基于VMD和卷积神经网络的变工况轴承故障诊断方法

针对变工况条件下轴承故障数据无法大量获取以及诊断困难的问题,提出了基于变分模态分解和卷积神经网络的轴承故障诊断方法,使用稳态工况获取的数据训练,能对变工况下的数据实现有效诊断。首先对轴承振动信号进行变分模态分解,以获得有限带宽的固有模态函数;然后构建卷积神经网络模型,采用优化技术提高模型适应性,实现对固有模态函数的自适应特征提取和分类;最后使用台架试验获得的滚动轴承故障数据进行验证,并与深度残差网络和支持向量机进行对比。结果表明,该模型对变工况数据的诊断/识别率达到100%/98.86%,高于对比模型的测试结果,有效实现了变工况轴承故障诊断。     

基于模态能量矩的气象雷达故障特征提取研究

为了提高气象雷达故障诊断精度和效率,该文提出了一种基于改进自适应噪声完备集合经验模态分解（ICEEMDAN）的模态能量矩特征提取方法。首先,通过使用ICEEMDAN算法对雷达接收机中频电路板采集的故障信号进行模态分解,得到故障信号的“本征模态函数”（Intrinsic Mode Function,IMF）。其次,计算每个IMF分量的能量矩并归一化处理后作为特征向量。最后,将特征向量送入支持向量机（Support Vector Machine,SVM）,进行故障分类。通过试验仿真,对比小波变换、傅里叶变换特征提取方法,验证该算法的有效性和优越性。     

基于CEEMD与自适小波阈值组合降噪在OPAX方法的应用

针对如何从降噪的角度去提高扩展工况传递路径分析(OPAX)方法的分析精度,提出运用互补集合经验模态分解(CEEMD)与自适小波阈值相结合的降噪方法。采用样本熵将分解后信号的本征模态分量划分为噪声、含噪和信号分量。剔除噪声分量,将不同含噪分量的样本熵归一化后作为调参参数并应用于新构造的小波阈值函数,通过含噪情况调整阈值函数来提高降噪效果,并将降噪后的含噪分量跟信号分量一同重构得到完整信号,运用仿真计算验证上述方法能最大程度保留原始信号的完整性。应用到OPAX模型中,对其工况数据(时域振动信号)进行降噪,与其他降噪方法一同对比发动机二阶情况下目标点的计算的合成响应与实测响应,发现CEEMD与自适小波阈值组合降噪改进的OPAX方法吻合程度较高,效果较优。     

基于振动信号时频分解-样本熵的受电弓裂纹故障诊断

构建了基于时频分解-样本熵测度的受电弓振动信号故障特征提取模型。对振动信号进行聚合经验模态分解,接着对分解得到的本征模态函数计算参数优化后的样本熵特征。将获取的故障特征输入基于粒子群参数优化的支持向量机(PSO-SVM)进行受电弓故障识别分析。结果发现,基于受电弓顶管振动信号的EEMD样本熵故障诊断效果较好,而碳滑板振动信号诊断效果较差。针对这一特点,利用二代小波样本熵进行优化,进一步提高了碳滑板振动信号故障诊断结果,验证了现代时频分析算法与信息熵联合的诊断方法在受电弓振动信号特征提取与故障诊断的可行性与有效性。     

基于MEEMD-HT的高速列车转向架蛇行失稳特征分析

为研究高速列车蛇行失稳时转向架横向、纵向和垂向的时频能特征,针对集合经验模态分解(EEMD)的模态分裂问题,提出一种改进的集合经验模态分解-Hilbert变换(MEEMD-HT)方法,首先对列车速度330~350 km/h时转向架蛇行失稳状态下的横向、纵向和垂向振动信号进行MEEMD分解,再通过HT分析MEEMD-HT能量谱和边际谱,并将MEEMD-HT分析结果与集合经验模态分解-Hilbert变换(EEMD-HT)对比。结果表明:列车蛇行失稳时,横向失稳现象最为明显,频率、能量分布高度集中,振动最为剧烈,纵向、垂向相对次之,但失稳现象显著;同时,MEEMD-HT方法能够体现出信号的时频能细节分布特征,优于传统的EEMD-HT方法。     

基于CEEMD低通的隧道爆破振动信号去噪

为了消除隧道爆破振动信号中无规则混杂的噪声,引入了一种基于CEEMD(互补集合经验模态分解)的低通去噪方法。首先对模拟正弦信号进行EMD、EEMD、CEEMD分解,验证CEEMD分解方法的优越性,然后使用EMD和CEEMD低通方法分别对新鼓山隧道爆破信号进行去噪处理,结果表明该方法不仅克服了小波类去噪基函数选择困难和EMD模态混叠的问题,还能够使爆破波形保留其真实性和完整性,为爆破信号的精确处理奠定了基础。     

基于CEEMD低通的隧道爆破振动信号去噪

为了消除隧道爆破振动信号中无规则混杂的噪声,引入了一种基于CEEMD(互补集合经验模态分解)的低通去噪方法。首先对模拟正弦信号进行EMD、EEMD、CEEMD分解,验证CEEMD分解方法的优越性,然后使用EMD和CEEMD低通方法分别对新鼓山隧道爆破信号进行去噪处理,结果表明该方法不仅克服了小波类去噪基函数选择困难和EMD模态混叠的问题,还能够使爆破波形保留其真实性和完整性,为爆破信号的精确处理奠定了基础。     

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。     

基于卷积神经网络图像分类的轴承故障模式识别

针对传统的基于数据驱动的机械故障模式识别方法中需要人工构造算法提取特征以及人工构造特征提取算法繁琐的问题,结合卷积神经网络(CNN)在图像特征自动提取与图像分类识别中的广泛应用,提出了一种基于CNN图像分类的轴承故障模式识别方法。首先,利用集合经验模态分解(EEMD)方法对轴承振动信号进行自适应分解并用相关系数对得到的本征模函数分量进行筛选。其次,对筛选得到的本征模函数分量进行伪魏格纳-威利时频分析(PWVD)计算得到信号的时频分布图,并对时频图进行预处理。最后,将轴承15种不同工况预处理后的时频图利用CNN进行特征提取与分类识别。将该方法与同类方法进行了对比,分类正确率提高了4.26%。     

融合CEEMD＿MPE和GK模糊聚类的故障识别方法

针对转子故障信号非线性、非平稳性的特点,提出了一种基于互补集合经验模态分解、多尺度排列熵和GK聚类的故障特征提取和识别方法。首先采用互补集合经验模态分解对故障信号进行分解,依据相关系数原则,选取相关系数最大的模态分量作为分析对象;然后利用多尺度排列熵量化模态分量的故障特征作为特征向量;最后,将经过PCA(Principal Component Analysis)降维后的低维特征集输入到GK模糊聚类算法中进行故障识别分类。将所提方法应用于典型转子实验台的故障特征集,通过分类系数与划分熵对分类效果进行检验,并与其他模式组合方法进行比较。结果表明,本文所提方法能够更有效提取故障特征。     

改进型EEMD和MSB解调方法及其在轴承故障特征提取中的应用

针对滚动轴承振动信号的强非线性和非平稳特性，提出了一种基于改进集成经验模态分解（IEEMD）和调制信号双谱（MSB）分析的故障特征提取方法。将集成经验模态分解（EEMD）应用于滚动轴承的振动信号处理，将其分解成一系列的本征模态函数（IMFs）；通过累计均值（MSAM）准则将IMFs自适应地分为低频IMFs和高频IMFs，其中高频IMFs采用小波阈值降噪进行处理；将降噪后的高频IMFs与低频IMFs进行重构以获取高信噪比的瞬态脉冲信号；利用MSB进一步抑制瞬态脉冲信号中的随机噪声和干扰分量，并提取信号故障特征。与谱峭度（SK）和WEEMD-MSB分析结果进行对比，验证了该方法在轴承微弱故障特征提取方面的优越性。     

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。     

基于完备总体经验模态分解和模糊熵结合的液压泵退化特征提取方法

针对液压泵振动信号具有非线性、非平稳性,以及信噪比低等特点,提出了基于完备总体经验模态分解和模糊熵结合的液压泵性能退化特征提取方法。首先,使用完备总体经验模态分解方法对液压泵振动信号进行分解,得到若干个固有模态函数分量。其次,求取各个分量与原始信号的相关性,选取相关性较高的前几个分量作为有效分量并求其模糊熵,实现液压泵的退化特征提取,形成特征向量。最后,以液压泵不同退化状态下的实测数据为例,使用基于变量预测模型的模式识别方法对提取的特征向量进行验证。实验结果表明,该液压泵退化特征提取方法具有较高的精度,使退化状态识别的准确率提高到了100%。     

基于EMD和时频分析的低振动机体结构优化研究

为降低柴油机机体振动,开展了基于经验模态分解（EMD）和时频分析的低振动机体优化设计研究。首先建立了机体有限元模型,通过机体模态试验验证了有限元模型正确性;然后,采用多体动力学和有限元相结合的方法计算了机体振动响应,并将计算结果与试验结果进行了对比验证,两者比较吻合;进而采用EMD对机体裙部振动速度信号进行分解,对分解得到的结果中能量较大的分量进行小波时频变换,通过时频分析得到结构优化的主要依据;最后对优化前后振动响应分别采用小波和Hilbert变换进行定性和定量的对比验证。结果表明,优化后整机振动烈度降低了26.81%,整机的振动水平得到了明显的降低,从而验证了该方法的有效性。     

基于改进的MEEMD的隧道掘进爆破振动信号去噪优化分析EI北大核心CSCD

爆破振动信号受现场条件限制,多为复杂含噪信号,对降噪方法的性能提出更高要求。为了获得真实振动特征,建立了一种基于改进的总体平均经验模态分解(modified ensemble empirical mode decomposition,MEEMD)的联合去噪方法。首先,将原始信号进行MEEMD分解得到本征模态分量(intrinsic mode function,IMF),结合相关系数和样本熵(sample entropy,SE)-Hurst指数进行IMF分类;然后,针对含噪IMF分量中的残留噪声,使用最小均方(least mean square,LMS)自适应滤波进行降噪,达到信号去噪的目的。算法对比结果表明:在仿真试验中,MEEMD-LMS相较互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)、快速集合经验模态分解(fast ensemble empirical mode decomposition,FEEMD)等方法表现出更优的降噪性能;在隧道掘进爆破的实例分析中,MEEMD-LMS相较MEEMD对高频噪声的降噪效果更好,低频段频谱更清晰,具备良好的适用性。     

增强辛几何模态分解和自组织自编码卷积网络的电机轴承工况识别

针对电机轴承振动信号特征提取与工况识别困难的问题,提出一种基于增强辛几何模态分解（ESGMD）和自组织自编码卷积网络（SOAECN）的电机轴承工况识别方法。在辛几何模态分解（SGMD）的基础上将电机轴承振动信号自适应分解为初始辛几何模态分量（ISGMCs）,并利用改进凝聚聚类算法对ISGMCs重新组合得到聚类辛几何模态分量（CSGMCs）;提出一种综合评价指标,利用此指标筛选能反映振动信号特征的CSGMCs分量并重构;结合卷积神经网络和小波自编码器,构造自编码卷积网络（AECN）,并在AECN基础上改进其损失函数且引入自组织策略,进而构造SOAECN;将重构后的振动信号输入SOAECN进行自动特征提取与工况识别。实验结果表明：ESGMD-SOAECN方法的工况识别率达到了98.76%,自动特征提取能力和工况识别能力优于深度稀疏自动编码器、深度降噪自动编码器和深度信念网络等深度学习方法,可为电机轴承自动工况识别提供参考。     

改进EEMD高速列车隧道交会横向振动研究

高速列车隧道交会时形成巨大的冲击压力,对列车横向振动产生巨大影响,同时,其横向振动也受轨道不平顺的影响。针对现有的经验模态分解(EMD)降噪过程中存在端点效应和模态混叠现象,提出一种改进的集合经验模态分解(IEEMD),并运用仿真信号验证该方法的有效性。对实测横向振动信号进行IEEDM分解,并结合相关性系数提取出气动载荷引起的横向振动;进一步分析轨道不平顺、气动载荷以及它们共同作用对列车横向振动的影响。研究结果表明:相比于轨道不平顺,气动载荷是引起横向振动的主要原因。     

基于经验模态分解和主成分分析的滚动轴承故障诊断研究

针对传统的振动信号特征提取效率低、诊断时间较长等问题,提出了基于经验模态分解与主成分分析的滚动轴承故障诊断方法。首先利用经验模态分解将振动信号分解为有限个本征模函数和一个残差函数,提取主要的本征模函数能量及其局部平均频率特征,最后将复合特征向量作为主成分分析分类器的输入,完成对故障的识别。实验结果表明:复合特征向量能够有效地反映轴承的运行状态;相比于BP神经网络、支持向量机、K-近邻算法,主成分分析分类法不仅能够准确地识别故障,而且训练时间短、使用方便。     

基于改进HHT和SVM的滚动轴承故障状态识别

针对滚动轴承故障信号特征难以提取与故障诊断效率较低问题,引入集合经验模态分解(EEMD)对Hilbert-Huang变换(HHT)进行改进,将改进的HHT结合拉普拉斯得分(Laplacian score,LS)进行轴承故障特征提取,并利用遗传算法(GA)优化支持向量机(SVM)分类参数,将其应用于滚动轴承振动信号故障状...     

ICEEMDAN和GS-SVM算法在滚动轴承声发射故障诊断中的应用研究

滚动轴承在运行过程中发生塑性变形、产生裂纹等形式故障时都会产生蕴含状态特征信息的声发射信号。针对滚动轴承声发射信号特征提取和故障诊断,提出一种基于改进自适应噪声完备经验模态分解（Improved complete ensemble empirical mode decomposition with adaptive noise,ICEEMDAN）的特征提取算法,结合经网格搜索优化（Grid Search, GS）的支持向量机（Support vector machine,SVM）分类算法,实现对滚动轴承故障的模式识别。首先将滚动轴承典型状态原始声发射信号进行分解得到若干个固有模态函数（Intrinsic mode function,IMF）分量,筛选其中峭度较大的分量进行重构,然后计算重构IMF分量的时域能量熵值构造特征向量集合,最后再将特征向量集合输入到基于GS优化的SVM分类器模型中进行训练和模式识别,并将采用该方法所构建模型与其它分类器模型进行准确率和效率比较。模型仿真和故障模拟实验研究表明：基于将ICEEMDAN时域能量熵和GS-SVM相结合的模型可以有效提取滚动轴承声发射信号...