波或小波包变换方法对柴油机振动信号频率分辨率不高、易受邻近谐波分量间交叠影响的缺陷,提出了一种基于经验模态分解和支持向量机的故障诊断方法。该方法首先对振动信号进行经验模态分解,分别提取能量最大的几个基本模式分量的小波包特征;然后采用支持向量机在每个独立的特征子集中进行训练,并按该子集对应的基本模式分量的能量权重进行加权融合。试验中将该方法应用于6135型柴油机的故障诊断,结果表明,针对每个基本模式分量分别进行故障分析是可行的,能够对6135型柴油机常见故障模式进行准确识别。     

基于奇异值分解和支持向量机的转子故障诊断

为了准确识别转子不平衡、不对中、碰摩和油膜涡动等故障,利用小波分析对转子故障信号进行4层分解,将频率由高到低的5个分支信号作为奇异值分解（Singular Value Decomposition,SVD）矩阵的行向量,经奇异值分解后得到信号的故障特征值。通过支持向量机（Support Vector Machine,SVM）在选择不同的核函数和结构参数下比较其对转子故障诊断结果的影响。结果表明在选择最优SVM模型和参数的基础上,对SVD获得的故障特征值进行诊断,得出了准确的诊断结果。     

奇异值熵和支持向量机的齿轮故障诊断

提出了一种基于总体平均经验模态分解(ensemble empirical mode decomposition,简称EEMD)奇异值熵和支持向量机的齿轮故障诊断方法.首先,通过EEMD方法将非平稳的原始加速度振动信号分解成若干个平稳的本征模式分量,将得到的若干个本征模式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,并对其进行归一化,求得奇异值熵,根据奇异值熵值大小可以判断齿轮的故障类型;最后,将奇异值故障特征向量作为支持向量机的输入,判断齿轮的工作状态和故障类型.试验结果表明,即使在小样本情况下,基于EEMD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.     

改进的经验模式分解在机械故障诊断中的应用

针对经验模式分解(empirical mode decomposition,简称EMD)在工程应用中存在的端点效应和模式混叠问题,提出了一种改进的EMD方法。首先,利用遗传支持向量回归对短信号进行延拓;然后,采用改进的包络拟合方法并结合总体经验模式分解(ensemble empirical mode decomposition,简称EEMD)处理信号,数值仿真结果验证了该方法能够有效抑制端点效应和模式混叠;最后,利用该方法并结合包络解调对滚动轴承内圈故障信号进行实验与分析。结果表明,与EMD相比,该方法可以更有效地提取故障特征,满足机械设备故障诊断工程实际需求。     

基于EMD和非线性峭度的齿轮故障诊断

采用经验模式分解(empirical mode decomposition,简称EMD)和非线性峭度的统计特性对振动加速度传感器获取的齿轮箱振动响应信号进行特性分析。利用EMD分解获得振动响应信号的本征模式函数,用非线性Tea-ger能量算子计算每个本征模式函数的瞬时能量,并对本征模式函数进行系数的非线性峭度计算,提取系统的特征信息。仿真结果表明,用经验模式分解和非线性峭度可实现在线监测齿轮运转工作状态,及时发现齿轮的早期故障,提高了故障检测的可靠性。     

均值优化经验模态分解及其在转子故障诊断中的应用

经验模态分解（Empirical mode decomposition,EMD）作为一种自适应的信号分解方法已经被广泛应用于诸多工程领域。为了提高EMD的分解性能,分别考虑从不同权值均值曲线的迭代筛分结果中选择正交性最小以及从每层内禀模态函数迭代结果中选择最优以保证整体分解最优,发展了两种均值优化经验模态分解（Mean-optimized empirical mode decomposition,MOEMD）算法。通过仿真信号分析,将MOEMD方法与EMD等现有信号分解方法进行了对比,结果表明,MOEMD方法在分解性能和分解精度方面比EMD等方法有显著提高。最后,将MOEMD方法应用于转子碰摩故障信号分析,并与EMD进行了对比分析,结果表明,MOEMD方法不仅能够有效地识别转子碰摩故障,而且识别效果优于EMD方法。     

APEEMD及其在转子碰摩故障诊断中的应用

总体平均经验模态分解(ensemble empirical mode decomposition,简称EEMD)是抑制经验模态分解(empirical mode decomposition,简称EMD)模态混叠的有效方法,针对EEMD分解效果依赖于添加噪声的大小、筛分次数和总体平均次数等参数的选择及噪声残留大、分解不完备等问题,提出了自适应部分集成经验模态分解。该方法通过成对地向目标信号加入自适应噪声,并对每个内禀模态函数(intrinsic mode function,简称IMF)自动选择筛选次数,通过排列熵检测筛分出高频IMF,再对剩余信号进行EMD分解。将提出的方法应用于仿真和转子碰摩故障试验数据分析,结果表明提出的方法能够有效地应用于转子碰摩故障诊断,而且在分量的精确性、完备性和模态混叠的抑制等方面优于EEMD方法。     

基于免疫算法优化最小二乘支持向量机的压器故障诊断

由于支持向量机中的参数会显著影响着支持向量机分类的精确度,建立了一种基于免疫算法优化最小二乘支持向量机的电力变压器故障诊断模型;该模型以变压器油中主要溶解气体作为向量机的输入,以变压器故障类型作为其相应的输出,选用径向基核、使用免疫算法得到优化参数,充分发挥向量机较高泛化能力的优势.实例验证表明,这种方法能提高变压器的故障诊断准确率,反映了其有效性和正确性.     

EMD方法在烟机摩擦故障诊断中的应用

提出了一种将经验模式分解（Empirical Mode Decomposition，简称EMD）方法与传统信号处理技术相结合的故障诊断方法。首先将原始信号分解为若干基本模式分量（Intrinsic Mode Functions，简称IMFs），通过希尔波特变换得到每个IMF相应的瞬时频率，再对此瞬时频率曲线做傅里叶变换得到其频谱图，该频谱图即表示了对应IMF的调频频率。利用对应IMF组合成基于EMD的滤波轴心轨迹，这种轴心轨迹可以准确反映轴心的实际运行状况。将该方法应用于某炼油厂烟机摩擦故障诊断中，发现摩擦故障信号具有有色噪声分量存在、工频IMF的调频现象和基于EMD轴心轨迹的反转现象等特征。结果表明提出的方法在旋转设备摩擦故障诊断中非常有效。