基于EWT和多尺度熵的轴承特征提取及分类

轴承的故障信息提取直接决定了诊断的正确与否,为了能准确地识别轴承状态,提出了一种基于经验小波变换和多尺度熵的轴承特征信息提取及分类方法。该方法通过提取信号频域相邻最大值间的极小值,对Fourier谱进行自适应划分,并构造合适的小波滤波器组提取不同的模态;再引入多尺度熵,对最优模态建立的粗粒向量进行状态分类。试验分析表明:与EEMD相比,该方法具有更优的自适应特征提取和故障分类特性。     

基于改进开关卡尔曼滤波的轴承故障特征提取方法

提出了一种基于改进开关卡尔曼滤波的滚动轴承故障特征提取新方法,与传统卡尔曼滤波算法相比,该方法每次迭代只需当前监测数据测量值和上一时刻最优估计值,计算效率高,具有较强实时性。首先将故障轴承振动信号分为故障冲击振动和正常振动两种成分;其次,针对故障冲击振动和正常振动两种状态,分别建立基于轴承质量-弹簧-阻尼系统动力学脉冲响应的卡尔曼滤波器及线性卡尔曼滤波器模型;然后,应用基于贝叶斯估计的开关卡尔曼滤波算法对振动信号进行状态估计;最终,通过时域迭代滤波,滤除噪声并识别故障冲击成分,实现轴承故障特征提取。仿真和试验信号分析结果表明了所提方法的可行性和有效性。     

基于LMD与多尺度排列熵的往复压缩机故障特征提取方法

往复压缩机是用于压缩和输送气体的机械设备,针对其振动信号特征,提出基于LMD与多尺度排列熵的往复压缩机轴承间隙故障特征提取方法。利用具有保形特性的Hermite插值法替代传统LMD中滑动平均法构造均值与包络函数,提高LMD对非平稳信号的分解精度;以改进的LMD方法分解各状态下的振动信号,依据相关性系数筛选包含故障状态主要信息的PF分量;利用多尺度排列熵对各PF分量进行定量描述,并以平均类间样本距离对尺度因子进行优选,得出可分性良好的特征向量;利用SVM识别轴承间隙故障的类型,以识别准确率为依据,通过与不同方法所提取的特征向量进行对比,验证了方法的有效性。     

基于低秩鉴别投影的轴承故障特征提取方法

根据滚动轴承故障振动信号特点,提出了一种基于低秩鉴别投影的轴承故障特征提取方法。由时域指标和小波频带能量组成高维特征空间,通过低秩鉴别投影方法对训练样本数据进行特征提取求出低维嵌入矩阵。为了寻找低秩鉴别投影算法在实例中的最优参数,利用网格搜索法寻参,同时将测试样本经低维嵌入矩阵转化后得到的特征向量输入到稀疏表示分类器中进行故障识别,以最高故障识别率对应的参数为最优参数。试验表明该方法有效、可行。     

基于WOA-VMD联合MOMEDA的轴承外圈故障特征提取方法

滚动轴承工作环境较为复杂,在复杂的环境因素影响下,其故障特征信号容易受到噪声的影响,导致其难以被识别。针对这一问题,提出了一种基于鲸鱼优化算法(WOA)的变分模态分解(VMD)联合多点最优最小熵解卷积(MOMEDA)的滚动轴承外圈故障特征提取方法。首先,利用变分模态分解(VMD)对仿真信号进行了分解,使用鲸鱼优化算法(WOA)确定了最佳分解层数以及各分量的样本熵;然后,以样本熵最小值为目标寻优,得出了包含故障信号的最佳分量,对得到的最佳分量进行了MOMEDA重构,从重构信号的包络谱中获得了仿真信号故障特征频率及其倍频;最后,为了验证WOA-VMD联合MOMEDA的有效性,在实验台上采集数据,对滚动轴承的外圈故障信号进行了特征提取。实验结果表明：使用该方法可以高效地进行信号的分解寻优,能较为准确地得到仿真信号的故障频率(100 Hz)和实验台提取信号的近似故障频率(87.5 Hz),验证了该方法的有效性。研究结果表明：低信噪比的工况条件下,采用WOA-VMD联合MOMEDA的方法可以有效地提取滚动轴承的故障特征信号,并能从重构信号中提取故障特征频率。     

基于改进CEEMDAN和优化重构的轴承故障特征提取研究

滚动轴承作为旋转设备的关键部件,其性能严重影响设备的运行安全。由于设备工况复杂,反映轴承的故障特征的冲击成分往往被噪声信号所淹没,导致无法有效的提取故障特征。为了更准确的获取滚动轴承的故障信息特征,本文提出一种基于改进的自适应噪声完整集合模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)和峭度指标的特征提取方法。首先,利用改进的CEEMDAN方法对分解过程中的各段信号添加自适应白噪声,计算唯一的余量来获得各个固有模态函数(intrinsic mode function),与EEMD(ensemble empirical mode decomposition)相比,其分解过程完整。其次,计算各IMF分量的峭度指标,筛选重构IMF分量集,然后利用重构信号峭度最优指标筛选出最合适的重构信号,最后,通过包络解调获得轴承故障特征。结果表明,该方法具有更好的分解效果,自适应性好,可以更好的抑制噪声,提取轴承故障的冲击成分。     

基于LCD模糊熵和流行学习的故障特征提取方法

针对液压泵振动信号非线性、非平稳性以及故障特征难以提取的问题,提出了基于局部特征尺度分解(local characteristic-scale decomposition,LCD)、模糊熵和流行学习的液压泵故障特征提取方法。该方法将LCD、模糊熵和流行学习相结合。首先,利用LCD将振动信号分解成不同尺度下的内禀尺度分量(intrinsic scale component,ISC)并计算各分量的模糊熵,初步提取液压泵高维故障特征。其次,采用流行学习算法中较为典型的线性局部切空间排列(liner local tangent space alignment,LLTSA)对故障特征进行二次特征提取,得到维数低、敏感度高且聚类性好的低维特征。最后,采用支持向量机(support vector machine,SVM)对提取特征进行评估。液压泵的故障诊断实验表明,所提方法能够以较高的精度识别液压泵的各典型故障,具有一定的优势。     

基于LMD能量熵的滚动轴承故障特征提取

为了对滚动轴承运行状态进行有效的判断,利用局部均值分解(LMD)对滚动轴承振动信号进行分解,将复杂的多分量信号分解成多个单分量信号;针对分解后的单分量信号在各频域范围分布不均匀特点,利用LMD能量熵提取出滚动轴承振动信号的故障特征。实验结果表明,LMD能量熵具有较强的信号表征能力,可以有效提取出滚动轴承故障特征。     

基于流行-IMF奇异值熵的转子故障特征提取方法

针对转子振动信号的非平稳性以及微弱故障特征难以提取的问题,提出一种基于集合经验模式分解(ensemble empirical mode decomposition,简称EEMD)的奇异值熵和流形学习算法相结合的故障特征提取方法。首先,对原始振动信号进行EEMD分解,得到若干本征模态函数(intrinsic mode function,简称IMF)分量,根据峭度 欧式距离评价指标选取故障信息丰富的敏感分量,组成初始特征向量,求其奇异值熵;其次,利用近邻概率距离拉普拉斯特征映射算法（nearby probability distance Laplacian eigenmap,简称NPDLE）对奇异值熵组成的特征矩阵进行降维处理;最后,将得到的低维特征子集输入到K-近邻(K-nearest neighbor,简称KNN)中进行模式辨识。用一个双跨度转子实验台数据集和Iris仿真数据集对所提方法进行了验证,结果表明,IMF奇异值熵和NPDLE相结合的方法可以有效地实现转子故障特征提取,提高了故障辨识的准确性。     

基于多尺度形态学分解谱熵的电机轴承性能退化特征提取

结合数学形态学与信息熵理论,提出一种基于多尺度形态分解谱熵的电机轴承退化特征提取方法。对不同损伤程度轴承的振动信号进行多尺度形态分解,分别计算其在不同尺度域内的复杂性度量:能谱熵与奇异谱熵,以其作为预测特征矢量可以对性能退化趋势有很好的线性反映能力。仿真与实例数据验证了此方法的有效性。     

基于最优小波基的轴承故障状态特征提取方法研究

针对轴承故障诊断中最优小波基的选取问题,通过计算SUMVAR值选取最优小波基。用不同小波基对轴承故障仿真信号和故障实验信号进行降噪处理,分析降噪后信号与原信号的能量比值,降噪后信号与原信号标准差,峭度等指标,验证所选小波基的优越性。并对使用最优小波基降噪后信号做希尔伯特包络解调分析,结果表明,该方法能准确提取轴承故障特征频率。     

基于EEMD和ICA的轴承故障特征提取

为实现轴承故障混合信号中提取故障特征频率,提出基于EEMD和ICA的轴承故障特征提取方法。首先利用EEMD对采集滚动轴承故障加速度振动信号进行分解,利用相关系数和波形相似度判断具有分解前信号相似特征的IMF,其次累加相似特征弱的IMF作为噪声,最后利用Fast ICA方法从混合信号中提取滚动轴承的故障特征频率,试验证明该方法可以提取滚动轴承故障特征频率。     

基于参数优化VMD的齿轮箱故障特征提取方法

为解决齿轮箱故障振动信号信噪比低、故障特征提取难的问题,提出了基于参数优化变分模态分解(VMD)的齿轮箱故障特征提取方法。首先,以分解结果的局部极小包络熵最小为目标,利用果蝇算法搜寻VMD分解参数K和α的最优组合;将原始信号分解成若干IMF分量,从中选择包络熵较小的分量进行信号重构,并对重构信号进行包络解调运算,从重构信号的包络谱中提取故障频率特征。结果表明,利用此方法对实测信号进行处理,成功降噪、提取齿轮箱故障特征,并且比利用经验模态分解方法降噪效果更好,提取的故障特征更加明显。     

基于熵权TOPSIS方法的整车动力学性能多目标优化

为提高汽车行驶平顺性和操纵稳定性等整车动力学性能优化匹配效率,提出基于TOPSIS(Technique for ordering preferences by similarity to ideal solution,TOPSIS)方法的设计变量筛选策略。首先建立考虑下控制臂和扭转梁柔性的整车刚柔耦合虚拟样机模型,并通过下控制臂和扭转梁自由模态试验以及整车行驶平顺性和操纵稳定性实车道路试验验证所建整车刚柔耦合模型的正确性。采用试验设计方法研究下控制臂和扭转梁各结构参数分别对前后悬架性能的影响程度,提出基于熵权法和TOPSIS方法的结构综合贡献系数计算方法,以此为评价指标筛选出对悬架性能影响较大的结构参数作为整车性能匹配优化的设计变量,结合Kriging近似模型和NSGA-II算法(Elitist non-dominated sorting genetic algorithm,NSGA-II)对整车行驶平顺性和操纵稳定性进行多目标优化设计,获取Pareto最优解集,并确定出前后悬架系统的优化方案。研究结果表明,与优化前相比较,悬架系统优化后的整车行驶平顺性和操纵稳定性均有所提高,能够实现汽车性能的整体改善。     

自适应多尺度形态学方法在齿轮箱轴承故障特征提取中的应用

针对轴承故障特征提取问题,提出一种自适应多尺度形态学方法。该方法采用形态闭、开相减构成的差值形态算子提取信号中的正、负冲击成分,基于信号的局部峰值间隔确定扁平结构元素的尺度,产生由若干不同尺度结构元素组成的集合,对信号进行自适应多尺度形态学分析。仿真实验结果表明,该方法能有效提取信号的冲击成分,且较单尺度形态学方法有更好的效果。将该方法应用于轴承故障信号处理,结果表明该方法对提取轴承故障特征频率有良好效果。     

基于MEEMD排列熵的高速列车轮对轴承故障诊断

针对目前应用原始振动信号的排列熵单一尺度域分析对高速列车轮对轴承故障在特征提取研究方面的局限,提出了基于改进聚合经验模态分解排列熵的特征分析方法。该方法首先对原始信号进行改进聚合经验模态分解,得到一系列窄带本征模态函数;然后对原信号和本征模态函数分别计算排列熵,组成高维特征向量;最后,将高维特征向量输入最小二乘支持向量机状态识别分类。台架试验数据分析结果表明:该方法针对高速列车轮对轴承故障实现了较高的识别率,验证了通过改进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。     

基于ITD与排列熵的往复压缩机故障特征提取方法研究

针对往复压缩机振动信号的非平稳、非线性和特征耦合特性,提出了基于ITD与排列熵的往复压缩机轴承故障特征提取方法.利用ITD方法将各状态振动信号分解为一系列PR分量,依据相关性系数选择代表故障状态主要信息的PR分量,计算其排列熵形成有效的特征向量.以平均样本距离为特征向量可分性标准,对比了ITD与近似熵方法所提取特征向量,结果表明此法具有更好的可分性.     

基于小波包样本熵的滚动轴承故障特征提取

将样本熵引入故障诊断领域,讨论了样本熵的性能和计算参数的选择.结合小波包分解和样本熵,提出了一种新的滚动轴承故障特征提取方法.首先对轴承振动信号进行小波包分解;然后对归一化能量最大的子带进行重构,计算重构信号的样本熵;最后通过样本熵评价故障状态.滚动轴承故障诊断实例验证了该方法的有效性.