基于CEEMDAN-云模型特征熵和LSSVM的磨机负荷预测研究

针对球磨机磨矿过程中负荷难以检测和不能准确判断负荷状态的问题,提出了一种基于CEEMDAN-云模型特征熵和LSSVM的磨机负荷预测方法,用完整集成经验分解算法(CEEMDAN)对不同负荷的磨机振动信号进行分解,由相关系数法选取敏感模态分量重构信号,利用逆向云发生器计算重构信号的云模型特征熵作为信号的特征参数,运用正向云发生器生成云模型特征向量的云滴图,结果表明,欠负荷、正常负荷、过负荷之间的熵值差异很大,可以较好地区分和识别磨机负荷状态;将云模型特征向量作为最小二乘支持向量机(LSSVM)的输入,料球比、充填率为输出,建立磨机负荷预测模型;通过磨矿实验验证了该方法的有效性,模型能够准确预测磨机负荷状态。     

基于CEEMDAN-TSMPE-PCA风力发电机齿轮箱高速轴承故障诊断技术

针对风力发电机组轴承故障信号微弱、不易提取、识别困难等问题,提出基于自适应白噪声完备经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)、时移多尺度排列熵(Time-Shift Multiscale Permutation Entropy, TSMPE)、主成分分析法(Principal Component Analysis,PCA)相结合的振动信号降噪算法,结合改进人工鱼群(Improved Artificial Fish Swarm Algorithm,IAFSA)优化支持向量机(Support Vector Machine,SVM)分类算法,实现风力发电机轴承的故障诊断。首先将风力发电机轴承原始振动信号进行CEEMDAN分解,得到一系列由高频到低频的IMF分量,通过相关系数筛选出经CEEMDAN分解后所产生虚假分量以及残余噪声分量并进行剔除,再通过峭度值在剩余分量中筛选出包含故障信息较多的IMF分量进行信号重构;其次,采用TSMPE计算重构信号的敏感特征值,经PCA选择后组成特征向量;最后,以IAFSA优化SVM,训练IAFSA-SVM多分类故障分类器,实现风力发电机轴承故障识别。将该方法与其他组合方法进行比较,证明所提方法在风力发电机轴承故障诊断中具有优越性和有效性。     

基于CEEMDAN多尺度排列熵和SO-RELM的高压隔膜泵单向阀故障诊断

高压隔膜泵单向阀受负载、摩擦和冲击等因素的影响,运行产生的振动信号具有非平稳、非线性的特点,为了从振动信号中提取设备的非线性动力学特征,将多尺度排列熵(multi-scale permutation entropy, MPE)引入高压隔膜泵单向阀故障诊断研究。提取振动信号多尺度排列熵特征,用于建立结构优化正则化极限学习机(structure optimization regularized extreme learning machine, SO-RELM)故障诊断模型,模型利用K-means优化RELM结构,提高模型识别精确度及稳定性。首先采用自适应噪声完备经验模态分解(complementary ensemble empirical mode decomposition with adaptive noise, CEEMDAN)将高压隔膜泵单向阀振动信号自适应分解为多个固有模态分量(intrinsic mode function, IMF),以相关系数为指标,优选包含故障特征信息丰富的分量;然后,计算IMFs的多尺度排列熵值,提取信号的非线性动力学特征;最后,基于多尺度排列熵,建立...     

基于变分模态分解和多尺度排列熵的滚动轴承故障诊断

针对滚动轴承故障振动信号非平稳性、故障特征提取效果不理想以及故障诊断准确性低等问题,提出基于变分模态分解和多尺度排列熵的滚动轴承故障特征提取方法,并采用经粒子群算法优化的概率神经网络(PSO-PNN)故障诊断模型进行故障类型识别。通过变分模态分解方法将提取的振动信号分解成K个模态分量,进一步计算K个分量的多尺度排列熵,组成多尺度的特征向量,将特征向量输入到PSO-PNN故障诊断模型中识别故障类型。MATLAB仿真结果表明,该方法使故障类型识别准确率有所提高。     

基于CEEMDAN–MPE算法的地铁短波长钢轨波磨识别

针对地铁钢轨波磨检测效率低、准确率低等问题,提出一种基于自适应噪声完备集合经验模态分解–多尺度排列熵的地铁短波长钢轨波磨识别方法。首先采用自适应噪声完备集合经验模态分解（CEEMDAN）方法将轴箱振动加速度信号逐级分解为多个不同特征时间尺度相对平稳的固有模态函数（IMF）;引入多尺度排列熵（MPE）分析各IMF在不同尺度上的熵均值,计算各IMF的相关系数,然后将随机程度较大或信噪比较低的分量剔除,计算剩余IMF的能量值及总能量值,通过设定阈值判断是否存在钢轨波磨,最后对能量值超过阈值的分量进行小波包时频分析,提取振动中心频率确定钢轨波磨波长。结果表明：（1）基于CEEMDAN–MPE算法可通过轴箱振动加速度准确识别短波长钢轨波磨及发生区域;（2）该方法在识别短波长波磨的准确性上优于EEMD能量值和小波包能量熵方法,并且能够较为准确地提取短波长波磨不平顺导致的振动响应,便于针对波磨的波深做进一步分析。     

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。     

基于VMD和SVD联合降噪方法的球磨机振动信号随机噪声压制

针对球磨机筒体振动信号中存在大量噪声信号,难以提取其有效信息的问题,提出一种基于变分模态分解(VMD)和奇异值分解(SVD)的联合降噪方法。该方法首先利用VMD算法对球磨机振动信号进行分解,得到K个本征模态分量(IMF),其中K值采用瞬时频率均值法确定;然后通过互相关系数法选取大于等于互相关系数阈值的IMF分量,将选出的分量视为敏感模态分量,再利用奇异值分解算法对敏感模态分量进行去噪处理;最后将经过奇异值去噪的敏感模态分量重构,得到最终降噪信号。仿真分析验证该方法的有效性,将该方法运用到实测球磨机筒体振动信号中,结果表明,该方法能够去除磨机筒体信号中的噪声,提高了信号后续分析处理的可靠性。     

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。     

基于参数优化VMD和增强多尺度排列熵的单向阀故障诊断

针对高压隔膜泵机械结构复杂,单向阀故障特征信息分布在多尺度上,单一尺度难以全面提取特征的问题,提出了一种基于参数优化变分模态分解(Variational Mode Decomposition,VMD)和增强多尺度排列熵(Enhanced Multi-scale Permutation Entropy,EMPE)的单向阀故障诊断方法。对单向阀振动信号进行VMD分解,以包络熵最小原则对其进行参数优化,获得既定的若干本征模态函数(Intrinsic Mode Function,IMF)分量;计算IMF分量的增强多尺度排列熵,构建故障特征值向量;利用基于变量预测模型的模式识别(Variable Predictive Model Based Class Discriminate,VPMCD)方法对故障特征值向量进行训练和识别,进而实现单向阀的故障诊断。仿真信号和工程实验分析表明,该方法可以准确地识别单向阀的故障类型,具有一定的可靠性和工程应用价值。     

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。