基于变分模态分解和排列熵的滚动轴承故障诊断EI北大核心CSCD

滚动轴承早期故障信号特征微弱且难以提取,为了从轴承振动信号中提取特征参数用于轴承故障诊断和识别,提出基于变分模态分解(Variational Mode Decomposition,VMD)和排列熵(Permutation Entropy,PE)的信号特征提取方法,并采用支持向量机(Support Vector Machine,SVM)进行故障识别。对轴承振动信号进行变分模态分解,得到不同尺度的本征模态函数;计算各本征模态函数的排列熵,组成多尺度的复杂性度量特征向量;将高维特征向量输入基于支持向量基建立的分类器进行故障识别分类。通过滚动轴承实验数据分析了算法中参数选取问题,将该方法应用于滚动轴承实验数据,并与集合经验模态分解和小波包分解进行对比,分析结果表明,基于变分模态分解和排列熵的诊断方法有更高的诊断准确率,能够有效实现滚动轴承的故障诊断。     

基于RQA与SVM的声发射信号检测识别方法

针对裂纹声发射信号检测问题,提出基于递归定量分析与支持向量机相结合的新型检测方法。利用小波阈值去噪原理,对采集的声发射信号进行去噪,将递归定量分析引入声发射信号检测,提取递归定量分析的量化特征参数,结合支持向量机对模拟裂纹声发射信号进行识别。并实验验证该方法的可行性。     

基于变分模态分解和排列熵的滚动轴承故障诊断

滚动轴承早期故障信号特征微弱且难以提取,为了从轴承振动信号中提取特征参数用于轴承故障诊断和识别,提出基于变分模态分解(Variational Mode Decomposition,VMD)和排列熵(Permutation Entropy,PE)的信号特征提取方法,并采用支持向量机(Support Vector Machine,SVM)进行故障识别。对轴承振动信号进行变分模态分解,得到不同尺度的本征模态函数;计算各本征模态函数的排列熵,组成多尺度的复杂性度量特征向量;将高维特征向量输入基于支持向量基建立的分类器进行故障识别分类。通过滚动轴承实验数据分析了算法中参数选取问题,将该方法应用于滚动轴承实验数据,并与集合经验模态分解和小波包分解进行对比,分析结果表明,基于变分模态分解和排列熵的诊断方法有更高的诊断准确率,能够有效实现滚动轴承的故障诊断。     

基于VMD和样本熵的高压断路器故障特征提取及分类

提出了一种基于变分模态分解(Variational Mode Decomposition,VMD)和样本熵的高压断路器振动信号的特征向量提取方法,并采用支持向量机(Support Vector Machine,SVM)对故障类型进行识别。将断路器振动信号进行滤波处理,对信号进行变分模态分解,利用分解得到的固有模态函数分量(Intrinsic Mode Function,IMF)表征断路器各个振动事件,计算其样本熵作为特征向量,利用SVM对断路器不同运行状态进行分类识别。仿真信号表明,VMD对于处理瞬态非周期性的振动信号具有优越的分解特性。利用该方法在实验室条件下对四类故障状态进行特征提取和识别,对比结果表明应用该方法能有效提取高压断路器的故障特征并准确地识别出故障类型。     

EMD近似熵结合支持向量机的心音信号识别研究

针对心音信号的非线性、非平稳特征和心音识别准确率不高且分类速度较慢的实际情况,提出一种经验模式分解(Empirical Mode Decomposition,EMD)近似熵(Approximate Entropy,ApEn)结合支持向量机(Support Vector Machine,SVM)的心音分类识别方法。首先通过EMD方法将非平稳的心音振动信号分解成若干个平稳的固有模态函数(Intrinsic Mode Function,IMF);然后利用互相关系数准则对IMF进行筛选,计算所筛选IMF的近似熵构成特征向量;最后将特征向量输入SVM分类器进行分类识别。对临床采集的心音样本按本文提出的方法进行测试,结果表明,该方法能有效地用于心音识别。     

基于ITD和模糊熵的滚动轴承智能诊断

利用本征时间尺度分解方法(ITD)将滚动轴承振动信号自适应地分解为几个瞬时频率具有物理意义的单分量信号,并利用模糊熵作为特征,对轴承正常状态,内圈故障,外圈故障及滚动体故障四种工况进行识别,最后利用支持向量机完成滚动轴承的智能诊断。实验数据分析结果表明,该方法对滚动轴承故障的识别正确率较高,具有较强的可行性与有效性。     

基于EEMD-SVM的刀具磨损状态研究

针对刀具磨损监测中信号的非平稳特性和小样本建模中神经网络容易陷入局部值的问题,提出基于多传感器信号,运用集合经验模态分解(ensemble empirical mode decomposition,EEMD)和支持向量机(support vector machine,SVM)相结合的算法,实现对刀具磨损多状态的识别。首先对振动信号进行集合经验模态分解,将其分解为若干个本征模态函数(intrinsic mode function,IMF)之和,然后计算得到三向切削力信号的均值和各本征模态函数分量的能量百分比值作为磨损状态分类特征,最后运用支持向量机和Elman神经网络对刀具在不同磨损状态下的特征数据样本进行训练和识别。实验结果证明该方法能很好地实现对刀具磨损状态的识别,与Elman神经网络相比,支持向量机具有更高的识别率,更适合小样本情况下刀具磨损状态的分类识别。     

HVD分解和GA-BP神经网络结合的井架钢结构损伤识别

针对井架钢结构冲击载荷振动信号非线性、非平稳性对损伤识别的干扰问题,提出了一种基于希尔伯特振动分解(Hilbert Vibration Decomposition,HVD)与遗传算法优化的神经网络(Genetic BP Neural Networks,GA-BP)相结合的智能故障诊断方法。首先,利用HVD分解的方法处理冲击载荷作用下的加速度非平稳振动信号;其次,由斯皮尔曼相关系数选取HVD分解后的最优(Intrinsic Mode Function,IMF)分量,以最优IMF分量能量变化率构造特征向量;最后,通过特征向量建立数据集进行神经网络训练,完成信号的特征学习和故障分类。利用ZJ70型井架钢结构模型进行冲击载荷作用下的单处损伤和多处损伤的不同工况实验验证,结果表明：对于单处损伤位置识别率达到90%,多处损伤位置识别率高达96%,利用HVD分解与GA-BP神经网络相结合的方法具有较好的稳定性,能够准确判断出井架钢结构损伤位置,具有一定的实际应用价值。     

小波包分形与支持向量机在水声目标识别中的应用研究

水声目标分类识别是公认的水声信号处理难题,船舶辐射噪声是一种非线性非平稳信号,具有一定的混沌特性,更好地认识船舶辐射噪声的非线性性质,有助于更好地寻找有效的水声目标检测及识别算法。为了解决水声目标的分类识别问题,提出了利用小波包分形和支持向量机组合进行水声目标识别。利用小波包分解得到目标辐射噪声不同频带内信号分形维数作为特征矢量,并输入到支持向量机实现目标分类,实验结果表明,小波包分形和支持向量机的结合有比较好的分类识别效果,有一定的实际应用价值。     

基于EMD算法的激波管系统误差识别与消除方法

为解决激波管系统误差对压力传感器动态标定存在影响,致使动标结果不准确的问题,采用EMD(Empirical Mode Decomposition)方法分解了压力传感器利用激波管进行动标的数据,对各个分量进行频谱分析,提出了去除激波管系统误差的信号重构模型.分析了多支不同传感器相同IMF(Intrinsic Mode Function)分量的相关性,得到相关系数,确立了相关系数与重构模型中配比因子的关系,进而求得了重构模型中IMF的配比因子.通过对激波管系统误差的识别和去除,得到压力传感器阶跃响应的重构信号.通过与原信号进行对比,结果表明:传感器的固有频率、上升时间和平台的稳定性更符合实际.基于EMD分解的激波管系统误差识别与消除方法可用并效果明显.     

基于EMD和MFCC的舒张期心杂音的分类识别

心音信号是一种具有非线性和非平稳特性的振动信号,基于线性时变或时不变模型的特征提取方法势必会忽略信号的一些内在信息,为了更好的反映心音的本质特征,提出了一种经验模式分解(Empirical Mode Decomposition,EMD)结合Mel频率倒谱系数(Mel-Frequency Cepstrum Coefficient,MFCC)的舒张期心杂音的分类识别方法。心音信号经EMD分解得到有限个固有模态函数(Intrinsic Mode Function,IMF),利用互相关系数准则筛选出主IMF分量,分别提取主IMF分量的MFCC、MFCC的一阶差分系数和Delta值,以此作为隐马尔科夫模型的输入向量,实现对临床采集的正常心音和2类舒张期心杂音分类识别,实验结果表明,该方法能有效的识别心音。     

基于DEMD和模糊熵的滚动轴承故障诊断方法研究

提出一种基于微分的经验模式分解(DEMD)模糊熵和支持向量机(SVM)相结合的滚动轴承故障诊断方法。首先对信号进行基于微分的经验模式分解,得到若干具有物理意义的本征模函数(IMF)分量,再利用相关度准则对固有模式分量进行筛选,计算所选分量的模糊熵,组成故障特征向量,然后将其作为支持向量机的输入来识别滚动轴承的状态。并将该方法与基于EMD模糊熵和SVM相结合的方法进行比较,实验结果表明该方法对机械故障信号能够更有效准确地进行识别分类。     

支持向量机应用于语音情感识别的研究

为了有效识别包含在语音信号中情感信息的类型,提出一种将支持向量机应用于语音情感识别的新方法。利用支持向量机把提取的韵律情感特征数据映射到高维空间,从而构建最优分类超平面实现对汉语普通话中生气、高兴、悲伤、惊奇4种主要情感类型的识别。计算机仿真实验结果表明,与已有的多种语音情感识别方法相比,支持向量机对情感识别取得的识别效果优于其他方法。     

基于DEMD局部时频熵和SVM的风电齿轮箱故障诊断方法研究

为了有效地从非线性、非平稳性的风电齿轮箱故障信号中提取有用的信息成分,将微分经验模式分解、局部时频熵和支持向量机相结合,提出了一种微分经验模式分解局部时频熵和支持向量机的风电齿轮箱故障诊断方法。采用自适应多尺度的数学形态学对故障信号进行滤波;将滤波后的信号进行微分经验模式分解,获得齿轮振动信号的若干IMF分量;把每一个IMF进行分块,计算每一块的局部时频熵值;把局部时频熵值作为支持向量机的输入参数,通过支持向量机进行故障识别与诊断。实验结果表明,基于微分经验模式分解局部时频熵和支持向量机相结合的方法能够对风电齿轮箱故障信号进行准确有效地识别分类。     

基于AE-ANFIS的船舶柴油机故障诊断

柴油机作为船舶主要动力设备，在船舶行业应用极其广泛，但其工作环境恶劣，极易发生故障。为减小船舶航行时柴油机故障带来的经济损失，有必要对其进行故障诊断。通过柴油机实验台架模拟不同类型故障，并在柴油机缸盖处使用振动加速度传感器采集故障信号，选取在1缸缸盖处采集的信号作为样本数据进行数据分析。由于采集的原始信号是多激励源合成信号，其中包含传播噪声、环境噪声，为降低噪声对识别精度影响，首先使用变分模态分解(Variational Mode Decomposition,VMD)对信号进行分解降噪，把原始一维数据分解成能反映柴油机运行状态的多维数据；接着使用自编码器(Auto-Encode,AE)对分离信号进行特征提取，以降低分解信号间的干扰，提高识别准确率；再使用自适应模糊神经网络（Adaptive Fuzzy Neural Network,ANFIS）建立故障诊断模型，并将所提取特征作为诊断模型输入；最后根据诊断模型的识别准确度评价以上方法的可行性。     

特征模态函数双谱分析在叶片裂纹识别中的应用

针对叶片裂纹故障振动信号特征,提出特征模态函数的双谱分析法,首先利用经验模态分解(Empirical Mode Decomposition,EMD)对振动信号进行自适应滤波分解,产生一系列不同时间尺度的特征模态函数(Intrinsic Mode Function,IMF),然后对含有高频信号的高阶IMF分量进行重构,利用双谱提取叶片裂纹的振动信号特征。通过仿真信号和实验分析,验证叶片裂纹产生的高频冲击对叶片振动信号高频部分双谱的影响,证明IMF分量双谱分析的有效性,为风电叶片正常状态监测提供依据。     

碳纤维复合材料损伤声发射信号模式识别方法

针对碳纤维复合材料层合板剪切过程中所产生的纤维断裂及基体开裂声发射信号的数据样本数量多、分布随机、变化形式较为离散等问题,提出一种可用于识别纤维断裂及基体开裂两种损伤类型的方法。首先,利用经验模态分解(EMD)对纤维断裂及基体开裂的声发射信号进行时频变换;然后,对分解后信号进行快速傅里叶变换(FFT)以获得特征频率集,再利用主成分分析法(PCA)对特征频率集进行降维处理;最后,利用支持向量机(SVM)实现纤维断裂及基体开裂信号进行损伤模式识别。结果表明,此方法可较为准确地识别纤维断裂及基体开裂两种信号。针对碳纤维复合材料层合板剪切过程所产生的声发射信号,模型的总识别率达85.8%。     

基于DMS和LS-SVM的复合材料结构健康预测方法

复合材料结构损伤机理复杂,其损伤破坏一般呈现缓慢扩展趋势。为了有效地对复合材料结构健康状态进行预测,将距离形态相似度(DMS)和最小二乘支持向量机(LS-SVM)模型引入复合材料结构健康状态预测中,提出了基于DMS和LS-SVM的复合材料结构健康状态预测方法。首先,以复合材料层合板(T300/QY8911)为具体研究对象,对其进行损伤试验,采集其振动加速度作为表征其健康状态的原始信息,并进行小波包分解,利用分解得到的各个频带信号的样本熵作为特征向量;然后,采用距离形态相似度(DMS)方法确定结构健康指数;最后,将结构健康指数作为建模数据用以构建LS-SVM预测模型,预测复合材料结构健康指数。结果表明,该方法可以有效实现复合材料结构裂纹损伤的预测,具有很好的应用前景。     

自带冠叶片减振实验分析

通过实验研究了高维非线性系统--整圈自带冠叶片减振系统.实验采用了应变片-遥测技术采集叶片根部的动应变数据.通过对实验数据的分析得到了叶片减振效果与叶冠间间隙的关系.     

金属拉深件拉深过程微裂纹AE信号特征参数的优化及状态识别

本文通过对拉深件成型状态的声发射测试,进行了拉深过程AE特征参数信号的提取。对采集到的信号进行局域波分解后提取各IMF(Intrinsic Mode Function)的能量值作为初始特征参数,应用遗传算法对初始特征参数进行优化,生成最优特征参数。采用简单的马氏距离方法,将正常状态和微裂纹状态两种质量状态下的实验数据进行计算,比较两种状态下马氏距离的大小,取其中最小判别距离对应的状态为测试样本的状态类型。研究结果说明了该方法可以有效地识别出拉深件的微裂纹AE信号,从而判断出拉深件的初始裂纹状态,实现AE信号特征参数的优化及对金属拉深件成型质量状态的识别。