基于SSAE-LSTM模型的冷连轧机扭振预测

轧机振动预测模型性能依赖于从输入变量中提取的特征。针对冷连轧机振动数据样本大、非线性强的特点,且在时间上具有前后依赖关系,提出了一种基于SSAE-LSTM的轧机扭振预测方法。首先,对于同种参数数值差异较小、关系表征不明显的轧制过程参数,使用栈式稀疏自编码(SSAE)网络进行无监督自适应特征提取,挖掘生产数据的深层次特征。然后,利用长短时记忆(LSTM)网络在处理时间序列上的优势,将SSAE网络提取到的深层特征作为预测模型的输入,将旋转角加速度作为输出,建立基于LSTM的轧机扭振预测模型。仿真结果表明：SSAE-LSTM模型的预测精度达98.5%,与RNN模型和LSTM模型相比,预测精度分别提高了24.8%和12.2%,验证了该方法的有效性,为实时预测轧机扭振状态提供了参考。     

基于EMD-LSTM的冷轧煤气消耗量预测模型仿真

针对煤气消耗数据量大，而传统机器学习模型在处理大数据时准确度不高，且数据在时间上有一定规律可循的特点，利用长短时记忆神经网络（LSTM）独特的记忆能力对煤气进行预测。为提高LSTM预测模型精度，使用经验模态分解（EMD）算法将煤气消耗数据分解为若干个相对平稳的固有模态函数和一个残差项r(t)，提出基于EMD-LSTM算法的组合煤气预测模型。结果表明：与BP、EMD-BP、LSTM模型相比，该方法能够准确预测煤气消耗量，为企业节约成本和调度人员进行煤气分配提供参考。     

基于EEMD和PSO-SVM的电机气隙偏心故障诊断

针对电机气隙偏心故障如何通过振动信号进行有效诊断、如何选取合适故障特征等系列问题,提出了基于集合经验模态分解(EEMD)的Hilbert时频谱能量特征表达和粒子群参数优化的支持向量机(PSO-SVM)的故障诊断方法.首先对振动信号进行EEMD分解,并通过相关系数法选择有效的IMF分量;其次,对有效的IMF分量提取Hil...     

EEMD降噪与倒频谱分析在风电轴承故障诊断中的应用

针对风电轴承故障时的振动信号为低频信号,并且出现不平稳、非线性等特点,一般很难检验出来,所以提出了一种新的轴承故障诊断方法:首先提出了基于相关系数与峭度相结合的EEMD降噪方法,对轴承振动加速度信号进行去噪,然后对降噪后的信号再次进行EEMD分解并与倒频谱相结合,对振动信号进行处理。此方案不仅提高了振动信号的信噪比,而且抑制了在经验模态分解中的模式混叠现象,提高了故障诊断的准确性,充分显示了其应用在风电轴承故障诊断系统中的可行性。     

基于VMD与时间序列分析的滚动轴承故障特征提取方法

为了在非线性、非平稳的滚动轴承故障振动信号中有效提取出敏感的故障特征,提出了基于变分模态分解(VMD)与时间序列分析相结合的特征提取方法。首先通过VMD将原始信号分解为不同预设尺度的本征模态分量(IMF),对各个IMF分量建立时间序列预测模型,通过叠加重构得到最终的预测模型,比较评价指标确定最优参数的选取。最后,通过仿真信号与滚动轴承实际故障数据分析,并与经验模式分解(EMD)进行对比,结果表明该方法能够有效的提取到故障特征频率。     

基于EMD的滚珠丝杠振动信号滤波技术研究

针对磨削加工中滚珠丝杠振动信号低信噪比、非平稳特性,提出基于经验模式分解(EMD)的振动信号滤波方法。通过EMD将滚珠丝杠振动信号分解为多个平稳的固有模态函数(IMF),并选择包含振动信号特征的若干IMF分量重构,提高了振动信号的信噪比,实现了对振动信号的平稳性分析,得到了振动信号的本质特征,为磨削滚珠丝杠实时监测和故障诊断提供了有效的理论基础。并通过仿真及实验数据分析,验证了EMD滤波技术是表征振动信号的非平稳特征及提高信号信噪比的有效工具。     

抽油机悬点位移间接测量方法研究

针对利用抽油机悬点加速度信号计算位移精度较差的问题,提出自适应噪声的完备集合经验模态分解(CEEMDAN)自适应降噪和极点对称模态分解(ESMD)去趋势项相结合的求解方法。首先使用CEEMDAN分解加速度信号,然后根据模态分量自相关函数与原始信号自相关函数的相关系数,确定噪声分量和有效分量的分界点;进一步采用小波阈值法提取噪声分量中有用信号,并基于排列熵的性质自适应确定小波分解的层数;重构所有模态分量实现降噪;再对消噪的加速度信号进行积分变换得到位移,最后使用ESMD剔除趋势项。仿真分析和实测数据结果表明,该方法比现有方法精度更高、自适应性更好。     

EEMD能量熵与优化LS-SVM的滚动轴承故障诊断

针对滚动轴承振动故障信号非平稳、非线性难以有效诊断的问题,提出基于集成经验模式分解(ensemble empirical mode decomposition,EEMD)能量熵与优化最小二乘支持向量机(least square support vector machine,LS-SVM)的滚动轴承故障诊断方法。首先利用EEMD对滚动轴承的振动故障信号进行分解,得到各阶的内禀模态函数分量(IMF)并计算其能量构造成特征向量矩阵,随后将该特征向量矩阵输入给优化的LS-SVM进行故障模式的分类辨识。通过实验验证了该方法的有效性和可行性,结果表明,基于EEMD能量熵特征与优化LS-SVM的滚动轴承故障诊断方法能够有效的诊断滚动轴承的实际运行工况。     

基于堆叠GRU的伺服电机滚动轴承剩余寿命预测

针对基于浅层学习的轴承寿命预测模型非线性学习能力差、预测精度低的问题,提出一种基于堆叠门控循环神经网络(SGRU)的伺服电机滚动轴承剩余寿命预测方法。首先对轴承振动信号进行时域和时频域特征提取,将常用的时域特征参数和经过集合经验模态分解得到的时频域特征参数作为原始特征集,然后采用相似度度量方法选取最能反映轴承退化性能的特征。之后通过堆叠两层GRU隐层来构建一种深层的寿命预测网络,并以训练集的退化特征参数为输入对网络进行训练,不断优化网络参数。最后在FEMTO数据集上与单层长短期记忆网络(LSTM)方法进行对比。结果表明,该方法相比于单层LSTM方法具有更高的预测精度。     

基于IVMD的单通道盲源分离方法及其应用

针对机械振动信号单通道盲源分离问题,提出了一种融合改进变分模态分解与时频分析的单通道信号盲源分离方法,并将其应用于滚动轴承复合故障的诊断中。该方法首先针对变分模态分解(Variational Mode Decomposition)过程中的层数选取问题,提出了一种根据谱相关系数确定分解层数的改进变分模态分解方法(Improved Variational Mode Decomposition,IVMD)。其次,采用改进变分模态分解对观测的单通道机械振动信号进行处理,得到一系列有限带宽固有模态函数(Band-limited Intrinsic Mode Functions,BLIMFs);然后,将原信号与得到的固有模态分量及其残余项组成虚拟多维观测信号,以突破传统盲源分离方法要求传感器数目必须大于或等于分离出的分量数目限制,并利用奇异值分解估计振源的数目。最后,根据振源数目选择与原信号谱相关系数较大的BLIMFs分量,并将分解残余项作为单独分量,重组虚拟多通道观测信号。采用基于时频分析的盲源分离算法实现非平稳信号的盲源分离;仿真和实验结果表明,该方法能够有效提高非平稳振动信号的分离精度,实现滚动轴承复合故障的诊断。     

考虑能耗的多传感器融合加工表面粗糙度预测方法

目的提出一种考虑能耗的多传感器融合加工表面粗糙度预测方法,精确预测零件表面粗糙度。方法首先采集车削过程中的功率和振动信号,测量加工表面粗糙度值,利用集成经验模态分解(Ensemble empirical mode decomposition,EEMD)和小波包分析提取振动信号的时域与频域特征,联合功率信号的时域特征、能耗特征与切削参数,构造联合多特征向量。然后采用核主成分分析(Kernel principal component analysis,KPCA)对联合多特征向量进行融合降维处理生成融合特征。最后将融合特征作为基于支持向量机(Support vector machine,SVM)的表面粗糙度预测模型的输入特征,并使用遗传算法(Genetic algorithm,GA)对SVM模型相关核参数进行优化以提高预测精度。结果预测得到的表面粗糙度平均相对误差为4.91%,最大误差为0.111μm,预测时间为9.24 s。与单传感器预测方法及多传感器联合特征预测方法相比,多传感器融合预测方法具有最高的准确率且预测速度快。结论多传感器采集的信息更全面、准确,保证了预测的准确性,对特征进行融合可进一步提高预测精度。     

基于CEEMDAN和改进轻量化时空网络的刀具状态监测

针对刀具退化特征提取困难和传统时空网络模型参数多等问题,提出了基于自适应噪声完备经验模态分解(CEEMDAN)和改进轻量化时空网络(BiLSTM-SN-ECA)的刀具磨损监测模型。首先,将刀具振动信号经CEEMADAN分解得到若干模态分量,将模态分量与振动信号结合,构造特征矩阵;其次,利用ECA改进ShuffleNetv2基本单元,并优化ShuffleNetv2整体结构,构造BiLSTM-SN-ECA网络模型;最后,将特征矩阵输入模型进行特征学习与磨损预测。所提方法预测值的平均绝对误差和均方根误差分别为1.246μm和2.065μm,结果表明该方法在减少传统时空网络模型参数量与训练时间的同时,提高了预测准确度。     

基于EEMD与频域分析的主轴回转误差评定

为实现高精度机床主轴回转误差的在线测试与评价,针对主轴回转误差包含多种误差分量的特点,采用双向正交测量法检测了不同转速下的主轴回转误差.以集合经验模态分解(EEMD)和快速傅里叶变换(FFT)为误差分离的理论基础,以EEMD分离得到的固有模态分量(IMF)的波数为指标,分离并除去偏心误差和主轴变形误差;重构剩余IMF分...     

基于EEMD的液压系统振动信号相关主分量分析效果研究

为了研究液压系统振动信号经EEMD分解前几阶IMF分量能否代表EEMD分解信号的主要成分,提出了EEMD分解的相关主分量分析,研究了EEMD相关主分量分析的效果。运用EEMD分解信号,得到其IMF分量,计算出各分量与原信号的相关系数,从中找出信号的相关主分量,通过对主分量进行Hilbert包络谱分析,并与原信号的Hilbert包络谱比较来验证EEMD相关主分量分析效果。通过对实测信号研究表明,某液压缸连续信号经EEMD分解后,与原信号相关性较大的5阶IMF分量:IMF1、IMF2、IMF5、IMF6、IMF7包含原信号主要成分,能表示该信号EEMD分解的主分量,而前5阶却不能完整表示原信号的主分量;对液压缸冲击信号分析发现,EEMD分解的前两阶IMF分量:IMF1、IMF2与原信号相关性较大,能够准确地表示原信号所包含的频率成分和信息,能表示信号EEMD分解的主分量,代表EEMD分解信号的主要成分。因此,EEMD相关主分量分析能突出EEMD分解的主要频率成分,对液压系统振动信号分析效果良好。     

基于SSA-VMD和BiLSTM的刀具磨损状态识别北大核心

针对变分模态分解(VMD)参数选取和刀具磨损特征提取困难等问题,提出了基于松鼠觅食算法(SSA)、VMD和双向长短期记忆网络(BiLSTM)的刀具磨损状态识别模型。首先,以包络熵为适应度函数,使用SSA优化VMD的参数,利用优化后的VMD分解刀具振动信号得到4组模态分量,并进行信号重构;其次,构建BiLSTM网络模型,并把信号模态分量、原始信号和重构信号一起构成特征矩阵输入模型当中,利用BiLSTM提取信号特征;最后,通过全连接层和Softmax层对刀具磨损状态进行识别。实验结果表明,SSA能够找到VMD最优参数组合,降低信号噪声,提出的SSA-VMD-BiLSTM模型在准确率和适应性方面优于传统的LSTM模型。     

基于改进EEMD和香农熵的铣刀磨损状态监测研究

为了分析铣削加工中复杂的声发射信号和克服EMD方法的模态混叠缺陷,在原始集合经验模态分解(EEMD)的基础上,提出一种改进的EEMD方法应用于铣刀磨损的状态监测。通过引入白噪声准则和中值滤波优化EEMD的算法,并基于香农熵从分解得到的IMF分量中提取有效分量,剔除虚假分量。最后将有效IMF分量的能量作为特征向量输入支持向量机(SVM)分类器来识别铣刀的磨损状态。经过在立式铣削加工中心上进行实验,结果表明此方法在识别铣刀磨损状态方面具有更高的准确性。     

基于改进滤波及峭度原则EEMD的转子故障特征识别方法

针对转子运转时的振动冲击和噪声较大从而容易掩盖振动信号中的故障特征的问题,提出了一种基于小波阈值去噪的EEMD故障特征识别方法。采用改进后小波阈值滤波方法对振动信号进行降噪预处理,对处理结果进行集合经验模态分解(EEMD),再依据峭度原则筛选分解得到的本征模态函数(IMF)。分析重构信号的频谱特征以识别故障。结果表明,该方法有效提高了信噪比且能提取到转子故障特征。     

基于EEMD能量比和GG聚类的滚动轴承故障诊断

针对滚动轴承故障特征提取困难导致故障类型难以辨识的问题,提出基于集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)和GG(Gath-Geva,GG)聚类的轴承故障诊断方法。首先,使用EEMD分解方法对轴承的振动信号进行分解,结合相关系数原则提取含有主要故障信息的4个固有模态函数(IMF)分量,计算其能量百分比作为特征值,再用GG聚类对特征值进行聚类分析。通过仿真验证了GG聚类的优越性,然后采用文中提出的GG聚类方法与FCM聚类、GK聚类对轴承故障数据的聚类效果进行对比分析,验证了文中所提方法在滚动轴承故障识别中的可行性。     

永磁同步电主轴的电磁噪声分析

为了提高永磁同步电主轴的加工精度、减小振动、降低其电磁噪声,考虑谐波磁动势的影响,推导永磁同步电主轴气隙磁密的解析表达式,提高了永磁同步电主轴径向磁密的计算精度。采用解析法计算径向磁密及其谐波,利用有限元法求解径向电磁力。建立该永磁同步电主轴的三维模型并进行模态分析以及谐响应分析,实测了电主轴的振动加速度。将模型电磁力频率以及模态分析结果与实测振动加速度频谱进行对照,结果表明径向电磁力是引起振动的主要原因,共振是产生噪声的主要因素。通过对永磁体结构的优化,减小了永磁同步电主轴的径向电磁力。通过噪声仿真分析,验证了电主轴结构优化后噪声的降低。     

基于多域空间状态矩阵奇异值与局部保持投影的滚动轴承故障特征提取方法

针对滚动轴承振动信号复杂且难以从中提取有效故障特征的问题,提出了一种总体经验模态分解(EEMD)、奇异值分解(SVD)和局部保持投影(LPP)相结合的故障特征提取方法。首先,对振动信号进行EEMD分解,利用EEMD分解后的固有模态分量(IMF)分别构造时域、频域和时频域空间状态矩阵;其次,利用SVD提炼时域、频域和时频域空间状态矩阵中的故障信息,筛选其中累加百分比大于90%的奇异值组成多域有效奇异值数组,构造多域奇异值特征矩阵;然后,利用LPP约简多域奇异值特征矩阵,提取低维、高区分度的故障特征;最后,利用支持向量机(SVM)对提出的故障特征提取方法进行评估。实验结果证明了该方法提取的故障特征可有效反映滚动轴承的故障状态。