基于CEEMD和RobustICA的机械设备故障特征提取方法研究

为有效提取复杂背景噪声条件下的滚动轴承故障特征,提出一种基于互补集合经验模态分解(CEEMD)和鲁棒性独立成分分析(RobustICA)相结合的方法。该方法先通过CEEMD分解故障信号并得到若干个不同频率的信号分量。然后依据所构建的组合权重指标体系完成有效信号分量的筛选与重构,并引入虚拟噪声通道。最后,通过RobustICA方法完成信号和噪声的分离,并将降噪后的信号进行包络解调。结果表明,所提出的方法不仅对强噪声干扰有很好的降噪效果,而且能够准确地提取出故障特征。     

CEEMD和MCKD的滚动轴承早期故障特征提取

当滚动轴承处于早期故障阶段的时候,受环境噪声和信号衰减的影响,滚动轴承振动信号特征频率成分难以精确提取,并且在信噪比较低时CEEMD不能很好提取微弱故障。针对上述问题,提出了基于互补集合经验模态分解(Complementary ensemble empirical mode decomposition,CEEMD)和最大相关峭度解卷积(Maxim correlated kurtosis deconvolution,MCKD)相结合的故障特征提取方法(CEEMD-MCKD)。两种方法的结合有效解决了CEEMD分解后无法提取出淹没在背景噪声中微弱信号特征的问题,又保持了信号的完备性,避免了有用信息的损失。通过仿真和试验验证了该方法的有效性及优点。     

CEEMD与卷积神经网络特征提取的故障诊断方法研究

轴承动力学行为具有非线性的特点,导致其振动信号特征与运行状态之间存在较强的非线性关系;且振动信号的特征提取与选择往往需要大量的先验知识,导致特征的设计难以准确反映不同的运行状态。针对以上问题,提出一种基于互补集合经验模态分解(Complementary ensemble empirical mode decomposition,CEEMD)与卷积神经网络(Convolutional neural networks,CNN)的特征提取方法,从振动信号时频图中自适应提取其敏感特征,反映设备运行状态。首先采用CEEMD算法分解得到振动信号的固有模态函数(Intrinsic mode function,IMF)分量,构造各个IMF时频图,并采用CNN提取时频图的特征;然后,将提取到的特征与小波包分频带能量值相结合,组建特征指标向量,用于构建轴承故障诊断模型。将该方法应用于不同负载、不同故障深度的轴承试验中,结果表明该方法能够在多种工况下有效地提高故障识别率。     

MVMD与IEDPE结合的转子故障特征提取方法

为准确表征转子系统不同运行状态，提出一种改进的变分模态分解(Modified Variational Mode Decomposition, MVMD)与瞬时能量分布排列熵(Instantaneous Energy Distribution Permutation Entropy, IEDPE)结合的转子故障特征量化提取方法。利用相关性阈值策略确定变分模态分解(Variational Mode Decomposition, VMD)分解层参数并设计MVMD算法；然后，将采集到的振动信号输入MVMD中进行分解，计算各模态分量的瞬时能量分布；最后，提取各模态分量IEDPE作为故障量化特征。与MVMD+PE、EMD+IEDPE、EEMD+IEDPE进行对比，结果表明，提取的故障特征可更有效地表征转子故障状态之间的显著差别，使故障类别更准确识别。     

基于HLS-SVDR和SPPCS的CEEMD的滚动轴承微故障特征提取

针对互补集总经验模态分解(complementary ensemble empirical mode decomposition,简称CEEMD)在处理非平稳随机信号时能够有效地消除模态混叠,却仍然存在包络拟合过冲/欠冲和端点效应问题,提出了同伦-最小二乘支持向量双回归(homotopy least squares-support vector double regression,简称HLS-SVDR)的保形分段三次样条(shape-preserving piecewise cubic spline,简称SPPCS)的完备CEEMD改进方法。首先,使用SPPCS插值法消除在构造上、下包络曲线过程中产生的拟合过冲/欠冲问题,获得有效的包络线;其次,使用HLS-SVDR对各层信号极值点的包络均值曲线两端进行左、右预测覆盖以抑制端点效应;最后,将该方法用于滚动轴承的微故障特征提取的实例分析中。实验结果表明,该方法能够更有效地提取滚动轴承微故障特征,实现了一种既保持CEEMD原有特性,同时又能够抑制过冲/欠冲和端点效应的完备CEEMD算法。     

基于Gabor小波与FastICA的人脸表情特征提取方法研究

目前社会上习惯将人脸表情细分成7种基本表情,而对于现有7种基本表情的识别效果却还有待提升。目前人脸表情的识别率普遍不高的原因主要是由于特征提取方法不佳,导致后续识别分类器无法达到预想效果。为此,文中提出了一种新的人表表情特征提取方法,该方法结合Gabor小波提取表情海量信息,然后通过FastICA将海量信息降维,得到最优信息,并通过HMM方法验证表情特征提取的有效性。实验结果表明,该方法能有效保证特征信息的有效性。     

变速器新产品故障特征提取与分类方法

针对汽车变速箱原始故障特征向量维数过高导致的检测效率低、准确率低的问题,提出一种基于阶次分析理论的特征提取方法和基于遗传算法—反向传播神经网络的特征选择与分类方法。首先运用阶次分析理论提取变速器的阶次域特征,与时域特征共同组成特征向量集;然后将类内类间距离比与惩罚系数之和作为目标函数值,利用遗传搜索策略对特征向量集进行特征选择,得到特征子集;最后用反向传播神经网络算法进行故障分类,得到检测结果,并通过实验验证了所提出方法的有效性。     

双谱估计结合EEMD的齿轮故障特征提取

以实测齿轮箱振动信号为分析对象,对锥齿轮系统进行故障特征提取。通过总体平均经验模态分解(EEMD)将采集到的振动信号进行分解,对比分析原始信号功率谱密度特性和各本征模态函数(IMF)频谱特性,抽取相关频带的IMF分量进行信号重构;对重构信号利用直接法进行双谱估计,计算重构信号的双谱熵和非高斯性强度并分析其随试验时间的变化趋势。结果表明,双谱熵和非高斯性强度可以有效反映齿轮运行实时状况,可作为故障诊断和趋势预测的故障特征值。     

机电设备故障音频特征提取方法研究

针对机电设备的故障音频信号特征,深入研究了ICA信号处理过程并引入了基于负熵的快速不动点算法。提出了基于EMD-ICA的故障音频特征提取方法,通过EMD的自适应分解能力,解决了ICA处理过程中信号源数目的限制问题,同时利用ICA方法的盲源分离能力,避免了EMD分解的模态混叠现象。实验表明:通过EMD-ICA方法,能有效对机电设备故障音频特征进行提取,在故障诊断的准确性和鲁棒性方面具有优势。     

SGMD-MOMEDA滚动轴承故障特征提取方法研究

针对滚动轴承的振动信号因非线性、非平稳且信噪比低而造成故障特征难以提取的问题,基于辛几何模态分解(Symplectic Geometry Mode Decomposition, SGMD)和多点最优最小熵解卷积调整(Multipoint Optimal Minimum Entropy Deconvolution Adjusted, MOMEDA)理论,提出了SGMD-MOMEDA故障提取方法。首先,使用SGMD对故障信号进行分解,得到一列的辛几何分量(Symplectic Geometry Components, SGC);其次,依据相关性准则选取SGC进行信号重构,并确定MOMEDA分解参数;最后,使用MOMEDA方法对重构信号进行处理以提高信噪比,并利用包络谱分析对处理后的信号提取故障特征。仿真和实验结果表明,该方法能够准确地提取滚动轴承的故障频率,且与经验模态分解(Empirical Mode Decomposition, EMD)方法的对比结果显示了SGMD方法作为预处理其分解结果更加准确,在故障诊断领域具有较大的应用价值。     

LMD-MOMEDA滚动轴承故障特征提取方法研究

由于滚动轴承的故障信号在强噪声的背景之下很容易被淹没,并且具有非线性、非平稳等特点致使故障特征提取困难,在分析了滚动轴承振动信号的特点后提出了一种将局部均值分解（LMD）与多点最优最小熵解卷积（MOMEDA）相结合的故障特征提取方法。首先将滚动轴承的故障信号进行LMD分解,得到一系列的PF分量;然后根据相关系数准则对相关程度较高的PF分量进行重构,用MOMEDA方法对重构后的信号进行降噪,提取故障特征。并通过实验验证了该方法的有效性。     

基于JSO-VMD的滚动轴承故障特征提取方法

滚动轴承发生故障时,其机械振动信号包含复杂的信息成分,影响故障信号的提取,导致故障识别困难.文中提出一种基于水母优化算法(JSO)与变分模态分解(VMD)结合的滚动轴承故障特征提取方法.应用JSO对VMD算法中固有模态函数(IMF)的个数k以及惩罚因子α作自适应优化处理.运用JSO-VMD算法对原始振动信号进行分解,得...     

基于FastICA算法的转子故障特征分析

为了诊断转子系统故障,针对转子信号特征混叠现象,提出了基于负熵的Fast ICA算法,并将其应用在转子故障信号分析上,对采集的转子振动信号进行特征分离提取,从而进行故障诊断。根据最大负熵迭代原理建立目标函数,以信号的非高斯性最大作为评判标准,通过模拟转子振动信号验证了该方法的可行性,且分离结果显示该算法具有稳定性和准确性,通过转子故障模拟实验台进行实测振动信号分析,进一步验证了该方法的有效性,为下一步诊断打下良好基础。     

基于SWT-MCKD的滚动轴承故障特征提取方法

针对在强噪声背景下轴承早期微弱故障特征难以提取问题.提出了一种基于同步压缩小波变换(Synchrosqueezing Wavelet Transform,SWT)和最大相关峭度反卷积(Maximum correlation kurtosis deconvolution,MCKD)相结合的滚动轴承故障诊断方法.首先采用S...     

基于SNRgram方法的滚动轴承故障特征提取

针对平方包络信号的负熵对随机脉冲敏感以及平方包络谱的负熵易受离散谐波干扰，从而导致信息图法对随机脉冲和离散谐波分析时鲁棒性差的问题，引入信噪比测度作为轴承故障信息的评估指标，识别包含丰富故障信息的共振频带，并进一步提出基于SNRgram的包络分析方法提取滚动轴承故障特征。仿真和试验结果表明，相对于信息图和其他典型频带识别方法，SNRgram方法处理随机脉冲和离散谐波时具有更强的鲁棒性以及更高的频带识别准确性，能够有效识别轴承故障相关共振频带并提取轴承故障脉冲特征。     

峭度准则EMD与空域相关结合的滚动轴承故障特征提取

针对滚动轴承故障信号非线性、非平稳的特点,提出一种经验模态分解(Empirical Mode Decomposition,EMD)与空域相关相结合的信号特征提取方法。首先,利用EMD方法将振动信号分解成若干个固有模态分量(Intrinsic Mode Function,IMF);然后采用峭度准则选取能够反应故障特征的IMF分量进行重构,再对重构信号运用空域相关法进行降噪;最后将处理后的振动信号进行Hilbert包络谱分析,提取出轴承的故障特征。采用所建立的方法分析轴承外圈故障的实验数据。结果表明,峭度准则EMD与空域相关相结合的方法能够对振动信号进行降噪处理并有效地提取出轴承外圈故障特征频率。     

MOMEDA结合数学形态滤波的齿轮故障特征提取

为了实现齿轮故障特征的有效提取,针对齿轮早期故障振动信号非线性、非平稳且信噪比低的特点,提出了一种基于多点最优最小熵反卷积(MOMEDA)和数学形态滤波的齿轮故障特征提取方法。首先利用MOMEDA恢复信号中的周期性故障特征并实现信号的降噪,再运用形态差值滤波器对解卷积后的信号进行滤波以增强信号中的冲击特征,最后对滤波结果求取频谱以进行故障特征提取;通过对仿真结果和实验数据的分析验证了该方法的可行性和有效性。结果表明,该方法具有抑制噪声和提取周期性故障冲击特征的能力,能够实现齿轮故障特征的提取。     

全矢谱和稀疏分解结合的轴承故障特征提取

针对滚动轴承在故障早期特征信号微弱、故障特征提取困难以及单通道分析方法信息利用不充分等问题,提出了一种基于稀疏分解与全矢谱相结合的滚动轴承早期微弱故障特征提取方法。首先,在已构造的冗余字典基础上对滚动轴承同源双通道早期故障信号分别进行稀疏分解,得到各自的稀疏信号;然后,将同源双通道稀疏信号进行全矢信息融合;最后,对融合后的信号进行包络解调分析,以提取出故障特征频率。该方法将全矢谱拓展到早期微弱故障诊断领域,并通过实验验证了其在早期微弱故障特征提取方面的有效性。     

气门故障特征提取及诊断方法的分析与研究

分析比较了工程实践中用于分析气门信号的两种方法(短时傅立叶变换和小波变换)的各自特点,指出用短时傅立叶变换分析气门信号存在的缺点,通过理论分析,得出用小波变换作为提取气门故障特征这一方法的优点.